现阶段充电桩服务企业仍然采用传统的技术手段处理充电中产生的海量数据,这导致数据利用不充分、数据无法长期存储等问题出现。基于此,本文提出一种基于BP神经网络的充电桩负荷预测模型,并利用大数据分析技术对充电桩数据平台进行设计,以实现数据的长期存储和数据潜在信息的充分挖掘。主要研究内容由以下几方面组成:首先,对充电桩数据分析平台相关理论技术进行分析,具体包括大数据存储技术、分布式计算技术以及本文负荷预测模型所使用的粒子群优化算法和神经网络算法。其次,提出基于BP神经网络算法的充电桩负荷预测模型,对充电桩负荷影响因素进行分析,并设计预测模型的输入层、隐含层及输出层的参数。完成预测模型的测试、训练数据集制作及输入特征归一化处理。为弥补BP神经网络容易陷入局部最小解、单机训练速度慢等缺陷,采用粒子群优化算法和Spark并行技术进行优化。接着,在综合分析充电桩的数据特点和平台功能性需求的基础上,对充电桩大数据分析平台的功能架构和技术架构进行设计。采用Sqoop技术完成了全量和增量数据采集模块;利用Spark SQL方式完成重复数据的清洗;使用Spark改进Hive,加速数据分析;利用Tableau实现充电桩报表开发。最后,搭建满足充电桩数据存储和计算需求的一主四从分布式集群,完成充电桩数据平台各个子模块的开发,并对子模块的效果进行展示。对数据平台性能,负荷预测模型优化前后等情况进行实验,实验结果验证了数据平台的处理速度、优化后负荷预测模型的训练速度与预测精度均符合预期。