本发明涉及电动汽车智能控制技术领域，特别是涉及一种电动汽车充电负荷预测方法及装置。
背景技术：
温室气体的过度排放，导致全球气候变暖趋势加剧。电动汽车作为新一代的交通工具，在节能减排、减少人类对传统化石能源的依赖方面具备传统汽车不可比拟的优势。随着未来电动汽车的普及，电动汽车大规模接入电网充电，将对电力系统的运行与规划产生不可忽视的影响。
通过对电动汽车充电负荷预测方法的研究，可以进一步为研究电动汽车大规模发展对电网的影响，研究电动汽车参与电网互动能力，从而为充电设施与配电网的协同规划建立数据基础。
然而，传统的充电负荷预测方法没有考虑到电动汽车不同充电特性对充电负荷的影响，无法准确预测电动汽车的充电负荷。
技术实现要素：
基于此，有必要针对传统的充电负荷预测方法存在没有考虑到电动汽车不同充电特性对充电负荷的影响，无法准确预测电动汽车的充电负荷的缺陷，提供一种电动汽车充电负荷预测方法及装置。
本发明所提供的技术方案如下：
一种电动汽车充电负荷预测方法，包括步骤：
获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
根据起始充电时间建立各类型电动汽车的起始充电时间模型。
根据日行驶里程建立各类型电动汽车的日行驶里程模型。
对起始充电时间模型进行仿真，抽取起始充电时间模型中的随机起始充电时刻。
对日行驶里程模型进行仿真，抽取日行驶里程模型中的随机日行驶里程。
结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长。
结合随机起始充电时刻、充电所需时长和充电功率得到各类型电动汽车的充电负荷预测曲线。
叠加各类型电动汽车的充电负荷预测曲线，得到充电负荷总预测曲线。
一种电动汽车充电负荷预测装置，包括：
数据获取模块，用于获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
起始充电时间模型建立模块，用于根据起始充电时间建立各类型电动汽车的起始充电时间模型。
日行驶里程模型建立模块，用于根据日行驶里程建立各类型电动汽车的日行驶里程模型。
第一仿真模块，用于对起始充电时间模型进行仿真，抽取起始充电时间模型中的随机起始充电时刻。
第二仿真模块，用于对日行驶里程模型进行仿真，抽取日行驶里程模型中的随机日行驶里程。
充电所需时长获得模块，用于结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长。
充电负荷预测曲线建立模块，用于结合随机起始充电时刻、充电所需时长和充电功率得到各类型电动汽车的充电负荷预测曲线。
充电负荷总预测曲线建立模块，用于叠加各类型电动汽车的充电负荷预测曲线，得到充电负荷总预测曲线。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序程序时实现电动汽车充电负荷预测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现电动汽车充电负荷预测方法的步骤。
本发明所提供的技术方案，通过获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程等数据，结合仿真得到的各类型电动汽车的随机起始充电时刻和随机日行驶里程，进一步得到各类型电动汽车的充电所需时长，以得到各类型电动汽车的充电负荷预测曲线。通过叠加各类型电动汽车的充电负荷预测曲线，以使得到的充电负荷总预测曲线能够综合反映各类型电动汽车的充电特性，使预测得到的充电负荷更贴合各类型电动汽车的实际使用情况和更为准确。
附图说明
图1为实施例一的电动汽车充电负荷预测方法流程图；
图2为充电负荷预测曲线示意图
图3为实施例二的电动汽车充电负荷预测方法流程图；
图4为实施例三的电动汽车充电负荷预测方法路程图；
图5为实施例四的电动汽车充电负荷预测方法路程图；
图6为实施例五的电动汽车充电负荷预测方法路程图；
图7为实施例六的电动汽车充电负荷预测装置模块图；
图8为实施例七的电动汽车充电负荷预测装置模块图；
图9为实施例八的电动汽车充电负荷预测装置模块图；
图10为实施例九的电动汽车充电负荷预测装置模块图；
图11为实施例十的电动汽车充电负荷预测装置模块图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。
在实施例一中，如图1所示，为实施例一的电动汽车充电负荷预测方法流程图，包括步骤：
s101，获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
其中，各类型的电动汽车可以包括多种不同的电动汽车，具体包括但不限于电动公交车、电动专用车、电动私家车、电动出租车及电动共享汽车等。其中，不同类型的电动汽车的充电特性不同，即不同类型的电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程均是不同的。
基于此，在步骤s101中，获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程，即是分别获取每一类型的电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
s102，根据起始充电时间建立各类型电动汽车的起始充电时间模型。
其中，根据不同类型的电动汽车的起始充电时间历史数据建立该类型电动汽车的起始充电时间模型，每一种类型的电动汽车对应一个起始充电时间模型。
s103，根据日行驶里程建立各类型电动汽车的日行驶里程模型。
其中，根据不同类型的电动汽车的日行驶里程历史数据建立该类型电动汽车的日行驶里程模型，每一种类型的电动汽车对应一个日行驶里程模型。
s104，对起始充电时间模型进行仿真，抽取起始充电时间模型中的随机起始充电时刻。
其中，在开始仿真前，先确定当前仿真的电动汽车类型，根据电动汽车类型确定对应的起始充电时间模型进行仿真，抽取该起始充电时间模型中的随机起始充电时刻。
其中，对起始充电时间模型进行仿真的方法可以采用随机抽样法，包括但不限于蒙特卡洛法和田间试验法。优选地，在本实施例中，选用蒙特卡洛法进行仿真，以提高随机数的收敛程度，便于后续的充电负荷预测曲线的建立。
s105，对日行驶里程模型进行仿真，抽取日行驶里程模型中的随机日行驶里程。
其中，在开始仿真前，先确定当前仿真的电动汽车类型，根据电动汽车类型确定对应的日行驶里程模型进行仿真，抽取该日行驶里程模型中的随机日行驶里程。
其中，对起始充电时间模型进行仿真的方法可以采用随机抽样法，包括但不限于蒙特卡洛法和田间试验法。优选地，在本实施例中，选用蒙特卡洛法进行仿真，以提高随机数的收敛程度，便于后续的充电负荷预测曲线的建立。
s106，结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长。
其中，结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长的过程，如下式：
其中，t表示充电所需时长，e表示标准耗电量；ch表示行驶习惯的折算因子；d表示随机日行驶里程，ηm表示各类型电动汽车的充电机充电效率；ηn表示各类型电动汽车的锂电池充电效率；p表示充电功率。
s107，结合随机起始充电时刻、充电所需时长和充电功率得到各类型电动汽车的充电负荷预测曲线。
其中，充电负荷预测曲线的建立如图2所示，为充电负荷预测曲线示意图，其中，图2中充电负荷预测曲线的x轴为时间轴，0-x的方向为时间的发展方向，y轴为充电功率的大小。以图2中的充电负荷预测示意曲线a为例，点a对应的x轴时间为示意随机起始充电时刻，曲线a-b对应的x轴时间段为充电所需时长示意充电所需时长，曲线a-b对应的y轴大小为充电负荷预测示意曲线a中的充电功率变化。
s108，叠加各类型电动汽车的充电负荷预测曲线，得到充电负荷总预测曲线。
在步骤s107中得到的多条充电负荷预测曲线，叠加多条充电负荷预测曲线，并进行拟化，得到一条充电负荷总预测曲线。
本实施例所提供的技术方案，通过获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程等数据，结合仿真得到的各类型电动汽车的随机起始充电时刻和随机日行驶里程，进一步得到各类型电动汽车的充电所需时长，以得到各类型电动汽车的充电负荷预测曲线。通过叠加各类型电动汽车的充电负荷预测曲线，以使得到的充电负荷总预测曲线能够综合反映各类型电动汽车的充电特性，使预测得到的充电负荷更贴合各类型电动汽车的实际使用情况和更为准确。
在实施例二中，如图3所示，为实施例二的电动汽车充电负荷预测方法流程图，包括步骤：
s201，获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
s202，获取各类型电动汽车的起始充电时间的历史数据。
s203，通过极大似然估计的方法将各类型电动汽车的起始充电时间的历史数据近似为正态分布，得到起始充电时间模型。
起始充电时间主要受电动汽车用户的行驶需求和出行习惯影响。对所确定的电动汽车类型，根据该类型电动汽车的起始充电时间的历史数据获得该类型电动汽车的起始充电时间的数学分布，得出该类型电动汽车的起始充电时间的概率分布函数，作为该类型电动汽车的起始充电时间模型。
其中，电动公交车、电动专用车、电动私家车和电动出租车的起始充电时间满足正态分布：
其中，x表示电动汽车起始充电时间，μt表示起始充电时间服从正态分布的均值，σ表示起始充电时间服从正态分布的标准差，fx表示起始充电时间的概率密度函数。需注意不同类型电动汽车的fx对应的均值、标准差均不同。
其中，由于电动共享汽车的使用比较随机，其起始充电时间呈现均匀分布：
其中，a、b分别表示一天之中电动共享汽车起始充电时间的最小值、最大值，fx表示电动共享汽车起始充电时间的概率密度函数。
根据该类型电动汽车的起始充电时间的概率分布函数对所选定的电动汽车的起始充电时间进行随机采样，从而获得所选定的电动汽车的随机起始充电时刻。
s204，根据日行驶里程建立各类型电动汽车的日行驶里程模型。
s205，对起始充电时间模型进行仿真，抽取起始充电时间模型中的随机起始充电时刻。
s206，对日行驶里程模型进行仿真，抽取日行驶里程模型中的随机日行驶里程。
s207，结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长。
s208，结合随机起始充电时刻、充电所需时长和充电功率得到各类型电动汽车的充电负荷预测曲线。
s209，叠加各类型电动汽车的充电负荷预测曲线，得到充电负荷总预测曲线。
本实施例所提供的技术方案，通过极大似然估计的方法将各类型电动汽车的起始充电时间的历史数据近似为正态分布，得到起始充电时间模型，使建立的起始充电时间模型可以综合反映各类型电动汽车的起始充电时间情况，提高后续仿真的参考性。
在实施例三中，如图4所示，为实施例三的电动汽车充电负荷预测方法路程图，包括步骤：
s301，获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
s302，根据起始充电时间建立各类型电动汽车的起始充电时间模型。
s303，获取各类型电动汽车的日行驶里程的历史数据。
s304，通过极大似然估计的方法将各类型电动汽车的日行驶里程的历史数据近似为对数正态分布，得到日行驶里程模型。
抽取日行驶里程的在于确定充电负荷的大小。对所确定的电动汽车的明确类型，根据该类型电动汽车的日行驶里程的历史数据获得该类型电动汽车的日行驶里程的数学分布，得出该类型电动汽车的日行驶里程的概率分布函数，作为该类型电动汽车的日行驶里程模型。
其中，电动公交车、电动专用车、电动私家车和电动出租车的日行驶里程满足对数正态分布，其概率密度函数为：
其中，d表示电动汽车日行驶里程，μ表示日行驶里程服从对数正态分布的均值，σ表示日行驶里程服从对数正态分布的标准差，fd表示日行驶里程的概率密度函数。需注意不同类型电动汽车的fd对应的均值、标准差均不同。
其中，由于电动共享汽车的使用比较随机，其日行驶里程呈现均匀分布：
其中，n、m分别表示一天之中电动共享汽车日行驶里程的最小值、最大值，fd表示电动共享汽车起始充电时间的概率密度函数。
根据该类型电动汽车的日行驶里程的概率分布函数对所确定的电动汽车的日行驶里程进行随机采样，从而获得所确定的电动汽车的随机日行驶里程。
s305，对起始充电时间模型进行仿真，抽取起始充电时间模型中的随机起始充电时刻。
s306，对日行驶里程模型进行仿真，抽取日行驶里程模型中的随机日行驶里程。
s307，结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长。
s308，结合随机起始充电时刻、充电所需时长和充电功率得到各类型电动汽车的充电负荷预测曲线。
s309，叠加各类型电动汽车的充电负荷预测曲线，得到充电负荷总预测曲线。
本实施例所提供的技术方案，通过极大似然估计的方法将各类型电动汽车的日行驶里程的历史数据近似为对数正态分布，得到日行驶里程模型，使建立的日行驶里程模型可以综合反映各类型电动汽车的日行驶里程情况，提高后续仿真的参考性。
在实施例四中，如图5所示，为实施例四的电动汽车充电负荷预测方法路程图，包括步骤：
s401，获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
s402，根据起始充电时间建立各类型电动汽车的起始充电时间模型。
s403，根据日行驶里程建立各类型电动汽车的日行驶里程模型。
s404，对起始充电时间模型进行多于预设仿真次数的蒙特卡洛仿真。
s405，若仿真结果收敛，获取收敛的随机起始充电时刻。
仿真结果收敛的过程，如下式：
其中，βi为第i次仿真时刻的充电负荷方差系数，i＝1,2,......,1440；
若max(βi)＜0.05％，则仿真结果收敛。
s406，对日行驶里程模型进行仿真，抽取日行驶里程模型中的随机日行驶里程。
s407，结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长。
s408，结合随机起始充电时刻、充电所需时长和充电功率得到各类型电动汽车的充电负荷预测曲线。
s409，叠加各类型电动汽车的充电负荷预测曲线，得到充电负荷总预测曲线。
本实施例所提供的技术方案，通过蒙特卡洛法对起始充电时间模型进行仿真，抽取随机起始充电时刻。基于此，提高随机起始充电时刻数据的参考性，以提高充电负荷预测的准确率。
在实施例五中，如图6所示，为实施例五的电动汽车充电负荷预测方法路程图，包括步骤：
s501，获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
s502，根据起始充电时间建立各类型电动汽车的起始充电时间模型。
s503，根据日行驶里程建立各类型电动汽车的日行驶里程模型。
s504，对起始充电时间模型进行仿真，抽取起始充电时间模型中的随机起始充电时刻。
s505，对日行驶里程模型进行多于预设仿真次数的蒙特卡洛仿真。
s506，若仿真结果收敛，获取收敛的随机日行驶里程。
仿真结果收敛的过程，如下式：
其中，βi为第i次仿真时刻的充电负荷方差系数，i＝1,2,......,1440；
若max(βi)＜0.05％，则仿真结果收敛。
s507，结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长。
s508，结合随机起始充电时刻、充电所需时长和充电功率得到各类型电动汽车的充电负荷预测曲线。
s509，叠加各类型电动汽车的充电负荷预测曲线，得到充电负荷总预测曲线。
本实施例所提供的技术方案，通过蒙特卡洛法对日行驶里程模型进行仿真，抽取随机日行驶里程。基于此，提高随机日行驶里程数据的参考性，以提高充电负荷预测的准确率。
在实施例六中，如图7所示，为实施例六的电动汽车充电负荷预测装置模块图，包括：
数据获取模块601，用于获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程。
起始充电时间模型建立模块602，用于根据起始充电时间建立各类型电动汽车的起始充电时间模型。
日行驶里程模型建立模块603，用于根据日行驶里程建立各类型电动汽车的日行驶里程模型。
第一仿真模块604，用于对起始充电时间模型进行仿真，抽取起始充电时间模型中的随机起始充电时刻。
第二仿真模块605，用于对日行驶里程模型进行仿真，抽取日行驶里程模型中的随机日行驶里程。
充电所需时长获得模块606，用于结合随机日行驶里程、标准耗电量和充电功率得到各类型电动汽车的充电所需时长。
充电负荷预测曲线建立模块607，用于结合随机起始充电时刻、充电所需时长和充电功率得到各类型电动汽车的充电负荷预测曲线。
充电负荷总预测曲线建立模块608，用于叠加各类型电动汽车的充电负荷预测曲线，得到充电负荷总预测曲线。
本实施例所提供的技术方案，通过获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程等数据，结合仿真得到的各类型电动汽车的随机起始充电时刻和随机日行驶里程，进一步得到各类型电动汽车的充电所需时长，以得到各类型电动汽车的充电负荷预测曲线。通过叠加各类型电动汽车的充电负荷预测曲线，以使得到的充电负荷总预测曲线能够综合反映各类型电动汽车的充电特性，使预测得到的充电负荷更贴合各类型电动汽车的实际使用情况和更为准确。
其中，如图8所示，为实施例七的电动汽车充电负荷预测装置模块图，起始充电时间模型建立模块602还包括：
第一历史数据获取模块701，用于获取各类型电动汽车的起始充电时间的历史数据。
第一模型建立模块702，通过极大似然估计的方法将各类型电动汽车的起始充电时间的历史数据近似为正态分布，得到起始充电时间模型。
本实施例所提供的技术方案，通过极大似然估计的方法将各类型电动汽车的起始充电时间的历史数据近似为正态分布，得到起始充电时间模型，使建立的起始充电时间模型可以综合反映各类型电动汽车的起始充电时间情况，提高后续仿真的参考性。
其中，如图9所示，为实施例八的电动汽车充电负荷预测装置模块图，日行驶里程模型建立模块603包括：
第二历史数据获取模块801，用于获取各类型电动汽车的日行驶里程的历史数据。
第二模型建立模块802，用于通过极大似然估计的方法将各类型电动汽车的日行驶里程的历史数据近似为对数正态分布，得到日行驶里程模型。
本实施例所提供的技术方案，通过极大似然估计的方法将各类型电动汽车的日行驶里程的历史数据近似为对数正态分布，得到日行驶里程模型，使建立的日行驶里程模型可以综合反映各类型电动汽车的日行驶里程情况，提高后续仿真的参考性。
其中，如图10所示，为实施例九的电动汽车充电负荷预测装置模块图，第一仿真模块604包括：
第一仿真执行模块901，用于对起始充电时间模型进行多于预设仿真次数的蒙特卡洛仿真；
第一仿真结果获取模块902，用于在仿真结果收敛时，获取收敛的随机起始充电时刻。
本实施例所提供的技术方案，通过蒙特卡洛法对起始充电时间模型进行仿真，抽取随机起始充电时刻。基于此，提高随机起始充电时刻数据的参考性，以提高充电负荷预测的准确率。
其中，如图11所示，为实施例十的电动汽车充电负荷预测装置模块图，第二仿真模块605包括：
第二仿真执行模块1001，用于对日行驶里程模型进行多于预设仿真次数的蒙特卡洛仿真；
第二仿真结果获取模块1002，用于在仿真结果收敛时，获取收敛的随机日行驶里程。
本实施例所提供的技术方案，通过蒙特卡洛法对日行驶里程模型进行仿真，抽取随机日行驶里程。基于此，提高随机日行驶里程数据的参考性，以提高充电负荷预测的准确率。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序程序时实现上述电动汽车充电负荷预测方法中任意一个实施例的步骤。
本实施例所提供的计算机设备，通过获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程等数据，结合仿真得到的各类型电动汽车的随机起始充电时刻和随机日行驶里程，进一步得到各类型电动汽车的充电所需时长，以得到各类型电动汽车的充电负荷预测曲线。通过叠加各类型电动汽车的充电负荷预测曲线，以使得到的充电负荷总预测曲线能够综合反映各类型电动汽车的充电特性，使预测得到的充电负荷更贴合各类型电动汽车的实际使用情况和更为准确。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述电动汽车充电负荷预测方法中任意一个实施例的步骤。此外，通常存储在一个存储介质中的程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此，这样的存储介质也构成了本发明。存储介质可以使用任何类型的记录方式，例如纸张存储介质(如纸带等)、磁存储介质(如软盘、硬盘、闪存等)、光存储介质(如cd-rom等)、磁光存储介质(如mo等)等。
本实施例所提供的计算机可读存储介质，通过获取各类型电动汽车的标准耗电量、充电功率、起始充电时间和日行驶里程等数据，结合仿真得到的各类型电动汽车的随机起始充电时刻和随机日行驶里程，进一步得到各类型电动汽车的充电所需时长，以得到各类型电动汽车的充电负荷预测曲线。通过叠加各类型电动汽车的充电负荷预测曲线，以使得到的充电负荷总预测曲线能够综合反映各类型电动汽车的充电特性，使预测得到的充电负荷更贴合各类型电动汽车的实际使用情况和更为准确。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。