一种电动汽车充电负荷预测方法、系统及预测终端

1.本发明属于电动汽车技术领域，尤其涉及一种电动汽车充电负荷预测方法、系统及预测终端。


背景技术：

2.电动汽车是一类特殊的用电负荷，其出现时间和地点均有很强的随机性，难以通过研究个体设备的用电情况获知整体的用电负荷曲线，但从大数据上看，电动汽车的使用情况有一定的规律可循，这是因为电动汽车的使用情况受人们社会活动的影响很大，利用统计学方法对交通大数据进行分析就可以建立描述居民出行规律的统计学模型，并进一步得到电动汽车在这种出行模型下使用电能的情况，即电动汽车的充电负荷曲线。
3.目前预测电动汽车负荷已有多种方法，有蒙特卡洛模拟法、回归分析法、神经网络预测法等，其中一种简单明了被广泛使用的便是蒙特卡洛模拟法。蒙特卡洛(monte carlo)方法是一种以概率和统计理论为基础的随机模拟方法，是使用随机数(或更常见的伪随机数)来获得问题近似解的方法，它将所求问题同一定的概率模型相联系，通过计算机来实现随机抽样或统计模拟。依据全国居民出行调查的交通行为数据库，基于蒙特卡洛原理，通过模拟仿真车主交通习惯(包括出行习惯和充电习惯)，建立具有随机概率特征的数学模型来预测汽车在未来时段的充电时间、地点以及负荷需求。
4.蒙特卡洛法具有较大随机性，所生成的电动汽车出行数据过于理想化。即便将数据近似为正态分布之后，进行依概率抽取的蒙特卡洛依然无法客观还原真实复杂的电动汽车出行特征。正态分布虽然便于研究，但是无法还原真实交通环境中出现的早高峰和晚高峰等多峰值情况，也无法还原不同出行目的、不同区域的车辆的出行差异，造成预测数据不准确，无法得到有效的预测数据。


技术实现要素：

5.本发明提供一种基于真实数据的电动汽车负荷预测方法，考虑到真实交通出行状况，对传统的蒙特卡洛模拟法进行改进，在保留本方法简洁易行的优点的同时让出行数据的概率分布基于真实数据拟合而成的概率密度函数，而非过于理想化的正态分布，使生成的出行数据更真实合理。
6.电动汽车充电负荷预测方法包括：
7.s1：配置预测时间段，对预测时间段进行拆分，并得到电动汽车的出行开始时间、出行时段和出行结束时间；
8.s2：基于出行开始时间和出行结束时间对电动汽车进行分类，并基于分类后的电动汽车数据绘制频数分布直方图；频数分布直方图的横坐标为时间段，纵坐标为电动汽车数量；
9.s3：建立电动汽车剩余电量soc0与行驶里程之间的关联关系；
10.s4：分别计算电动汽车在第i段时间内开始充电的概率，在第i段时间内未停止充
电的概率，以及第i段时间内未充满电的概率；
11.s5：计算在第i段时间内电动汽车正在充电的概率p；
12.s6：基于概率p，计算在第i段时间内电动汽车充电而产生的负荷。
13.进一步需要说明的是，步骤s2还包括：将出行开始时间定义为充电结束时间，将出行结束时间定义为充电开始时间。
14.进一步需要说明的是，步骤s2中还设置电动汽车出行开始时间的概率密度函数为f2(t)，出行结束时间的概率密度函数为f1(t)，电动汽车出行里程分布的概率密度函数为fd(x)。
15.进一步需要说明的是，步骤s3中，电动汽车剩余电量soc0与行驶里程之间的关联关系为：
[0016][0017]
其中，r代表满电状态下电动汽车的续航里程，d为行驶里程。
[0018]
进一步需要说明的是，步骤s4中采用下述公式计算电动汽车在第i段时间内开始充电的概率，
[0019][0020]
通过下述公式计算在第i段时间内没有停止充电的概率，
[0021][0022]
通过下述公式计算第i段时间内没有充满电的概率，
[0023][0024]
其中，p为电动汽车充电功率，c为电池容量。
[0025]
进一步需要说明的是，步骤s5通过下述公式计算在第i段时间内电动汽车正在充电的概率p，
[0026]
p＝p
1i
×
p
2i
×
p
3i
。
[0027]
进一步需要说明的是，步骤s6中，则在第i段时间内在预测范围中电动汽车产生的负荷计算方式为：
[0028]
p
sum
＝p
×
p
charge
×n[0029]
n为预测的电动汽车数量，p
charge
为充电功率。
[0030]
本发明还提供一种电动汽车充电负荷预测系统，系统包括：时间配置模块、汽车分类模块、汽车状态关联模块、充电概率计算模块、启动充电计算模块以及负荷计算模块；
[0031]
时间配置模块用于配置预测时间段，对预测时间段进行拆分，并得到电动汽车的出行开始时间、出行时段和出行结束时间；
[0032]
汽车分类模块基于出行开始时间和出行结束时间对电动汽车进行分类，并绘制频数分布直方图；频数分布直方图的横坐标为时间段，纵坐标为电动汽车数量；
[0033]
汽车状态关联模块用于建立电动汽车剩余电量soc0与行驶里程之间的关联关系；
[0034]
充电概率计算模块用于分别计算电动汽车在第i段时间内开始充电的概率，在第i段时间内没有停止充电的概率，第i段时间内没有充满电的概率；
[0035]
启动充电计算模块用于计算在第i段时间内电动汽车正在充电的概率p；
[0036]
负荷计算模块基于概率p，计算在第i段时间内电动汽车充电而产生的负荷。
[0037]
本发明还提供一种预测终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述电动汽车充电负荷预测方法的步骤。
[0038]
从以上技术方案可以看出，本发明具有以下优点：
[0039]
本发明可以将真实数据拟合而成的函数作为概率密度函数，更符合真实情况，能更客观地还原电动汽车的负荷情况。本发明考虑了由于不同出行目的、不同地区的电动汽车在出行习惯上各不相同，因此产生的负荷也不相同。所以采用拟合的方法能够使概率密度函数更加符合实际。进而解决了现有技术中，无法还原真实交通环境中出现的早高峰和晚高峰等多峰值情况，也无法还原不同出行目的、不同区域的车辆的出行差异带来预测不准确的问题。
附图说明
[0040]
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]
图1为电动汽车充电负荷预测方法流程图；
[0042]
图2为以工作为出行目的的电动汽车在24小时内结束充电的概率密度函数分布直方图；
[0043]
图3为电动汽车出行里程概率密度函数分布图；
[0044]
图4为利用以教育为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图；
[0045]
图5为利用以娱乐为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图；
[0046]
图6为利用所有出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图；
[0047]
图7为利用以工作为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图；
[0048]
图8为利用以购物为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图；
[0049]
图9为利用以医疗保健为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图。
具体实施方式
[0050]
本发明提供的电动汽车充电负荷预测方法是为了解决现有技术中使用正态分布无法还原真实交通环境中出现的早高峰和晚高峰等多峰值情况，也无法还原不同出行目
的、不同区域的车辆的出行差异的问题。
[0051]
本发明涉及的电动汽车充电负荷预测方法可以基于人工智能技术对关联的数据进行获取和处理。其中，电动汽车充电负荷预测方法利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。使用人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。对传统的蒙特卡洛模拟法进行改进，让出行数据的概率分布基于真实数据拟合而成的概率密度函数，而非过于理想化的正态分布，使生成的出行数据更真实合理。可以准确的分析出电动汽车充电负荷状态。
[0052]
在本发明的电动汽车充电负荷预测方法中，既有硬件层面的技术也有软件层面的技术。硬件层面技术一般包括如用于感应电动汽车电量的传感器、记录时间的时间芯片、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。电动汽车充电负荷预测方法的软件技术主要包括机器学习/深度学习、程序设计语言。程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。这样，可以对电动汽车充电负荷预测过程数据进行有效的采集及获取，并进行保存，同时还可以进行分析预测满足使用要求。
[0053]
当然，电动汽车充电负荷预测方法还可以应用于一个或者多个预测终端中，预测终端是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0054]
预测终端可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、交互式网络电视(internet protocol television，iptv)、智能式穿戴式设备等。
[0055]
预测终端所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
[0056]
下面将结合图1来详细阐述本发明的电动汽车充电负荷预测方法，离合电动汽车充电负荷预测方法例如可结合出现时间、车辆电量信息以及行驶里程的综合分析，评价预测电动汽车的充电负荷，进而满足电动汽车的充电需要。
[0057]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058]
本发明的方法可以是基于一个社区内所有电动车充电负荷状态的预测。也可以是基于一个具有固定停车位的多辆电动车在一个时间段，比如在一天，或一周等时间周期内涉及的电动车充电负荷状态预测。其中，本发明的预测前需要对相应的数据进行采集，以满足预测需要。采集数据方式可以通过在电动车上安装采集终端或者由驾驶员的手持终端上传数据，比如上传电动车的电量信息，电动车出行开始时间、出行结束时间和单次出行里程数等指标。基于这些信息进行分析预测，可以获悉到未来时间段内的电动汽车充电负荷，本
发明可以基于预测的电动汽车充电负荷来判断是否满足充电所需的充电量。比如在具有固定停车位的多辆电动车在一个时间段需要充电时,可以基于本发明提出的电动汽车充电负荷预测方法来预判充总电量。
[0059]
请参阅图1所示是一具体实施例中电动汽车充电负荷预测方法的流程图，方法包括：
[0060]
s1：配置预测时间段，对预测时间段进行拆分，并得到电动汽车的出行开始时间、出行时段和出行结束时间；
[0061]
具体的讲，本实施例可以将一天分为24个时间段，或48个时间段，具体时间段不做限定。分段越精细拟合效果越好，越接近真实数据情况。这里可以基于用户对电动汽车的使用来设置相应的时间段，比如用户在上午9点至11点在使用电动车，则配置的时间段为上午9点至11点。那么9点就为出行开始时间，11点为出行结束时间，二者的时间差为出行时段。出行时间段可以基于电动车启动电源，至关闭电源来进行获取。
[0062]
这样，本发明将每个时间段进行拆分，形成每个时间段的出行开始时间、出行时段和出行结束时间。
[0063]
s2：基于出行开始时间和出行结束时间对电动汽车进行分类，也就是基于时间段对电动汽车进行分类，形成不同出行时间段的电动汽车出行数据。
[0064]
为了便于显示出行概率分析，能够对电动汽车充电负荷预测准确，本实施例还对分类后的各个电动汽车状态进行绘图展示，便于用户查看使用，也便于分析使用。
[0065]
其中，配置的频数分布直方图中，横坐标为时间段，纵坐标为电动汽车数量。
[0066]
对于本实施例来讲，还对频数分布直方图中的相关数据进行归一化处理，归一化之后拟合出概率密度函数。这里，可以近似将出行开始时间认为是充电结束时间，将出行结束时间认为是充电开始时间。
[0067]
需要说明的是，本实施例选取预设量的电动汽车数据作为电动汽车样本，将所有电动汽车样本在24小时内的出行开始时间进行统计，得到每个小时内出行的电动汽车数。
[0068]
具体的讲，将24个小时内的电动汽车数归一化后进行拟合。根据数据形成的图像，建议使用高斯拟合或傅里叶拟合法。基于如下公式进行二阶高斯拟合，其中，误差平方和为5.047
×
10-5
，r2＝0.9986。
[0069][0070]
24小时内所有电动汽车样本出行结束时间拟合函数为如下公式，
[0071][0072]
根据本技术的实施例，可以基于电动汽车数据中的出行开始时间，也就是充电结束时间来配置相应的出行开始时间概率密度函数为f2(t)，再根据出行结束时间，也就是充电开始时间配置相应的出行结束时间概率密度函数为f1(t)，电动汽车出行里程分布的出行里程概率密度函数为fd(x)。
[0073]
如图2作为一种实施例来表示以工作为出行目的的电动汽车在24小时内结束充电的概率密度函数和概率分布函数分布直方图。其中横坐标为小时。如图3为电动汽车荷电水平概率密度函数和概率分布函数曲线图。
[0074]
当然本发明还提供了几个不同电动汽车使用场景下的24h内电动汽车用电负荷曲线图，来确定或配置相应的出行开始时间概率密度函数为f2(x)，再根据充电开始时间配置相应的出行结束时间概率密度函数为f1(x)，电动汽车出行里程分布的出行里程概率密度函数为fd(x)。
[0075]
如图4为利用以教育为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图；如图5为利用以娱乐为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图；如图6为利用所有出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图。如图7为利用以工作为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图。图8为利用以购物为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图。如图9为利用以医疗保健为出行目的的电动汽车出行习惯数据计算出的24h内电动汽车用电负荷分布图。
[0076]
可以看出本实施例可以基于附图4至图8中示出了电动汽车在不同场景下的用电负荷分布状态，可以基于附图4至图8的电动汽车用电负荷分布状态得出出行开始时间概率密度函数为f2(t)，出行结束时间概率密度函数为f1(t)以及出行里程概率密度函数为fd(x)。
[0077]
需要说明的是，出行开始时间概率密度函数为f2(t)，出行结束时间概率密度函数为f1(t)以及出行里程概率密度函数为fd(x)是指在预设个电动汽车，电动汽车出行变量取某个值的概率密度。本发明中的电动汽车出行可以看出一个连续型随机数量，电动汽车出行概率密度函数f(x)定义为：在区间[a,b]内，电动汽车数量x落在[a,b]内的概率，可以表示为：概率p(a≤x≤b)＝∫[a,b]f(x)dx，其中，f(x)为概率密度函数，满足以下条件：非负性：f(x)≥0，对于所有的x都成立。[a,b]可以定义为一个监控区域，或者需要预测电动汽车数量的最大值和最小值。比如具有固定停车位的多辆电动车在一个时间段需要充电时，那么具有固定停车位的最大停车数量就是b，24小时内，最少停车数量就是a。
[0078]
s3：建立电动汽车剩余电量soc0与行驶里程之间的关联关系；
[0079]
本实施例中，电动汽车剩余电量soc0与行驶里程直接相关，可以认为耗电量与行驶里程成比例关系。在单位耗电量一定的情况下，电动汽车剩余电量与行驶距离有如下关系：
[0080][0081]
其中，r代表满电状态下电动汽车的续航里程，d为行驶里程。
[0082]
当然，这里可以基于附图4至图8所示不同场景下的电动汽车用电负荷分布状态，进而得出电动汽车剩余电量soc0与行驶里程关系。
[0083]
s4：分别计算电动汽车在第i段时间内开始充电的概率，在第i段时间内未停止充电的概率，以及第i段时间内未充满电的概率；
[0084]
本实施例中，计算电动汽车在第i段时间内开始充电的概率，
[0085][0086]
计算在第i段时间内没有停止充电的概率，
[0087][0088]
计算第i段时间内未充满电的概率。
[0089]
式中p为电动汽车充电功率，c为电池容量。
[0090][0091]
s5：计算在第i段时间内电动汽车正在充电的概率p；
[0092]
具体可以通过如下公式进行计算，
[0093]
p＝p
1i
×
p
2i
×
p
3i
[0094]
s6：基于概率p，计算在第i段时间内电动汽车充电而产生的负荷。
[0095]
在一个示例性实施例中，计算在第i段时间内电动汽车产生的负荷。可以设n为当前研究范围内长期活动的电动汽车数。在设计电池的充电程序时，为了保护车辆电池寿命，充电功率并非一成不变。考虑到为电网带来较大影响的往往是初期的大电流充电阶段，为简化计算，假设电动汽车进行恒功率充电，认为充电功率为p
change
＝8.5kw，则在第i段时间内在所研究范围中电动汽车产生的负荷是：
[0096]
p
sum
＝p
×
p
change
×n[0097]
基于上述方法，本发明可以将真实数据拟合而成的函数作为概率密度函数，更符合真实情况，能更客观地还原电动汽车的负荷情况。本发明考虑了由于不同出行目的、不同地区的电动汽车在出行习惯上各不相同，因此产生的负荷也不相同。所以采用拟合的方法能够使概率密度函数更加符合实际。进而解决了现有技术中，无法还原真实交通环境中出现的早高峰和晚高峰等多峰值情况，也无法还原不同出行目的、不同区域的车辆的出行差异带来预测不准确的问题。
[0098]
结合上述电动汽车充电负荷预测方法，对电动汽车负荷的预测所得到的负荷曲线与现实生活中的真实交通情况相符合。例如以工作为出行目的的电动汽车会在早(6:30-8:30)晚(17:30-19:30)的通勤高峰数量迅速增多，在中午形成较小的峰值。而以娱乐为目的的电动汽车所形成的负荷曲线则会在上午甚至中午出现峰值，晚高峰的出现也并不明显，这与真实情况是非常贴切的。
[0099]
以下是本公开实施例提供的电动汽车充电负荷预测系统的实施例，该系统与上述各实施例的电动汽车充电负荷预测方法属于同一个发明构思，在电动汽车充电负荷预测系统的实施例中未详尽描述的细节内容，可以参考上述电动汽车充电负荷预测方法的实施例。
[0100]
系统包括：时间配置模块、汽车分类模块、汽车状态关联模块、充电概率计算模块、充电计算模块以及负荷计算模块；
[0101]
时间配置模块用于配置预测时间段，对预测时间段进行拆分，并得到电动汽车的出行开始时间、出行时段和出行结束时间；
[0102]
汽车分类模块基于出行开始时间和出行结束时间对电动汽车进行分类，并基于分类后的电动汽车数据绘制频数分布直方图；频数分布直方图的横坐标为时间段，纵坐标为电动汽车数量；
[0103]
汽车状态关联模块用于建立电动汽车剩余电量soc0与行驶里程之间的关联关系；
[0104]
充电概率计算模块用于分别计算电动汽车在第i段时间内开始充电的概率，在第i段时间内没有停止充电的概率，第i段时间内没有充满电的概率；
[0105]
充电计算模块用于计算在第i段时间内电动汽车正在充电的概率p；
[0106]
负荷计算模块基于概率p，计算在第i段时间内电动汽车充电而产生的负荷。
[0107]
这样，本发明的系统能够对电动汽车出行信息以及充电信息进行汇总，方便监控人员进行查阅，有效的提升对电动汽车充电负荷监控效率。还能够基于分类后的电动汽车数据绘制频数分布直方图，使用多维空间描述整个预测过程。提高预测精度，从而实现电动汽车运行全过程监督、管理和控制的及时性和科学性。
[0108]
本发明提供的电动汽车充电负荷预测系统是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0109]
所属技术领域的技术人员能够理解，电动汽车充电负荷预测系统各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0110]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种电动汽车充电负荷预测方法，其特征在于，方法包括：s1：配置预测时间段，对预测时间段进行拆分，并得到电动汽车的出行开始时间、出行时段和出行结束时间；s2：基于出行开始时间和出行结束时间对电动汽车进行分类，并基于分类后的电动汽车数据绘制频数分布直方图；频数分布直方图的横坐标为时间段，纵坐标为电动汽车数量；s3：建立电动汽车剩余电量soc0与行驶里程之间的关联关系；s4：分别计算电动汽车在第i段时间内开始充电的概率，在第i段时间内未停止充电的概率，以及第i段时间内未充满电的概率；s5：计算在第i段时间内电动汽车正在充电的概率p；s6：基于概率p，计算在第i段时间内电动汽车充电而产生的负荷。2.根据权利要求1所述的电动汽车充电负荷预测方法，其特征在于，步骤s2还包括：将出行开始时间定义为充电结束时间，将出行结束时间定义为充电开始时间。3.根据权利要求1或2所述的电动汽车充电负荷预测方法，其特征在于，步骤s2中还设置电动汽车出行开始时间的概率密度函数为f2(t)，出行结束时间的概率密度函数为f1(t)，电动汽车出行里程分布的概率密度函数为f
d
(x)。4.根据权利要求1或2所述的电动汽车充电负荷预测方法，其特征在于，步骤s3中，电动汽车剩余电量soc0与行驶里程之间的关联关系为：其中，r代表满电状态下电动汽车的续航里程，d为行驶里程。5.根据权利要求1所述的电动汽车充电负荷预测方法，其特征在于，步骤s4中采用下述公式计算电动汽车在第i段时间内开始充电的概率，通过下述公式计算在第i段时间内没有停止充电的概率，通过下述公式计算第i段时间内没有充满电的概率，其中，p为电动汽车充电功率，c为电池容量。6.根据权利要求1所述的电动汽车充电负荷预测方法，其特征在于，步骤s5通过下述公式计算在第i段时间内电动汽车正在充电的概率p，p＝p
1i
×
p
2i
×
p
3i
。7.根据权利要求6所述的电动汽车充电负荷预测方法，其特征在于，步骤s6中，则在第i段时间内在预测范围中电动汽车产生的负荷计算方式为：p
sum
＝p
×
p
charge
×
n
n为预测的电动汽车数量，p
charge
为充电功率。8.一种电动汽车充电负荷预测系统，其特征在于，系统采用如权利要求1至7任意一项所述的电动汽车充电负荷预测方法；系统包括：时间配置模块、汽车分类模块、汽车状态关联模块、充电概率计算模块、启动充电计算模块以及负荷计算模块；时间配置模块用于配置预测时间段，对预测时间段进行拆分，并得到电动汽车的出行开始时间、出行时段和出行结束时间；汽车分类模块基于出行开始时间和出行结束时间对电动汽车进行分类，并绘制频数分布直方图；频数分布直方图的横坐标为时间段，纵坐标为电动汽车数量；汽车状态关联模块用于建立电动汽车剩余电量soc0与行驶里程之间的关联关系；充电概率计算模块用于分别计算电动汽车在第i段时间内开始充电的概率，在第i段时间内没有停止充电的概率，第i段时间内没有充满电的概率；启动充电计算模块用于计算在第i段时间内电动汽车正在充电的概率p；负荷计算模块基于概率p，计算在第i段时间内电动汽车充电而产生的负荷。9.一种预测终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述电动汽车充电负荷预测方法的步骤。

技术总结
本发明提供一种电动汽车充电负荷预测方法、系统及预测终端，属于电动汽车技术领域，配置预测时间段，对预测时间段进行拆分，并得到电动汽车的出行开始时间、出行时段和出行结束时间；基于出行开始时间和出行结束时间对电动汽车进行分类，并绘制频数分布直方图；建立电动汽车剩余电量与行驶里程之间的关联关系；分别计算电动汽车在第段时间内开始充电的概率，在第段时间内未停止充电的概率，以及第段时间内未充满电的概率；计算在第段时间内电动汽车正在充电的概率；计算在第段时间内电动汽车产生的负荷。本发明可以根据不同情况分别进行拟合，生成更贴切的概率密度函数。使预测结果更符合实际。符合实际。符合实际。


技术研发人员：陈馨怡 郑子昂 芦安洋
受保护的技术使用者：东北大学
技术研发日：2023.07.20
技术公布日：2023/10/20