CN104820790A - 电动汽车充电负荷数据的处理方法和装置 - Google Patents

Abstract

本发明公开了一种电动汽车充电负荷数据的处理方法和装置。其中，该方法包括：实时采集多个电动汽车的行驶规律数据和充电数据；对行驶规律数据进行耦合计算，得到行驶规律数据的耦合因子；对行驶规律数据进行拟合处理，得到行驶规律数据的概率分布数据；基于耦合因子和概率分布数据生成多个电动汽车的行驶规律随机数；根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据。本发明解决现有技术中无法准确获取电动汽车充电负荷需求数据的技术问题，实现了可以准确获取与电动汽车行驶规律特性相关的充电负荷需求数据的效果。

Description

电动汽车充电负荷数据的处理方法和装置

技术领域

本发明涉及电动汽车控制领域，具体而言，涉及一种电动汽车充电负荷数据的处理方法和装置。

背景技术

随着人们对低碳生活的呼吁，电动汽车及其相关的技术受到了很大程度的重视，未来电动汽车必然会规模化利用，由于电动汽车的充电行为与人类的生活行为息息相关，并且具有很强的随机性和主观性，会给电网的运行和规划带来一定的影响。因此，对电动汽车充电负荷需求的准确分析，是亟待解决的问题。

针对现有技术中无法准确获取电动汽车充电负荷需求数据的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种电动汽车充电负荷数据的处理方法和装置，以至少解决现有技术中无法准确获取电动汽车充电负荷需求数据的技术问题。

根据本发明实施例的一个方面，提供了一种电动汽车充电负荷数据的处理方法，包括：实时采集多个电动汽车的行驶规律数据和充电数据；对行驶规律数据进行耦合计算，得到行驶规律数据的耦合因子；对行驶规律数据进行拟合处理，得到行驶规律数据的概率分布数据；基于耦合因子和概率分布数据生成多个电动汽车的行驶规律随机数，其中，行驶规律随机数包括行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数；根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据。

进一步地，行驶规律数据包括多个电动汽车每次行驶的行驶起始时间、行驶结束时间以及行驶里程，其中，基于耦合因子和概率分布数据生成多个电动汽车的行驶规律随机数包括：使用概率分布数据对行驶起始时间、行驶结束时间以及行驶里程进行样本均匀化处理，得到随机数序列，其中，随机数序列包括行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列；基于耦合因子、行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列生成多维概率分布函数；基于多维概率分布函数生成相关因子为耦合因子的多组多元随机数对，其中，多元随机数对的组数符合多个电动汽车的数量；将多组多元随机数对转换为行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数。

进一步地，充电数据包括多个电动汽车的续航里程和电池荷电状态，其中，根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据包括：使用第一公式计算各个电动汽车在每次行驶后的电池荷电状态，其中，第一公式为SOC_i(t_{ti_2})＝SOC_i(t_{ti_1})-d_i/D_ei，SOC_i(t_{ti_2})表示第i个电动汽车在行驶结束时的电池荷电状态，SOC_i(t_{ti_1})表示第i个电动汽车在行驶起始时的电池荷电状态，t_{ti_2}表示第i个电动汽车的行驶结束时间，t_{ti_1}表示第i个电动汽车的行驶起始时间，d_i表示第i个电动汽车的行驶里程，D_ei表示第i个电动汽车的续航里程。

进一步地，充电数据还包括多个电动汽车的电池容量和充电功率，其中，根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据还包括：使用第二公式计算各个电动汽车的充电电量，其中，第二公式为E_i＝(1-SOC_i(t_{ti_2}))*C_i，E_i表示第i个电动汽车的充电电量，C_i表示第i个电动汽车的电池容量；使用第三公式计算各个电动汽车的充电时长，其中，第三公式为t_ci＝E_i/c，t_ci表示第i个电动汽车的充电时长，c表示第i个电动汽车的充电功率；使用第四公式计算各个电动汽车在各个时刻的充电功率，其中，第四公式为p_i(t)表示第i个电动汽车在t时刻的充电功率，t_{ci_1}表示第i个电动汽车的充电起始时间，t_{ci_2}表示第i个电动汽车的充电结束时间。

进一步地，根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据还包括：使用第一公式、第二公式、第三公式以及第四公式进行多次迭代计算，得到多组多个电动汽车在各个时刻的充电功率；基于多组充电功率，使用第五公式计算多个电动汽车在各个时刻的第一平均充电功率，其中，第五公式为P(t)表示第一平均充电功率，M表示迭代计算的次数，N表示多个电动汽车的数量，p_ji(t)表示第i个电动汽车在第j次迭代计算时t时刻的充电功率。

进一步地，对行驶规律数据进行耦合计算，得到行驶规律数据的耦合因子包括：计算行驶起始时间、行驶结束时间以及行驶里程两两之间的相关系数，作为耦合因子。

进一步地，在根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据之后，方法还包括：统计实时采集的充电数据中的充电功率，得到多个电动汽车在各个时刻的实际的第二平均充电功率；按照误差公式计算各个时刻的充电负荷数据与第二平均充电功率的误差Err(t)，其中，误差公式为N为多个电动汽车的数量，P(t)为t时刻对应的充电负荷数据，P_real(t)为t时刻对应的第二平均充电功率。

根据本发明实施例的另一方面，还提供了一种电动汽车充电负荷数据的处理装置，包括：采集模块，用于实时采集多个电动汽车的行驶规律数据和充电数据；第一计算模块，用于对行驶规律数据进行耦合计算，得到行驶规律数据的耦合因子；处理模块，用于对行驶规律数据进行拟合处理，得到行驶规律数据的概率分布数据；生成模块，用于基于耦合因子和概率分布数据生成多个电动汽车的行驶规律随机数，其中，行驶规律随机数包括行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数；第二计算模块，用于根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据。

进一步地，行驶规律数据包括多个电动汽车每次行驶的行驶起始时间、行驶结束时间以及行驶里程，其中，生成模块包括：处理子模块，用于使用概率分布数据对行驶起始时间、行驶结束时间以及行驶里程进行样本均匀化处理，得到随机数序列，其中，随机数序列包括行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列；第一生成子模块，用于基于耦合因子、行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列生成多维概率分布函数；第二生成子模块，用于基于多维概率分布函数生成相关因子为耦合因子的多组多元随机数对，其中，多元随机数对的组数符合多个电动汽车的数量；转换子模块，用于将多组多元随机数对转换为行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数。

进一步地，充电数据包括多个电动汽车的续航里程和电池荷电状态，其中，第二计算模块包括：第一计算子模块，用于使用第一公式计算各个电动汽车在每次行驶后的电池荷电状态，其中，第一公式为SOC_i(t_{ti_2})＝SOC_i(t_{ti_1})-d_i/D_ei，SOC_i(t_{ti_2})表示第i个电动汽车在行驶结束时的电池荷电状态，SOC_i(t_{ti_1})表示第i个电动汽车在行驶起始时的电池荷电状态，t_{ti_2}表示第i个电动汽车的行驶结束时间，t_{ti_1}表示第i个电动汽车的行驶起始时间，d_i表示第i个电动汽车的行驶里程，D_ei表示第i个电动汽车的续航里程。

进一步地，充电数据还包括多个电动汽车的电池容量和充电功率，其中，第二计算模块还包括：第二计算子模块，用于使用第二公式计算各个电动汽车的充电电量，其中，第二公式为E_i＝(1-SOC_i(t_{ti_2}))*C_i，E_i表示第i个电动汽车的充电电量，C_i表示第i个电动汽车的电池容量；第三计算子模块，用于使用第三公式计算各个电动汽车的充电时长，其中，第三公式为t_ci＝E_i/c，t_ci表示第i个电动汽车的充电时长，c表示第i个电动汽车的充电功率；第四计算子模块，用于使用第四公式计算各个电动汽车在各个时刻的充电功率，其中，第四公式为p_i(t)表示第i个电动汽车在t时刻的充电功率，t_{ci_1}表示第i个电动汽车的充电起始时间，t_{ci_2}表示第i个电动汽车的充电结束时间。

进一步地，第二计算模块还包括：第五计算子模块，用于使用第一公式、第二公式、第三公式以及第四公式进行多次迭代计算，得到多组多个电动汽车在各个时刻的充电功率；第六计算子模块，用于基于多组充电功率，使用第五公式计算多个电动汽车在各个时刻的第一平均充电功率，其中，第五公式为P(t)表示第一平均充电功率，M表示迭代计算的次数，N表示多个电动汽车的数量，p_ji(t)表示第i个电动汽车在第j次迭代计算时t时刻的充电功率。

进一步地，第一计算模块包括：第七计算子模块，用于计算行驶起始时间、行驶结束时间以及行驶里程两两之间的相关系数，作为耦合因子。

进一步地，装置还包括：统计模块，用于在根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据之后，统计实时采集的充电数据中的充电功率，得到多个电动汽车在各个时刻的实际的第二平均充电功率；第三计算模块，用于按照误差公式计算各个时刻的充电负荷数据与第二平均充电功率的误差Err(t)，其中，误差公式为N为多个电动汽车的数量，P(t)为t时刻对应的充电负荷数据，P_real(t)为t时刻对应的第二平均充电功率。

采用本发明实施例，在实时采集多个电动汽车的行驶规律数据和充电数据之后，对采集的行驶规律数据进行挖掘，分析得到行驶规律数据之间的耦合关系；对行驶规律数据进行概率统计，得到符合电动汽车行驶规律特性的行驶规律随机数；基于该符合电动汽车行驶规律特性的行驶规律随机数、行驶规律数据之间的耦合关系以及实时采集的充电数据进行充电负荷需求计算，得到与行驶规律特性相关的多个电动汽车的充电负荷数据，从而可以基于采集到的行驶规律数据和充电数据预测电动汽车规模化运行时的充电特性。通过本发明上述实施例，解决了现有技术中无法准确获取电动汽车充电负荷需求数据的技术问题，实现了可以准确获取与电动汽车行驶规律特性相关的充电负荷需求数据的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的电动汽车充电负荷数据的处理方法的流程图；

图2是根据本发明实施例的一种可选的电动汽车充电负荷数据的处理方法的流程图；

图3是根据本发明实施例的一种可选的电动汽车充电负荷数据的处理系统的示意图；以及

图4是根据本发明实施例的电动汽车充电负荷数据的处理装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种电动汽车充电负荷数据的处理方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的电动汽车充电负荷数据的处理方法的流程图，如图1所示，该方法可以包括如下步骤：

步骤S102，实时采集多个电动汽车的行驶规律数据和充电数据。

步骤S104，对行驶规律数据进行耦合计算，得到行驶规律数据的耦合因子。

步骤S106，对行驶规律数据进行拟合处理，得到行驶规律数据的概率分布数据。

步骤S108，基于耦合因子和概率分布数据生成多个电动汽车的行驶规律随机数。

其中，行驶规律随机数包括行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数。

步骤S110，根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据。

采用本发明实施例，在实时采集多个电动汽车的行驶规律数据和充电数据之后，对采集的行驶规律数据进行挖掘，分析得到行驶规律数据之间的耦合关系；对行驶规律数据进行概率统计，得到符合电动汽车行驶规律特性的行驶规律随机数；基于该符合电动汽车行驶规律特性的行驶规律随机数、行驶规律数据之间的耦合关系以及实时采集的充电数据进行充电负荷需求计算，得到与行驶规律特性相关的多个电动汽车的充电负荷数据，从而可以基于采集到的行驶规律数据和充电数据预测电动汽车规模化运行时的充电特性。通过本发明上述实施例，解决了现有技术中无法准确获取电动汽车充电负荷需求数据的技术问题，实现了可以准确获取与电动汽车行驶规律特性相关的充电负荷需求数据的效果。

在本发明上述实施例中，可以通过为部分电动汽车安装电动汽车车载采集终端实现电动汽车的行驶规律数据和充电数据的实时采集，其中，电动汽车车载采集终端可以采集电动汽车的运行时间(如行驶起始时间和行驶结束时间等)、充电起始时间、充电结束时间、行驶里程、充电功率和充电电量等数据；并通过GPS卫星，以无线通信的方式将实时采集的上述数据传回到电动汽车的远程监控中心，其中，远程监控中心设立有数据库服务器，用于存储上述数据，以及计算电动汽车的充电负荷需求数据等。本发明上述实施例可用于电动汽车充电负荷的预测，为电力系统负荷短期和长期预测提供参考，也可为电动汽车有序充电、电动汽车充电设施建设提供一定的数据支持。

根据本发明上述实施例，行驶规律数据包括多个电动汽车每次行驶的行驶起始时间、行驶结束时间以及行驶里程，其中，基于耦合因子和概率分布数据生成多个电动汽车的行驶规律随机数可以包括：使用概率分布数据对行驶起始时间、行驶结束时间以及行驶里程进行样本均匀化处理，得到随机数序列，其中，随机数序列包括行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列；基于耦合因子、行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列生成多维概率分布函数；基于多维概率分布函数生成相关因子为耦合因子的多组多元随机数对，其中，多元随机数对的组数符合多个电动汽车的数量；将多组多元随机数对转换为行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数。

具体地，使用拟合得到的概率分布数据(如，各个行驶规律数据的边缘分布函数)，对行驶规律数据进行样本均匀化处理，即将行驶起始时间、行驶结束时间以及行驶里程等数据转换为区间(0,1)上的随机数序列(如，行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列)；基于各个行驶规律数据之间的耦合因子、行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列生成多维概率分布函数(如，多维标准正态分布函数)；基于多维概率分布函数生成相关因子为耦合因子的多组多元随机数对；将多组多元随机数对转换为原始数据类型的行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数。

在一个可选的实施例中，根据采集得到的电动汽车行驶规律数据，估计行驶起始时间、行驶里程和行驶结束时间的概率分布参数，并按照行驶规律的概率分布特性和计算得到的耦合特性，生成一定规模的电动汽车行驶规律数据。

具体地，根据采集得到的汽车行驶规律数据拟合得到各随机变量的边缘分布函数，并生成N组含有耦合特性的行驶规律随机数，N表示采集电动汽车的数量。其步骤如下所述：

步骤S1，以行驶起始时间T1、结束时间T2和行驶里程D为例进行说明，其对应的边缘分布函数分别为F_T1、F_T2以及F_D。采用各随机变量对应的边缘分布函数，将行驶起始时间T1、结束时间T2和行驶里程D样本均匀化，即转换为区间(0,1)上的随机数序列：U_T1＝F_T1(T1)、U_T2＝F_T2(T2)及U_D＝F_D(D)。

步骤S2，将均匀化的随机数序列U_T1、U_T2及U_D转换为标准正态分布随机数序列：Y_T1＝Ф^-1(U_T1)、Y_T2＝Ф^-1(U_T2)及Y_D＝Ф^-1(U_D)。

步骤S3，按照得到的耦合因子ρ，形成相关因子为ρ的多维标准正态分布函数。

步骤S4，利用多维正态分布函数生成相关因子为ρ的N组多元随机数对(y_t1,y_t2,y_d)，其中，N为采集的电动汽车的数量。

步骤S5，将生成的(y_t1,y_t2,y_d)转换为原始类型的数据，即行驶起始时间随机数t₁＝F^-1 _T1(y_t1)、行驶结束时间随机数t₂＝F^-1 _T2(y_t2)及行驶里程随机数d＝F^-1 _D(y_d)。

在本发明上述实施例中，充电数据包括多个电动汽车的续航里程和电池荷电状态，其中，根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据可以包括：使用第一公式计算各个电动汽车在每次行驶后的电池荷电状态，其中，第一公式为SOC_i(t_{ti_2})＝SOC_i(t_{ti_1})-d_i/D_ei，SOC_i(t_{ti_2})表示第i个电动汽车在行驶结束时的电池荷电状态，SOC_i(t_{ti_1})表示第i个电动汽车在行驶起始时的电池荷电状态，t_{ti_2}表示第i个电动汽车的行驶结束时间，t_{ti_1}表示第i个电动汽车的行驶起始时间，d_i表示第i个电动汽车的行驶里程，D_ei表示第i个电动汽车的续航里程。

具体地，在生成电动汽车的行驶规律随机数之后，利用该行驶规律随机数和采集得到的充电数据对电动汽车在行驶前后的电池荷电状态进行模拟。对于单台电动汽车行驶前后的电池荷电状态(state of charge，即SOC)的变化情况按照上述的第一公式进行计算。

进一步地，充电数据还包括多个电动汽车的电池容量和充电功率，其中，根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据还可以包括：使用第二公式计算各个电动汽车的充电电量，其中，第二公式为E_i＝(1-SOC_i(t_{ti_2}))*C_i，E_i表示第i个电动汽车的充电电量，C_i表示第i个电动汽车的电池容量；使用第三公式计算各个电动汽车的充电时长，其中，第三公式为t_ci＝E_i/c，t_ci表示第i个电动汽车的充电时长，c表示第i个电动汽车的充电功率；使用第四公式计算各个电动汽车在各个时刻的充电功率，其中，第四公式为p_i(t)表示第i个电动汽车在t时刻的充电功率，t_{ci_1}表示第i个电动汽车的充电起始时间，t_{ci_2}表示第i个电动汽车的充电结束时间。

具体地，根据采集得到的电池容量和充电功率数据，模拟电动汽车所需的充电电量与充电吃长，按照上述的第二公式计算单台电动汽车所需的充电电量，并按照上述的第三公式计算单台电动汽车的充电时长。

进一步地，在计算得到单台电动汽车所需的充电电量和充电时长之后，模拟电动汽车充电行为，得到各个时刻电动汽车的充电功率。对于单台电动汽车，其充电功率可由上述的第四公式表示，并且在充电过程中电池SOC变化的过程可按照如下的公式计算：SOC_i(t_{ci_2})＝SOC_i(t_{ci_1})+c*(t_{ci_2}-t_{ci_1})/C_i，其中，SOC_i(t_{ci_1})表示第i个电动汽车在充电起始时的电池SOC，SOC_i(t_{ci_2})表示第i个电动汽车在充电结束时的电池SOC。在本发明实施例中，对于电动汽车行驶规律和充电规律进行模拟计算时，可以认为t_{ti_2}＝t_{ci_1}，t_{ci_2}＝t_{ci_1}+t_ci，并且当t_{ci_2}>t_{ti_1}时，t_{ci_2}＝t_{ti_1}。

根据本发明上述实施例，根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据还可以包括：使用第一公式、第二公式、第三公式以及第四公式进行多次迭代计算，得到多组多个电动汽车在各个时刻的充电功率；基于多组充电功率，使用第五公式计算多个电动汽车在各个时刻的第一平均充电功率，其中，第五公式为P(t)表示第一平均充电功率，M表示迭代计算的次数，N表示多个电动汽车的数量，p_ji(t)表示第i个电动汽车在第j次迭代计算时t时刻的充电功率。

具体地，通过叠加得到在某一次模拟电动汽车的行驶和充电时获得的充电负荷需求数据，并通过多次迭代求得电动汽车充电负荷需求数据的平均值，即按照上述的第五公式计算电动汽车在各个时刻的第一平均充电功率(即上述的充电负荷需求数据的平均值)

通过本发明上述实施例，基于采集到的电动汽车的行驶规律数据和充电数据，对电动汽车的行驶和充电行为进行模拟，通过对电动汽车行驶规律数据和充电数据的统计与分析，得到了电动汽车的行驶规律统计数据(即上述的行驶规律随机数)和充电规律统计数据(即上述的充电负荷数据)，实现了对电动汽车集群充电规律及充电负荷分布的分析，并得到了基于电动汽车行驶特性的电动汽车充电负荷需求。采用本发明上述实施例，对电动汽车的充电负荷进行预测，为电力系统负荷短期和长期预测提供参考，也可为电动汽车有序充电和电动汽车充电设施建设提供一定的数据支持。

在本发明上述实施例中，对行驶规律数据进行耦合计算，得到行驶规律数据的耦合因子可以包括：计算行驶起始时间、行驶结束时间以及行驶里程两两之间的相关系数，作为耦合因子。

具体地，可以按照下述公式计算行驶规律数据两两之间的耦合因子ρ_XY: ${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2\right]*\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2\right]}},$ 其中， $\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i,\stackrel{\‾}{y}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i$ 分别表示随机变量X，Y的样本均值，n表示随机变量的样本数量，在本实施例中，n即电动汽车的数量N。

根据本发明上述实施例，在根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据之后，上述方法还可以包括：统计实时采集的充电数据中的充电功率，得到多个电动汽车在各个时刻的实际的第二平均充电功率；按照误差公式计算各个时刻的充电负荷数据与第二平均充电功率的误差Err(t)，其中，误差公式为N为多个电动汽车的数量，P(t)为t时刻对应的充电负荷数据，P_real(t)为t时刻对应的第二平均充电功率。

具体地，在经过模拟计算得到电动汽车的充电负荷需求数据之后，可以通过实际采集得到的充电功率对计算得到的充电负荷需求数据进行误差分析，以确保计算得到的充电负荷需求数据的准确性。

进一步地，为了提高预测电动汽车的充电负荷需求数据的准确性，可以根据计算得到的误差对电动汽车充电负荷需求数据的计算过程进行修正。

下面结合图2详细介绍本发明上述实施例。如图2所示，该方法包括如下步骤：

步骤S202，采集电动汽车的历史数据。

其中，历史数据可以包括电动汽车的行驶规律数据和充电数据。

该步骤的实现过程与上述实施例中步骤S102的实现过程一致，在此不再赘述。

步骤S204，基于Copula理论建立行驶规律多维概率分布函数，按照耦合数据计算步骤，生成规模为N的电动汽车行驶时间和行驶里程随机数。

具体地，行驶规律多维概率分布函数即本发明上述实施例中的多维正态分布函数。

该步骤的实现过程与上述实施例中步骤S104至S108的实现过程一致，在此不再赘述。

步骤S206，设定电动汽车的参数。

其中，电动汽车的参数包括采集得到的电动汽车的电池容量、续航里程和充电功率等。

步骤S208，设定总迭代次数为M，迭代次数用day表示，并将迭代次数的初始值设置为1。

需要说明的是，步骤S206和步骤S208是为后续的迭代过程设置参数。

步骤S210，对于第i个电动汽车，模拟其行驶过程并更新SOC。

步骤S212，模拟其充电过程，并更新SOC。

步骤S214，判断day是否小于M。

其中，若day小于M，则表示尚未达到迭代次数，返回执行步骤S210；若day不小于M，则表示已达到迭代次数，继续执行步骤S216。

步骤S216，计算N个电动汽车的平均充电负荷需求数据。

其中，平均充电负荷需求数据即上述实施例中的第一平均充电功率。

步骤S218，计算误差Err。

具体地，该步骤的实现过程与上述实施例中通过误差公式计算各个时刻的充电负荷数据与第二平均充电功率的误差的实现过程一致，在此不再赘述。

通过本发明上述实施例，基于采集到的电动汽车的行驶规律数据和充电数据，对电动汽车的行驶和充电行为进行模拟，通过对电动汽车行驶规律数据和充电数据的统计与分析，实现了对电动汽车集群充电规律及充电负荷分布的分析，得到了基于电动汽车行驶特性的电动汽车充电负荷需求，并进行了误差分析。采用本发明上述实施例，对电动汽车的充电负荷进行预测，在经过模拟计算得到电动汽车的充电负荷需求数据之后，可以通过实际采集得到的充电功率对计算得到的充电负荷需求数据进行误差分析，以确保计算得到的充电负荷需求数据的准确性，为电力系统负荷短期和长期预测提供参考，也可为电动汽车有序充电和电动汽车充电设施建设提供一定的数据支持。

在一个可选实施例中，可以通过如图3所示的系统实现本发明上述实施例。

具体地，为部分电动汽车10(图3中仅示出1个)安装电动汽车车载采集终端11(图3中未示出)实现电动汽车的行驶规律数据和充电数据的实时采集，其中，电动汽车车载采集终端可以采集电动汽车的运行时间(如行驶起始时间和行驶结束时间等)、充电起始时间、充电结束时间、行驶里程、充电功率和充电电量等数据；并通过GPS卫星30(图3中仅示出1个)，以无线通信的方式(如，通过通信基站50、GPRS网络71和互联网73)将实时采集的上述数据传回到电动汽车的远程监控中心90，其中，远程监控中心设立有数据库服务器91(图3中示出多个)，用于存储上述数据，以及计算电动汽车的充电负荷需求数据等。远程监控中心还设置有防火墙93，以提供基本安全防护。本发明上述实施例可用于电动汽车充电负荷的预测，为电力系统负荷短期和长期预测提供参考，也可为电动汽车有序充电、电动汽车充电设施建设提供一定的数据支持。

需要说明的是，图3仅作示例性说明，不对图中所涉及设备的数量进行限定。

图4是根据本发明实施例的电动汽车充电负荷数据的处理装置的示意图。如图4所示，该装置可以包括：采集模块20，用于实时采集多个电动汽车的行驶规律数据和充电数据；第一计算模块40，用于对行驶规律数据进行耦合计算，得到行驶规律数据的耦合因子；处理模块60，用于对行驶规律数据进行拟合处理，得到行驶规律数据的概率分布数据；生成模块80，用于基于耦合因子和概率分布数据生成多个电动汽车的行驶规律随机数，其中，行驶规律随机数包括行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数；第二计算模块100，用于根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据。

采用本发明实施例，在实时采集多个电动汽车的行驶规律数据和充电数据之后，对采集的行驶规律数据进行挖掘，分析得到行驶规律数据之间的耦合关系；对行驶规律数据进行概率统计，得到符合电动汽车行驶规律特性的行驶规律随机数；基于该符合电动汽车行驶规律特性的行驶规律随机数、行驶规律数据之间的耦合关系以及实时采集的充电数据进行充电负荷需求计算，得到与行驶规律特性相关的多个电动汽车的充电负荷数据，从而可以基于采集到的行驶规律数据和充电数据预测电动汽车规模化运行时的充电特性。通过本发明上述实施例，解决了现有技术中无法准确获取电动汽车充电负荷需求数据的技术问题，实现了可以准确获取与电动汽车行驶规律特性相关的充电负荷需求数据的效果。

在本发明上述实施例中，可以通过为部分电动汽车安装电动汽车车载采集终端实现电动汽车的行驶规律数据和充电数据的实时采集，其中，电动汽车车载采集终端可以采集电动汽车的运行时间(如行驶起始时间和行驶结束时间等)、充电起始时间、充电结束时间、行驶里程、充电功率和充电电量等数据；并通过GPS卫星，以无线通信的方式将实时采集的上述数据传回到电动汽车的远程监控中心，其中，远程监控中心设立有数据库服务器，用于存储上述数据，以及计算电动汽车的充电负荷需求数据等。本发明上述实施例可用于电动汽车充电负荷的预测，为电力系统负荷短期和长期预测提供参考，也可为电动汽车有序充电、电动汽车充电设施建设提供一定的数据支持。

根据本发明上述实施例，行驶规律数据包括多个电动汽车每次行驶的行驶起始时间、行驶结束时间以及行驶里程，其中，生成模块可以包括：处理子模块，用于使用概率分布数据对行驶起始时间、行驶结束时间以及行驶里程进行样本均匀化处理，得到随机数序列，其中，随机数序列包括行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列；第一生成子模块，用于基于耦合因子、行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列生成多维概率分布函数；第二生成子模块，用于基于多维概率分布函数生成相关因子为耦合因子的多组多元随机数对，其中，多元随机数对的组数符合多个电动汽车的数量；转换子模块，用于将多组多元随机数对转换为行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数。

具体地，使用拟合得到的概率分布数据(如，各个行驶规律数据的边缘分布函数)，对行驶规律数据进行样本均匀化处理，即将行驶起始时间、行驶结束时间以及行驶里程等数据转换为区间(0,1)上的随机数序列(如，行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列)；基于各个行驶规律数据之间的耦合因子、行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列生成多维概率分布函数(如，多维标准正态分布函数)；基于多维概率分布函数生成相关因子为耦合因子的多组多元随机数对；将多组多元随机数对转换为原始数据类型的行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数。

在一个可选的实施例中，根据采集得到的电动汽车行驶规律数据，估计行驶起始时间、行驶里程和行驶结束时间的概率分布参数，并按照行驶规律的概率分布特性和计算得到的耦合特性，生成一定规模的电动汽车行驶规律数据。

具体地，根据采集得到的汽车行驶规律数据拟合得到各随机变量的边缘分布函数，并生成N组含有耦合特性的行驶规律随机数，N表示采集电动汽车的数量。

在本发明上述实施例中，充电数据包括多个电动汽车的续航里程和电池荷电状态，其中，第二计算模块可以包括：第一计算子模块，用于使用第一公式计算各个电动汽车在每次行驶后的电池荷电状态，其中，第一公式为SOC_i(t_{ti_2})＝SOC_i(t_{ti_1})-d_i/D_ei，SOC_i(t_{ti_2})表示第i个电动汽车在行驶结束时的电池荷电状态，SOC_i(t_{ti_1})表示第i个电动汽车在行驶起始时的电池荷电状态，t_{ti_2}表示第i个电动汽车的行驶结束时间，t_{ti_1}表示第i个电动汽车的行驶起始时间，d_i表示第i个电动汽车的行驶里程，D_ei表示第i个电动汽车的续航里程。

具体地，在生成电动汽车的行驶规律随机数之后，利用该行驶规律随机数和采集得到的充电数据对电动汽车在行驶前后的电池荷电状态进行模拟。对于单台电动汽车行驶前后的电池荷电状态(state of charge，即SOC)的变化情况按照上述的第一公式进行计算。

进一步地，充电数据还包括多个电动汽车的电池容量和充电功率，其中，第二计算模块还可以包括：第二计算子模块，用于使用第二公式计算各个电动汽车的充电电量，其中，第二公式为E_i＝(1-SOC_i(t_{ti_2}))*C_i，E_i表示第i个电动汽车的充电电量，C_i表示第i个电动汽车的电池容量；第三计算子模块，用于使用第三公式计算各个电动汽车的充电时长，其中，第三公式为t_ci＝E_i/c，t_ci表示第i个电动汽车的充电时长，c表示第i个电动汽车的充电功率；第四计算子模块，用于使用第四公式计算各个电动汽车在各个时刻的充电功率，其中，第四公式为p_i(t)表示第i个电动汽车在t时刻的充电功率，t_{ci_1}表示第i个电动汽车的充电起始时间，t_{ci_2}表示第i个电动汽车的充电结束时间。

具体地，根据采集得到的电池容量和充电功率数据，模拟电动汽车所需的充电电量与充电吃长，按照上述的第二公式计算单台电动汽车所需的充电电量，并按照上述的第三公式计算单台电动汽车的充电时长。

进一步地，在计算得到单台电动汽车所需的充电电量和充电时长之后，模拟电动汽车充电行为，得到各个时刻电动汽车的充电功率。对于单台电动汽车，其充电功率可由上述的第四公式表示，并且在充电过程中电池SOC变化的过程可按照如下的公式计算：SOC_i(t_{ci_2})＝SOC_i(t_{ci_1})+c*(t_{ci_2}-t_{ci_1})/C_i，其中，SOC_i(t_{ci_1})表示第i个电动汽车在充电起始时的电池SOC，SOC_i(t_{ci_2})表示第i个电动汽车在充电结束时的电池SOC。在本发明实施例中，对于电动汽车行驶规律和充电规律进行模拟计算时，可以认为t_{ti_2}＝t_{ci_1}，t_{ci_2}＝t_{ci_1}+t_ci，并且当t_{ci_2}>t_{ti_1}时，t_{ci_2}＝t_{ti_1}。

根据本发明上述实施例，第二计算模块还可以包括：第五计算子模块，用于使用第一公式、第二公式、第三公式以及第四公式进行多次迭代计算，得到多组多个电动汽车在各个时刻的充电功率；第六计算子模块，用于基于多组充电功率，使用第五公式计算多个电动汽车在各个时刻的第一平均充电功率，其中，第五公式为P(t)表示第一平均充电功率，M表示迭代计算的次数，N表示多个电动汽车的数量，p_ji(t)表示第i个电动汽车在第j次迭代计算时t时刻的充电功率。

具体地，通过叠加得到在某一次模拟电动汽车的行驶和充电时获得的充电负荷需求数据，并通过多次迭代求得电动汽车充电负荷需求数据的平均值，即按照上述的第五公式计算电动汽车在各个时刻的第一平均充电功率(即上述的充电负荷需求数据的平均值)

通过本发明上述实施例，基于采集到的电动汽车的行驶规律数据和充电数据，对电动汽车的行驶和充电行为进行模拟，通过对电动汽车行驶规律数据和充电数据的统计与分析，得到了电动汽车的行驶规律统计数据(即上述的行驶规律随机数)和充电规律统计数据(即上述的充电负荷数据)，实现了对电动汽车集群充电规律及充电负荷分布的分析，并得到了基于电动汽车行驶特性的电动汽车充电负荷需求。采用本发明上述实施例，对电动汽车的充电负荷进行预测，为电力系统负荷短期和长期预测提供参考，也可为电动汽车有序充电和电动汽车充电设施建设提供一定的数据支持。

在本发明上述实施例中，第一计算模块可以包括：第七计算子模块，用于计算行驶起始时间、行驶结束时间以及行驶里程两两之间的相关系数，作为耦合因子。

具体地，可以按照下述公式计算行驶规律数据两两之间的耦合因子ρ_XY: ${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2\right]*\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2\right]}},$ 其中， $\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i,\stackrel{\‾}{y}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i$ 分别表示随机变量X，Y的样本均值，n表示随机变量的样本数量，在本实施例中，n即电动汽车的数量N。

根据本发明上述实施例，上述的装置还可以包括：统计模块，用于在根据行驶起始时间随机数、行驶结束时间随机数、行驶里程随机数以及充电数据进行充电负荷计算，得到多个电动汽车的充电负荷数据之后，统计实时采集的充电数据中的充电功率，得到多个电动汽车在各个时刻的实际的第二平均充电功率；第三计算模块，用于按照误差公式计算各个时刻的充电负荷数据与第二平均充电功率的误差Err(t)，其中，误差公式为N为多个电动汽车的数量，P(t)为t时刻对应的充电负荷数据，P_real(t)为t时刻对应的第二平均充电功率。

具体地，在经过模拟计算得到电动汽车的充电负荷需求数据之后，可以通过实际采集得到的充电功率对计算得到的充电负荷需求数据进行误差分析，以确保计算得到的充电负荷需求数据的准确性。

进一步地，为了提高预测电动汽车的充电负荷需求数据的准确性，可以根据计算得到的误差对电动汽车充电负荷需求数据的计算过程进行修正。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种电动汽车充电负荷数据的处理方法，其特征在于，包括：

实时采集多个电动汽车的行驶规律数据和充电数据；

对所述行驶规律数据进行耦合计算，得到所述行驶规律数据的耦合因子；

对所述行驶规律数据进行拟合处理，得到所述行驶规律数据的概率分布数据；

基于所述耦合因子和所述概率分布数据生成所述多个电动汽车的行驶规律随机数，其中，所述行驶规律随机数包括行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数；

根据所述行驶起始时间随机数、所述行驶结束时间随机数、所述行驶里程随机数以及所述充电数据进行充电负荷计算，得到所述多个电动汽车的充电负荷数据。

2.根据权利要求1所述的方法，其特征在于，所述行驶规律数据包括所述多个电动汽车每次行驶的行驶起始时间、行驶结束时间以及行驶里程，其中，基于所述耦合因子和所述概率分布数据生成所述多个电动汽车的行驶规律随机数包括：

使用所述概率分布数据对所述行驶起始时间、所述行驶结束时间以及所述行驶里程进行样本均匀化处理，得到随机数序列，其中，所述随机数序列包括行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列；

基于所述耦合因子、所述行驶起始时间随机数序列、所述行驶结束时间随机数序列以及所述行驶里程随机数序列生成多维概率分布函数；

基于所述多维概率分布函数生成相关因子为所述耦合因子的多组多元随机数对，其中，所述多元随机数对的组数符合所述多个电动汽车的数量；

将所述多组多元随机数对转换为所述行驶起始时间随机数、所述行驶结束时间随机数以及所述行驶里程随机数。

3.根据权利要求2所述的方法，其特征在于，所述充电数据包括所述多个电动汽车的续航里程和电池荷电状态，其中，根据所述行驶起始时间随机数、所述行驶结束时间随机数、所述行驶里程随机数以及所述充电数据进行充电负荷计算，得到所述多个电动汽车的充电负荷数据包括：

使用第一公式计算各个所述电动汽车在每次行驶后的电池荷电状态，

其中，所述第一公式为SOC_i(t_{ti_2})＝SOC_i(t_{ti_1})-d_i/D_ei，所述SOC_i(t_{ti_2})表示第i个所述电动汽车在行驶结束时的电池荷电状态，所述SOC_i(t_{ti_1})表示第i个所述电动汽车在行驶起始时的电池荷电状态，所述t_{ti_2}表示第i个所述电动汽车的行驶结束时间，所述t_{ti_1}表示第i个所述电动汽车的行驶起始时间，所述d_i表示第i个所述电动汽车的行驶里程，所述D_ei表示第i个所述电动汽车的续航里程。

4.根据权利要求3所述的方法，其特征在于，所述充电数据还包括所述多个电动汽车的电池容量和充电功率，其中，根据所述行驶起始时间随机数、所述行驶结束时间随机数、所述行驶里程随机数以及所述充电数据进行充电负荷计算，得到所述多个电动汽车的充电负荷数据还包括：

使用第二公式计算各个所述电动汽车的充电电量，其中，所述第二公式为E_i＝(1-SOC_i(t_{ti_2}))*C_i，所述E_i表示第i个所述电动汽车的充电电量，所述C_i表示第i个所述电动汽车的电池容量；

使用第三公式计算各个所述电动汽车的充电时长，其中，所述第三公式为t_ci＝E_i/c，所述t_ci表示第i个所述电动汽车的充电时长，所述c表示第i个所述电动汽车的充电功率；

使用第四公式计算各个所述电动汽车在各个时刻的充电功率，其中，所述第四公式为所述p_i(t)表示第i个所述电动汽车在t时刻的充电功率，所述t_{ci_1}表示第i个所述电动汽车的充电起始时间，所述t_{ci_2}表示第i个所述电动汽车的充电结束时间。

5.根据权利要求4所述的方法，其特征在于，根据所述行驶起始时间随机数、所述行驶结束时间随机数、所述行驶里程随机数以及所述充电数据进行充电负荷计算，得到所述多个电动汽车的充电负荷数据还包括：

使用所述第一公式、所述第二公式、所述第三公式以及所述第四公式进行多次迭代计算，得到多组所述多个电动汽车在各个时刻的充电功率；

基于多组所述充电功率，使用第五公式计算所述多个电动汽车在各个时刻的第一平均充电功率，其中，所述第五公式为所述P(t)表示所述第一平均充电功率，所述M表示所述迭代计算的次数，所述N表示所述多个电动汽车的数量，所述p_ji(t)表示第i个所述电动汽车在第j次迭代计算时t时刻的充电功率。

6.根据权利要求2所述的方法，其特征在于，对所述行驶规律数据进行耦合计算，得到所述行驶规律数据的耦合因子包括：

计算所述行驶起始时间、所述行驶结束时间以及所述行驶里程两两之间的相关系数，作为所述耦合因子。

7.根据权利要求1至6中任意一项所述的方法，其特征在于，在根据所述行驶起始时间随机数、所述行驶结束时间随机数、所述行驶里程随机数以及所述充电数据进行充电负荷计算，得到所述多个电动汽车的充电负荷数据之后，所述方法还包括：

统计实时采集的所述充电数据中的充电功率，得到所述多个电动汽车在各个时刻的实际的第二平均充电功率；

按照误差公式计算各个时刻的所述充电负荷数据与所述第二平均充电功率的误差Err(t)，其中，所述误差公式为所述N为所述多个电动汽车的数量，所述P(t)为t时刻对应的所述充电负荷数据，所述P_real(t)为t时刻对应的所述第二平均充电功率。

8.一种电动汽车充电负荷数据的处理装置，其特征在于，包括：

采集模块，用于实时采集多个电动汽车的行驶规律数据和充电数据；

第一计算模块，用于对所述行驶规律数据进行耦合计算，得到所述行驶规律数据的耦合因子；

处理模块，用于对所述行驶规律数据进行拟合处理，得到所述行驶规律数据的概率分布数据；

生成模块，用于基于所述耦合因子和所述概率分布数据生成所述多个电动汽车的行驶规律随机数，其中，所述行驶规律随机数包括行驶起始时间随机数、行驶结束时间随机数以及行驶里程随机数；

第二计算模块，用于根据所述行驶起始时间随机数、所述行驶结束时间随机数、所述行驶里程随机数以及所述充电数据进行充电负荷计算，得到所述多个电动汽车的充电负荷数据。

9.根据权利要求8所述的装置，其特征在于，所述行驶规律数据包括所述多个电动汽车每次行驶的行驶起始时间、行驶结束时间以及行驶里程，其中，所述生成模块包括：

处理子模块，用于使用所述概率分布数据对所述行驶起始时间、所述行驶结束时间以及所述行驶里程进行样本均匀化处理，得到随机数序列，其中，所述随机数序列包括行驶起始时间随机数序列、行驶结束时间随机数序列以及行驶里程随机数序列；

第一生成子模块，用于基于所述耦合因子、所述行驶起始时间随机数序列、所述行驶结束时间随机数序列以及所述行驶里程随机数序列生成多维概率分布函数；

第二生成子模块，用于基于所述多维概率分布函数生成相关因子为所述耦合因子的多组多元随机数对，其中，所述多元随机数对的组数符合所述多个电动汽车的数量；

转换子模块，用于将所述多组多元随机数对转换为所述行驶起始时间随机数、所述行驶结束时间随机数以及所述行驶里程随机数。

10.根据权利要求9所述的装置，其特征在于，所述充电数据包括所述多个电动汽车的续航里程和电池荷电状态，其中，所述第二计算模块包括：

第一计算子模块，用于使用第一公式计算各个所述电动汽车在每次行驶后的电池荷电状态，

其中，所述第一公式为SOC_i(t_{ti_2})＝SOC_i(t_{ti_1})-d_i/D_ei，所述SOC_i(t_{ti_2})表示第i个所述电动汽车在行驶结束时的电池荷电状态，所述SOC_i(t_{ti_1})表示第i个所述电动汽车在行驶起始时的电池荷电状态，所述t_{ti_2}表示第i个所述电动汽车的行驶结束时间，所述t_{ti_1}表示第i个所述电动汽车的行驶起始时间，所述d_i表示第i个所述电动汽车的行驶里程，所述D_ei表示第i个所述电动汽车的续航里程。

11.根据权利要求10所述的装置，其特征在于，所述充电数据还包括所述多个电动汽车的电池容量和充电功率，其中，所述第二计算模块还包括：

第二计算子模块，用于使用第二公式计算各个所述电动汽车的充电电量，其中，所述第二公式为E_i＝(1-SOC_i(t_{ti_2}))*C_i，所述E_i表示第i个所述电动汽车的充电电量，所述C_i表示第i个所述电动汽车的电池容量；

第三计算子模块，用于使用第三公式计算各个所述电动汽车的充电时长，其中，所述第三公式为t_ci＝E_i/c，所述t_ci表示第i个所述电动汽车的充电时长，所述c表示第i个所述电动汽车的充电功率；

第四计算子模块，用于使用第四公式计算各个所述电动汽车在各个时刻的充电功率，其中，所述第四公式为所述p_i(t)表示第i个所述电动汽车在t时刻的充电功率，所述t_{ci_1}表示第i个所述电动汽车的充电起始时间，所述t_{ci_2}表示第i个所述电动汽车的充电结束时间。

12.根据权利要求11所述的装置，其特征在于，所述第二计算模块还包括：

第五计算子模块，用于使用所述第一公式、所述第二公式、所述第三公式以及所述第四公式进行多次迭代计算，得到多组所述多个电动汽车在各个时刻的充电功率；

第六计算子模块，用于基于多组所述充电功率，使用第五公式计算所述多个电动汽车在各个时刻的第一平均充电功率，其中，所述第五公式为所述P(t)表示所述第一平均充电功率，所述M表示所述迭代计算的次数，所述N表示所述多个电动汽车的数量，所述p_ji(t)表示第i个所述电动汽车在第j次迭代计算时t时刻的充电功率。

13.根据权利要求9所述的装置，其特征在于，所述第一计算模块包括：

第七计算子模块，用于计算所述行驶起始时间、所述行驶结束时间以及所述行驶里程两两之间的相关系数，作为所述耦合因子。

14.根据权利要求8至13中任意一项所述的装置，其特征在于，所述装置还包括：

统计模块，用于在根据所述行驶起始时间随机数、所述行驶结束时间随机数、所述行驶里程随机数以及所述充电数据进行充电负荷计算，得到所述多个电动汽车的充电负荷数据之后，统计实时采集的所述充电数据中的充电功率，得到所述多个电动汽车在各个时刻的实际的第二平均充电功率；

第三计算模块，用于按照误差公式计算各个时刻的所述充电负荷数据与所述第二平均充电功率的误差Err(t)，其中，所述误差公式为所述N为所述多个电动汽车的数量，所述P(t)为t时刻对应的所述充电负荷数据，所述P_real(t)为t时刻对应的所述第二平均充电功率。