CN105719030A - 一种基于效能最大化原则的电动汽车负荷预测方法 - Google Patents

Abstract

本发明属于电力系统技术领域，具体涉及一种基于效能最大化原则的电动汽车负荷预测方法。首先，基于出行链建立电动汽车的时空分布模型，分析电动汽车起始出发时间、行驶目的地、行驶距离、停车时间等信息，得出电动汽车充电时空分布。然后基于效用最大化原则选择对用户最有利的充电站进行充电，最终给出电动汽车充电负荷的时间和空间分布。本发明基于之前学者对电动汽车负荷预测只是局限于从时间层面和区域层面，提出一种基于效用最大化原则的电动汽车负荷预测方法，能将负荷预测细化到充电站。

Description

一种基于效能最大化原则的电动汽车负荷预测方法

技术领域

本发明属于电力系统技术领域，具体涉及一种基于效能最大化原则的电动汽车负荷预测方法。

背景技术

能源产业作为国民经济的基础产业，不仅是确保国家战略安全的必要前提，也是实现经济可持续发展的重要保障。随着经济规模的扩大，对石油等传统能源的需求不断增大，排放到大气中的碳含量越来越多，使得能源紧缺与生态环境恶化的压力日益增大。而电动汽车以其节能、环保的优势，成为解决能源资源紧张、大气污染严重的有效途径。

电动汽车产业已经列为我国的七大战略性新兴产业，我国政府推出一系列鼓励扶持政策，加速推动电动汽车产业发展。电动汽车保有量快速增长，截至2015年8月底，我国电动汽车保有量达到22.30万辆，国家明确提出到2020年电动汽车保有量达到500万辆。

电动汽车作为电力负荷，它的充电行为在空间和时间上都具有很大的随机性和间歇性，大规模电动汽车入网必然将会对电网的运行以及控制带来巨大挑战，建立有效的电动汽车充电负荷预测模型，是分析电动汽车充电负荷带来的影响和电动汽车广泛接入电网的调控策略制订打下基础。因此，准确的电动汽车负荷特性分析和高精度的电动汽车负荷预测具有重要意义。

目前国内学者应对电动汽车负荷预测进行了大量研究，但主要集中在从时间角度上对电动汽车进行负荷预测，从空间角度预测电动汽车负荷需求的研究正逐步开展，但文献都是对分区域负荷进行预测，还未见有文献将对电动汽车负荷预测的研究细化到充电站，有关这方面的研究还处于空白。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种一种基于效用最大化原则的电动汽车负荷预测方法，能将负荷预测细化到充电站的一种基于效能最大化原则的电动汽车负荷预测方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于效能最大化原则的电动汽车负荷预测方法，其特征在于，包括：

S1，构建电动汽车时空分布模型；首先对用户的出行目的分类，并考虑用户驾驶情况，将出行链结构分为简单链和复杂链两种；然后对电动汽车用户的起始出发时间，停车时间需求、空间转移、行驶距离和停车分布位置数据进行调研分析，得出电动汽车在一天内的时空分布模型；

S2，建立电动汽车充电站充电行为选择模型；以行驶距离、充电价格、排队时间最小为目标函数，实现电动汽车对充电站的选择；

S3，电动汽车充电行为分析，分析电动汽车充电条件和充电时长；定义充电条件有两个：一个是电动汽车电池现有剩余电量是否足以完成下一段行程的行驶，为确保安全还需考虑10％的剩余电量；另一个是当用户到达目的地后，若电动汽车剩余电量不满30％，用户也会选择充电；充电时长以电动汽车从当前荷电量到充满电的时间；

S4，基于S1、S2、S3进行电动汽车时空负荷预测：首先，基于出行链建立电动汽车的时空分布模型，分析电动汽车起始出发时间、行驶目的地、行驶距离、停车时间信息，得出电动汽车充电时空分布；然后基于效用最大化原则选择对用户最有利的充电站进行充电，最终给出电动汽车充电负荷的时间和空间分布；

在上述的一种基于效能最大化原则的电动汽车负荷预测方法，所述S1中基于出行链的车辆出行时空模型基于以下定义：

出行链是描述居民在一定时空间范围内为完成一系列的活动而产生的时空间的变化过程，这个过程包含有出行者的时间、空间、活动目的、交通方式等信息；电动汽车用户日常出行行为包括行驶目的地、出发时间、行驶距离、停车时间其他信息；对电动汽车的出行行为调查分析，得出电动汽车一天内的出行链；考虑到由于目前电动汽车处于试运行和逐步推广阶段，电动汽车用户出行特征相关的、可靠的历史数据较为缺乏，定义电动汽车具有与传统燃油汽车相似的出行特征：

S1.1出行链结构：以家为车辆一天往返行程的起讫点；将出行目的分为工作、购物娱乐、其他事务；在一个区域内，区域之间的车辆流动基本可以忽略；因车辆在这四大类行程目的地之间行驶，充电行为发生在这四大目的地；仅包含最长含3个行驶目的地的情况，将出行链结构可分为两种模式：①简单链，以家为起讫点，只有一个出行目的；②复杂链，以家为起讫点，有两个出行目的，共9种；

S1.2出行链的时间特征：出行链中都有相应的链点，链点包含了电动汽车上一次出行的到达时间和下一次出行的出发时间信息；从起始出发时间和停车时间分析电动汽车出行链的时间特征；

(1)起始出发时间；电动汽车起始出发时间主要集中在上午7:00-9:00，采用对数正太分布函数对电动汽车其实出发时间进行拟合；

式中，参数μ和σ²根据当地居民出行调研数据统计确定；

(2)停车时间分布；电动汽车用户在城市不同目的地会具有不同的选择行为；由于停车持续时间与下一次目的地出发时间密切相关，本用来表示电动汽车在位置τ1时t时刻中的停车需求概率，式中τ1＝H,W,SR,O表示电动汽车当前所在位置；则电动汽车的停车概率矩阵可表示为

对t时刻到达目的地τ1的电动汽车进行MonteCarlo可以计算出电动汽车在目的地τ1停车时长

S1.3出行链的空间特征，包括：

(1)空间转移：马尔科夫过程是用于描述具有无后效性的随机过程：若每次状态的转移只与前一刻的状态有关而与过去的状态无关，离散马尔科夫过程称为马尔科夫链；记当前时刻的状态为E_i，下一时刻的状态为E_j，则马尔科夫链可用条件概率表示

P(E_i→E_j)＝P(E_j/E_i)＝P_ij

若将每个行驶目的地视为一个状态，根据马尔科夫理论，车辆下一个状态即由当前状态决定；记为p_ij从状态E_i转为状态E_j的状态转移概率，则其一步状态转移概率可写成矩阵形式为,

其中p_ij满足如下条件：

依据上式就表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为

式中，p_ij可根据当地居民出行调研数据统计确定；

(2)行驶距离：电动汽车的出发地和目的地不同，行驶距离分布就不相同，记当前位置状态E_i转移下一时刻位置状态E_j的转移距离为l_ij，与电动汽车空间转移概率不同的是，l_ij是满足参数为的正态分布函数f_ij；按照电动汽车空间转移矩阵形式，这里也给出转移距离矩阵

其中，f_ij满足如下条件：

式中，f_ij根据当地居民出行调研数据统计确定；

(3)分布位置：电动汽车在出行目的地分布位置是实现对充电站的选择的重要信息，由于电动汽车的分布位置不易统计，来表示电动汽车在目的地τ1中以(x,y)为中心点半径为r的区域停车概率，式中τ1＝H,W,SR,O；

在上述的一种基于效能最大化原则的电动汽车负荷预测方法，所述S2中，电动汽车充电站充电行为选择模型基于以下定义：定义用户做出的选择会使自身利益最大化即用户趋向选择行驶距离短、充电价格低、排队时间短的充电站对电动汽车进行充电；可表示为

式中，表示电动汽车到充电站j的行驶时间；表示电动汽车到达充电站j后的排队时长；C_j表示电动汽车在充电站j的充电消费；λ₁、λ₂和λ₃分别表示用户对行驶时长、排队时长和充电费用的权衡度，不同用户的充电习惯不同，对效能的理解和选择野不完全相同，因此λ₁、λ₂和λ₃应根据用户的效能需求确定；

在上述的一种基于效能最大化原则的电动汽车负荷预测方法，电动汽车充电行为分析基于充电条件和充电时长的获取，

S4.1,充电条件：考虑较多的为一天一充的情况，实际上用户行驶到某个目的地时是否会充电往往取决于电动汽车电池现有剩余电量是否足以完成下一段行程的行驶，为确保安全还需考虑10％的剩余电量；另根据用户充电习惯，当用户到达目的地后，若电动汽车剩余电量不满30％，用户也会选择充电；电动汽车行驶到目的地i时的充电条件如下

S_iC-Wl_ij＜0.1C

S_i＜0.3

式中，S_i表示电动汽车行驶到目的地i时的荷电状态；C指电池容量；W是电动汽车平均每公里耗电量；l_ij表示电动汽车从目的地i转移到目的地j时的转移距离；

S4.2,充电时长：电动汽车充电持续时间由电池容量、起始荷电状态和充电功率水平等因素共同决定；车辆若需在充电站m充电，则其充电时长可估计为

式中，表示车辆在充电站m的充电时长，S_m表示电动汽车到达充电站m的荷电量；η为充电效率；P_c为电动汽车平均充电功率；

在上述的一种基于效能最大化原则的电动汽车负荷预测方法，所述S4的具体方法是：循环N次，求出该辆电动汽车期望充电曲线；对所有的电动汽车都执行步骤S4.1至S4.11，最终得出各充电站曲线；(本文假设电动汽车从家出发时荷电量为1，最后回家进行充电至荷电量为1)

S4.1：初始化电动汽车出发t₁和出行链长度r；

S4.2：以家d₁为起讫点，根据状态转移概率矩阵生成电动汽车下一个转移目的地d₂，根据电动汽车转移距离矩阵，生成电动汽车转移距离l_1,2，并计算电动汽车到达目的地d₂的时间t₂，和SOC₂；

S4.3：判断r＝2；如果相等，则电动汽车第三个转移目的地d₃是家，可以根据之前的转移距离，计算SOC₃，转S4.4。如果不相等，则根据状态转移概率矩阵生成电动汽车下一个转移目的地d₃，生成转移距离l_2,3，计算SOC₃，并根据到达第二个目的地的时间t₂和目的地d₂的停车特性，生成电动汽车停车时间结合转移距离l_2,3，更新到达目的地d₃的时间t₃，转S4.7。

S4.4：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)，根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最大充电站S₂；根据电动汽车到S₂的距离及排队时间，更新电动汽车SOC₂和t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₂，SOC₃；如果不满足任何一个条件，直接转S4.5。

S4.5：电动汽车到达第三个转移目的地家d₃一定充电，根据到达第二个目的地的时间t₂和目的地d₂的停车特性，生成电动汽车停车时间结合转移距离l_2,3(l_2,3＝l_1,2)，更新到达目的地家d₃的时间t₃；根据目的地d₃生成电动汽车当前具体位置(x,y)，计算电动汽车到各个充电站能效，求出能效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线；结束电动汽车出行，转S4.11；

S4.7：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)，根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最大充电站S₂；根据电动汽车到S_max的距离及排队时间，更新电动汽车SOC₂和t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₃。如果不满足其中任何一个条件，直接转S4.8；

S4.8：如果电动汽车不在目的地d₂充电，则由于电动汽车第四个转移目的地d₄是家，生成l_3,4，计算SOC₄，同时根据到达第三个目的地的时间t₃和目的地d₃的停车特性，生成电动汽车停车时间结合转移距离l_3,4，更新到达目的地家d₄的时间t₄；

S4.9：判断SOC₃＜0.3或SOC₄＜0.1。如果满足其中任何一个条件；根据目的地d₃生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能效，求出能效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线，并更新SOC₄。如果不满足其中任何一个条件，直接转S4.10；

S4.10：电动汽车到达第四个转移目的地家d₄充电；最后根据目的地d₄生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能效，求出能效最大充电站S₄；根据电动汽车到S₄的距离及排队时间，更新电动汽车SOC和t₄，根据电动汽车充电特性生成充电曲线；

S4.11：结束，给出各充电站充电负荷曲线。

因此，本发明具有如下优点：1.设计合理，结构简单，噪声较小且完全实用；2.整个测试装置的输出零点不会随温度的变化而变化，由此很大程度上降低了测试误差；3.不会使整个装置的输出信号产生非线性。

附图说明

图1是电动汽车负荷预测方法流程示意图。

图2是基于家为起讫点的典型出行链结构。

图3是基于MonteCarlo模拟的电动汽车充电负荷计算流程。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

1、基于出行链的车辆出行时空模型。

出行链是描述居民在一定时空间范围内为完成一系列的活动而产生的时空间的变化过程，这个过程包含有出行者的时间、空间、活动目的、交通方式等信息。电动汽车用户日常出行行为包括行驶目的地、出发时间、行驶距离、停车时间等其他信息。对电动汽车的出行行为调查分析，就可以得出电动汽车一天内的出行链。考虑到由于目前电动汽车处于试运行和逐步推广阶段，电动汽车用户出行特征相关的、可靠的历史数据较为缺乏，因此，本文假设电动汽车具有与传统燃油汽车相似的出行特征。

1.1、出行链结构。

为分析私家车辆一天中行程时空分布情况，本文以家(Home,H)为车辆一天往返行程的起讫点。将出行目的分为工作(Work，W)、购物娱乐(Shop&Recreational，SR)、其他事务(Other,O)。在一个区域内，区域之间的车辆流动基本可以忽略。因此，车辆可以认为在这四大类行程目的地之间行驶，充电行为可能发生在这四大目的地。考虑到电动汽车用户出行链长度不同，本文忽略次要的出行目的，考虑最长含3个行驶目的地的情况，如图2所示将出行链结构可分为两种模式：①简单链，以家为起讫点，只有一个出行目的。②复杂链，以家为起讫点，有两个出行目的。共9种。

1.2、出行链的时间特征分析。

出行链中都有相应的链点，链点包含了电动汽车上一次出行的到达时间和下一次出行的出发时间等信息。了解用户所有的出发时间和到达时间对电动汽车负荷预测有重要意义。由于用户下一次出发时间等于上一次到达时间与停车时间之和，因此本文从起始出发时间和停车时间分析电动汽车出行链的时间特征。

(1)起始出发时间。电动汽车起始出发时间主要集中在上午7:00-9:00，因此本文采用对数正太分布函数对电动汽车其实出发时间进行拟合。

式中，参数μ和σ²根据当地居民出行调研数据统计确定。

(2)停车时间分布。电动汽车用户在城市不同目的地会具有不同的选择行为。由于停车持续时间与下一次目的地出发时间密切相关，本文用(式中τ1＝H,W,SR,O表示电动汽车当前所在位置)来表示电动汽车在位置τ1时t时刻中的停车需求概率。则电动汽车的停车概率矩阵可表示为

对t时刻到达目的地τ1的电动汽车进行MonteCarlo可以计算出电动汽车在目的地τ1停车时长

1.3、出行链的空间特征分析。

(1)空间转移。

马尔科夫过程是用于描述具有无后效性的随机过程：若每次状态的转移只与前一刻的状态有关而与过去的状态无关，离散马尔科夫过程称为马尔科夫链。记当前时刻的状态为E_i，下一时刻的状态为E_j，则马尔科夫链可用条件概率表示

P(E_i→E_j)＝P(E_j/E_i)＝P_ij

若将每个行驶目的地视为一个状态，根据马尔科夫理论，车辆下一个状态(目的地)即由当前状态决定。记为p_ij从状态E_i转为状态E_j的状态转移概率，则其一步状态转移概率可写成矩阵形式为,

其中p_ij满足如下条件：

针对本文研究的4大场所，依据上式就可以表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为

式中，p_ij可根据当地居民出行调研数据统计确定。

(2)行驶距离。

电动汽车的出发地和目的地不同，行驶距离分布就不相同，记当前位置状态E_i转移下一时刻位置状态E_j的转移距离为l_ij，与电动汽车空间转移概率不同的是，l_ij是满足参数为的正态分布函数f_ij。按照电动汽车空间转移矩阵形式，这里也给出转移距离矩阵

其中，f_ij满足如下条件：

式中，f_ij根据当地居民出行调研数据统计确定。

(3)分布位置。

电动汽车在出行目的地分布位置是实现对充电站的选择的重要信息，由于电动汽车的分布位置不易统计，本文用来表示电动汽车在目的地τ1中以(x,y)为中心点半径为r的区域停车概率(式中τ1＝H,W,SR,O。取r＝200m)。

2、电动汽车充电站充电行为选择。

在经济学中，效用是指商品满足人欲望的能力，即消费者在消费商品时所感受到的满足程度。理性消费者在经济活动中都追求效用的最大化。假设用户对当前电动汽车与充电站的距离、交通状况、充电站的充电电价和排队情况等信息均清楚掌握，对消费者心理分析可知，用户做出的选择会使自身利益最大化即用户趋向选择行驶距离短、充电价格低、排队时间短的充电站对电动汽车进行充电。可表示为

式中，表示电动汽车到充电站j的行驶时间；表示电动汽车到达充电站j后的排队时长；C_j表示电动汽车在充电站j的充电消费。λ₁、λ₂和λ₃分别表示用户对行驶时长、排队时长和充电费用的权衡度，不同用户的充电习惯不同，对效能的理解和选择野不完全相同，因此λ₁、λ₂和λ₃应根据用户的效能需求确定。

3、电动汽车充电行为分析。

3.1充电条件。

现有文献考虑较多的为一天一充的情况，实际上用户行驶到某个目的地时是否会充电往往取决于电动汽车电池现有剩余电量是否足以完成下一段行程的行驶，为确保安全还需考虑10％的剩余电量；另根据用户充电习惯，当用户到达目的地后，若电动汽车剩余电量不满30％，用户也会选择充电。本文假设电动汽车行驶到目的地i时的充电条件如下

S_iC-Wl_ij＜0.1C

S_i＜0.3

式中，S_i表示电动汽车行驶到目的地i时的荷电状态。C指电池容量。W是电动汽车平均每公里耗电量。l_ij表示电动汽车从目的地i转移到目的地j时的转移距离。

3.2充电时长。

电动汽车充电持续时间由电池容量、起始荷电状态和充电功率水平等因素共同决定。车辆若需在充电站m充电，则其充电时长可估计为

式中，表示车辆在充电站m的充电时长，S_m表示电动汽车到达充电站m的荷电量。η为充电效率。P_c为电动汽车平均充电功率。

4、电动汽车充电负荷预测方法。

首先，基于出行链建立电动汽车的时空分布模型，分析电动汽车起始出发时间、行驶目的地、行驶距离、停车时间等信息，得出电动汽车充电时空分布。然后基于效用最大化原则选择对用户最有利的充电站进行充电，最终给出电动汽车充电负荷的时间和空间分布。预测流程如图3所示。

循环N次，求出该辆电动汽车期望充电曲线；对所有的电动汽车都执行步骤S4.1至S4.11，最终得出各充电站曲线；

S4.1：初始化电动汽车出发t₁和出行链长度r；

S4.2：以家d₁为起讫点，根据状态转移概率矩阵生成电动汽车下一个转移目的地d₂，根据电动汽车转移距离矩阵，生成电动汽车转移距离l_1,2，并计算电动汽车到达目的地d₂的时间t₂，和SOC₂；

S4.3：判断r＝2；如果相等，则电动汽车第三个转移目的地d₃是家，可以根据之前的转移距离，计算SOC₃，转S4.4。如果不相等，则根据状态转移概率矩阵生成电动汽车下一个转移目的地d₃，生成转移距离l_2,3，计算SOC₃，并根据到达第二个目的地的时间t₂和目的地d₂的停车特性，生成电动汽车停车时间结合转移距离l_2,3，更新到达目的地d₃的时间t₃，转S4.7。

S4.4：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)，根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最大充电站S₂；根据电动汽车到S₂的距离及排队时间，更新电动汽车SOC₂和t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₂，SOC₃；如果不满足任何一个条件，直接转S4.5。

S4.5：电动汽车到达第三个转移目的地家d₃一定充电，根据到达第二个目的地的时间t₂和目的地d₂的停车特性，生成电动汽车停车时间结合转移距离l_2,3(l_2,3＝l_1,2)，更新到达目的地家d₃的时间t₃；根据目的地d₃生成电动汽车当前具体位置(x,y)，计算电动汽车到各个充电站能效，求出能效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线；结束电动汽车出行，转S4.11；

S4.7：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)，根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最大充电站S₂；根据电动汽车到S_max的距离及排队时间，更新电动汽车SOC₂和t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₃。如果不满足其中任何一个条件，直接转S4.8；

S4.8：如果电动汽车不在目的地d₂充电，则由于电动汽车第四个转移目的地d₄是家，生成l_3,4，计算SOC₄，同时根据到达第三个目的地的时间t₃和目的地d₃的停车特性，生成电动汽车停车时间结合转移距离l_3,4，更新到达目的地家d₄的时间t₄；

S4.9：判断SOC₃＜0.3或SOC₄＜0.1。如果满足其中任何一个条件；根据目的地d₃生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能效，求出能效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线，并更新SOC₄。如果不满足其中任何一个条件，直接转S4.10；

S4.10：电动汽车到达第四个转移目的地家d₄充电；最后根据目的地d₄生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能效，求出能效最大充电站S₄；根据电动汽车到S₄的距离及排队时间，更新电动汽车SOC和t₄，根据电动汽车充电特性生成充电曲线；

S4.11：结束，给出各充电站充电负荷曲线。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种基于效能最大化原则的电动汽车负荷预测方法，其特征在于，包括：

S1，构建电动汽车时空分布模型；首先对用户的出行目的分类，并考虑用户驾驶情况，将出行链结构分为简单链和复杂链两种；然后对电动汽车用户的起始出发时间，停车时间需求、空间转移、行驶距离和停车分布位置数据进行调研分析，得出电动汽车在一天内的时空分布模型；

S2，建立电动汽车充电站充电行为选择模型；以行驶距离、充电价格、排队时间最小为目标函数，考虑不同用户的充电习惯，实现电动汽车对充电站的选择；

S3，电动汽车充电行为分析，分析电动汽车充电条件和充电时长；定义充电条件有两个：一个是电动汽车电池现有剩余电量是否足以完成下一段行程的行驶，为确保安全还需考虑10％的剩余电量；另一个是当用户到达目的地后，若电动汽车剩余电量不满30％，用户也会选择充电；充电时长以电动汽车从当前荷电量到充满电的时间；

S4，基于S1、S2、S3进行电动汽车时空负荷预测：首先，基于出行链建立电动汽车的时空分布模型，分析电动汽车起始出发时间、行驶目的地、行驶距离、停车时间信息，得出电动汽车充电时空分布；然后基于效用最大化原则选择对用户最有利的充电站进行充电，最终给出电动汽车充电负荷的时间和空间分布。

2.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预测方法，其特征在于，所述S1中基于出行链的车辆出行时空模型基于以下定义：

出行链是描述居民在一定时空间范围内为完成一系列的活动而产生的时空间的变化过程，这个过程包含有出行者的时间、空间、活动目的、交通方式等信息；电动汽车用户日常出行行为包括行驶目的地、出发时间、行驶距离、停车时间其他信息；对电动汽车的出行行为调查分析，得出电动汽车一天内的出行链；考虑到由于目前电动汽车处于试运行和逐步推广阶段，电动汽车用户出行特征相关的、可靠的历史数据较为缺乏，定义电动汽车具有与传统燃油汽车相似的出行特征：

S1.1出行链结构：以家为车辆一天往返行程的起讫点；将出行目的分为工作、购物娱乐、其他事务；在一个区域内，区域之间的车辆流动基本可以忽略；因车辆在这四大类行程目的地之间行驶，充电行为发生在这四大目的地；仅包含最长含3个行驶目的地的情况，将出行链结构可分为两种模式：①简单链，以家为起讫点，只有一个出行目的；②复杂链，以家为起讫点，有两个出行目的，共9种；

S1.2出行链的时间特征：出行链中都有相应的链点，链点包含了电动汽车上一次出行的到达时间和下一次出行的出发时间信息；从起始出发时间和停车时间分析电动汽车出行链的时间特征；

(1)起始出发时间；电动汽车起始出发时间主要集中在上午7:00-9:00，采用对数正太分布函数对电动汽车其实出发时间进行拟合；

$f\left(x\right)=\left\{\begin{array}{cc}\frac{1}{\sqrt{2\mathrm{\Π}}\mathrm{\σ}x}{e}^{\frac{{\left(\ln x-\mathrm{\μ}\right)}^2}{2{\mathrm{\σ}}^2}}& x>0\\ 0& x\≤0\end{array}\right.$

式中，参数μ和σ²根据当地居民出行调研数据统计确定；

(2)停车时间分布；电动汽车用户在城市不同目的地会具有不同的选择行为；由于停车持续时间与下一次目的地出发时间密切相关，本用来表示电动汽车在位置τ1时t时刻中的停车需求概率，式中τ1＝H,W,SR,O表示电动汽车当前所在位置；则电动汽车的停车概率矩阵可表示为

$Q^{\mathrm{\τ}1}=\[q_t^{\mathrm{\τ}1}\]=\left(\begin{array}{ccc}{q}_1^H& ...& q_{24}^H\\ q_1^W& ...& q_{24}^W\\ q_1^{SR}& ...& q_{24}^{SR}\\ q_1^O& ...& q_{24}^O\end{array}\right)$

对t时刻到达目的地τ1的电动汽车进行MonteCarlo可以计算出电动汽车在目的地τ1停车时长

S1.3出行链的空间特征，包括：

(1)空间转移：马尔科夫过程是用于描述具有无后效性的随机过程：若每次状态的转移只与前一刻的状态有关而与过去的状态无关，离散马尔科夫过程称为马尔科夫链；记当前时刻的状态为E_i，下一时刻的状态为E_j，则马尔科夫链可用条件概率表示

P(E_i→E_j)＝P(E_j/E_i)＝P_ij

若将每个行驶目的地视为一个状态，根据马尔科夫理论，车辆下一个状态即由当前状态决定；记为p_ij从状态E_i转为状态E_j的状态转移概率，则其一步状态转移概率可写成矩阵形式为,

其中p_ij满足如下条件：

$\left\{\begin{array}{cc}0<p_{ij}<1& i,j=1,2...n\\ \underset{j=1}{\overset{n}{\&Sigma;}}{p}_{ij}=1& i=1,2...n\end{array}\right.$

依据上式就表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为

式中，p_ij可根据当地居民出行调研数据统计确定；

(2)行驶距离：电动汽车的出发地和目的地不同，行驶距离分布就不相同，记当前位置状态E_i转移下一时刻位置状态E_j的转移距离为l_ij，与电动汽车空间转移概率不同的是，l_ij是满足参数为(μ_ij，)的正态分布函数f_ij；按照电动汽车空间转移矩阵形式，这里也给出转移距离矩阵

其中，f_ij满足如下条件：

$\left\{\begin{array}{cc}{f}_{ij}=0& i=j\\ f_{ij}=f_{ji}& i,j=1,2...n\end{array}\right.$

式中，f_ij根据当地居民出行调研数据统计确定；

(3)分布位置：电动汽车在出行目的地分布位置是实现对充电站的选择的重要信息，由于电动汽车的分布位置不易统计，来表示电动汽车在目的地τ1中以(x,y)为中心点半径为r的区域停车概率，式中τ1＝H,W,SR,O。

3.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预测方法，其特征在于，所述S2中，电动汽车充电站充电行为选择模型基于以下定义：定义用户做出的选择会使自身利益最大化即用户趋向选择行驶距离短、充电价格低、排队时间短的充电站对电动汽车进行充电；可表示为

$\min ({\mathrm{\&lambda;}}_1{T}_j^d+{\mathrm{\&lambda;}}_2{T}_j^w+{\mathrm{\&lambda;}}_3{C}_j)$

式中，表示电动汽车到充电站j的行驶时间；表示电动汽车到达充电站j后的排队时长；C_j表示电动汽车在充电站j的充电消费；λ₁、λ₂和λ₃分别表示用户对行驶时长、排队时长和充电费用的权衡度，不同用户的充电习惯不同，对效能的理解和选择野不完全相同，因此λ₁、λ₂和λ₃应根据用户的效能需求确定。

4.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预测方法，其特征在于，电动汽车充电行为分析基于充电条件和充电时长的获取：

S4.1,充电条件：考虑较多的为一天一充的情况，实际上用户行驶到某个目的地时是否会充电往往取决于电动汽车电池现有剩余电量是否足以完成下一段行程的行驶，为确保安全还需考虑10％的剩余电量；另根据用户充电习惯，当用户到达目的地后，若电动汽车剩余电量不满30％，用户也会选择充电；电动汽车行驶到目的地i时的充电条件如下

S_iC-Wl_ij＜0.1C

S_i＜0.3

式中，S_i表示电动汽车行驶到目的地i时的荷电状态；C指电池容量；W是电动汽车平均每公里耗电量；l_ij表示电动汽车从目的地i转移到目的地j时的转移距离；

S4.2,充电时长：电动汽车充电持续时间由电池容量、起始荷电状态和充电功率水平等因素共同决定；车辆若需在充电站m充电，则其充电时长可估计为

$T_c^m=\frac{(1-S_m)C}{{\mathrm{\&eta;P}}_c}$

式中，表示车辆在充电站m的充电时长，S_m表示电动汽车到达充电站m的荷电量；η为充电效率；P_c为电动汽车平均充电功率。

5.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预测方法，其特征在于，所述S4的具体方法是：循环N次，求出该辆电动汽车期望充电曲线；对所有的电动汽车都执行步骤S4.1至S4.11，最终得出各充电站曲线；

S4.1：初始化电动汽车出发t₁和出行链长度r；

S4.2：以家d₁为起讫点，根据状态转移概率矩阵生成电动汽车下一个转移目的地d₂，根据电动汽车转移距离矩阵，生成电动汽车转移距离l_1,2，并计算电动汽车到达目的地d₂的时间t₂，和SOC₂；

S4.3：判断r＝2；如果相等，则电动汽车第三个转移目的地d₃是家，可以根据之前的转移距离，计算SOC₃，转S4.4；如果不相等，则根据状态转移概率矩阵生成电动汽车下一个转移目的地d₃，生成转移距离l_2,3，计算SOC₃，并根据到达第二个目的地的时间t₂和目的地d₂的停车特性，生成电动汽车停车时间结合转移距离l_2,3，更新到达目的地d₃的时间t₃，转S4.7；

S4.4：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)，根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最大充电站S₂；根据电动汽车到S₂的距离及排队时间，更新电动汽车SOC₂和t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₂，SOC₃；如果不满足任何一个条件，直接转S4.5；

S4.5：电动汽车到达第三个转移目的地家d₃一定充电，根据到达第二个目的地的时间t₂和目的地d₂的停车特性，生成电动汽车停车时间结合转移距离l_2,3(l_2,3＝l_1,2)，更新到达目的地家d₃的时间t₃；根据目的地d₃生成电动汽车当前具体位置(x,y)，计算电动汽车到各个充电站能效，求出能效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线；结束电动汽车出行，转S4.11；

S4.7：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)，根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最大充电站S₂；根据电动汽车到S_max的距离及排队时间，更新电动汽车SOC₂和t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₃；如果不满足其中任何一个条件，直接转S4.8；

S4.8：如果电动汽车不在目的地d₂充电，则由于电动汽车第四个转移目的地d₄是家，生成l_3,4，计算SOC₄，同时根据到达第三个目的地的时间t₃和目的地d₃的停车特性，生成电动汽车停车时间结合转移距离l_3,4，更新到达目的地家d₄的时间t₄；

S4.9：判断SOC₃＜0.3或SOC₄＜0.1；如果满足其中任何一个条件；根据目的地d₃生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能效，求出能效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线，并更新SOC₄；如果不满足其中任何一个条件，直接转S4.10；

S4.10：电动汽车到达第四个转移目的地家d₄充电；最后根据目的地d₄生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能效，求出能效最大充电站S₄；根据电动汽车到S₄的距离及排队时间，更新电动汽车SOC和t₄，根据电动汽车充电特性生成充电曲线；

S4.11：结束，给出各充电站充电负荷曲线。