CN106295860A - 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法 - Google Patents

Abstract

本发明公开了一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法，包括以下步骤：分别建立电动汽车慢充需求预测模型和快充预测模型，获得单台电动汽车在一天内的慢充电功率期望和快充电功率期望，由于蒙特卡洛模拟法具有一定的随机性，因此需要进行重复多次试验然后求平均值来确保预测的准确性，进一步得到规划区域内规模化电动汽车的充电需求特性曲线。通过大量模拟试验逐步还原了用户的现实充电需求，有效地减小了模型—现实差，提高了预测的精度，可以更为准确地预测规划区域内规模化电动汽车的充电需求，为充电设施的规划和电网适应性的调整提供了依据。

Description

一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测 方法

技术领域

本发明涉及一种电动汽车规模化充电需求预测方法，属于电动汽车充电需求预测领域，直接应用于电动汽车充电对电网的影响分析或充电站的选址定容工作。

背景技术

电动汽车在节能减排、保护环境和应对能源危机等方面有着传统汽车无法比拟的优势，国家已将电动汽车产业作为战略新兴产业来培养和支持，随着环境问题的日益突出和汽车技术的快速发展，电动汽车的规模将呈爆发式地增长。

电动汽车的充电需求为电力系统带来了一种新型的负荷类型，由于其与用户的生活习惯、出行规律等密切相关，充电具有一定的随机性和分散性，并且还存在移动特性，与以往的用电设备大不相同。在电动汽车大规模应用后，其充电需求的预测面临着两个方面的难题：一个是变量过多、维数过高，难以得到准确的解析表达式；另一个是可应用模型与现实差距较大，准确性较低。

发明内容

本发明的目的是提供一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法，针对目前电动汽车充电需求预测模型准确度不高、与现实差距较大的问题，本提案利用蒙特卡洛模拟法来对用户的随机充电行为进行模拟，可以有效的减小模型—现实差，提高预测的精度。

为实现上述目的，本发明采用下述技术方案：

一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法，包括以下步骤：

1)建立电动汽车慢充需求预测模型，获得单台电动汽车在一天内的慢充电负荷曲线，包括以下步骤：

11)设置试验次数N_m，按照概率密度函数随机生成用户充电开始时刻样本数组T_sc和电动汽车的持续充电时间样本数组T_c，容量为N；

12)构建容量为24×N的状态记录数组T；

13)判断任意采样时间采样点t_k时刻电动汽车i的充电状态，若处于充电状态，则记t_k(i)＝1，否则为0；

14)统计样本中t_k(i)＝1的个数n；

15)计算慢充电功率期望值

16)判断i是否等于N_m，如果i＝N_m，则取N_m次试验的平均值，如果i≠N_m，则i＝i+1，转入步骤13)；

2)建立电动汽车快冲需求预测模型，获得单台电动汽车在一天内的快充电负荷曲线，包括以下步骤：

21)设置试验次数N_m，按照概率密度函数随机生成用户出行开始时刻样本数组T_s、用户行程结束返回驻地时刻样本数组T_f和行驶里程样本数组L_EV，容量为N；

22)构建容量为24×N的充电状态记录数组T和荷电状态记录数组S_OC；

23)判断任意采样时间采样点t_k时刻电动汽车j的充电状态，若处于充电状态，则记t_k(j)＝1，否则为0；

24)统计样本中t_k(j)＝1的个数n；

25)计算快充电功率期望值

26)判断j是否等于N_m，如果j＝N_m，则取N_m次试验的平均值，如果i≠N_m，则i＝i+1，转入步骤23)；

3)若规划区域在规划年的汽车保有量为N_Total，电动汽车数量在汽车总量中的占比为α，蒙特卡洛模拟次数为N_m，则该区域内电动汽车在t_k时刻的充电需求E(t_ksum)可表示为：

$E\left(t_{ksum}\right)=\frac{\underset{i=1}{\overset{N_m}{\Σ}}(E{\left(t_{km}\right)}_i+E{\left(t_{kk}\right)}_i)}{N_m}\·N_{Total}\·\mathrm{\α}$

式中，E(t_km)_i和E(t_kk)_i分别表示单台电动汽车在t_k时刻第i次模拟的慢速充电和快速充电的功率期望值，t_k可取一天中的任意时刻，即t_k∈[0,24]，由此即可得到规划区域内规模化电动汽车的充电需求特性曲线。

进一步地，步骤11)具体包括以下步骤：

a)利用计算机极大似然估计法对该地区私人电动车辆最后一次返回停住地的时刻概率分布柱状图进行曲线拟合，得到用户充电开始时刻T_sc的概率密度函数：

$f_{T_{SC}}\left(x\right)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(x-{\mathrm{\&mu;}}_s)}^2}{2{\mathrm{\&sigma;}}_s^2}\&rsqb;& ({\mathrm{\&mu;}}_s-12)<x\&le;24\\ \frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(x+24-{\mathrm{\&mu;}}_s)}^2}{2{\mathrm{\&sigma;}}_s^2}\&rsqb;& 0<x\&le;({\mathrm{\&mu;}}_s-12)\end{array}\right.$

式中，μ_s＝17.6,σ_s＝3.4；

b)电动汽车的百公里耗电量W是恒定的，且电动汽车的充电功率P_cm也是一个定值，考虑充电机的充电效率k_x，则电动汽车的持续充电时间T_c可由下式计算得出：

$T_C=\frac{L_{EV}\&times;W}{100\&times;P_{cm}\&times;k_x}.$

进一步地，步骤13)具体包括以下步骤：

第i辆电动汽车在t_k时刻处于充电状态，则记为t_k(i)＝1，否则记为t_k(i)＝0；电动汽车i在t_k时刻是否处于充电状态的判断依据可由下式来表示：

进一步地，步骤21)具体包括以下步骤：

a)用户行程结束返回驻地时刻样本数组T_f可以参照用户充电开始时刻T_sc，利用计算机极大似然估计法对用户行程结束返回驻地时刻的分布柱状图进行曲线拟合，得到用户行程结束返回驻地时刻T_f的概率密度函数：

$f_{T_f}\left(x\right)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(x-{\mathrm{\&mu;}}_s)}^2}{2{\mathrm{\&sigma;}}_s^2}\&rsqb;& ({\mathrm{\&mu;}}_s-12)<x\&le;24\\ \frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(x+24-{\mathrm{\&mu;}}_s)}^2}{2{\mathrm{\&sigma;}}_s^2}\&rsqb;& 0<x\&le;({\mathrm{\&mu;}}_s-12)\end{array}\right.$

式中，μ_s＝17.6,σ_s＝3.4；

b)利用计算机极大似然估计法对用户出行开始时刻T_s的分布柱状图进行曲线拟合，得到用户行程结束返回驻地时刻T_s的概率密度函数：

$f_{T_s}\left(x\right)=a_1{e}^{-{\left(\frac{x-b_1}{c_1}\right)}^2}+a_2{e}^{-{\left(\frac{x-b_2}{c_2}\right)}^2}$

其中，a₁＝0.389,b₁＝7.046,c₁＝1.086,a₂＝0.016,b₂＝10.610,c₂＝9.667；

c)利用计算机曲线拟合工具对电动汽车用户的日行驶里程L_EV的柱状图进行拟合，得到日行驶里程L_EV的概率密度函数可表示为：

$f_{L_{EV}}\left(x\right)=a_L\&CenterDot;e^{b_{L}x}+c_L\&CenterDot;e^{d_{L}x}(x\&GreaterEqual;0)$

式中，a_L＝-39.48,b_L＝-976.06,c_L＝42.81,d_L＝-0.8912。

进一步地，步骤23)具体包括以下步骤：

第j辆电动汽车在t_k时刻处于充电状态，则记为t_k(j)＝1，否则记为t_k(j)＝1，电动汽车j在t_k时刻是否处于充电状态的判断依据可由下式来表示：

本发明的有益效果是，

本提案基于大量用户的出行规律(包括出行时间、行驶里程、返回时间等)，通过计算机仿真拟合得到电动汽车用户的随机充电概率模型，有效地反映了用户的随机充电行为，比一般的解析表达式模型更具有现实意义。另外，由于充分利用了蒙特卡洛法的现实模拟特性和计算机强大的计算功能，通过大量模拟试验逐步还原了用户的现实充电需求，有效地减小了模型—现实差，提高了预测的精度，可以更为准确地预测规划区域内规模化电动汽车的充电需求，为充电设施的规划和电网适应性的调整提供了依据。

附图说明

图1是蒙特卡洛法的模拟过程示意图；

图2是电动汽车车用电池的充电特性示意图；

图3是私人出行车辆最后一次返回停驻地时刻概率分布图；

图4是电动汽车日行驶里程分布规律图；

图5是电动汽车持续充电时间分布规律图；

图6是电动汽车慢充功率期望预测流程图；

图7是用户出行开始时刻分布规律图；

图8是电动汽车快速充电期望预测流程图。

具体实施方式

1、蒙特卡洛法的模拟过程

蒙特卡洛模拟法所具有的统计功能，能够自动对评估中已知概率分布的每个变量的数值进行选择和组合。这样的优点是无需进行过多的简化和运算就能得到一个准确且可靠的近似结果。利用蒙特卡洛模拟法可解决技术和工程中包含的随机性问题，如图1所示，具体的建模和求解过程主要分为以下四个部分：

(1)针对需要分析的问题建立一个相对准确的概率模型或随机模型，模型中随机变量的某些特征即为问题的解，如概率、方差等。所构建的系统的变量或参数应对应模型中相关的特征量。

(2)按照模型中各随机变量的概率分布规律，利用计算机产生相应的随机数，并保证模拟所需足够数量的随机数组。

(3)按照随机变量的分布规律，采用一种合理的抽样方法对每一个随机变量进行抽样操作。

(4)反复重复以上的步骤，进行多次模拟试验，求出所需解决问题的随机解；根据系统的精度要求，分析所得到的大量的仿真结果最终得到所需解决问题的概率解。

2、电动汽车慢充需求预测模型

(1)充电功率

电动汽车车用电池目前主要有铅酸电池、镍氢电池和锂离子电池三种类型。无论哪种电池目前采用的充电方式主要是恒流—恒压两阶段的充电方式。开始充电时，先以恒定的电流将电池充电至一个电压阀值，然后在这个电压阀值的状态下进行恒压充电直至电池充满。在恒流充电阶段，电池的端电压不断地升高，充电功率也逐渐升高。在恒压充电阶段，充电电流随着电池的荷电比例逐渐减小，充电功率逐渐下降。电动汽车车用电池的充电特性图2所示。动力电池随着使用时间的增长其内阻也将逐渐增大，内阻较大的电池在恒流充电阶段所储存的电能较少，时间也比较短，电能的补充主要来自于恒压充电阶段，在这一阶段充电功率的变化不是很明显。因此，本提案将电动汽车车用电池的充电过程近似为恒功率充电。

(2)用户行为

电动汽车的充电特性主要是受充电功率、充电开始时间和充电持续时间的影响。电动汽车在常规充电方式下，其充电功率较小，充电时间较长，因此充电频率不会很高，可以假设私人电动汽车在常规充电方式下一天内只充一次电。而且在白天电动汽车常常用于出行，常规充电的时间又比较长，因此可以假设电动汽车用户在一天内最后一次返回停驻地即开始充电。根据相关调研结果可知私人出行车辆最后一次返回停驻地的时刻概率分布可如图3所示。利用计算机极大似然的估计方法对图3的柱状图进行拟合，从而可得到用户充电开始时刻T_SC的概率密度函数：

$f_{T_{SC}}\left(x\right)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(x-{\mathrm{\&mu;}}_s)}^2}{2{\mathrm{\&sigma;}}_s^2}\&rsqb;& ({\mathrm{\&mu;}}_s-12)<x\&le;24\\ \frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(x+24-{\mathrm{\&mu;}}_s)}^2}{2{\mathrm{\&sigma;}}_s^2}\&rsqb;& 0<x\&le;({\mathrm{\&mu;}}_s-12)\end{array}\right.---\left(1\right)$

式中，μ_s＝17.6,σ_s＝3.4。

电动汽车的充电持续时间与电动汽车电池的荷电状态有直接的关系。按照上述的假设，用户最后一次返回停驻地即开始充电，并且采用恒功率的充电方式，则电动汽车的持续充电时间与电动汽车的日行驶里程唯一相关。根据相关调研结果可知电动汽车日行驶里程分布规律如图4所示。

若电动汽车的百公里耗电量W是恒定的，且电动汽车的充电功率P_cm也是一个定值，考虑充电机的充电效率k_x，则电动汽车的持续充电时间可由下式计算得出：

$T_C=\frac{L_{EV}\&times;W}{100\&times;P_{cm}\&times;k_x}---\left(2\right)$

若电动汽车每百公里的耗电量为W＝15kWh，以功率P_cm进行充电，且充电效率为0.9，则电动汽车的持续充电时间分布规律如图5所示。

利用计算机曲线拟合工具对图5的柱状图进行拟合，得到电动汽车持续充电时间T_C的概率密度函数可以表示为：

$f_{T_C}\left(x\right)=a\&CenterDot;e^{bx}+c\&CenterDot;e^{dx},(x\&GreaterEqual;0)---\left(3\right)$

式中，a＝-0.8225,b＝-976.06,c＝0.8919,d＝-0.8912。

(3)预测过程

上述分析了电动汽车用户的开始充电时刻T_SC和充电持续时间T_C的概率分布特性，利用蒙特卡洛模拟法即可得到一天内一辆电动汽车的充电期望值。第i辆电动汽车在t_k时刻处于充电状态，则记为t_k(i)＝1，否则记为t_k(i)＝0；电动汽车i在t_k时刻是否处于充电状态的判断依据可由下式来表示：

蒙特卡洛法的实质是通过大量的模拟来预测一天内各个时间点电动汽车的充电需求期望，从而得到电动汽车的充电负荷曲线。由于蒙特卡洛模拟法具有一定的随机性，因此需要进行重复多次试验然后求平均值来确保预测的准确性。具体的预测过程如图6所示，可以分为以下几个部分：

1)以概率密度函数和为样本，构建两个容量为N的数组T_SC和T_C，分别表示电动汽车的开始充电时间和充电持续时间，并且使得数组中的N个数随机排列。

2)构建一个容量为24×N的二维数组T，记录一天内24小时电动汽车的充电状态。根据公式(4)判断在t_k时刻电动汽车j的充电状态，若处于充电状态，则记t_k(j)＝1。

3)统计样本中t_k(j)＝1的个数n，n/N即为电动汽车充电的概率，则电动汽车在t_k时刻的充电功率期望值为：

$E\left(t_{km}\right)=\frac{n}{N}\&times;P_{cm}---\left(5\right)$

4)按3)中所示方法计算一天内24个时刻的电动汽车充电功率的期望值，从而得到单台电动汽车在一天内的充电负荷曲线。

3、电动汽车快充需求预测模型

(1)快充条件

与慢充方式不同，电动汽车的快速充电往往出现在电动汽车在行驶过程中电池中的电量不能满足行驶需求的情况。在路程中，当电池中的电量达到警戒值或电池中的剩余电量不足以满足用户后续行驶里程时，用户会进行快速充电。因此，在t_k时刻，电动汽车j需要充电的条件是：

式中，表示在t_k时刻电动汽车的荷电状态，α表示电动汽车电池的警戒值，表示电动汽车在状态下还能完成的行驶里程，L(t_k,t_f)表示从t_k时刻到行程结束返回驻地时刻T_f需要行驶的路程。

若假设用户出行开始时刻为T_s，出行开始时电动汽车电池的初始荷电状态为SOC₀，日行驶里程为L_EV，电动汽车电池在满电量情况下的最大行驶里程为L_max，在行驶过程中始终保持匀速行驶，则可表示为：

${\mathrm{SOC}}_{t_k}={\mathrm{SOC}}_0-{\mathrm{SOC}}_{(T_s,t_k)}---\left(7\right)$

${\mathrm{SOC}}_{(T_s,t_k)}=\frac{t_k-T_s}{T_f-T_s}\&CenterDot;\frac{L_{EV}}{L_{max}}---\left(8\right)$

式中，表示从出行开始时刻T_s到t_k时刻电动汽车所消耗的电量比例。

另外，和L(t_k,t_f)可分别表示为：

$L\left({\mathrm{SOC}}_{t_k}\right)=L_{max}\&CenterDot;{\mathrm{SOC}}_{t_k}---\left(9\right)$

$L(t_k,T_f)=\frac{T_f-t_k}{T_f-T_s}\&CenterDot;L_{EV}---\left(10\right)$

用户行程结束返回驻地时刻T_f的概率分布可由前面的图3得到，日行驶里程L_EV的具体分布规律如图4所示，利用计算机曲线拟合工具对图4的柱状图进行拟合，得到电动汽车用户日行驶里程L_EV的概率密度函数可表示为：

$f_{L_{EV}}\left(x\right)=a_L\&CenterDot;e^{b_{L}x}+c_L\&CenterDot;e^{d_{L}x}(x\&GreaterEqual;0)---\left(11\right)$

式中，a_L＝-39.48,b_L＝-976.06,c_L＝42.81,d_L＝-0.8912。

用户出行开始时刻T_s具体分布规律如图7所示。利用计算机曲线拟合工具对图7的柱状图进行拟合，得到电动汽车用户出行开始时刻T_s的概率密度函数可表示为：

$f_{T_s}\left(x\right)=a_1{e}^{-{\left(\frac{x-b_1}{c_1}\right)}^2}+a_2{e}^{-{\left(\frac{x-b_2}{c_2}\right)}^2}---\left(12\right)$

其中，a₁＝0.389,b₁＝7.046,c₁＝1.086,a₂＝0.016,b₂＝10.610,c₂＝9.667。

(2)预测过程

上述内容分析了电动汽车进行快速充电的条件，同慢充情况类似，利用蒙特卡洛模拟法对电动汽车的快速充电进行预测，具体的预测过程如图8所示。

1)以前面描述的概率分布规律为样本，构建三个容量为N的数组T_s、T_f和L_EV，分别表示电动汽车的出行开始时刻、行程结束返回驻地时刻和日行驶里程，并且使得数组中的N个数随机排列。

2)构建两个容量为24×N的二维数组T和S_OC，T用来记录一天内24小时电动汽车的充电状态，S_OC用来记录N个电动汽车在一天内24小时的荷电状态。根据公式(6)判断在t_k时刻电动汽车j的充电状态，若处于充电状态，则记t_k(j)＝1。

3)统计样本中t_k(j)＝1的个数n，n/N即为电动汽车充电的概率，则电动汽车在t_k时刻的充电功率期望值为：

$E\left(t_{kk}\right)=\frac{n}{N}\&times;P_{ck}---\left(13\right)$

4)按3)中所示方法计算一天内24个时刻的电动汽车充电功率的期望值，从而得到单台电动汽车在一天内的快速充电负荷曲线。

4、规模化电动汽车的充电需求预测

单台电动汽车的充电曲线只是反映电动汽车在各个时间点充电需求的期望值。但是，在一个区域内，大规模的电动汽车都按同一个分布规律来进行充电的话，则规模化的电动汽车的充电功率期望值即可反映该区域内电动汽车的充电需求的大小。由于蒙特卡洛模拟法具有一定的随机性，因此需要进行重复多次试验然后求平均值来确保预测的准确性。若规划区域在规划年的汽车保有量为N_Total，电动汽车数量在汽车总量中的占比为α，蒙特卡洛模拟次数为N_m，则该区域内电动汽车在t_k时刻的充电需求E(t_ksum)可表示为：

$E\left(t_{ksum}\right)=\frac{\underset{i=1}{\overset{N_m}{\&Sigma;}}(E{\left(t_{km}\right)}_i+E{\left(t_{kk}\right)}_i)}{N_m}\&CenterDot;N_{Total}\&CenterDot;\mathrm{\&alpha;}---\left(14\right)$

式中，E(t_km)_i和E(t_kk)_i分别表示单台电动汽车在t_k时刻第i次模拟的慢速充电和快速充电的功率期望值，t_k可取一天中的任意时刻，即t_k∈[0,24)，由此即可得到规划区域内规模化电动汽车的充电需求特性曲线。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法，其特征在于，包括以下步骤：

1)建立电动汽车慢充需求预测模型，获得单台电动汽车在一天内的慢充电负荷曲线，包括以下步骤：

11)设置试验次数N_m，按照概率密度函数随机生成用户充电开始时刻样本数组T_sc和电动汽车的持续充电时间样本数组T_c，容量为N；

12)构建容量为24×N的状态记录数组T；

13)判断任意采样时间采样点t_k时刻电动汽车i的充电状态，若处于充电状态，则记t_k(i)＝1，否则为0；

14)统计样本中t_k(i)＝1的个数n；

15)计算慢充电功率期望值

16)判断i是否等于N_m，如果i＝N_m，则取N_m次试验的平均值，如果i≠N_m，则i＝i+1，转入步骤13)；

2)建立电动汽车快冲需求预测模型，获得单台电动汽车在一天内的快充电负荷曲线，包括以下步骤：

21)设置试验次数N_m，按照概率密度函数随机生成用户出行开始时刻样本数组T_s、用户行程结束返回驻地时刻样本数组T_f和行驶里程样本数组L_EV，容量为N；

22)构建容量为24×N的充电状态记录数组T和荷电状态记录数组S_OC；

23)判断任意采样时间采样点t_k时刻电动汽车j的充电状态，若处于充电状态，则记t_k(j)＝1，否则为0；

24)统计样本中t_k(j)＝1的个数n；

25)计算快充电功率期望值

26)判断j是否等于N_m，如果j＝N_m，则取N_m次试验的平均值，如果i≠N_m，则i＝i+1，转入步骤23)；

3)若规划区域在规划年的汽车保有量为N_Total，电动汽车数量在汽车总量中的占比为α，蒙特卡洛模拟次数为N_m，则该区域内电动汽车在t_k时刻的充电需求E(t_ksum)可表示为：

式中，E(t_km)_i和E(t_kk)_i分别表示单台电动汽车在t_k时刻第i次模拟的慢速充电和快速充电的功率期望值，t_k可取一天中的任意时刻，即t_k∈[0,24]，由此即可得到规划区域内规模化电动汽车的充电需求特性曲线。

2.如权利要求1所述的一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法，其特征在于，步骤11)具体包括以下步骤：

a)利用计算机极大似然估计法对该地区私人电动车辆最后一次返回停住地的时刻概率分布柱状图进行曲线拟合，得到用户充电开始时刻T_sc的概率密度函数：

式中，μ_s＝17.6,σ_s＝3.4；

b)电动汽车的百公里耗电量W是恒定的，且电动汽车的充电功率P_cm也是一个定值，考虑充电机的充电效率k_x，则电动汽车的持续充电时间T_c可由下式计算得出：

3.如权利要求1所述的一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法，其特征在于，步骤13)具体包括以下步骤：

第i辆电动汽车在t_k时刻处于充电状态，则记为t_k(i)＝1，否则记为t_k(i)＝0；电动汽车i在t_k时刻是否处于充电状态的判断依据可由下式来表示：

4.如权利要求1所述的一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法，其特征在于，步骤21)具体包括以下步骤：

a)用户行程结束返回驻地时刻样本数组T_f可以参照用户充电开始时刻T_sc，利用计算机极大似然估计法对用户行程结束返回驻地时刻的分布柱状图进行曲线拟合，得到用户行程结束返回驻地时刻T_f的概率密度函数：

式中，μ_s＝17.6,σ_s＝3.4；

b)利用计算机极大似然估计法对用户出行开始时刻T_s的分布柱状图进行曲线拟合，得到用户行程结束返回驻地时刻T_s的概率密度函数：

其中，a₁＝0.389,b₁＝7.046,c₁＝1.086,a₂＝0.016,b₂＝10.610,c₂＝9.667。

5.如权利要求1所述的一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法，其特征在于，步骤23)具体包括以下步骤：

第j辆电动汽车在t_k时刻处于充电状态，则记为t_k(j)＝1，否则记为t_k(j)＝1，电 动汽车j在t_k时刻是否处于充电状态的判断依据可由下式来表示：