CN109978241A - 一种电动汽车充电负荷的确定方法及装置 - Google Patents

一种电动汽车充电负荷的确定方法及装置 Download PDF

Info

Publication number
CN109978241A
CN109978241A CN201910181438.7A CN201910181438A CN109978241A CN 109978241 A CN109978241 A CN 109978241A CN 201910181438 A CN201910181438 A CN 201910181438A CN 109978241 A CN109978241 A CN 109978241A
Authority
CN
China
Prior art keywords
charging
grids
unit time
load
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910181438.7A
Other languages
English (en)
Other versions
CN109978241B (zh
Inventor
潘鸣宇
逯帅
吴春燕
孟达
曾一凡
王伟贤
田贺平
陈振
袁小溪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Sichuan Energy Internet Research Institute EIRI Tsinghua University
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Sichuan Energy Internet Research Institute EIRI Tsinghua University
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Sichuan Energy Internet Research Institute EIRI Tsinghua University, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910181438.7A priority Critical patent/CN109978241B/zh
Publication of CN109978241A publication Critical patent/CN109978241A/zh
Application granted granted Critical
Publication of CN109978241B publication Critical patent/CN109978241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供了一种电动汽车充电负荷的确定方法及装置，其中，该方法包括：将预测区域划分为多个网格，其中，该多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格；根据历史充电数据确定该k个第二网格在该单位时间内预计消耗的充电负荷；通过该预计消耗的充电负荷和该历史充电数据确定该单位时间内为该k个第二网格分配充电负荷的分配比例；根据该分配比例和该历史充电数据确定需要分配到该k个第二网格的充电负荷，因此，可以解决相关技术中只能对现有充电设施的负荷进行预测，由于现有充电设施数量有限且缺乏合理的规划，导致不能预测实际充电负荷分布的问题，实现了预测实际充电负荷分布的效果。

Description

一种电动汽车充电负荷的确定方法及装置
技术领域
本发明涉及电动汽车领域，具体而言，涉及一种电动汽车充电负荷的确定方法及装置。
背景技术
化石能源的使用加剧环境污染，同时温室气体的排放导致气候变化加剧，电动汽车作为替代传统燃油汽车的交通工具，在节能减排、减少对化石能源依赖等方面有巨大优势，世界多国都有推动电动汽车发展的激励政策。电动汽车的大量接入，必将给电力系统的运行和规划带来重大影响，如用电负荷增长、电能质量下降、对配电网规划提出新的要求等。然而，现有充电设施规划主观性强，缺乏协调、科学、统筹、优化手段，充电设施布局并不合理，“充电难”也制约着电动汽车的发展。电动汽车充电设施是电动汽车推广发展中的重要环节，是电动汽车普及和市场化推进的前提和基础，合理的充电网络布局优化也是提供智慧出行服务的基础。准确的电动汽车充电负荷时空分布预测模型是解决电动汽车并网造成的影响和研究充电设施规划的重要基础。但是，由于电动汽车用户出行行为的多样性和充电行为的不确定性，很难准确预测充电负荷。
目前电动汽车充电负荷预测方法主要有基于电动汽车用户出行特征的模拟法和基于充电设施历史充电数据的预测法。基于充电设施历史充电数据的预测法主要是基于充电设施的历史充电数据，参考电力系统负荷预测方法，如相似日法、灰色模型法、人工神经网络法、支持向量机法等，对电动汽车的充电负荷进行预测。
基于历史充电数据的预测法对历史充电数据的依赖较大，只能对现有充电设施的负荷进行预测。然而，现有充电设施数量有限且缺乏合理的规划，不能正确体现实际充电负荷的分布。
针对相关技术中只能对现有充电设施的负荷进行预测，由于现有充电设施数量有限且缺乏合理的规划，导致不能预测实际充电负荷分布的问题，尚未提出解决方案。
发明内容
本发明实施例提供了一种电动汽车充电负荷的确定方法及装置，以至少解决相关技术中只能对现有充电设施的负荷进行预测，由于现有充电设施数量有限且缺乏合理的规划，导致不能预测实际充电负荷分布的问题。
根据本发明的一个实施例，提供了一种电动汽车充电负荷的确定方法，包括：
将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格，所述m、k为大于1的自然数；
根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；
通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；
根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷。
可选地，根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷包括：
根据所述历史充电数据确定所述k个第二网格在所述单位时间内的预计充电次数；
根据所述历史充电数据确定所述m个第一网格内n种功能区对应的电动汽车一次充电的平均充电负荷，其中，所述预测区域包括所述n种功能区，n为大于1的自然数；
根据所述n种功能区对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷；
根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷。
可选地，根据所述历史充电数据确定所述m个第一网格内所述n种功能区对应的电动汽车一次充电的平均充电负荷包括：
获取所述m个第一网格内所述n种功能区的面积占比aij，i＝1,2，…，m；j＝1,2,…,n；
通过以下方式根据所述历史充电数据确定所述m个第一网格在所述单位时间内一次充电的平均充电负荷：
其中，Ci为第一网格i在所述单位时间内一次充电的平均充电负荷，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，ni为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的充电次数；
通过以下方式根据所述m个第一网格在所述单位时间内电动汽车一次充电的平均充电负荷以及所述m个第一网格内所述n种功能区的面积占比确定所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn：
Ci＝βi.*(ai1.T1+ai2.T2+...+ain.Tn)，其中，βi表示第一网格i的因素的相对大小。
可选地，根据所述n种功能区对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷包括：
获取所述k个第二网格中所述n种功能区的面积占比ηij，i＝1,2，…，k；j＝1,2,…,n；
通过以下方式根据所述k个第二网格中所述n种功能区的面积占比ηij以及所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷：
Dj＝δj*(ηi1.T1+ηi2.T2+...+ηin.Tn),j＝1,2,...,k，其中，Dj为第二网格j对应的电动汽车一次充电的平均充电负荷，δj表示所述第二网格j的因素的相对大小。
可选地，通过以下方式根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷：
其中，为第二网格j在所述单位时间内预计消耗的充电负荷，Dj为所述第二网格j对应的电动汽车一次充电的平均充电负荷，Xj为所述第二网格j的预计充电次数。
可选地，根据所述历史充电数据确定所述k个第二网格在所述单位时间内的预计充电次数包括：
通过所述m个第一网格的因素与电动汽车充电次数的相关性分析确定预测因素；
根据所述预测因素与所述m个第一网格对应的电动汽车充电次数对初始神经网络进行训练，得到目标神经网络，其中，所述目标神经网络用于根据输入的所述k个第二网格的预测因素得到预计充电次数。
可选地，通过所述m个第一网格的因素与电动汽车充电次数的相关性分析确定预测因素包括：
将p值小于显著性水平的因素确定为所述预测因素，其中，p值指当原假设为真时所得到的样本观察结果或更极端结果出现的概率，所述显著性水平为0.05或0.01。
可选地，通过以下方式根据所述分配比例和所述历史充电数据确定所述单位时间内分配到所述k个第二网格的充电负荷：
其中，为分配到所述第二网格j的充电负荷，aj为所述单位时间内为所述第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷。
可选地，通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例包括：
通过以下方式确定所述单位时间内为所述k个第二网格的所述分配比例：
其中，aj为所述单位时间内为第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，为所述第二网格j在所述单位时间内预计消耗的充电负荷。
根据本发明的另一个实施例，还提供了一种电动汽车充电负荷的确定装置，包括：
划分模块，用于将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格，所述m、k为大于1的自然数；
第一确定模块，用于根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；
第二确定模块，用于通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；
第三确定模块，用于根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷。
可选地，所述第一确定模块包括：
第一确定单元，用于根据所述历史充电数据确定所述k个第二网格在所述单位时间内的预计充电次数；
第二确定单元，用于根据所述历史充电数据确定所述m个第一网格内n种功能区对应的电动汽车一次充电的平均充电负荷，其中，所述预测区域包括所述n种功能区，n为大于1的自然数；
第三确定单元，用于根据所述n种功能区对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷；
第四确定单元，用于根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷。
可选地，所述第二确定单元，还用于
获取所述m个第一网格内所述n种功能区的面积占比aij，i＝1,2，…，m；j＝1,2,…,n；
通过以下方式根据所述历史充电数据确定所述m个第一网格在所述单位时间内一次充电的平均充电负荷：
其中，Ci为第一网格i在所述单位时间内一次充电的平均充电负荷，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，ni为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的充电次数；
通过以下方式根据所述m个第一网格在所述单位时间内电动汽车一次充电的平均充电负荷以及所述m个第一网格内所述n种功能区的面积占比确定所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn：
Ci＝βi.*(ai1.T1+ai2.T2+...+ain.Tn)，其中，βi表示第一网格i的因素的相对大小。
可选地，所述第三确定单元，还用于
获取所述k个第二网格中所述n种功能区的面积占比ηij，i＝1,2，…，k；j＝1,2,…,n；
通过以下方式根据所述k个第二网格中所述n种功能区的面积占比ηij以及所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷：
Dj＝δj*(ηi1.T1+ηi2.T2+...+ηin.Tn),j＝1,2,...,k，其中，Dj为第二网格j对应的电动汽车一次充电的平均充电负荷，δj表示所述第二网格j的因素的相对大小。
可选地，所述第四确定单元，还用于通过以下方式根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷：
其中，为第二网格j在所述单位时间内预计消耗的充电负荷，Dj为第二网格j对应的电动汽车一次充电的平均充电负荷，Xj为所述第二网格j的预计充电次数。
可选地，所述第一确定单元包括：
确定子单元，用于通过所述m个第一网格的因素与电动汽车充电次数的相关性分析确定预测因素；
训练子单元，用于根据所述预测因素与所述m个第一网格对应的电动汽车充电次数对初始神经网络进行训练，得到目标神经网络，其中，所述目标神经网络用于根据输入的所述k个第二网格的预测因素得到预计充电次数。
可选地，所述确定子单元，还用于
将p值小于显著性水平的因素确定为所述预测因素，其中，p值指当原假设为真时所得到的样本观察结果或更极端结果出现的概率，所述显著性水平为0.05或0.01。
可选地，所述第三确定模块，还用于通过以下方式根据所述分配比例和所述历史充电数据确定所述单位时间内分配到所述k个第二网格的充电负荷：
其中，为分配到所述第二网格j的充电负荷，aj为所述单位时间内为所述第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷。
可选地，所述第二确定模块，还用于
通过以下方式确定所述单位时间内为所述k个第二网格的所述分配比例：
其中，aj为所述单位时间内为第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，
为所述第二网格j在所述单位时间内预计消耗的充电负荷。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格；根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷，因此，可以解决相关技术中只能对现有充电设施的负荷进行预测，由于现有充电设施数量有限且缺乏合理的规划，导致不能预测实际充电负荷分布的问题，实现了预测实际充电负荷分布的效果。
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是本发明实施例的一种电动汽车充电负荷的确定方法的移动终端的硬件结构框图；
图2是根据本发明实施例的电动汽车充电负荷的确定方法的流程图；
图3是根据本发明实施例的电动汽车充电负荷时空分布预测的示意图；
图4是根据本发明实施例的电动汽车充电负荷的确定装置的框图；
图5是根据本发明优选实施例的电动汽车充电负荷的确定装置的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
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。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种电动汽车充电负荷的确定方法的移动终端的硬件结构框图，如图1所示，移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的报文接收方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
本发明实施例通过上述的移动终端扫描二维码或条形码，并在上述的移动终端中绘制家电维护的预约界面，用户在该预约界面主填写维护信息便可生成预约维护单，之后上传到服务器做进一步的处理。
本实施例提供了一种电动汽车充电负荷的确定方法，图2是根据本发明实施例的电动汽车充电负荷的确定方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格，所述m、k为大于1的自然数；
步骤S204，根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；
步骤S206，通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；
步骤S208，根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷。
通过上述步骤S202至S208，可以解决相关技术中只能对现有充电设施的负荷进行预测，由于现有充电设施数量有限且缺乏合理的规划，导致不能预测实际充电负荷分布的问题，实现了预测实际充电负荷分布的效果。
可选地，上述步骤S204具体可以包括：
步骤S2041，根据所述历史充电数据确定所述k个第二网格在所述单位时间内的预计充电次数；
步骤S2042，根据所述历史充电数据确定所述m个第一网格内n种功能区对应的电动汽车一次充电的平均充电负荷，其中，所述预测区域包括所述n种功能区，n为大于1的自然数；
步骤S2043，根据所述n种功能区对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷；
步骤S2044，根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷。
可选地，上述步骤S2042具体可以包括：
获取所述m个第一网格内所述n种功能区的面积占比aij，i＝1,2，…，m；j＝1,2,…,n；
通过以下方式根据所述历史充电数据确定所述m个第一网格在所述单位时间内一次充电的平均充电负荷：
其中，Ci为第一网格i在所述单位时间内一次充电的平均充电负荷，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，ni为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的充电次数；
通过以下方式根据所述m个第一网格在所述单位时间内电动汽车一次充电的平均充电负荷以及所述m个第一网格内所述n种功能区的面积占比确定所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn：
Ci＝βi.*(ai1.T1+ai2.T2+...+ain.Tn)，其中，βi表示第一网格i的因素的相对大小，因素可以为人口数量、交通流量等影响因素，人口数量、交通流量等越大，βi值就越大。
可选地，上述步骤S2043具体可以包括：
获取所述k个第二网格中所述n种功能区的面积占比ηij，i＝1,2，…，k；j＝1,2,…,n；
通过以下方式根据所述k个第二网格中所述n种功能区的面积占比ηij以及所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷：
Dj＝δj*(ηi1.T1+ηi2.T2+...+ηin.Tn),j＝1,2,...,k，其中，Dj为第二网格j对应的电动汽车一次充电的平均充电负荷，δj表示所述第二网格j的因素的相对大小，因素可以为人口数量、交通流量等影响因素，人口数量、交通流量等越大，δj值就越大。
可选地，上述步骤S2044具体可以通过以下方式根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷：
其中，为第二网格j在所述单位时间内预计消耗的充电负荷，Dj为所述第二网格j对应的电动汽车一次充电的平均充电负荷，Xj为所述第二网格j的预计充电次数。
可选地，上述步骤S2041具体可以包括：
通过所述m个第一网格的因素与电动汽车充电次数的相关性分析确定预测因素；
根据所述预测因素与所述m个第一网格对应的电动汽车充电次数对初始神经网络进行训练，得到目标神经网络，其中，所述目标神经网络用于根据输入的所述k个第二网格的预测因素得到预计充电次数，具体地，获取所述k个第二网格的预测因素，将所述k个第二网格的预测因素输入所述目标神经网络，得到所述k个第二网格的预计充电次数。
进一步地，根据对电动汽车充电次数的因素与电动汽车充电次数的相关性分析确定预测因素具体可以包括：将p值小于显著性水平的因素确定为所述预测因素，其中，p值指当原假设为真时所得到的样本观察结果或更极端结果出现的概率，如果p值很小，说明原假设情况发生的概率很小。显著性水平是假设检验中的一个概念，是指当原假设为正确时人们却把它拒绝了的概率或风险，它是公认的小概率事件的概率值，通常取0.05或0.01，这表明，当作出接受原假设的决定时，其正确的概率为95％或99％。
可选地，上述步骤S208具体可以通过以下方式根据所述分配比例和所述历史充电数据确定所述单位时间内分配到所述k个第二网格的充电负荷：
其中，为分配到所述第二网格j的充电负荷，aj为所述单位时间内为所述第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷。
可选地，上述步骤S206具体可以包括：
通过以下方式确定所述单位时间内为所述k个第二网格的所述分配比例：
其中，aj为所述单位时间内为第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，为所述第二网格j在所述单位时间内预计消耗的充电负荷。
图3是根据本发明实施例的电动汽车充电负荷时空分布预测的示意图，如图3所示，包括预测区域网格划分、电动汽车充电次数预测模型、电动汽车一次充电的平均充电负荷模型、电动汽车充电负荷预测模型。
所述预测区域网格划分用于将预测区域按一定精度划分为相同大小的网格，为后续电动汽车充电负荷的空间预测提供基础，作为电动汽车充电次数预测模型、电动汽车一次充电的平均充电负荷模型、电动汽车充电负荷预测模型的基本空间单元。
所述电动汽车充电次数预测模型用于预测每个网格中一天内电动汽车总的充电次数。
所述电动汽车一次充电的平均充电负荷模型用于计算每个网格中电动汽车一次充电的平均充电负荷。
所述电动汽车充电负荷预测模型在电动汽车充电次数预测模型和电动汽车一次充电的平均充电负荷模型的基础上预测每个网格中一天24小时的电动汽车充电负荷。
本发明实施例，将预测区域进行网格划分，以网格为基本单元进行电动汽车充电负荷预测，将历史充电数据合理分配到每个网格，以解决由于现有充电设施数量有限，充电记录不能正确体现电动汽车充电需求空间分布的问题；基于BP神经网络预测电动汽车充电次数；利用现有充电设施的历史充电数据，计算各网格电动汽车一次充电的平均充电负荷；根据电动汽车充电次数和一次充电的平均充电负荷计算各网格电动汽车充电负荷，并将历史充电负荷按比例分配给各网格。具体包括以下步骤：
步骤302、将预测区域按一定精度(如按经纬坐标500m*500m或1000m*1000m)划分为相同大小的网格。
步骤S304，确定对电动汽车充电次数有显著影响的因素，基于BP神经网络预测电动汽车充电次数，具体包括：
步骤1、列举可能影响电动汽车充电次数的因素：运营模式(停车收费、电价等)、人口数量、区域功能(商场、居民区、工作区等)、交通流量等。通过相关性分析识别电动汽车充电次数与各因素的影响特征，评估各影响因素的重要程度，将对电动汽车充电次数有显著影响的因素作为预测指标。
步骤2、对步骤1中选取的预测指标和电动汽车充电次数，进行归一化处理，作为神经网络训练的输入和输出数据，以避免数值问题、消除量纲影响、加快收敛速度，利于神经网络的求解。
步骤3、确定BP神经网络的结构，包括网络层数的确定和网络节点数的确定。
步骤4、创建BP神经网络，利用适当的算法(如贝叶斯正则化算法)训练网络，利用训练好的BP神经网络预测不含充电设施网格的电动汽车充电次数。
步骤S306，利用现有充电设施的历史充电数据，计算每种功能区对应的电动汽车一次充电的平均充电负荷，根据每种功能区对应的电动汽车一次充电的平均充电负荷计算不含充电设施网格的一次充电的平均充电负荷。
假设预测区域中共有n种功能区，有m个含充电设施的网格和k个不含充电设施的网格，编号用S1,S2,...,Sm,Sm+1,...,Sm+k表示，则网格Si在n种功能区的空间上的多维坐标为：
其中，aij表示网格Si中第j种功能区面积的占比，n种功能区面积的占比之和为1。
C1,C2,...,Cm分别表示m个含充电设施的网格对应的一次充电的平均充电负荷，可以通过该网格一天内的总充电负荷除以一天内总的充电次数得到：
其中，表示网格i一天内的总充电负荷，ni表示网格i一天内总的充电次数，Ci＝[Ci,1,Ci,2,...,Ci,24]表示网格i一次充电的平均充电负荷。
用T1,T2,...,Tn表示n种功能区对应的电动汽车一次充电的平均充电负荷，则有：
Ci＝βi.*(ai1.T1+ai2.T2+...+ain.Tn) (3)
Ti＝[Ti,1,Ti,2,...,Ti,24]
其中，βi表示网格i的人口数量、交通流量等影响因素因子，表征各影响因素的相对大小，人口数量越多、交通流量越大，βi值就越大。
用矩阵形式表示m个网格和n种功能区充电负荷之间的关系为：
通过求解方程组(4)可以得到n种功能区对应的电动汽车平均充电负荷曲线T1,T2,...,Tn。
在求出n种功能区对应的电动汽车一次充电的平均充电负荷的基础上，结合网格的功能区组成比例，通过公式(3)可以得到不含充电设施的网格对应的电动汽车一次充电的平均充电负荷。
步骤S308，根据电动汽车充电次数预测值和电动汽车一次充电的平均充电负荷确定不含充电设施网格一天内的总充电负荷，通过二者相乘，即可得到不含充电设施网格一天内的电动汽车总充电负荷：
其中，k表示预测区域中不含充电设施网格的数量，为不含充电设施网格j在一天内预计消耗的充电负荷，Dj为不含充电设施网格j对应的电动汽车一次充电的平均充电负荷，Xj为不含充电设施网格j的预计充电次数。
将历史充电负荷按比例分配给各个网格，得到各网格一天内的电动汽车充电负荷，即：
其中，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，预测区域一天内的总充电负荷即为含有充电设施网格的历史总充电负荷。
通过本发明实施例，能够较准确的对电动汽车充电负荷进行预测，可以预测各网格中充电负荷的24小时分布以及一天内总的充电量。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种电动汽车充电负荷的确定装置，应用于服务器，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的电动汽车充电负荷的确定装置的框图，如图4所示，包括：
划分模块42，用于将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格，所述m、k为大于1的自然数；
第一确定模块44，用于根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；
第二确定模块46，用于通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；
第三确定模块48，用于根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷。
图5是根据本发明优选实施例的电动汽车充电负荷的确定装置的框图，如图5所示，所述第一确定模块44包括：
第一确定单元52，用于根据所述历史充电数据确定所述k个第二网格在所述单位时间内的预计充电次数；
第二确定单元54，用于根据所述历史充电数据确定所述m个第一网格内n种功能区对应的电动汽车一次充电的平均充电负荷，其中，所述预测区域包括所述n种功能区，n为大于1的自然数；
第三确定单元56，用于根据所述n种功能区对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷；
第四确定单元58，用于根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷。
可选地，所述第二确定单元54，还用于
获取所述m个第一网格内所述n种功能区的面积占比aij，i＝1,2，…，m；j＝1,2,…,n；
通过以下方式根据所述历史充电数据确定所述m个第一网格在所述单位时间内一次充电的平均充电负荷：
其中，Ci为第一网格i在所述单位时间内一次充电的平均充电负荷，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，ni为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的充电次数；
通过以下方式根据所述m个第一网格在所述单位时间内电动汽车一次充电的平均充电负荷以及所述m个第一网格内所述n种功能区的面积占比确定所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn：
Ci＝βi.*(ai1.T1+ai2.T2+...+ain.Tn)，其中，βi表示第一网格i的因素的相对大小。
可选地，所述第三确定单元56，还用于
获取所述k个第二网格中所述n种功能区的面积占比ηij，i＝1,2，…，k；j＝1,2,…,n；
通过以下方式根据所述k个第二网格中所述n种功能区的面积占比ηij以及所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷：
Dj＝δj*(ηi1.T1+ηi2.T2+...+ηin.Tn),j＝1,2,...,k，其中，Dj为第二网格j对应的电动汽车一次充电的平均充电负荷，δj表示所述第二网格j的因素的相对大小。
可选地，所述第四确定单元58，还用于通过以下方式根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷：
其中，为第二网格j在所述单位时间内预计消耗的充电负荷，Dj为第二网格j对应的电动汽车一次充电的平均充电负荷，Xj为所述第二网格j的预计充电次数。
可选地，所述第一确定单元52包括：
确定子单元，用于通过所述m个第一网格的因素与电动汽车充电次数的相关性分析确定预测因素；
训练子单元，用于根据所述预测因素与所述m个第一网格对应的电动汽车充电次数对初始神经网络进行训练，得到目标神经网络，其中，所述目标神经网络用于根据输入的所述k个第二网格的预测因素得到预计充电次数。
可选地，所述确定子单元，还用于
将p值小于显著性水平的因素确定为所述预测因素，其中，p值指当原假设为真时所得到的样本观察结果或更极端结果出现的概率，所述显著性水平为0.05或0.01。
可选地，所述第三确定模块48，还用于通过以下方式根据所述分配比例和所述历史充电数据确定所述单位时间内分配到所述k个第二网格的充电负荷：
其中，为分配到所述第二网格j的充电负荷，aj为所述单位时间内为所述第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷。
可选地，所述第二确定模块46，还用于
通过以下方式确定所述单位时间内为所述k个第二网格的所述分配比例：
其中，aj为所述单位时间内为第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，
为所述第二网格j在所述单位时间内预计消耗的充电负荷。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S11，将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格，所述m、k为大于1的自然数；
S12，根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；
S13，通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；
S14，根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S11，将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格，所述m、k为大于1的自然数；
S12，根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；
S13，通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；
S14，根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种电动汽车充电负荷的确定方法，其特征在于，包括：
将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格，所述m、k为大于1的自然数；
根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；
通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；
根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷。
2.根据权利要求1所述的方法，其特征在于，根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷包括：
根据所述历史充电数据确定所述k个第二网格在所述单位时间内的预计充电次数；
根据所述历史充电数据确定所述m个第一网格内n种功能区对应的电动汽车一次充电的平均充电负荷，其中，所述预测区域包括所述n种功能区，n为大于1的自然数；
根据所述n种功能区对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷；
根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷。
3.根据权利要求2所述的方法，其特征在于，根据所述历史充电数据确定所述m个第一网格内所述n种功能区对应的电动汽车一次充电的平均充电负荷包括：
获取所述m个第一网格内所述n种功能区的面积占比aij，i＝1,2，…，m；j＝1,2,…,n；
通过以下方式根据所述历史充电数据确定所述m个第一网格在所述单位时间内一次充电的平均充电负荷：
其中，Ci为第一网格i在所述单位时间内一次充电的平均充电负荷，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，ni为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的充电次数；
通过以下方式根据所述m个第一网格在所述单位时间内电动汽车一次充电的平均充电负荷以及所述m个第一网格内所述n种功能区的面积占比确定所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn：
Ci＝βi.*(ai1.T1+ai2.T2+...+ain.Tn)，其中，βi表示第一网格i的因素的相对大小。
4.根据权利要求2所述的方法，其特征在于，根据所述n种功能区对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷包括：
获取所述k个第二网格中所述n种功能区的面积占比ηij，i＝1,2，…，k；j＝1,2,…,n；
通过以下方式根据所述k个第二网格中所述n种功能区的面积占比ηij以及所述n种功能区对应的电动汽车一次充电的平均充电负荷T1,T2,...,Tn确定所述k个第二网格对应的电动汽车一次充电的平均充电负荷：
Dj＝δj*(ηi1.T1+ηi2.T2+...+ηin.Tn),j＝1,2,...,k，其中，Dj为第二网格j对应的电动汽车一次充电的平均充电负荷，δj表示所述第二网格j的因素的相对大小。
5.根据权利要求2所述的方法，其特征在于，通过以下方式根据所述k个第二网格的预计充电次数与所述k个第二网格对应的电动汽车一次充电的平均充电负荷确定所述k个第二网格在所述单位时间内预计消耗的充电负荷：
其中，为第二网格j在所述单位时间内预计消耗的充电负荷，Dj为所述第二网格j对应的电动汽车一次充电的平均充电负荷，Xj为所述第二网格j的预计充电次数。
6.根据权利要求2所述的方法，其特征在于，根据所述历史充电数据确定所述k个第二网格在所述单位时间内的预计充电次数包括：
通过所述m个第一网格的因素与电动汽车充电次数的相关性分析确定预测因素；
根据所述预测因素与所述m个第一网格对应的电动汽车充电次数对初始神经网络进行训练，得到目标神经网络，其中，所述目标神经网络用于根据输入的所述k个第二网格的预测因素得到预计充电次数。
7.根据权利要求6所述的方法，其特征在于，通过所述m个第一网格的因素与所述电动汽车充电次数的相关性分析确定所述预测因素包括：
将p值小于显著性水平的因素确定为所述预测因素，其中，p值指当原假设为真时所得到的样本观察结果或更极端结果出现的概率，所述显著性水平为0.05或0.01。
8.根据权利要求1所述的方法，其特征在于，通过以下方式根据所述分配比例和所述历史充电数据确定所述单位时间内分配到所述k个第二网格的充电负荷：
其中，为分配到所述第二网格j的充电负荷，aj为所述单位时间内为所述第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷。
9.根据权利要求1至8中任一项所述的方法，其特征在于，通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例包括：
通过以下方式确定所述单位时间内为所述k个第二网格的所述分配比例：
其中，aj为所述单位时间内为第二网格j的所述分配比例，为所述历史充电数据中包括的所述单位时间内所述第一网格i对应的历史充电负荷，为所述第二网格j在所述单位时间内预计消耗的充电负荷。
10.一种电动汽车充电负荷的确定装置，其特征在于，包括：
划分模块，用于将预测区域划分为多个网格，其中，所述多个网格包括m个含充电设施的第一网格和k个不含充电设施的第二网格，所述m、k为大于1的自然数；
第一确定模块，用于根据所述m个第一网格中所有充电设施在单位时间内的历史充电数据确定所述k个第二网格在所述单位时间内预计消耗的充电负荷；
第二确定模块，用于通过所述k个第二网格在所述单位时间内预计消耗的充电负荷和所述历史充电数据确定所述单位时间内为所述k个第二网格分配充电负荷的分配比例；
第三确定模块，用于根据所述分配比例和所述历史充电数据确定所述单位时间内需要分配到所述k个第二网格的充电负荷。
11.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至9任一项中所述的方法。
12.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至9任一项中所述的方法。
CN201910181438.7A 2019-03-11 2019-03-11 一种电动汽车充电负荷的确定方法及装置 Active CN109978241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910181438.7A CN109978241B (zh) 2019-03-11 2019-03-11 一种电动汽车充电负荷的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910181438.7A CN109978241B (zh) 2019-03-11 2019-03-11 一种电动汽车充电负荷的确定方法及装置

Publications (2)

Publication Number Publication Date
CN109978241A true CN109978241A (zh) 2019-07-05
CN109978241B CN109978241B (zh) 2022-01-11

Family

ID=67078525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910181438.7A Active CN109978241B (zh) 2019-03-11 2019-03-11 一种电动汽车充电负荷的确定方法及装置

Country Status (1)

Country Link
CN (1) CN109978241B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016771B (zh) * 2020-10-23 2021-01-29 北京国新智电新能源科技有限责任公司 基于电动汽车需求预测的移动充电桩调度方法及系统
CN112613637A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 充电负荷的处理方法和装置
CN117110587A (zh) * 2023-10-25 2023-11-24 国网四川省电力公司超高压分公司 一种油中溶解气体在线监测异常告警方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679283A (zh) * 2013-11-06 2014-03-26 国家电网公司 一种用于顶层设计模式下的新区电力负荷的预测方法
CN104751249A (zh) * 2015-04-15 2015-07-01 国家电网公司 一种空间负荷预测方法
CN105224997A (zh) * 2015-09-01 2016-01-06 国家电网公司 一种含有多种不确定性因素影响的规划负荷预测方法
CN106532686A (zh) * 2016-11-09 2017-03-22 国网山东省电力公司济南供电公司 基于电动汽车充电配置的片区配电网负荷预测方法
CN107730039A (zh) * 2017-10-10 2018-02-23 中国南方电网有限责任公司电网技术研究中心 配电网负荷预测的方法及系统
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679283A (zh) * 2013-11-06 2014-03-26 国家电网公司 一种用于顶层设计模式下的新区电力负荷的预测方法
CN104751249A (zh) * 2015-04-15 2015-07-01 国家电网公司 一种空间负荷预测方法
CN105224997A (zh) * 2015-09-01 2016-01-06 国家电网公司 一种含有多种不确定性因素影响的规划负荷预测方法
CN106532686A (zh) * 2016-11-09 2017-03-22 国网山东省电力公司济南供电公司 基于电动汽车充电配置的片区配电网负荷预测方法
CN107730039A (zh) * 2017-10-10 2018-02-23 中国南方电网有限责任公司电网技术研究中心 配电网负荷预测的方法及系统
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016771B (zh) * 2020-10-23 2021-01-29 北京国新智电新能源科技有限责任公司 基于电动汽车需求预测的移动充电桩调度方法及系统
CN112613637A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 充电负荷的处理方法和装置
CN117110587A (zh) * 2023-10-25 2023-11-24 国网四川省电力公司超高压分公司 一种油中溶解气体在线监测异常告警方法及系统
CN117110587B (zh) * 2023-10-25 2024-01-23 国网四川省电力公司超高压分公司 一种油中溶解气体在线监测异常告警方法及系统

Also Published As

Publication number Publication date
CN109978241B (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
Zhang et al. A Monte Carlo simulation approach to evaluate service capacities of EV charging and battery swapping stations
Yang et al. Deploying battery swap stations for shared electric vehicles using trajectory data
Anand et al. Probabilistic reliability evaluation of distribution systems considering the spatial and temporal distribution of electric vehicles
Wirges et al. Modelling the development of a regional charging infrastructure for electric vehicles in time and space
Soares et al. Scenario generation for electric vehicles' uncertain behavior in a smart city environment
CN109978241B (zh) 一种电动汽车充电负荷的确定方法及装置
van der Kam et al. Multiple roads ahead: How charging behavior can guide charging infrastructure roll-out policy
CN111126740B (zh) 共享汽车充电调度方法、电子设备及存储介质
Sadhukhan et al. Optimal allocation of EV charging stations in a radial distribution network using probabilistic load modeling
Blasius et al. Effects of charging battery electric vehicles on local grid regarding standardized load profile in administration sector
CN111861075B (zh) 一种资源配置方法、资源配置装置及可读存储介质
Cañigueral et al. Flexibility management of electric vehicles based on user profiles: The Arnhem case study
Heymann et al. Spatial load forecasting of electric vehicle charging using GIS and diffusion theory
Lu et al. Charging and relocating optimization for electric vehicle car-sharing: an event-based strategy improvement approach
Zhou et al. Electric bus charging facility planning with uncertainties: Model formulation and algorithm design
CN115829124A (zh) 充电桩选址方法、装置、设备及存储介质
Abdalrahman et al. QoS-aware capacity planning of networked PEV charging infrastructure
CN117910631B (zh) 基于多源数据融合的公共充电站点布局方法、装置及设备
Yan et al. Data‐driven robust planning of electric vehicle charging infrastructure for urban residential car parks
Ramoliya et al. ML-Based Energy Consumption and Distribution Framework Analysis for EVs and Charging Stations in Smart Grid Environment
Sørensen et al. A method for generating complete EV charging datasets and analysis of residential charging behaviour in a large Norwegian case study
Shen et al. Integrated optimization of electric vehicles charging location and allocation for valet charging service
Hüttel et al. Mind the gap: Modelling difference between censored and uncensored electric vehicle charging demand
CN109118104A (zh) 配电网规划方法及装置
Cao et al. An autonomous electric vehicle based charging system: Matching and charging strategy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant