CN111199320A - 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法 - Google Patents

Abstract

本发明提出了一种基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其步骤为：首先，根据电动汽车充电负荷的影响因素建立影响因素的概率模型；其次，根据电动汽车的网路拓扑结构以及电动汽车在城市间的出行建立电动汽车出行概率矩阵；最后，根据影响因素的概率模型和电动汽车出行概率矩阵，利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布。本发明结合网络拓扑结构，建立的影响因素概率模型和出行概率矩阵，利用蒙特卡洛算法预测单辆电动汽车的充电负荷，降低了时空分布下电动汽车充电负荷预测误差。

Description

基于出行概率矩阵的电动汽车充电负荷时空分布预测方法

技术领域

本发明涉及时空分布下的电动汽车负荷预测技术领域，特别是指一种基于出行概率矩阵的电动汽车充电负荷时空分布预测方法。

背景技术

随着石油消费增加，能源资源危机日益严重，同时环保呼声不断高涨，电动汽车以可再生的电能为燃料，在减少对化石能源的依赖和降低温室气体排放方面起到了重要的作用，近年来得到了人们的青睐。但是电动汽车具有充电功率大、随机性强等特点，在未来电动汽车大规模普及的情景下，无序的电动汽车充电负荷会给配电网带来电压下降、线路过载、电网负荷峰值、网络损耗等一系列问题。因此，有必要研究大规模电动汽车充电负荷预测模型，为电动汽车发展对电网影响、参与电网互动能力、充放电有序控制策略等研究提供一定的理论依据。

目前，大量学者对电动汽车充电负荷预测开展了相关研究工作并取得了显著的成果，主要是以统计预测模型为基础建立电动汽车充电负荷预测模型。如有研究将电动汽车分为公交车、公务车、出租车、私家车几类，对影响充电负荷的汽车类型、电池容量、起始充电时刻、充电功率、充电方式等因素进行分析，采用蒙特卡洛模拟方法建立了电动汽车充电负荷模型；有的针对小范围内电动汽车规模少的特点，提出了基于电动汽车发展不均衡的电动汽车充电需求计算方法，通过蒙特卡洛方法给出了充电负荷预测模型，对较小区域内电动汽车充电负荷预测提供了计算依据；有的提出了基于充电时刻概率的负荷预测方法，以日行驶里程代替主观给定的起始荷电状态，利用概率统计学和蒙特卡洛模拟方法建立了充电负荷预测模型。考虑到电动汽车主要分布在主城区，电动汽车行驶行为与城市交通路网息息相关，建立电动汽车的时空分布负荷预测模型需要考虑具体城市路网结构，另外电动汽车起始SOC同前一次仿真结束时SOC值相同更符合现实情况，上述均未考虑城市路网的影响和仿真时起始SOC连续性的问题。

发明内容

针对上述背景技术中存在的不足，本发明提出了一种基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，解决了现有时空分布下电动汽车充电负荷预测误差较大的技术问题。

本发明的技术方案是这样实现的：

一种基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其步骤如下：

S1、根据电动汽车充电负荷的影响因素建立影响因素的概率模型；

S2、根据电动汽车的网络拓扑结构以及电动汽车在城市间的出行建立电动汽车出行概率矩阵；

S3、根据步骤S1中的影响因素的概率模型和步骤S2中的电动汽车出行概率矩阵，利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布。

所述影响因素的概率模型包括日行驶里程概率模型、起止出行时刻概率模型、单次停车时长概率模型、充电时长概率模型。

所述日行驶里程概率模型为：

其中，s为电动汽车的日行驶里程，f(s)为日行驶里程s的概率函数，μ₁为日行驶里程s的均值，σ₁为日行驶里程s的标准差。

所述起止出行时刻概率模型为：

其中，t为电动汽车的起止出行时刻，f(t)为起止出行时刻t的概率函数，μ₂为起止出行时刻t的均值，σ₂为起止出行时刻t的标准差。

所述充电时长概率模型为：

其中，T_c为电动汽车的充电时长，E_SOC为电池期望的充电目标荷电状态；I_SOC为电池的起始荷电状态，E为电池容量，P_c为充电功率，η为充电效率。

所述步骤S2中电动汽车出行概率矩阵的构建方法为：

S2.1、设置电动汽车的数量，并根据网络拓扑结构中节点的数量计算每个节点的停车概率，采集节点之间线路的车流量；

S2.2、利用TransCAD对步骤S21中的车流量进行处理得到电动汽车出行概率矩阵。

所述利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布的方法为：

S3.1、设置电动汽车总数量为N，最大迭代次数为M，当前电动汽车为n＝1，设置电动汽车的荷电状态阈值SOC_th，设置荷电状态期望值SOC₁，荷电状态最大值SOC₂；

S3.2、初始化迭代次数m＝1，设置初始荷电状态为C_apt；

S3.3、设置充电负荷P_C,m＝0，利用起止出行时刻概率模型产生电动汽车n的起始时刻T_s和结束时刻T_e，利用日行驶里程概率模型产生电动汽车n的日总行驶里程D；

S3.4、设置当前行驶里程d_t＝0，当前行驶时刻t＝T_s；

S3.5、根据每个节点的停车概率产生起始节点，并根据起始节点和电动汽车出行概率矩阵产生电动汽车n的行驶目的地；

S3.6、利用Floyd算法计算电动汽车n的最短路径，并给出路径总段数count；

S3.7、计算电动汽车n通过路径h后的行驶里程d_t＝d_t+L_h，行驶时刻t＝t+d_th，当前荷电状态SOC，其中，L_h为路径h对应的里程，d_th为电动汽车n通过路径h的行驶时间；

S3.8、判断当前荷电状态SOC是否小于荷电状态阈值SOC_th，若是，就近充电，更新当前荷电状态SOC＝SOC+ΔSOC，更新充电负荷P_C,m＝P_C,m+P(t:t+T_c)，否则，执行步骤S3.9，其中，P(t:t+T_c)为充电T_c时间内的充电负荷；

S3.9、路径h＝h+1，判断路径h是否达到路径总段数count，若是，执行步骤S3.10，否则，返回步骤S3.7；

S3.10、判断行驶里程d_t是否小于日总行驶里程D，若是，执行步骤S3.11，否则，执行步骤S3.13；

S3.11、判断行驶时刻t是否小于结束时刻T_e，若是，执行步骤S3.12，否则，执行步骤S3.13；

S3.12、记录停车时长d_{t_park}，更新行驶时刻t＝t+d_{t_park}，将当前停车地点设为起始节点，返回步骤S3.5；

S3.13、结束电动汽车n的行驶行程，并判断当前荷电状态SOC是否达到荷电状态期望值SOC₁，若是，保留充电负荷P_C,m和当前荷电状态SOC，且荷电状态C_apt＝SOC，否则，对电动汽车n进行充电至荷电状态最大值SOC₂，并更新荷电状态C_apt＝SOC₂和充电负荷P_C,m＝P_C,m+P(t:t+T_c')，其中，P(t:t+T_c')为充电T_c'时间内的充电负荷；

S3.14、判断迭代次数m是否达到最大迭代次数为M，若是，计算电动汽车n的M次充电负荷的平均值

执行步骤S3.15，否则，记录迭代次数为m时电动汽车n的充电负荷P_C,m，迭代次数m＝m+1，返回步骤S3.3；

S3.15、判断电动汽车n是否达到电动汽车总数量N，若是，计算N个电动汽车的充电负荷的平均值

完成N辆电动汽车一天的电动汽车充电负荷时空分布的预测，否则，n＝n+1，返回步骤S3.2。

本技术方案能产生的有益效果：本发明通过建立的影响因素概率模型和出行概率矩阵与蒙特卡洛算法相结合，能够预测单辆电动汽车一天的电动汽车充电负荷时空分布，降低了时空分布下电动汽车充电负荷预测误差。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。

图1为本发明实施例规划区域主干道路示意图；

图2为本发明实施例电动私家车起始出行位置；

图3为本发明的预测电动汽车充电负荷时空分布的流程图；

图4为本发明的充电负荷时空分布图；

图5为本发明实施例测试区域总负荷需求；

图6为本发明实施例各区域充电负荷。

具体实施方式

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付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。

一种基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，具体步骤如下：

S1、根据电动汽车充电负荷的影响因素建立影响因素的概率模型；所述影响因素的概率模型包括日行驶里程概率模型、起止出行时刻概率模型、单次停车时长概率模型、充电时长概率模型。采用TranCAD中National Cooperative Highway Research Program(NCHRP187)所提供的典型工作日各类电动汽车初始出行时刻Ts和返程时刻Te概率分布曲线据此生成电动汽车初始出行时刻。本发明采用美国交通部NHTS2009居民调查数据库作为分析车辆日行驶里程出行行为的数据来源。这些模型及参数通过对现实情况的数据进行拟合处理得到，利用蒙特卡洛方法反复抽取能够获得符合该模型的出行数据，比较符合实际。

所述日行驶里程概率模型为：

其中，s为电动汽车的日行驶里程，f(s)为日行驶里程s的概率函数，μ₁为日行驶里程s的均值，σ₁为日行驶里程s的标准差。

所述起止出行时刻概率模型为：

其中，t为电动汽车的起止出行时刻，f(t)为起止出行时刻t的概率函数，μ₂为起止出行时刻t的均值，σ₂为起止出行时刻t的标准差。

所述充电时长概率模型为：

其中，T_c为电动汽车的充电时长，E_SOC为电池期望的充电目标荷电状态；I_SOC为电池的起始荷电状态，E为电池容量，P_c为充电功率，η为充电效率。

S2、根据电动汽车的网路拓扑结构以及电动汽车在城市间的出行建立电动汽车出行概率矩阵；所述电动汽车出行概率矩阵的构建方法为：

S2.1、设置电动汽车的数量，并根据网络拓扑结构中节点的数量计算每个节点的停车概率，采集节点之间线路的车流量；

S2.2、利用TransCAD对步骤S21中的车流量进行处理得到电动汽车出行概率矩阵。

出行概率矩阵(Origin Destination，OD)分析是一种广泛应用于道路规划和交通仿真的方法，进行OD分析需要的信息主要包括所研究区域的地理信息与不同类型电动汽车的出行信息，OD矩阵是OD分析的核心，对于城市网络，通过交通部门历史数据可获取不同类型电动汽车的路段交通量，根据大型交通网络OD矩阵推算方法由路段交通量反推到各时段的OD矩阵B，根据OD矩阵B可以对各类电动汽车在城市道路网络中的出行特性进行刻画。

OD矩阵是基于TransCAD软件的，TransCAD是一个用于交通数据管理和分析的专业交通规划软件，是一个将地理信息系统(GIS)和交通分析功能完全整合的软件包。TransCAD可以用来储存、显示、管理和分析交通数据，提供了其他GIS或交通模型软件所不能及的综合分析及表现功能。TransCAD中的OD矩阵反推程序考虑了路段调查量的随机性，并可以采用任一种分配方法，通过交通分配与矩阵估算之间的多次迭代实现矩阵推算功能。OD矩阵反推程序需要的输入包括：路网中路段的断面观测交通量、种子(初始)OD矩阵，和所选交通分配方法所需的输入参数。OD矩阵反推流程为：

(1)断面交通量数据调查和收集，若不能获得所有路段数据则根据路段选取原则选择路段数据；

(2)根据交通特征将交通小区划分为工作区、商业区和居民区；

(3)初始种子OD矩阵，种子OD矩阵获得方法为：历史或过期的OD矩阵；根据交通产生量和吸引量，利用重力模型计算得到；通过交通小区之间出行阻抗推算得到；OD矩阵所有单元赋值为1；

(4)构建包括节点和路径的网络拓扑结构；采集路段断面交通量数据；

(5)打开种子OD矩阵，将网络拓扑结构输入种子OD矩阵；

(6)利用TransCAD软件中的Planning-OD Matrix Estimation对话框并选择分配方法进行分配，TransCAD产生一个对路网断面交通量有最优匹配的OD矩阵，即出行概率矩阵。

S3、根据步骤S1中的影响因素的概率模型和步骤S2中的电动汽车出行概率矩阵，利用蒙特卡洛方法预测单辆电动汽车一天的电动汽车充电负荷时空分布；如图3所示，利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布的方法为：

S3.1、设置电动汽车总数量为N＝13000，最大迭代次数为M＝1000，当前电动汽车为n＝1，设置电动汽车的荷电状态阈值SOC_th＝0.2，设置荷电状态期望值SOC₁＝0.6，荷电状态最大值SOC₂＝1；

S3.2、初始化迭代次数m＝1，设置初始荷电状态为C_apt，初始荷电状态C_apt是根据概率分布函数随机抽取得到，且满足正态分布C_apt～N(0.5，0.01)；

S3.3、设置充电负荷P_C,m＝0，利用起止出行时刻概率模型产生电动汽车n的起始时刻T_s和结束时刻T_e，利用日行驶里程概率模型产生电动汽车n的日总行驶里程D；

S3.4、设置当前行驶里程d_t＝0，当前行驶时刻t＝T_s；

S3.5、根据每个节点的停车概率产生起始节点，并根据起始节点和电动汽车出行概率矩阵产生电动汽车n的行驶目的地；

S3.6、利用Floyd算法计算电动汽车n的最短路径，并给出路径总段数count；

Floyd算法是一种典型的基于动态规划的多源最短路径算法，又称为插点法，是一种用于寻找给定的加权图中多源点之间最短路径的算法，主要特点是需要用邻接矩阵来储存边的权重，并通过考虑最佳子路径来得到最佳路径。从两点最短路径的可能性思考，两点间最短路径有两种情况：(1)两点直接到达的距离最短；(2)两点之间通过1个或1个以上节点连接到达的距离最短。如果是第一种情况，则可以在邻接矩阵D中直接获取，如果是第二种情况，则需要判断依次以每个点为中间点连接起点和终点的最短距离，如果需要中间点的个数大于1，则将问题继续划分为其它终点和起点的问题。

Floyd算法流程：

S3.6.1、建立两个二维矩阵D和P，矩阵D记录顶点间的最小路径，初始化矩阵D为邻接矩阵，矩阵P记录顶点间最小路径上的点，初始化P为P[v][w]＝w；

S3.6.2、三重循环，以k为中转点，v为起点，w为终点，循环比较D[v][w]和D[v][k]+D[k][w]，如果D[v][w]>D[v][k]+D[k][w]，则令D[v][w]＝D[v][k]+D[k][w]，同时更新P[v][w]＝P[v][k]，循环结束得到最终的D矩阵和P矩阵；

S3.6.3、任意两点间的最短路径为D[v][w]，确定最短路径上的点，若P[v][w]＝m，m为中转点，P[m][w]＝n，n为中转点，若P[n][w]＝w，则路径为v-m-n-w，否则依次类推直到确定P[r][w]＝w，最短路径为v-m-n-...-w。

本发明需要计算任意两节点间最短路径，路网节点较多，dijkstra及常用的Bellman-Ford、SPFA均是在求单源最短路径的问题中有着较为理想的时间复杂度(<＝O(n2))，但若是求图1中任意两点间的距离，尤其是图比较稠密时，Floyd算法(时间复杂度O(n3))更具有优势，另外Floyd算法编程思想简单，容易实现，故选用Floyd算法。

S3.7、计算电动汽车n通过路径h后的行驶里程d_t＝d_t+L_h，行驶时刻t＝t+d_th，当前荷电状态SOC，其中，L_h为路径h对应的里程，d_th为电动汽车n通过路径h的行驶时间；

S3.8、判断当前荷电状态SOC是否小于荷电状态阈值SOC_th，若是，就近充电，更新当前荷电状态SOC＝SOC+ΔSOC，更新充电负荷P_C,m＝P_C,m+P(t:t+T_c)，否则，执行步骤S3.9，其中，P(t:t+T_c)为充电T_c时间内的充电负荷；

S3.9、路径h＝h+1，判断路径h是否达到路径总段数count，若是，执行步骤S3.10，否则，返回步骤S3.7；

S3.10、判断行驶里程d_t是否小于日总行驶里程D，若是，执行步骤S3.11，否则，执行步骤S3.13；

S3.11、判断行驶时刻t是否小于结束时刻T_e，若是，执行步骤S3.12，否则，执行步骤S3.13；

S3.12、记录停车时长d_{t_park}，更新行驶时刻t＝t+d_{t_park}，将当前停车地点设为起始节点，返回步骤S3.5；

S3.13、结束电动汽车n的行驶行程，并判断当前荷电状态SOC是否达到荷电状态期望值SOC₁，若是，保留充电负荷P_C,m和当前荷电状态SOC，且荷电状态C_apt＝SOC，否则，对电动汽车n进行充电至荷电状态最大值SOC₂，并更新荷电状态C_apt＝SOC₂和充电负荷P_C,m＝P_C,m+P(t:t+T_c')，其中，P(t:t+T_c')为充电T_c'时间内的充电负荷；

S3.14、判断迭代次数m是否达到最大迭代次数为M，若是，计算电动汽车n的M次充电负荷的平均值

执行步骤S3.15，否则，记录迭代次数为m时电动汽车n的充电负荷P_C,m，迭代次数m＝m+1，返回步骤S3.3；

S3.15、判断电动汽车n是否达到电动汽车总数量N，若是，计算N个电动汽车的充电负荷的平均值

完成N辆电动汽车一天的电动汽车充电负荷时空分布的预测，否则，n＝n+1，返回步骤S3.2。

为了验证本发明的效果，以某市为例，根据该市电动汽车的目前保有量和新能源汽车发展方案，对其电动汽车发展规模进行估算，合理设置电动汽车的充电行为参数如表1所示，基于出行概率矩阵的电动汽车充电负荷时空分布预测方法计算得出电动汽车充电负荷曲线。如图1所示为某区域路网拓扑结构和城市功能区域划分示意图，根据城市区域主要功能和负荷类型将城市划分为居民区、工作区和商业区。假设如图规划区域中电动私家车数量总数为N＝13000辆，根据电动私家车特性，其主要往返于居民区和工作区，初始位置集中在在居民区，其初始位置分布如图2所示。

表1电动汽车充电行为参数

通过仿真计算，得到如图4所示的该测试区域的各个节点的日充电负荷分布情况。可以看出节点15、17、19、20的负荷较为集中，这些节点主要对应居民区和商业区的连接枢纽，是电动汽车的主要目的地。

图5为该测试区域的基础负荷及计及电动汽车充电负荷的分布情况。可以看出，在19:00-21:00期间，电动汽车的充电负荷与基础负荷叠加形成负荷高峰，电动汽车充电负荷使得峰值由15.59MW增加到21.81MW，增加了39.89％，电动汽车的充电行为使得出现“峰上加峰”的现象，对线路的安全运行造成不良的影响。

图6给出了工作区、商业区、居民区等各个区域的电动汽车充电负荷需求曲线，可以看出，居民区的充电负荷主要集中在夜间，对于商业区和工作区而言，在日间营业期间和工作时段的充电负荷较高，这一充电负荷分布情况与实际情况较为符合。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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 (7)

1.一种基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其特征在于，其步骤如下：

S1、根据电动汽车充电负荷的影响因素建立影响因素的概率模型；

S2、根据电动汽车的网络拓扑结构以及电动汽车在城市间的出行建立电动汽车出行概率矩阵；

S3、根据步骤S1中的影响因素的概率模型和步骤S2中的电动汽车出行概率矩阵，利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布。

2.根据权利要求1所述的基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其特征在于，所述影响因素的概率模型包括日行驶里程概率模型、起止出行时刻概率模型、单次停车时长概率模型、充电时长概率模型。

3.根据权利要求2所述的基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其特征在于，所述日行驶里程概率模型为：

其中，s为电动汽车的日行驶里程，f(s)为日行驶里程s的概率函数，μ₁为日行驶里程s的均值，σ₁为日行驶里程s的标准差。

4.根据权利要求2所述的基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其特征在于，所述起止出行时刻概率模型为：

其中，t为电动汽车的起止出行时刻，f(t)为起止出行时刻t的概率函数，μ₂为起止出行时刻t的均值，σ₂为起止出行时刻t的标准差。

5.根据权利要求2所述的基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其特征在于，所述充电时长概率模型为：

其中，T_c为电动汽车的充电时长，E_SOC为电池期望的充电目标荷电状态；I_SOC为电池的起始荷电状态，E为电池容量，P_c为充电功率，η为充电效率。

6.根据权利要求1所述的基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其特征在于，所述步骤S2中电动汽车出行概率矩阵的构建方法为：

S2.1、设置电动汽车的数量，并根据网络拓扑结构中节点的数量计算每个节点的停车概率，采集节点之间线路的车流量；

S2.2、利用TransCAD对步骤S21中的车流量进行处理得到电动汽车出行概率矩阵。

7.根据权利要求1-6任一项所述的基于出行概率矩阵的电动汽车充电负荷时空分布预测方法，其特征在于，所述利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布的方法为：

S3.1、设置电动汽车总数量为N，最大迭代次数为M，当前电动汽车为n＝1，设置电动汽车的荷电状态阈值SOC_th，设置荷电状态期望值SOC₁，荷电状态最大值SOC₂；

S3.2、初始化迭代次数m＝1，设置初始荷电状态为C_apt；

S3.3、设置充电负荷P_C,m＝0，利用起止出行时刻概率模型产生电动汽车n的起始时刻T_s和结束时刻T_e，利用日行驶里程概率模型产生电动汽车n的日总行驶里程D；

S3.4、设置当前行驶里程d_t＝0，当前行驶时刻t＝T_s；

S3.5、根据每个节点的停车概率产生起始节点，并根据起始节点和电动汽车出行概率矩阵产生电动汽车n的行驶目的地；

S3.6、利用Floyd算法计算电动汽车n的最短路径，并给出路径总段数count；

S3.7、计算电动汽车n通过路径h后的行驶里程d_t＝d_t+L_h，行驶时刻t＝t+d_th，当前荷电状态SOC，其中，L_h为路径h对应的里程，d_th为电动汽车n通过路径h的行驶时间；

S3.8、判断当前荷电状态SOC是否小于荷电状态阈值SOC_th，若是，就近充电，更新当前荷电状态SOC＝SOC+ΔSOC，更新充电负荷P_C,m＝P_C,m+P(t:t+T_c)，否则，执行步骤S3.9，其中，P(t:t+T_c)为充电T_c时间内的充电负荷；

S3.9、路径h＝h+1，判断路径h是否达到路径总段数count，若是，执行步骤S3.10，否则，返回步骤S3.7；

S3.10、判断行驶里程d_t是否小于日总行驶里程D，若是，执行步骤S3.11，否则，执行步骤S3.13；

S3.11、判断行驶时刻t是否小于结束时刻T_e，若是，执行步骤S3.12，否则，执行步骤S3.13；

S3.12、记录停车时长d_{t_park}，更新行驶时刻t＝t+d_{t_park}，将当前停车地点设为起始节点，返回步骤S3.5；

S3.13、结束电动汽车n的行驶行程，并判断当前荷电状态SOC是否达到荷电状态期望值SOC₁，若是，保留充电负荷P_C,m和当前荷电状态SOC，且荷电状态C_apt＝SOC，否则，对电动汽车n进行充电至荷电状态最大值SOC₂，并更新荷电状态C_apt＝SOC₂和充电负荷P_C,m＝P_C,m+P(t:t+T_c')，其中，P(t:t+T_c')为充电T_c'时间内的充电负荷；

S3.14、判断迭代次数m是否达到最大迭代次数为M，若是，计算电动汽车n的M次充电负荷的平均值

执行步骤S3.15，否则，记录迭代次数为m时电动汽车n的充电负荷P_C,m，迭代次数m＝m+1，返回步骤S3.3；

S3.15、判断电动汽车n是否达到电动汽车总数量N，若是，计算N个电动汽车的充电负荷的平均值

完成N辆电动汽车一天的电动汽车充电负荷时空分布的预测，否则，n＝n+1，返回步骤S3.2。

Images