一种充电站负荷的预测方法、装置及系统

技术领域

本发明涉及充电站负荷的预测领域，涉及一种充电站负荷的预测方法、装置及系统。

背景技术

随着我国“碳达峰”和“碳中和”目标的提出，电能替代越来越受到电网企业和综合能源服务商的重视，尤其是在电动汽车领域。但电动汽车的充电负荷特性具有随机性和不确定性，集中接入充电站充电，容易对电网负荷产生冲击，影响电力系统安全稳定运行。为了让充电站更好地提供充电服务，提高电网运行效率，有必要对充电站负荷进行预测，为后续的选址规划以及协调优化等工作提供参考基础。因此，电力企业和综合能源服务商急需寻找一个快速高效精确的方法来对充电站负荷进行预测。

在现有技术中，通常通过以下方法来进行预测：首先给定模拟参数；随后确定单台车辆充电功率，充电初始荷电状态，充电起始时间与充电持续时间的概率分布特性；最后各随机因素的概率分布特性，采用蒙特卡洛模拟对日内的电动汽车充电站充电负荷进行模拟，给出最终的充电负荷曲线和日均充电车辆数目。

但是，现有技术仍存在以下缺陷：未利用实际电动汽车充电数据进行特性提取、最优概率模型和最优参数的确定，且未考虑用户的快充或慢充等待时间，上述原因均会导致预测结果精度不高或产生较大偏差的问题。

因此，当前需要一种充电站负荷的预测方法、装置及系统，从而解决现有技术中存在的上述问题。

发明内容

针对现存的上述技术问题，本发明的目的在于提供一种充电站负荷的预测方法、装置及系统，从而提高预测结果的精度。

本发明提供了一种充电站负荷的预测方法，所述预测方法包括：获取充电站中电动汽车的充电数据组以及预设的预测条件，并根据统计需求对所述充电数据组进行数据统计，以获取第一充电行为数据组；所述预测条件包括统计需求、模型拟合参数以及模拟仿真参数；根据所述模型拟合参数分别对第一充电行为数据组中的各个数据组进行高斯拟合，从而拟合获得充电行为高斯模型组；其中，所述充电行为高斯模型组中的各个高斯模型分别与所述第一充电行为数据组中的各个数据组一一对应；通过蒙特卡洛模拟算法，根据所述充电行为高斯模型以及所述模拟仿真参数进行模拟仿真，从而获取充电站负荷的预测日负荷曲线。

在一个实施例中，所述预测方法还包括：接收智能采集端所发送的充电站中电动汽车的充电数据组，并对所述充电数据组进行存储；所述充电数据组包括各个充电桩每次供电的第一充电数据组以及不同时间段内进入充电站的车次数；所述第一充电数据组包括快充等待时间、慢充等待时间、开始充电时间、结束充电时间、进入充电站时间、驶离充电站时间、电池容量以及初始荷电状态。

在一个实施例中，所述获取充电站中电动汽车的充电数据组以及预设的预测条件，并根据统计需求对所述充电数据组进行数据统计，以获取第一充电行为数据组，具体为：获取充电站中电动汽车的充电数据组、预设的统计需求、预设的模型拟合参数以及预设的模拟仿真参数，去除所述充电数据组中的无效值，并根据统计需求对去除无效值后的充电数据组进行数据统计，以获取第一充电行为数据组。

在一个实施例中，高斯拟合以获取充电行为高斯模型的过程具体为：从所述模型拟合参数中获取高斯分布概率密度函数模型、第一拟合段数、最小高斯拟合段数、最大高斯拟合段数、停止拟合精度阈值以及停止拟合精度阈值；所述第一拟合段数的初始值为所述最小高斯拟合段数；以所述第一拟合段数为段数，采用非线性最小二乘法，根据高斯分布概率密度函数模型对所述第一充电行为数据组中的一个数据组进行高斯拟合，从而计算获得对应的第一充电高斯模型、第一拟合精度以及第一拟合精度提升值，并将所述第一充电高斯模型作为第一充电高斯分布函数；判断所述第一拟合精度是否大于所述停止拟合精度阈值；若大于，则将所述第一充电高斯分布函数输出为充电行为高斯模型；若不大于，则判断所述第一拟合精度提升值是否小于所述停止拟合精度阈值；如果小于，则将所述第一充电高斯分布函数输出为充电行为高斯模型；否则，则在预设的拟合段数范围内，将当前的第一拟合段数的下一个值作为新的第一拟合段数；所述拟合段数范围为所述最小高斯拟合段数至最大高斯拟合段数；以所述新的第一拟合段数为段数，采用非线性最小二乘法，根据高斯分布概率密度函数模型对所述数据组进行高斯拟合，从而计算获得对应的第二充电高斯模型、对应的第二拟合精度以及第二拟合精度提升值；判断所述第二拟合精度是否大于所述停止拟合精度阈值；若大于，则将所述第二充电高斯分布函数输出为充电行为高斯模型；若不大于，则判断所述第二拟合精度提升值是否小于所述停止拟合精度阈值；如果小于，则将所述第二充电高斯分布函数输出为充电行为高斯模型。

在一个实施例中，所述通过蒙特卡洛模拟算法，根据所述充电行为高斯模型组以及所述模拟仿真参数进行模拟仿真，从而计算获取充电站负荷的预测日负荷曲线，具体为：从所述模拟仿真参数中获取设定仿真次数、设定仿真日内时段以及场景特征参数，并从所述充电行为高斯模型组中获取开始充电时间模型；根据所述设定仿真日内时段，基于所述场景特征参数、所述开始充电时间模型以及初始荷电状态正态分布模型，根据蒙特卡洛模拟算法进行模拟计算和累加计算，以获得并存储仿真日负荷曲线，并记录当前仿真次数；判断所述当前仿真次数是否不小于所述设定仿真次数；当所述当前仿真次数不小于所述设定仿真次数时，对所有仿真日负荷曲线进行平均计算，从而获取预测日负荷曲线；当所述当前仿真次数小于所述设定仿真次数时，更新当前仿真次数为第一当前仿真次数，根据所述设定仿真日内时段，基于所述场景特征参数、所述开始充电时间模型以及初始荷电状态正态分布模型，根据蒙特卡洛模拟算法进行模拟计算和累加计算，以获得并存储第一仿真日负荷曲线，并记录第一当前仿真次数；判断所述第一当前仿真次数是否不小于所述设定仿真次数；当所述第一当前仿真次数不小于所述设定仿真次数时，对所有第一仿真日负荷曲线进行平均计算，从而获取预测日负荷曲线。

本发明还提供了一种充电站负荷的预测装置，所述预测装置包括获取统计单元、模型拟合单元以及仿真计算单元，其中，所述获取统计单元用于获取充电站中电动汽车的充电数据组以及预设的预测条件，并根据统计需求对所述充电数据组进行数据统计，以获取第一充电行为数据组；所述预测条件包括统计需求、模型拟合参数以及模拟仿真参数；所述模型拟合单元用于根据所述模型拟合参数分别对第一充电行为数据组中的各个数据组进行高斯拟合，从而拟合获得充电行为高斯模型组；其中，所述充电行为高斯模型组中的各个高斯模型分别与所述第一充电行为数据组中的各个数据组一一对应：所述仿真计算单元用于通过蒙特卡洛模拟算法，根据所述充电行为高斯模型以及所述模拟仿真参数进行模拟仿真，从而获取充电站负荷的预测日负荷曲线。

在一个实施例中，所述预测装置还包括数据存储单元，所述数据存储单元用于接收智能采集端所发送的充电站中电动汽车的充电数据组，并对所述充电数据组进行存储；所述充电数据组包括各个充电桩每次供电的第一充电数据组以及不同时间段内进入充电站的车次数；所述第一充电数据组包括快充等待时间、慢充等待时间、开始充电时间、结束充电时间、进入充电站时间、驶离充电站时间、电池容量以及初始荷电状态。

在一个实施例中，所述获取统计单元还用于去除所述充电数据组中的无效值。

本发明还提供了一种充电站负荷的预测系统，所述预测系统包括充电站负荷的预测装置以及充电站，所述预测装置通信连接到所述充电站，所述充电站包括多个车位、多个充电桩以及多个智能采集端，其中，每个所述车位配置有一个充电桩以及一个或多个智能采集端，所述预测装置用于执行如前所述的充电站负荷的预测方法。

在一个实施例中，所述充电桩包括快充充电桩以及慢充充电桩。

相比于现有技术，本发明实施例具有如下有益效果：

本发明提供了一种充电站负荷的预测方法、装置及系统，通过从实际电动汽车充电数据中获取充电行为数据组进行高斯拟合，并根据蒙特卡洛模拟算法进行模拟计算和累加计算以得出仿真日负荷曲线，并将累加得出的所有预测日负荷曲线进行平均，该预测方法、装置及系统提升了充电站负荷的预测结果的精确性。

进一步地，本发明提供的充电站负荷的预测方法、装置及系统还通过考虑快充等待时间以及慢充等待时间，提升了预测过程和实际情况的贴合性，从而进一步提升了充电站负荷的预测结果的精确性。

附图说明

下文将结合说明书附图对本发明进行进一步的描述说明，其中：

图1示出了根据本发明的一种充电站负荷的预测方法的一个实施例的流程图；

图2示出了高斯拟合以获取充电行为高斯模型的过程的一个实施例的参考流程图；

图3示出了模拟仿真过程的一个实施例的参考流程图；

图4示出了根据本发明的一种充电站负荷的预测方法的另一实施例的流程图；

图5示出了根据本发明的一种充电站负荷的预测装置的一个实施例的结构图；

图6示出了根据本发明的一种充电站负荷的预测系统的一个实施例的结构图。

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作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。

具体实施例一

本发明实施例首先提供了一种充电站负荷的预测方法的一个实施例。图1示出了根据本发明的一种充电站负荷的预测方法的一个实施例的流程图。如图1所示，该方法包括如下步骤：

S1:获取充电站中电动汽车的充电数据组以及预设的预测条件，并根据统计需求对所述充电数据组进行数据统计，以获取第一充电行为数据组。

为了在后续能通过采用高阶高斯拟合的方法来对用户的充电行为进行分析和提取，进而结合上述特性对充电站负荷进行预测，首先要获取用户的充电行为特征，在此处可通过获取充电数据中涉及用户行为习惯的数据进行用户充电行为表征。

因此，此处首先获取充电站中各个电动汽车的充电数据组，所述充电数据组包括各个充电桩每次供电的第一充电数据组以及不同时间段内进入充电站的车次数；其中，所述第一充电数据组包括快充等待时间、慢充等待时间、开始充电时间、结束充电时间、进入充电站时间、驶离充电站时间、电池容量以及初始荷电状态。所述预测条件包括统计需求、模型拟合参数以及模拟仿真参数。

具体地，首先获取充电站中电动汽车的充电数据组、预设的统计需求、预设的模型拟合参数以及预设的模拟仿真参数；随后，去除所述充电数据组中的无效值，并根据统计需求对去除无效值后的充电数据组进行数据统计，以获取第一充电行为数据组。

在一个实施例中，在获取充电站中电动汽车的充电数据组、预设的统计需求、预设的模型拟合参数以及预设的模拟仿真参数之后，应当去除无效值和异常值，从而避免不必要的误差数据干扰。

在一个实施例中，所述统计需求包括：统计一天内不同时间段内进入充电站的车次数与一天内进入充电站的车次数的比例、统计进入充电站并实际接入充电桩进行充电的车辆数等等。

S2:根据所述模型拟合参数分别对第一充电行为数据组中的各个数据组进行高斯拟合，从而拟合获得充电行为高斯模型组。

其中，最终拟合获得的所述充电行为高斯模型组中的各个高斯模型分别与所述第一充电行为数据组中的各个数据组一一对应。

为了进一步详细地说明阐述，作为参考，图2示出了高斯拟合以获取充电行为高斯模型的过程的一个实施例的参考流程图。

高斯拟合以获取充电行为高斯模型的过程具体为：从所述模型拟合参数中获取高斯分布概率密度函数模型、第一拟合段数、最小高斯拟合段数、最大高斯拟合段数、停止拟合精度阈值以及停止拟合精度阈值；所述第一拟合段数的初始值为所述最小高斯拟合段数；以所述第一拟合段数为段数，采用非线性最小二乘法，根据高斯分布概率密度函数模型对所述第一充电行为数据组中的一个数据组进行高斯拟合，从而计算获得对应的第一充电高斯模型、第一拟合精度以及第一拟合精度提升值，并将所述第一充电高斯模型作为第一充电高斯分布函数；判断所述第一拟合精度是否大于所述停止拟合精度阈值；若大于，则将所述第一充电高斯分布函数输出为充电行为高斯模型；若不大于，则判断所述第一拟合精度提升值是否小于所述停止拟合精度阈值；如果小于，则将所述第一充电高斯分布函数输出为充电行为高斯模型；否则，则在预设的拟合段数范围内，将当前的第一拟合段数的下一个值作为新的第一拟合段数；所述拟合段数范围为所述最小高斯拟合段数至最大高斯拟合段数；以所述新的第一拟合段数为段数，采用非线性最小二乘法，根据高斯分布概率密度函数模型对所述数据组进行高斯拟合，从而计算获得对应的第二充电高斯模型、对应的第二拟合精度以及第二拟合精度提升值；判断所述第二拟合精度是否大于所述停止拟合精度阈值；若大于，则将所述第二充电高斯分布函数输出为充电行为高斯模型；若不大于，则判断所述第二拟合精度提升值是否小于所述停止拟合精度阈值；如果小于，则将所述第二充电高斯分布函数输出为对应的充电行为高斯模型。

在一个实施例中，开始充电时间数据组对应开始充电时间高斯模型。

在上述过程中以总共拟合2段高斯模型为例，讲述了对所述第一充电行为数据组中的某一个数据组的高斯拟合过程，在实际情况下，某一个数据组的高斯拟合可能需要拟合多段，当需要拟合多段高斯模型时，将上述过程重复执行即可。此外，第一充电行为数据组中有多个数据组，在本步骤中，为了获得对应整个第一充电行为数据组的充电行为高斯模型组，应当依次分别对每个数据组执行若干次上述过程，从而获得与第一充电行为数据组中的各个数据组一一对应的各个充电行为高斯模型，从而获得对应于第一充电行为数据组的充电行为高斯模型组。

其中，具体地，高斯分布概率密度函数模型可表示为：

式中，a

在一个实施例中，所述第一拟合段数的初始值为所述最小高斯拟合段数。

在一个实施例中，最小高斯拟合段数预设为1，最大高斯拟合段数预设为5，停止拟合精度阈值预设为99.9％，停止拟合精度提升阈值预设为0.01％。

在一个实施例中，拟合精度可以通过计算R-square系数来评估，即，可以将R-square系数作为第一拟合精度以及第二拟合精度，相对应的，拟合精度提升值可通过本次R-square系数与上次R-square系数的差值。具体地，R-square计算方法如下：

式中，ω

S3:通过蒙特卡洛模拟算法，根据所述充电行为高斯模型以及所述模拟仿真参数进行模拟仿真，从而获取充电站负荷的预测日负荷曲线。

具体地，从所述模拟仿真参数中获取设定仿真次数、设定仿真日内时段以及场景特征参数，并从所述充电行为高斯模型组中获取开始充电时间高斯模型；根据所述设定仿真日内时段，基于所述场景特征参数、所述开始充电时间高斯模型以及初始荷电状态正态分布模型，根据蒙特卡洛模拟算法进行模拟计算和累加计算，以获得并存储仿真日负荷曲线，并记录当前仿真次数；判断所述当前仿真次数是否不小于所述设定仿真次数；当所述当前仿真次数不小于所述设定仿真次数时，对所有仿真日负荷曲线进行平均计算，从而获取预测日负荷曲线；当所述当前仿真次数小于所述设定仿真次数时，更新当前仿真次数为第一当前仿真次数，根据所述设定仿真日内时段，基于所述场景特征参数、所述开始充电时间模型以及初始荷电状态正态分布模型，根据蒙特卡洛模拟算法进行模拟计算和累加计算，以获得并存储第一仿真日负荷曲线，并记录第一当前仿真次数；判断所述第一当前仿真次数是否不小于所述设定仿真次数；当所述第一当前仿真次数不小于所述设定仿真次数时，对所有第一仿真日负荷曲线进行平均计算，从而获取预测日负荷曲线。

为了进一步详细地说明阐述，作为参考，图3示出了模拟仿真过程的一个实施例的参考流程图。

在根据蒙特卡洛模拟算法进行模拟计算和累加计算时，首先从开始充电时间数据组中依高斯分布抽取开始充电时间，从初始荷电状态数据组中依正态分布抽取初始荷电状态；随后，从快充等待时间数据组以及慢充等待时间数据组依正态分布抽取快充等待时间和慢充等待时间；接着，根据所抽取的开始充电时间、初始荷电状态、快充等待时间和慢充等待时间，从预设的起始仿真时间开始模拟一日内所有车次的充电状态，确定车辆是否进行充电以及选择何种充电方式，计算各个车次在各个设定仿真日内时段内的充电状态和充电完成时间；然后，根据各个车次在各个设定仿真日内时段内的充电状态和充电完成时间，分别获取并累加充电站中各个电动汽车在各个设定仿真日内时段内的充电负荷曲线，从而获得本轮模拟的仿真日负荷曲线，并记录当前仿真次数；若当前仿真次数达到设定仿真次数，则获取所有的仿真日负荷曲线并将其平均，从而输出预测日负荷曲线；若当前仿真次数未达到设定仿真次数，则进入下一轮仿真。

在一个实施例中，设定仿真次数为300次。设定仿真次数可以自行设置，原则上不小于100次。

场景特征参数可以有效地体现车主的充电行为。在一个实施例中，场景特征参数包括日内出现车辆数、车辆电池容量、慢充桩充电功率、快充桩充电功率、慢充桩数目、快充桩数目、充电效率、初始荷电状态均值、初始荷电状态方差、快充等待时间均值、快充等待时间方差、慢充等待时间均值、慢充等待时间方差。

本发明实施例提供了一种充电站负荷的预测方法，通过从实际电动汽车充电数据中获取充电行为数据组进行高斯拟合，并根据蒙特卡洛模拟算法进行模拟计算和累加计算以得出仿真日负荷曲线，并将累加得出的所有预测日负荷曲线进行平均，该预测方法、装置及系统提升了充电站负荷的预测结果的精确性。

具体实施例二

更进一步地，本发明实施例还提供了一种充电站负荷的预测方法的另一实施例。图2示出了根据本发明的一种充电站负荷的预测方法的另一实施例的流程图。如图2所示，该方法包括如下步骤：

A1:接收智能采集端所发送的充电站中电动汽车的充电数据组，并对所述充电数据组进行存储。

所述充电数据组包括各个充电桩每次供电的第一充电数据组以及不同时间段内进入充电站的车次数；所述第一充电数据组包括快充等待时间、慢充等待时间、开始充电时间、结束充电时间、进入充电站时间、驶离充电站时间、电池容量以及初始荷电状态。

A2:获取充电站中电动汽车的充电数据组以及预设的预测条件，并根据统计需求对所述充电数据组进行数据统计，以获取第一充电行为数据组。

为了在后续能通过采用高阶高斯拟合的方法来对用户的充电行为进行分析和提取，进而结合上述特性对充电站负荷进行预测，首先要获取用户的充电行为特征，在此处可通过获取充电数据中涉及用户行为习惯的数据进行用户充电行为表征。

因此，此处首先获取充电站中各个电动汽车的充电数据组，所述充电数据组包括各个充电桩每次供电的第一充电数据组以及不同时间段内进入充电站的车次数；其中，所述第一充电数据组包括快充等待时间、慢充等待时间、开始充电时间、结束充电时间、进入充电站时间、驶离充电站时间、电池容量以及初始荷电状态。所述预测条件包括统计需求、模型拟合参数以及模拟仿真参数。

具体地，首先获取充电站中电动汽车的充电数据组、预设的统计需求、预设的模型拟合参数以及预设的模拟仿真参数；随后，去除所述充电数据组中的无效值，并根据统计需求对去除无效值后的充电数据组进行数据统计，以获取第一充电行为数据组。

在一个实施例中，在获取充电站中电动汽车的充电数据组、预设的统计需求、预设的模型拟合参数以及预设的模拟仿真参数之后，应当去除无效值和异常值，从而避免不必要的误差数据干扰。

在一个实施例中，所述统计需求包括：统计一天内不同时间段内进入充电站的车次数与一天内进入充电站的车次数的比例、统计进入充电站并实际接入充电桩进行充电的车辆数等等。

A3:根据所述模型拟合参数分别对第一充电行为数据组中的各个数据组进行高斯拟合，从而拟合获得充电行为高斯模型组。

其中，最终拟合获得的所述充电行为高斯模型组中的各个高斯模型分别与所述第一充电行为数据组中的各个数据组一一对应。

高斯拟合以获取充电行为高斯模型的过程具体为：从所述模型拟合参数中获取高斯分布概率密度函数模型、第一拟合段数、最小高斯拟合段数、最大高斯拟合段数、停止拟合精度阈值以及停止拟合精度阈值；所述第一拟合段数的初始值为所述最小高斯拟合段数；以所述第一拟合段数为段数，采用非线性最小二乘法，根据高斯分布概率密度函数模型对所述第一充电行为数据组中的一个数据组进行高斯拟合，从而计算获得对应的第一充电高斯模型、第一拟合精度以及第一拟合精度提升值，并将所述第一充电高斯模型作为第一充电高斯分布函数；判断所述第一拟合精度是否大于所述停止拟合精度阈值；若大于，则将所述第一充电高斯分布函数输出为充电行为高斯模型；若不大于，则判断所述第一拟合精度提升值是否小于所述停止拟合精度阈值；如果小于，则将所述第一充电高斯分布函数输出为充电行为高斯模型；否则，则在预设的拟合段数范围内，将当前的第一拟合段数的下一个值作为新的第一拟合段数；所述拟合段数范围为所述最小高斯拟合段数至最大高斯拟合段数；以所述新的第一拟合段数为段数，采用非线性最小二乘法，根据高斯分布概率密度函数模型对所述数据组进行高斯拟合，从而计算获得对应的第二充电高斯模型、对应的第二拟合精度以及第二拟合精度提升值；判断所述第二拟合精度是否大于所述停止拟合精度阈值；若大于，则将所述第二充电高斯分布函数输出为充电行为高斯模型；若不大于，则判断所述第二拟合精度提升值是否小于所述停止拟合精度阈值；如果小于，则将所述第二充电高斯分布函数输出为对应的充电行为高斯模型。

在一个实施例中，开始充电时间数据组对应开始充电时间高斯模型。

在上述过程中以总共拟合2段高斯模型为例，讲述了对所述第一充电行为数据组中的某一个数据组的高斯拟合过程，在实际情况下，某一个数据组的高斯拟合可能需要拟合多段，当需要拟合多段高斯模型时，将上述过程重复执行即可。此外，第一充电行为数据组中有多个数据组，在本步骤中，为了获得对应整个第一充电行为数据组的充电行为高斯模型组，应当依次分别对每个数据组执行若干次上述过程，从而获得与第一充电行为数据组中的各个数据组一一对应的各个充电行为高斯模型，从而获得对应于第一充电行为数据组的充电行为高斯模型组。

其中，具体地，高斯分布概率密度函数模型可表示为：

式中，a

在一个实施例中，所述第一拟合段数的初始值为所述最小高斯拟合段数。

在一个实施例中，最小高斯拟合段数预设为1，最大高斯拟合段数预设为5，停止拟合精度阈值预设为99.9％，停止拟合精度提升阈值预设为0.01％。

在一个实施例中，拟合精度可以通过计算R-square系数来评估，即，可以将R-square系数作为第一拟合精度以及第二拟合精度，相对应的，拟合精度提升值可通过本次R-square系数与上次R-square系数的差值。具体地，R-square计算方法如下：

式中，ω

A4:通过蒙特卡洛模拟算法，根据所述充电行为高斯模型以及所述模拟仿真参数进行模拟仿真，从而获取充电站负荷的预测日负荷曲线。

具体地，从所述模拟仿真参数中获取设定仿真次数、设定仿真日内时段以及场景特征参数，并从所述充电行为高斯模型组中获取开始充电时间高斯模型；根据所述设定仿真日内时段，基于所述场景特征参数、所述开始充电时间高斯模型以及初始荷电状态正态分布模型，根据蒙特卡洛模拟算法进行模拟计算和累加计算，以获得并存储仿真日负荷曲线，并记录当前仿真次数；判断所述当前仿真次数是否不小于所述设定仿真次数；当所述当前仿真次数不小于所述设定仿真次数时，对所有仿真日负荷曲线进行平均计算，从而获取预测日负荷曲线；当所述当前仿真次数小于所述设定仿真次数时，更新当前仿真次数为第一当前仿真次数，根据所述设定仿真日内时段，基于所述场景特征参数、所述开始充电时间模型以及初始荷电状态正态分布模型，根据蒙特卡洛模拟算法进行模拟计算和累加计算，以获得并存储第一仿真日负荷曲线，并记录第一当前仿真次数；判断所述第一当前仿真次数是否不小于所述设定仿真次数；当所述第一当前仿真次数不小于所述设定仿真次数时，对所有第一仿真日负荷曲线进行平均计算，从而获取预测日负荷曲线。

在根据蒙特卡洛模拟算法进行模拟计算和累加计算时，首先从开始充电时间数据组中依高斯分布抽取开始充电时间，从初始荷电状态数据组中依正态分布抽取初始荷电状态；随后，从快充等待时间数据组以及慢充等待时间数据组依正态分布抽取快充等待时间和慢充等待时间；接着，根据所抽取的开始充电时间、初始荷电状态、快充等待时间和慢充等待时间，从预设的起始仿真时间开始模拟一日内所有车次的充电状态，确定车辆是否进行充电以及选择何种充电方式，计算各个车次在各个设定仿真日内时段内的充电状态和充电完成时间；然后，根据各个车次在各个设定仿真日内时段内的充电状态和充电完成时间，分别获取并累加充电站中各个电动汽车在各个设定仿真日内时段内的充电负荷曲线，从而获得本轮模拟的仿真日负荷曲线，并记录当前仿真次数；若当前仿真次数达到设定仿真次数，则获取所有的仿真日负荷曲线并将其平均，从而输出预测日负荷曲线；若当前仿真次数未达到设定仿真次数，则进入下一轮仿真。

在一个实施例中，设定仿真次数为300次。设定仿真次数可以自行设置，原则上不小于100次。

场景特征参数可以有效地体现车主的充电行为。在一个实施例中，场景特征参数包括日内出现车辆数、车辆电池容量、慢充桩充电功率、快充桩充电功率、慢充桩数目、快充桩数目、充电效率、初始荷电状态均值、初始荷电状态方差、快充等待时间均值、快充等待时间方差、慢充等待时间均值、慢充等待时间方差。

本发明实施例提供了一种充电站负荷的预测方法，通过从实际电动汽车充电数据中获取充电行为数据组进行高斯拟合，并根据蒙特卡洛模拟算法进行模拟计算和累加计算以得出仿真日负荷曲线，并将累加得出的所有预测日负荷曲线进行平均，该预测方法、装置及系统提升了充电站负荷的预测结果的精确性；进一步地，本发明实施例提供的充电站负荷的预测方法还通过考虑快充等待时间以及慢充等待时间，提升了预测过程和实际情况的贴合性，从而进一步提升了充电站负荷的预测结果的精确性。

具体实施例三

除上述方法外，本发明实施例还提供了一种充电站负荷的预测装置的一个实施例。图3示出了根据本发明的一种充电站负荷的预测装置的一个实施例的结构图。如图3所示，所述预测装置1包括获取统计单元11、模型拟合单元12以及仿真计算单元13。

获取统计单元11用于获取充电站中电动汽车的充电数据组以及预设的预测条件，并根据统计需求对所述充电数据组进行数据统计，以获取第一充电行为数据组。所述预测条件包括统计需求、模型拟合参数以及模拟仿真参数。在一个实施例中，获取统计单元还用于去除所述充电数据组中的无效值。

模型拟合单元12用于根据所述模型拟合参数分别对第一充电行为数据组中的各个数据组进行高斯拟合，从而拟合获得充电行为高斯模型组。其中，所述充电行为高斯模型组中的各个高斯模型分别与所述第一充电行为数据组中的各个数据组一一对应。

仿真计算单元13用于通过蒙特卡洛模拟算法，根据所述充电行为高斯模型以及所述模拟仿真参数进行模拟仿真，从而获取充电站负荷的预测日负荷曲线。

在一个实施例中，预测装置1还包括数据存储单元，所述数据存储单元用于接收智能采集端所发送的充电站中电动汽车的充电数据组，并对所述充电数据组进行存储。所述充电数据组包括各个充电桩每次供电的第一充电数据组以及不同时间段内进入充电站的车次数；所述第一充电数据组包括快充等待时间、慢充等待时间、开始充电时间、结束充电时间、进入充电站时间、驶离充电站时间、电池容量以及初始荷电状态。

当需要进行充电站的负荷预测时，预测装置1首先通过获取统计单元11获取充电站中电动汽车的充电数据组以及预设的预测条件，并根据统计需求对所述充电数据组进行数据统计，以获取第一充电行为数据组；随后，通过模型拟合单元12根据所述模型拟合参数分别对第一充电行为数据组中的各个数据组进行高斯拟合，从而拟合获得充电行为高斯模型组；最后，经由仿真计算单元13通过蒙特卡洛模拟算法，根据所述充电行为高斯模型以及所述模拟仿真参数进行模拟仿真，从而获取充电站负荷的预测日负荷曲线。

本发明实施例提供了一种充电站负荷的预测装置，通过从实际电动汽车充电数据中获取充电行为数据组进行高斯拟合，并根据蒙特卡洛模拟算法进行模拟计算和累加计算以得出仿真日负荷曲线，并将累加得出的所有预测日负荷曲线进行平均，该预测方法、装置及系统提升了充电站负荷的预测结果的精确性；进一步地，本发明实施例提供的充电站负荷的预测装置还通过考虑快充等待时间以及慢充等待时间，提升了预测过程和实际情况的贴合性，从而进一步提升了充电站负荷的预测结果的精确性。

具体实施例四

除上述方法和装置外，本发明实施例还提供了一种充电站负荷的预测系统的一个实施例。图4示出了根据本发明的一种充电站负荷的预测系统的一个实施例的结构图。如图4所示，所述预测系统包括充电站负荷的预测装置1以及充电站2，所述预测装置1通信连接到所述充电站2，所述充电站2包括多个车位、多个充电桩以及多个智能采集端。

在一个实施例中，每个所述车位配置有一个充电桩以及一个或多个智能采集端，所述预测装置1用于执行如前所述的充电站负荷的预测方法。

在一个实施例中，所述充电桩包括快充充电桩以及慢充充电桩。

当需要对充电站负荷进行预测时，首先通过一个或多个智能采集端采集充电站2内的充电数据组，并将充电数据组发送至预测装置1，预测装置1在接收充电数据组后，执行如前所述的充电站负荷的预测方法，从而最终获得预测日负荷曲线。

本发明实施例提供了一种充电站负荷的预测系统，通过从实际电动汽车充电数据中获取充电行为数据组进行高斯拟合，并根据蒙特卡洛模拟算法进行模拟计算和累加计算以得出仿真日负荷曲线，并将累加得出的所有预测日负荷曲线进行平均，该预测方法、装置及系统提升了充电站负荷的预测结果的精确性；进一步地，本发明实施例提供的充电站负荷的预测系统还通过考虑快充等待时间以及慢充等待时间，提升了预测过程和实际情况的贴合性，从而进一步提升了充电站负荷的预测结果的精确性。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。