一种基于电动汽车用电需求的配电分析方法与流程

1.本发明涉及配电技术领域，具体而言，涉及一种基于电动汽车用电需求的配电分析方法。


背景技术：

2.推广应用电动汽车替代传统燃油汽车，是实现能源消费转型的重大举措。能够促进能源多样性、保障能源安全，提高能源利用效率、减少污染物排放的重要手段。
3.尽管电动汽车对能源和环境问题都有积极的影响，但由于其行驶状态和充电需求等因素受用户主观意愿的影响，其充电行为在时间和空间上都有较大的随机性。若不对电动汽车的充电负荷进行管理和调度，大量电动汽车的无序充电将会对电网产生诸多不利影响。首先，大规模电动汽车入网充电将极大地增加电力系统负荷，进而给发、输、配、变、用各个环节造成压力，具体表现在：1)抬高负荷峰值；2)造成电压跌落；3)影响频率稳定；4)增加线路损耗；5)缩短设备寿命等。其次，由于电动汽车的充电需求受诸多因素影响，其较强的不确定性会给电网的规划和调度带来较大的困难。
4.而现有技术中，无法对大规模电动汽车充电需求进行充分分析和精确预测，不能提高电动汽车渗透率、保证电网安全稳定运行。


技术实现要素：

5.本发明解决的问题是如何根据电动汽车的使用情况确定电动汽车充电桩的配电方案。
6.为解决上述问题，本发明提供一种基于电动汽车用电需求的配电分析方法，包括：
7.获取电动汽车的使用历史数据，其中，所述使用历史数据包括出行信息数据和与所述出行信息数据对应的充电行为数据、充电功率和电池容量数据；
8.对所述使用历史数据进行分类，确定不同使用场景和需求下的频率变化曲线；
9.利用所述频率变化曲线确定与用户出行计划相应的用户充电行为；
10.根据所述用户充电行为确定配电方案。
11.可选地，所述根据使用场景和需求，对所述使用历史数据进行分类，确定不同类别的频率变化曲线包括：
12.对所述使用历史数据进行预处理，获得样本集，基于预设方式，对所述样本集进行抽样；根据抽出的样本，获得对应的估计值；重新基于所述预设方式，对所述样本集进行抽样，获得对应的估计值，直至达到预设抽样次数；对所有估计值进行拟合，获得所述频率变化曲线。
13.可选地，所述对所述使用历史数据进行预处理，获得样本集，基于预设方式，对所述样本集进行抽样包括：
14.将所述使用历史数据以向量的形式表示，由所有向量共同组成所述数据集；确定所述数据集合中的数据在自然情况下的概率分布，确定概率分布类型；通过所述预设方式
对所述样本集进行抽样，所述预设方式包括直接抽样和间接抽样。
15.可选地，所述频率变化曲线包括出行数据的概率、所述出行和充电行为的概率以及所述使用历史数据的概率。
16.可选地，所述根据抽出的样本，获得对应的估计值包括：
17.获取样本的出行数据，所述出行数据包括通勤类型、出行时长和运行状态，所述运行状态包括充电状态和停驻状态；将抽出的样本作为集合，根据所述概率分布类型确定所述集合与所述估计值的映射关系。
18.可选地，所述利用所述频率变化曲线确定与用户出行计划相应的用户充电行为包括：
19.获取述频率变化曲线中的预测出行数据，所述预测出行数据包括预测通勤类型、预测出行时间和预测运行状态；根据所述预测充电时间进行单位时段划分；根据所述预测通勤类型预测所述单位时段中的所述用户充电行为。
20.可选地，所述根据所述预测充电时间进行单位时段划分包括：
21.设定电量上限阈值和电量下限阈值；计算从所述电量下限阈值充电至所述电量上限阈值的充电时长；以所述充电时长为单位，将自然日划分为若干区间，将每个区间作为所述单位时段。
22.可选地，所述根据所述预测通勤类型预测所述单位时段中的所述用户充电行为包括：
23.当所述预测通勤类型为通勤型时，判断当前单位时段中，目标是否处于通勤状态；当在所述当前单位时段中，所述目标处于所述通勤状态时，判断在所述当前时段中，所述目标是否结束所述通勤状态，若是，则判断所述通勤状态结束时，电池电量是否低于所述电量下限阈值，若是，则预测所述目标将在所述当前单位时段充电；当在所述当前单位时段中，所述目标不处于所述通勤状态时，判断所述电池电量是否低于所述电量下限值，若是，则预测所述目标将在所述当前单位时段充电。
24.可选地，所述根据所述预测通勤类型预测所述单位时段中的所述用户充电行为还包括：
25.当所述预测通勤类型为非通勤型时，获取目标在所述当前单位时段前至少一天的所述用户充电行为；根据所述用户充电行为、所述目标的所述预测运行状态确定所述当前单位时段所处的使用场景；根据所述使用场景预测所述目标是否在所述当前单位时段充电。
26.另一方面，本发明还提供一种基于电动汽车用电需求的配电分析装置，包括：
27.历史数据获取模块，其用于获取电动汽车的使用历史数据，其中，所述使用历史数据包括出行信息数据和与所述出行信息数据对应的充电行为数据、充电功率和电池容量数据；频率变化曲线生成模块，其用于对所述使用历史数据进行分类，确定不同使用场景和需求下的频率变化曲线；用户充电行为确定模块，其用于利用所述频率变化曲线确定与用户出行计划相应的用户充电行为；配电方案确定模块，其用于根据所述用户充电行为确定配电方案。
28.相对于现有技术，本发明通过对电动汽车的使用历史数据进行统计，根据场景和需求对使用历史数据进行分类，保证准确获得使用历史数据的规律，确定不同类别的频率
变化曲线，保证精确预测用户的使用历史数据；根据频率变化曲线进行充电行为预测，即可获得对大规模电动汽车出行和充电需求的精确预测结果，根据预测情况估算所需的配电时间段和配电量，保证根据用户行为确定配电方案，进而提高电动汽车渗透率、保证电网安全稳定运行。
附图说明
29.图1为本发明实施例的基于电动汽车用电需求的配电分析方法的流程示意图；
30.图2为本发明实施例的基于电动汽车用电需求的配电分析方法步骤s200细化后的流程示意图；
31.图3为本发明实施例的基于电动汽车用电需求的配电分析方法步骤s210细化后的流程示意图；
32.图4为本发明实施例的基于电动汽车用电需求的配电分析方法步骤s220细化后的流程示意图；
33.图5为本发明实施例的基于电动汽车用电需求的配电分析方法步骤s300细化后的流程示意图；
34.图6为本发明实施例的基于电动汽车用电需求的配电分析方法步骤s320细化后的流程示意图；
35.图7为本发明实施例的基于电动汽车用电需求的配电分析方法步骤s330细化后的流程示意图；
36.图8为本发明实施例的基于电动汽车用电需求的配电分析方法步骤s330细化后的又一流程示意图。
具体实施方式
37.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
38.应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
39.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
40.需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
41.如图1所示，本发明一实施例提供一种基于电动汽车用电需求的配电分析方法，包括：
42.步骤s100，获取电动汽车的使用历史数据。
43.本发明所指电动汽车包括通过电机驱动，且具有充电功能的机动车，例如新能源汽车。
44.使用历史数据包括用户在使用过程中的各种习惯参数，还包括在使用中可量化、归纳的数据。
45.在一实施例中，获取使用历史数据，用数据存入数据库中，对使用历史数据中不同类别的数据进行分别存储，通过对已获取的使用历史数据进行归纳和总结，帮助预测群体的使用历史数据或预测群体未来的使用历史数据。
46.步骤s200，对所述使用历史数据进行分类，确定不同使用场景和需求下的频率变化曲线。
47.由于电动汽车的使用场景广泛，用户使用的频率也较高，会分布在不同时段和不同场景中，故，对使用场景和需求进行划分，将不同用户、不同场景、不同需求分别进行归纳，以确定不同类别下的使用历史数据的频率变化曲线。
48.将已知的使用历史数据进行分类后，基于分好的类别确定不同使用场景、不同需求的使用历史数据出现的频率，然后将所述频率进行拟合，确定用于预测使用历史数据的频率变化曲线。
49.可选地，根据驾驶习惯，对人群进行单独分类，确定不同人群的使用历史数据的频率变化曲线。
50.具体地，驾驶习惯的不同会导致同一场景下的耗电量不同，其充电的频率也会随之变化，例如，某些用户习惯处于高速行驶状态，其对电量的损耗具有较强的推动作用，其充电频率也会随之增加；另一方面，由于习惯的不同，会导致用户对于充电的态度也不同，例如，某些用户对剩余电量较为敏感，其充电频率也会增加，但大部分充电时间处于高电量的连续小电流充电状态。将驾驶习惯作为分类依据，保证更准确地分析用户的使用历史数据，进而更准确地预测使用历史数据。
51.可选地，对于不同使用场景，确定不同的频率变化曲线，用于描述一天中不同时间段，使用历史数据出现的频率。
52.步骤s300，利用所述频率变化曲线确定与用户出行计划相应的用户充电行为。
53.使用频率变化曲线进行充电行为的预测，获得预测频率，其中，当用户的数量确定后，频率即可以等价为该时间段，该类用户出现充电行为的次数，根据电动汽车的平均充电功率即可预测该类用户在当前时间段的总用电量。
54.具体地，本发明所指概率指预测频率，用于描述预测的用户行为与总行为的比值。
55.因目前较为缺乏电动汽车出行和充电行为的真实数据，而较少的电动汽车的数据容易出现明显的个体随机性，无法代表大部分电动汽车的出行和充电行为，故，需要对较少的使用历史数据进行处理，并确定一个较为准确的预测方法，即通过频率变化曲线产生大规模电动汽车的出行和充电行为，获得大量符合真实数据的电动汽车样本，从而总结出电动汽车的出行和充电行为的规律，对电动汽车的充电需求进行精确预测，以此指导电网的配电策略。
56.步骤s400，根据所述用户充电行为确定配电方案。
57.根据预测的用户行为确定所有类别的用户在当前时间段的总用电量和总功率，指导当前时间段的配电方案，保证精确匹配当前时间段的用户需求，进而提高电动汽车的渗透率、保证电网安全稳定运行。
58.可选地，所述使用历史数据包括出行和充电行为数据、充电功率和电池容量数据；
59.所述用户行为包括出行和充电行为。
60.在一实施例中，将使用历史数据分为出行数据、充电行为数据、充电功率和电池容量数据。因电动汽车的使用大体可以分为驾驶阶段和非驾驶阶段，而影响电量的因素包括充电和放电两部分，且大多数电动汽车在驾驶过程中不能进行充电，故，将使用历史数据分为出行数据和充电行为数据。另一方面，在充电时，影响充电的因素可以归类为充电速度和充电时间，故，将使用历史数据中关于充电的数据分为充电功率和电池容量两部分，通过出行数据、充电行为数据、充电功率和电池容量数据可以保证在减少数据量、数据复杂度的前提下准确获得用户的使用历史数据，以更好地预测用户行为。
61.可选地，如图2所示，所述根据使用场景和需求，对所述使用历史数据进行分类，确定不同类别的频率变化曲线包括：
62.步骤s210，对所述使用历史数据进行预处理，获得样本集，基于预设方式，对所述样本集进行抽样。
63.在一实施例中，对数据进行筛选和处理，将与其他数据明显不同的数据过滤，以减少预测偏差，保证频率变化曲线的准确性。将所有数据存储至数据库中，作为一个样本集，对样本集中的数据进行抽样，保证数据的随机性，以增加得到的频率变化曲线的真实性。
64.步骤s220，根据抽出的样本，获得对应的估计值。
65.对抽出的样本进行分析，获得本次抽选出的样本对应的估计曲线，作为所述估计值。
66.步骤s230，重新基于所述预设方式，对所述样本集进行抽样，获得对应的估计值，直至达到预设抽样次数。
67.从样本集中以同样的方式重新抽取同样数量的样本，将此次抽选出的样本再次进行分析，获得对应的估计曲线，作为所述估计值。
68.可选地，对样本进行预设次数的抽样，获得预设次数条估计曲线，即估计值。
69.步骤s240，对所有估计值进行拟合，获得所述频率变化曲线。
70.对所有估计曲线进行拟合，获得尽量符合所有估计曲线的频率变化曲线，所述频率变化曲线用于预测用户的出行数据、习惯等。
71.在一实施例中，在获取电动汽车的使用历史数据之后，对使用历史数据进行筛选，然后将符合条件的数据储存，再将使用历史数据按照预设的分类方式分类，作为至少一个数据集。开始分析使用历史数据，从数据集中抽取预设个使用历史数据，然后对抽出的样本进行分析，拟合出对应的估计曲线，作为估计值，反复抽取并拟合，直到抽样次数达到预设的抽样次数。将所有估计曲线进行拟合，获得最终用于预测的频率变化曲线，通过确定预设的抽取数量，保证每次抽取的环境一致，减少误差，增加拟合的准确率；通过多次抽取并拟合对应的估计曲线，保证降低由于次数过少而出现的误差；最后将多条估计曲线整合为一条频率变化曲线，保证频率变化曲线可以精确描述真实的出行数据和习惯。
72.可选地，如图3所示，所述对所述使用历史数据进行预处理，获得样本集，基于预设方式，对所述样本集进行抽样包括：
73.步骤s211，将所述使用历史数据以向量的形式表示，由所有向量共同组成所述数据集。
74.由于所述使用历史数据中包含的数据种类多，且单位、数量级不一致，故，将使用历史数据以向量的形式表示并储存，以减少存储成本。将所有表示使用历史数据的向量共同组成数据集合，以减少使用成本。
75.步骤s212，确定所述数据集合中的数据在自然情况下的概率分布，确定概率分布类型。
76.在抽取之前，需要确定数据集合中的数据在自然情况下的概率分布类型，不同的概率分布类型会影响拟合的曲线的形状，从而影响最终获得的频率变化曲线的预测准确性。
77.步骤s213，通过所述预设方式对所述样本集进行抽样，所述预设方式包括直接抽样和间接抽样。
78.可选地，通过设定概率统计函数y，以表示使用历史数据与其出现概率的关系，y可以表示为：
79.y＝f(x1，x2，
…
，xn)，
80.其中，x1，x2，
…
，xn表示具有确定概率分布的使用历史数据。
81.确定概率统计函数的表示形式后，通过直接抽样或间接抽样的方式，随机抽取一组符合随机变量x1，x2，
…
，xn概率分布的值x
1i
，x
2i
，
…
，x
ni
。
82.用估计值yi表示x
1i
，x
2i
，
…
，x
ni
与其之间的关系：
83.yi＝f(x
1i
，x
2i
，
…
，x
ni
)，
84.重复抽取预设次数，本实施例中取m次，则可以表示为：
[0085][0086]
即y1，y2，
…
，ym，其中，i＝1，2，3，
…
，m。
[0087]
将y1，y2，
…
，ym拟合为频率变化曲线。
[0088]
可选地，所述频率变化曲线包括出行数据的概率、所述出行和充电行为的概率以及所述使用历史数据的概率。
[0089]
可选地，如图4所示，所述根据抽出的样本，获得对应的估计值包括：
[0090]
步骤s221，获取样本的出行数据，所述出行数据包括通勤类型、出行时长和运行状态，所述运行状态包括充电状态和停驻状态；
[0091]
步骤s222，将抽出的样本作为集合，根据所述概率分布类型确定所述集合与所述估计值的映射关系。
[0092]
可选地，如图5所示，所述利用所述频率变化曲线确定与用户出行计划相应的用户
充电行为包括：
[0093]
步骤s310，获取述频率变化曲线中的预测出行数据，所述预测出行数据包括预测通勤类型、预测出行时间和预测运行状态；
[0094]
步骤s320，根据所述预测充电时间进行单位时段划分；
[0095]
步骤s330，根据所述预测通勤类型预测所述单位时段中的所述用户充电行为。
[0096]
因通勤类型的使用历史数据与非通勤类型的使用历史数据差距较大，故将通勤类型和非通勤类型分开进行预测。因充电时间和充电功率是影响用户对于配电需求的主要因素，故，将充电时间进行时间段划分。例如，若用户的平均充电时间为30分钟，则将30分钟作为一个单位时段，将一天24小时分为48个时间段，分别判断每个时间段的用户充电行为。由此，保证用户的充电时间可以分块记录，以充电时间为单位时间段，保证大部分的用户只在相邻的时间段进行充电操作，又能尽可能对时间区间进行较为精确的划分，从而降低统计和预测的计算量与难度。
[0097]
在另一实施例中，通过通勤类型的划分，保证对于不同需求的用户，进行不同策略的预测，增加预测准确度，进而精确获得用户出行和充电的内在规律，以更好制定配电策略。
[0098]
可选地，如图6所示所述根据所述预测充电时间进行单位时段划分包括：
[0099]
步骤s321，设定电量上限阈值和电量下限阈值；
[0100]
步骤s322，计算从所述电量下限阈值充电至所述电量上限阈值的充电时长；
[0101]
步骤s323，以所述充电时长为单位，将自然日划分为若干区间，将每个区间作为所述单位时段。
[0102]
为了更精确地获得充电时间，在一实施例中，通过预先设定电量上限阈值和电量下限阈值，从而确定充电时长。具体地，电量上限阈值用于粗略估计用户的充电结束电量；电量下限阈值用于粗略估计用户的充电开始电量。例如，电量上限阈值为90％，电量下限阈值为10％，则表示在本实施例中，默认大部分用户从电量10％开始充电，直至电量为90％停止，计算中间的充电时长，作为默认的充电时长。
[0103]
可选地，所述使用历史数据还包括充电开始百分比和充电结束百分比。
[0104]
在一实施例中，通过将充电开始百分比和充电结束百分比纳入统计的使用历史数据中，获取用户的充电习惯，进而通过用户的真实充电习惯预测用户的充电时间，进而通过所述充电时间确定单位时段。
[0105]
可选地，如图7所示，所述根据所述预测通勤类型预测所述单位时段中的所述用户充电行为包括：
[0106]
步骤s331，当所述预测通勤类型为通勤型时，判断当前单位时段中，目标是否处于通勤状态；
[0107]
步骤s332，当在所述当前单位时段中，所述目标处于所述通勤状态时，判断在所述当前时段中，所述目标是否结束所述通勤状态，若是，则判断所述通勤状态结束时，电池电量是否低于所述电量下限阈值，若是，则预测所述目标将在所述当前单位时段充电；
[0108]
步骤s333，当在所述当前单位时段中，所述目标不处于所述通勤状态时，判断所述电池电量是否低于所述电量下限值，若是，则预测所述目标将在所述当前单位时段充电。
[0109]
将时间划分为单位时段，用于确定所述时间区间内，电动汽车的运行状态。电动汽
车的运行状态包括有常规充电状态(即正在进行常规充电)、快速充电状态(即正在进行快速充电)、行驶状态(即正在行驶)和停驻状态(即正在停车且没有进行充电)。在同一个时间区间内，电动汽车的运行状态保持不变。
[0110]
可选地，所述通勤类电动汽车的时间场景设置有6个，分别为时间场景1、时间场景2、时间场景3、时间场景4、时间场景5、时间场景6。
[0111]
时间场景1：当前时间区间t早于前一天的晚上到达时间t
ea
(i-1)，即t＜t
ea
(i-l)，此时，可认为电动汽车已离开工作地点正在返回家中，但仍在路途中还没有抵达，因此其当前的出行需求是行驶。然后根据当前的电池电量，又可以分为两种不同的情况：
[0112]
电量情况1.1：当前电池电量高于10％，即soc(t)》0.1，以继续完成其行驶需求。因此，当前时间区间的电动汽车状态即为行驶状态(sd)，并可以在当前时间区间内保持不变。在行驶状态下，电动汽车电池电量将以一个恒定的斜率持续下降，下一个时间区间开始时刻的电池电量soc(t 1)可以表示为：
[0113][0114]
其中，v是汽车的平均驾驶速度，v可取46.45km/h。另外，式中的分母含有“2”是因为本发明规定的时间区间长度为半小时，而其他参数的单位均以小时计。
[0115]
电量情况1.2：当前电池电量不足10％，即soc(t)≤0.1。将无法继续维持其行驶需求，需要立刻在快速充电站进行快速充电以补充电量。寻找快速充电站的时间忽略不计。因此，当前时间区间的电动汽车状态即为快速充电状态(s
fch
)，并将在当前时间区间内保持不变。在快速充电模式下，电动汽车的电池电量将以一个较大的斜率增加，下一个时间区间开始时刻的电池电量soc(t 1)可以表示为：
[0116][0117]
时间场景2：当前时间区间t晚于前一天的晚上到达时间t
ea
(i-1)，且早于当天的早上出发时间t
md
(i)，即t
ea
(i-1)＜t＜t
md
(i)。此时，电动汽车已到达家中，且暂时还没有行驶的需求，因此其当前的出行需求是非行驶。然后根据当前的电池电量，又可以分为两种不同的情况。
[0118]
电量情况2.1：当前电池电量小于90％，即soc(t)＜0.9。将进行常规充电直至电池电量达到90％。因此，当前时间区间的电动汽车状态即为常规充电状态(s
nch
)，并将在当前时间区间内保持不变。在常规充电模式下，电动汽车的电池电量将以一个较小的斜率增加，下一个时间区间开始时刻的电池电量soc(t 1)可以表示为：
[0119][0120]
电量情况2.2：当前电池电量已达90％，即soc(t)≥0.9。根据本节的假设条件，当电动汽车的电池电量达到90％时，为保护电动汽车动力电池的使用寿命，将停止常规充电。因此，当前时间区间的电动汽车状态即为停驻状态(s
p
)，并将在当前时间区间内保持不变。在停驻状态下，电动汽车的电池电量将保持不变，下一个时间区间开始时刻的电池电量soc(t 1)可由下式计算得到。
[0121]
soc(t 1)＝soc(t)。
[0122]
时间场景3：当前时间区间t晚于当天的早上出发时间t
md
(t)，且早于当天的早上到达时间t
ma
(i)，即t
md
(i)＜t＜t
ma
(i)。此时，电动汽车已从家中出发前往工作地点，且还在路途中没有抵达目的地。此时间场景的出行需求以及相应的两种电池电量情况均与场景1相同，因此不再赘述。
[0123]
时间场景4：当前时间区间t晚于当天的早上到达时间t
ma
(i)，且早于当天的晚上出发时间t
md
(i)，即t
ma
(i)＜t＜t
ed
(i)。此时，电动汽车已抵达工作地点，且尚未下班离开。根据本节的假设条件，当电动汽车抵达其工作地点后将停驻在附近的停车场，因此当前时间区间内的电动汽车状态即为停驻状态(s
p
)，并将在当前时间区间内保持不变。下一个时间区间开始时刻的电池电量soc(t 1)亦可由式soc(t 1)＝soc(t)计算得到。
[0124]
时间场景5：当前时间区间t晚于当天的晚上出发时间t
ed
(i)，且早于当天的晚上到达时间t
ea
(i)，即t
ed
(i)＜t＜t
ea
(i)。此时，电动汽车已下班从工作地点出发回家，且还在路途中没有抵达。此时间场景的出行需求以及相应的两种电池电量情况亦均与场景1相同。
[0125]
时间场景6：当前时间区间t晚于当天的晚上到达时间t
ea
(i)，且早于第二天的早上出发时间t
md
(i 1)，即t
ea
(i)＜t＜t
md
(i 1)。此时，电动汽车已到达家中，且暂时还没有行驶的需求。此时间场景的出行需求以及相应的两种电池电量情况亦均与场景2相同。
[0126]
可选地，如图8所示，所述根据所述预测通勤类型预测所述单位时段中的所述用户充电行为还包括：
[0127]
步骤s334，当所述预测通勤类型为非通勤型时，获取目标在所述当前单位时段前至少一天的所述用户充电行为；
[0128]
步骤s335，根据所述用户充电行为、所述目标的所述预测运行状态确定所述当前单位时段所处的使用场景；
[0129]
步骤s336，根据所述使用场景预测所述目标是否在所述当前单位时段充电。
[0130]
可选地，非通勤类电动汽车的时间场景设置有4个，分别为时间场景7、时间场景8、时间场景9、时间场景10。
[0131]
时间场景7：当前时间区间t早于电动汽车前一天的到达时间ta(i-1)，即t＜ta(i-1)。此时间场景的出行需求以及相应的两种电池电量情况均与通勤类电动汽车的时间场景1相同。
[0132]
时间场景8：当前时间区间t晚于前一天的到达时间ta(i-1)，且早于当天的出发时间td(i)，即ta(i-1)＜t＜td(i)。此时间场景的出行需求以及相应的两种电池电量情况亦均与通勤类电动汽车的时间场景2相同。
[0133]
时间场景9：当前时间区间t晚于当天的出发时间td(i)，且早于当天的到达时间ta(i)，即td(i)＜t＜ta(i)。此时间场景的出行需求以及相应的两种电池电量情况亦均与通勤类电动汽车的时间场景1或5相同。
[0134]
时间场景10：当前时间区间t晚于当天的到达时间ta(i)，且早于第二天的出发时间td(i 1)，即ta(i)＜t＜td(i 1)。此时间场景的出行需求以及相应的两种电池电量情况亦均与通勤类电动汽车的时间场景2相同。
[0135]
将电动汽车四种运行状态出现的频率看做其发牛的概率，计算出电动汽车的四种状态在每个时间区间内的期望概率，即常规充电状态概率p
nch
、快速充电状态概率p
fch
、行驶状态概率pd和停驻状态概率p
p
。
[0136]
根据上述四种概率的变化曲线，即可对大规模电动汽车在一天中的出行和充电需求进行准确的预测。
[0137]
另一方面，本发明还提供一种基于电动汽车用电需求的配电分析装置，包括：
[0138]
历史数据获取模块，其用于获取电动汽车的使用历史数据，其中，所述使用历史数据包括出行信息数据和与所述出行信息数据对应的充电行为数据、充电功率和电池容量数据；
[0139]
频率变化曲线生成模块，其用于对所述使用历史数据进行分类，确定不同使用场景和需求下的频率变化曲线；
[0140]
用户充电行为确定模块，其用于利用所述频率变化曲线确定与用户出行计划相应的用户充电行为；
[0141]
配电方案确定模块，其用于根据所述用户充电行为确定配电方案。
[0142]
本发明又一实施例提供的一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行该计算机程序时，实现如上所述的基于电动汽车用电需求的配电分析方法。
[0143]
本发明又一实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于电动汽车用电需求的配电分析方法。
[0144]
现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0145]
电子设备包括计算单元，其可以根据存储在只读存储器(rom)中的计算机程序或者从存储单元加载到随机访问存储器(ram)中的计算机程序，来执行各种适当的动作和处理。在ram中，还可存储设备操作所需的各种程序和数据。计算单元、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
[0146]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
[0147]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。在本技术中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单
元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0148]
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。