CN110570014A - 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 - Google Patents

Abstract

本发明提出了一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法。该预测方法包括以下步骤：首先，根据电动汽车的特征将电动汽车划分为电动公交车、电动出租车、电动私家车和电动公务车4种类型，建立负荷影响因素的概率模型，进而得到不同类型电动汽车充电功率的计算模型；其次，根据电动汽车保有量预测结果，采用蒙特卡洛模拟方法抽取电动汽车的起始荷电状态、起始充电时间等来计算各时刻电动汽车的充电负荷；最后，根据蒙特卡洛抽样得到的各时刻电动汽车充电负荷，采用LSTM深度学习算法对电动汽车充电负荷进行深度学习、预测，从而得到电动汽车充电负荷曲线。本发明的充电负荷预测方法具有较好的科学性和客观性。

Description

一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法

技术领域

本发明属于电力***领域，具体地说是一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法。

背景技术

由于能源安全和环境污染问题的日益突出，近年来新能源获得大力的发展，其中电动汽车更是发展迅速，将逐步替代传统的燃油汽车，成为未来主要的交通工具，具有广阔的发展前景。与其他低碳负荷相比，电动汽车具有规模化应用的基础，将成为电网负荷的重要组成部分。当电动汽车规模化应用时，其对电网的影响不可忽视。因此，充分考虑电动汽车的发展规律和充电规律对城市配电网的长远发展具有重要意义。对其保有量及比例进行预测，充电负荷进行建模，给出未来的日负荷预测结果是开展电动汽车接入对电网的影响分析、配电网规划与控制运行、电动汽车与电网双向互动及电动汽车与其他能源、交通等***协调研究的基础。

目前，在电动汽车负荷预测方面，已提出了一些指标和方法，例如常见的负荷预测方法有单耗法、趋势分析法、弹性系数法、回归分析法、时间序列法、灰色模型法、神经网络法、德尔菲法、专家***法以及优选组合分析法等方法。

现有电动汽车充电负荷预测研究仍存在不足之处：普适性不强。大部分研究仅考虑了充电行驶里程、充电起始时间、起始荷电状态等建模条件的简单因素，尚无涵盖各种关键因素和多种车辆类型的理论负荷模型。且传统法以及浅层学习法自适应能力不够，对非线性特征负荷认知能力不够，预测精度不高。

可见，电动汽车充电负荷预测方法还有待改进。

发明内容

为解决上述技术问题，本发明提出一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法。该方法建立了负荷因素的影响概率模型，搭建了不同类型电动汽车充电负荷计算模型，采用蒙特卡洛模拟方法得到各时刻充电负荷，然后采用深度学习算法求取电动汽车充电负荷预测曲线。

本发明采用以下技术方案实现：

一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法，包括以下步骤：

首先，根据电动汽车的特征将电动汽车划分为电动公交车、电动出租车、电动私家车和电动公务车4种类型，建立负荷影响因素的概率模型，进而得到不同类型电动汽车充电功率的计算模型。

其次，根据电动汽车保有量预测结果，采用蒙特卡洛模拟方法抽取电动汽车的起始荷电状态、起始充电时间等来计算电动汽车的充电负荷，得到各时刻的充电负荷。

最后，根据蒙特卡洛抽样得到的各时刻电动汽车充电负荷，采用LSTM深度学习算法对电动汽车充电负荷进行预测，从而得到电动汽车充电负荷曲线。

上述技术方案中，进一步地，步骤1)所述建立负荷影响因素概率模型，得到电动汽车充电功率的计算模型，包括：

(1)电动汽车的充电负荷受多方面因素的影响，主要影响因素有起始充电时刻、日行驶里程、充电时长、电动汽车保有量、起始荷电状态(SOC)、电池容量等。

根据电动汽车的特征将电动汽车划分为电动公交车、电动出租车、电动私家车和电动公务车4种类型，构建起始充电时间模型，通过数据拟合处理得到电动汽车的起始充电时间满足下式所示的正态分布：

式中：t为初始充电时间，即最后一次出行的结束时刻；μ_a和σ_a分别为起始充电时间的期望和标准差，由于四种类型的汽车拟合出来的起始充电时刻的正态分布结果不同，因此不同类型电动汽车的期望和标准差不同；

(2)构建日行驶里程模型，日行驶里程是电动汽车驾驶特性的重要指标，反映了汽车在一天内的耗电量，进而影响电动汽车的充电时间。同理，用传统燃油车的出行特性代替电动汽车的出行特性进行分析，电动汽车的日行驶里程服从对数正态分布，其概率密度函数为：

式中：s为日行驶里程，单位为km；μ_b和σ_b分别为行驶里程s的对数lns的期望和方差，随着不同类型电动汽车行驶特性的不同而变化。

(3)构建起始荷电状态模型，在一个充电周期内，电动汽车充电所需的电力需求是随时间变化的。要确定电动汽车的充电负荷必须要获得电池充电开始时刻的荷电状态，即起始SOC。起始SOC是上次充电后的电动汽车行驶距离的随机函数，取值范围为0到100％。假设电动汽车的荷电状态随着行驶里程是线性下降的，则可通过车辆的行驶里程估算出起始充电时间的荷电状态，用概率密度函数来表示：

S_OC＝(S_OC0-s/s_max)×100％

式中：S_OC表示电池充电的起始SOC；S_OC0表示最近一次充电后电池的荷电状态值。由于电动汽车的充电时间和地点更为分散，S_OC0往往不为1；s_max表示电池充满后可行驶的最大里程数，单位km。

(4)构建充电时长模型，目前，电动汽车大多使用锂电池，锂电池的充电过程是恒压-恒流两阶段充电过程。假设整个充电过程是恒定功率的，则充电时长有以下两种计算方式：

基于荷电状态计算充电时长，则有如下公式：

式中：Te为充电时长，单位为h；U为电池容量，单位为kW·h；P为充电功率，单位为kW；η为充电效率；

基于日行驶里程的方式计算充电时长，则如下式所示：

式中：W₁₀₀为汽车每行驶100km的耗电量，单位为(kW·h)/百公里。

更进一步地，步骤2)计算各时刻充电负荷，包括：

(1)划分不同类型电动汽车出行特征：将电动汽车按照不同的用途分为公交车、出租车、私家车和公务车4类，具体分析不同类型电动汽车的出行特征，以得到负荷预测模型的参数，方法如下：

电动公交车

公交车的行驶特性相对非常的固定，主要采取轮班运营制。根据文献《基于蒙特卡洛模拟的电动汽车充电负荷预测》中的数据，公交车的日行驶里程大约为70km。考虑到安全运行，一天一充难以满足电动公交车的运营需求，需要一天两充。公交车的运营时间、路线相对集中，可以进行集中充电。在中午时段进行快速充电，晚上下班后进行常规充电。一般而言，公交车的充电时段为9.30至16.00、23：00至次日05：00，分别服从正态分布，具体分布参数可根据城市调研数据获取。

电动出租车

出租车的运营时间大致为06：00--24：00。根据文献《北京市私人机动车交通出行特征及发展对策》中的数据，出租车的日行驶里程大约为400km。同电动公交车一样，电动出租车一般采取一天两充的模式，充电时间选择在中午换班及晚上。由于出租车的休息时间有限，但需要及时补充电量，因此电动出租车选择快速充电模式。根据以上分析，出租车的充电时段为02：00—05：00、11：30—14：30，分别服从正态分布。

电动私家车

相较于公交车和出租车，私家车的行驶特性更具有随机性和任意性。电动私家车每日充电一次，充电时段分为上午09：00—12：00、下午14：00--17：00和晚上19：00至次日07：00。上午和下午在工作单位的停车场充电，晚上下班后在居民区的停车场充电。在单位停车场充电选择快速充电模式，在居民区停车场选择常规充电模式。根据文献中的数据，不考虑长途出行，私家车的日行驶里程为40km。

电动商务车

公务车主要用作日常公务出行，若不考虑长途出行，其行驶特性和私家车相似。公务车的充电时间一般在晚上下班后于单位的停车场充电。公务车一天一充即可，且采取常规充电模式，充电时段为19：00至次日07：00。

(2)预测各种类型电动汽车保有量：以《中国汽车产业发展报告(2012)》中指出的2020年的数据为基数，根据不同类型电动汽车的比例，对各种类型的汽车数量进行预测，

基于蒙特卡洛仿真对电动汽车充电负荷进行计算：

做合理假设：

a.各类型电动汽车的起始充电时间、日行驶里程和充电功率为相互独立的随机变量；

b.各类型电动汽车的充电功率视为恒功率模型；

c.所有车辆每次都充满电量；

d.所有车辆的最后一次出行结束时刻即为该车辆的起始充电时间。

(3)选择蒙特卡洛方法模拟法对不同类型的电动汽车进行采样，通过抽取起始充电时间和日行驶里程，得到单辆电动汽车的充电时长和充电功率。然后累加所有电动汽车充电功率，得到充电负荷；以时间为横坐标，各时刻的充电负荷为纵坐标，可得到充电负荷曲线。则j时刻的充电负荷为：

式中：P_total，j为在j时刻的充电负荷，单位为kw；N_b，N_t，N_s，N_w分别为电动公交车、出租车、私家车和商务车的总数，单位为辆；将一天划分为T个时间段；P_ibj,P_ibj,P_ibj,P_ibj为不同类型的电动汽车在j时刻的充电功率，单位为kW。

(4)由于充电功率恒定，则充电负荷仅与充电时长相关，将电动汽车的充电时长作为起始充电时间的抽样约束条件，即可选取起始充电时间的抽样范围，然后抽取起始充电时间，从而求得各个抽样点对应时刻的充电负荷；充电时长的计算方法如下：

电动汽车有常规充电和快速充电两种模式，具体充电情况比较复杂。为方便建模，假设汽车优先选择常规充电，常规充电时基于日行驶里程计算充电时长，先利用蒙特卡洛方法抽取日行驶里程并计算所需充电时长；以满足充电所需要时长的约束条件为前提来选取起始充电时间的抽样范围，再抽取起始充电时间，进行负荷计算。而选择快速充电模式时基于荷电状态计算充电时长，同样基于蒙特卡洛方法抽取起始充电时间，计算充电时间段内的剩余充电时长和满足到下一次充电时的行驶需求的充电时长，取两者时间短的一个为实际充电时长。

更进一步地，步骤3)用LSTM深度学习算法预测电动汽车充电负荷，包括以下步骤：

(1)在进行电动汽车充电负荷预测前需要对输入数据进行归一化处理，以保证网络训练和应用能够有较好的结果。采用min-max标准化，公式如下所示：

式中：X_o表示经过标准化后的电动汽车负荷矩阵；X表示原电动汽车负荷矩阵，该矩阵只有一行，对应的是各个时刻的负荷值；x_min、x_max分别表示原电动汽车负荷矩阵中负荷的最小值和最大值。

(2)确定历史充电负荷信息的存放。即遗忘门的输出：

f_t＝sigmoid(W_f·[h_t-1,x_t]+b_f)

式中：f_t表示遗忘门输出；W_f表示从输入到遗忘门的权重系数；h_t-1表示上一时刻的输出；x_t表示网络当前时刻输入；b_f表示遗忘门偏置。

(3)确定新充电负荷信息的存放。第一部分为通过sigmoid函数得到的输入门输出；另一部分为通过tanh建立的新的候选向量：

i_t＝sigmoid(W_i·[h_t-1,x_t]+b_i)

式中：W_i表示输入门权重参数；b_i表示输入门偏置；表示细胞充电负荷状态候选值，W_C表示细胞充电负荷状态候选值计算权重参数；b_C表示细胞充电负荷状态候选值计算偏置。所述的细胞表示这个时刻的单元，可根据之前蒙特卡洛抽样点间隔确定；

(4)更新细胞充电负荷状态：

(5)确定当前时刻充电负荷输出。LSTM中，细胞充电负荷状态经过tanh函数处理和输出门过滤后，得到最终输出：

o_t＝sigmoid(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中：o_t表示输出门输出；W_o表示输入到输出门的权重参数；b_o表示输出门偏置；h_t表示当前时刻的输出。

(6)将蒙特卡洛仿真获得的电动汽车充电负荷样本数据采用上述(1)-(5)的步骤进行处理，最终得到LSTM网络的电动汽车充电负荷预测结果。

(7)对电动汽车充电负荷预测结束后，采用均方根误差预测精度评价指标：

本发明的的有益效果在于：

本发明建立了一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法，根据该方法可得到不同类型电动汽车充电功率的计算模型和各时刻电动汽车的充电负荷。本发明基于蒙特卡洛仿真和深度学习算法对未来一天的电动汽车充电负荷进行预测，得出未来电动汽车充电负荷的整体趋势。仿真结果表明，本发明所提方法能够精确预测各时刻的充电负荷，有效地证明了本发明充电负荷预测方法的科学性、客观性。

附图说明

图1不同类型电动汽车充电方式及充电时间分布；

图2蒙特卡洛抽样得到的10天电动汽车充电负荷数据；

图3LSTM结构图；

图4利用前9天数据学习后预测得到第10天数据；

图5隐藏层节点数为400LSTM负荷预测结果与实际值；

图6本发明的一种基于蒙特卡洛和深度学习的充电负荷预测方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明。

本发明的一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法，包括如下步骤：

S01.构建起始充电时刻模型，通过数据拟合处理得到电动汽车的起始充电时刻满足下式所示的正态分布：

式中：t为初始充电时刻，即最后一次出行的结束时刻；μ_a和σ_a分别为起始充电时刻的期望和方差，不同类型电动汽车的期望和方差不同。

S02.构建日行驶里程模型，日行驶里程是电动汽车驾驶特性的重要指标，反映了汽车在一天内的耗电量，进而影响电动汽车的充电时间。同理，用传统燃油车的出行特性代替电动汽车的出行特性进行分析，电动汽车的日行驶里程服从对数正态分布，其概率密度函数为：

式中：s为日行驶里程，单位为km；μ_b和σ_b分别为行驶里程s的对数lns的期望和方差，随着不同类型电动汽车行驶特性的不同而变化。

S03.构建起始荷电状态模型，在一个充电周期内，电动汽车充电所需的电力需求是随时间变化的。要确定电动汽车的充电负荷必须要获得电池充电开始时刻的荷电状态，即起始SOC。起始SOC是一个上次充电后的电动汽车行驶距离的随机函数，取值范围为0到100％。假设电动汽车的荷电状态随着行驶里程是线性下降的，则可通过车辆的行驶里程估算出起始充电时刻的荷电状态，用概率密度函数来表示：

S_OC＝(S_OC0-s/s_max)×100％

式中：S_OC表示电池充电的起始SOC；S_OC0表示最近一次充电后电池的荷电状态值，s为日行驶里程。由于电动汽车的充电时间和地点更为分散，S_OC0往往不为1；s_max表示电池充满后可行驶的最大里程数，单位km。

S04.构建充电时长模型，目前，电动汽车大多使用锂电池，锂电池的充电过程是恒压-恒流两阶段充电过程。假设整个充电过程是恒定功率的。充电时长受较多因素的制约，基于荷电状态计算充电时长，则有如下公式：

式中：T_e为充电时长，单位为h；U为电池容量，单位为kW·h；P为充电功率，单位为kW；η为充电效率。

S05.基于日行驶里程的方式计算充电时长，则如下式所示：

式中：W₁₀₀为汽车每行驶100km的耗电量，单位为(kW·h)/百公里。

S06.划分不同类型电动汽车出行特征：将电动汽车按照不同的用途分为公交车、出租车、私家车和公务车4类，具体分析不同类型电动汽车的出行特征，以得到负荷预测模型的参数。4类电动汽车充电方式及充电时间分布如附图1所示。

S07.预测各种类型电动汽车保有量：以《中国汽车产业发展报告(2012)》中指出的2020年的数据为基数，根据不同类型电动汽车的比例，对各种类型的汽车数量进行预测。不同类型电动汽车的保有量预测情况如表1所示。

表1 不同类型电动汽车的保有量预测情况

车辆类型	比重(％)	车辆类型	比重(％)
				电动公交车	65.52	电动私家车	11.24
电动出租车	15.52	电动商务车	7.72

S08.基于蒙特卡洛仿真对电动汽车充电负荷进行计算：

做合理假设：

a.各类型电动汽车的起始充电时刻、日行驶里程和充电功率为相互独立的随机变量；

b.各类型电动汽车的充电功率视为恒功率模型，没有恒压和恒流充电这2个阶段；

c.所有车辆每次都充满电量；

d.所有车辆的最后一次出行结束时刻即为该车辆的起始充电时刻。

选择蒙特卡洛方法模拟法对不同类型的电动汽车进行采样，通过抽取起始充电时间和日行驶里程，得到单辆电动汽车的充电时长和充电功率。然后累加所有电动汽车充电功率，得到各时刻的充电负荷。以时间为横坐标，各时刻的充电负荷为纵坐标，可得到充电负荷曲线。则j时刻的充电负荷为：

式中：其中，P_total，j为在j时刻的充电负荷，单位为kw；N_b，N_t，N_s，N_w分别为电动公交车、出租车、私家车和商务车的总数，单位为辆；将一天划分为T个时间段；P_ibj,P_ibj,P_ibj,P_ibj为不同类型的电动汽车在j时刻的充电功率，单位为kW。

S09.由于充电功率恒定，则充电负荷仅与充电时长相关，将电动汽车的充电时长作为起始充电时间的抽样约束条件，即可选取起始充电时间的抽样范围，然后抽取起始充电时间，从而求得各个抽样点对应时刻的充电负荷；充电时长的计算方法如下：

假设汽车优先选择常规充电，常规充电时基于日行驶里程计算充电时长，先利用蒙特卡洛方法抽取日行驶里程并计算所需充电时长；以满足充电所需要时长的约束条件为前提来选取起始充电时间的抽样范围，再抽取起始充电时间，进行负荷计算。而选择快速充电模式时基于荷电状态计算充电时长，同样基于蒙特卡洛方法抽取起始充电时间，计算充电时间段内的剩余充电时长和满足到下一次充电时的行驶需求的充电时长，取两者时间短的一个为实际充电时长。蒙特卡洛仿真所得10天的电动汽车充电负荷数据如附图2所示。

S10.在进行电动汽车充电负荷预测前需要对输入数据进行归一化处理，以保证网络训练和应用能够有较好的结果。采用min-max标准化，公式如下所示：

式中：X_o表示经过标准化后的电动汽车负荷矩阵；X表示原电动汽车负荷矩阵，该矩阵只有一行，对应的是各个时刻的负荷值；x_min、x_max分别表示原电动汽车负荷矩阵中负荷的最小值和最大值。

S11.LSTM结构图如附图3所示。确定历史充电负荷信息的存放。即遗忘门的输出：

f_t＝sigmoid(W_f·[h_t-1,x_t]+b_f)

式中：f_t表示遗忘门输出；W_f表示从输入到遗忘门的权重系数；x_t表示网络当前时刻输入；b_f表示遗忘门偏置。

S12.确定新充电负荷信息的存放。第一个部分为通过sigmoid函数得到的输入门输出；另一部分为通过tanh建立的新的候选向量：

i_t＝sigmoid(W_i·[h_t-1,x_t]+b_i)

式中：W_i表示输入门权重参数；b_i表示输入门偏置；表示细胞充电负荷状态候选值；W_C表示细胞充电负荷状态候选值计算权重参数；b_C表示细胞充电负荷状态候选值计算偏置。

S13.更新细胞充电负荷状态：

S14.确定当前时刻充电负荷输出。LSTM中，细胞充电负荷状态经过tanh函数处理和输出门过滤后，得到最终输出：

o_t＝sigmoid(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中：o_t表示输出门输出；W_o表示输入到输出门的权重参数；b_o表示输出门偏置；h_t表示当前时刻的输出。

S15.将蒙特卡洛仿真获得的电动汽车充电负荷样本数据经过上述步骤后，最终得到LSTM网络的电动汽车充电负荷预测结果。

S16.对电动汽车充电负荷预测结束后，采用均方根误差预测精度评价指标：

应用例：

某市有电动汽车共12.5万辆，不同类型的电动汽车比例如表1所示。其中，电动公交车一天两充，充电时段分别服从正态分布N(13，1²)和N(23，1²)，快速充电和常规充电的功率分别为108kW、60kW。日行驶里程服从对数正态分布N(4.3，0.34²)。公交车以“比亚迪K9”为例，电动公交车电池容量为324kW·h，续航里程为250km，行驶100km的耗电量为140(kW·h)/百公里。电动出租车一天两充，充电时段分别服从正态分布N(3.5，1²)和N(13，1²)，快速充电的功率为60kW。日行驶里程服从对数正态分布N(5.2，0.34²)。以“比亚迪E6”型电动汽车为电动出租车、私家车和商务车的分析对象。该型号的电动汽车电池容量为82kW·h，续航里程为400km，行驶100km的耗电量为20.5(kW·h)/百公里，其快速充电模式的充电功率为60kW，常规充电模式的充电功率为7kW。电动私家车在上午、下午和晚上的充电概率分别设为0.2,0.1,0.7具体充电时间分别服从正态分布N(9.5，1²)、N(14，1²)、N(19，2²)，日行驶里程服从对数正态分布N(3.1，O.86²)。公务车的充电时段服从正态分布N(19，2²)，日行驶里程服从对数正态分布N(3.1，O.86²)。

以15分钟为一个采样点，采用蒙特卡洛模拟一天抽取共96个点来模拟全部电动汽车的充电负荷，共采取9天的负荷数据作为样本数据。采用提出的LSTM深度学习算法预测得到第10天的负荷数据如附图4所示，与通过蒙特卡洛仿真得到的第10天采样数据比较如附图5所示。

可见，采用LSTM深度学习预测得到的电动汽车充电负荷与通过蒙特卡洛采样得到的充电负荷情况基本吻合，误差比较小。其中LSTM预测结果误差与BP神经网络预测结果误差如表2所示，可见，深度学习所得结果相比BP神经网络这样的浅层学习结果更佳。

表2 LSTM与BP预测误差比较

4种类型电动汽车的总充电负荷的峰值处于14：00—15：00，约为3900MW。这是因为选择电动汽车在该时段充电的电动汽车比较多，且多采用快速充电模式进行充电。充电负荷曲线表明，充电负荷在一天内的波动甚是剧烈，对电网的稳定具有潜在的威胁。因此，该发明结果为电网方面考虑相应指导性的充电策略以引导规范用户的充电行为提供支持。

Claims (4)

1.一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：

S1：根据电动汽车的特征将电动汽车划分为电动公交车、电动出租车、电动私家车和电动公务车4种类型，建立负荷影响因素的概率模型，进而得到不同类型电动汽车充电功率的计算模型；

S2：根据电动汽车保有量预测结果，采用蒙特卡洛模拟方法抽取电动汽车的起始荷电状态、起始充电时间等来计算各时刻电动汽车的充电负荷；

S3：根据蒙特卡洛抽样得到的各时刻电动汽车充电负荷，采用LSTM深度学习算法对电动汽车充电负荷进行深度学习、预测，从而得到电动汽车充电负荷曲线。

2.根据权利要求1所述的基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法，其特征在于，所述的步骤S1具体为：

根据电动汽车的特征将电动汽车划分为电动公交车、电动出租车、电动私家车和电动公务车4种类型，构建起始充电时间模型，通过数据拟合处理得到电动汽车的起始充电时间满足如下所示的正态分布：

式中，t为初始充电时间，即最后一次出行的结束时刻；μ_a和σ_a分别为起始充电时间的期望和标准差；

构建日行驶里程模型，用传统燃油车的出行特性代替电动汽车的出行特性进行分析，电动汽车的日行驶里程服从对数正态分布，其概率密度函数为：

式中：s为日行驶里程，单位为km；μ_b和σ_b分别为行驶里程s的对数lns的期望和标准差；

构建起始荷电状态模型，在一个充电周期内，电动汽车充电所需的电力需求是随时间变化，所以要确定电动汽车的充电负荷必须要获得电池充电开始时刻的荷电状态，即起始SOC，起始SOC是上次充电后的电动汽车行驶距离的随机函数，取值范围为0到100％；假设电动汽车的荷电状态随着行驶里程是线性下降的，则可通过车辆的行驶里程估算出起始充电时间的荷电状态，用概率密度函数表示如下：

S_OC＝(S_OC0-s/s_max)×100％

式中：S_OC表示电池充电的起始SOC；S_OC0表示最近一次充电后电池的荷电状态值，s为日行驶里程，s_max表示电池充满后可行驶的最大里程数，单位km；

构建充电时长模型，假设电动汽车的整个充电过程是恒定功率的，则充电时长有以下两种计算方式：

基于荷电状态计算充电时长，则有如下公式：

式中：T_e为充电时长，单位为h；U为电池容量，单位为kW·h；P为充电功率，单位为kW；η为充电效率；

基于日行驶里程计算充电时长，则如下式所示：

式中：W₁₀₀为汽车每行驶100km的耗电量，单位为(kW·h)/百公里。

3.根据权利要求2所述的基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法，其特征在于，所述的步骤S2中计算各时刻电动汽车的充电负荷的方法为：

具体分析不同类型电动汽车的出行特征，以得到负荷预测模型的参数；

预测各种类型电动汽车保有量：以《中国汽车产业发展报告(2012)》中指出的2020年的数据为基数，根据不同类型电动汽车的比例，对各种类型的电动汽车数量进行预测，

基于蒙特卡洛仿真对电动汽车充电负荷进行计算：

做合理假设：

a.各类型电动汽车的起始充电时间、日行驶里程和充电功率为相互独立的随机变量；

b.各类型电动汽车的充电功率视为恒功率模型；

c.所有车辆每次都充满电量；

d.所有车辆的最后一次出行结束时刻即为该车辆的起始充电时间；

选择蒙特卡洛模拟法对不同类型的电动汽车进行采样，通过抽取起始充电时间和日行驶里程，得到单辆电动汽车的充电时长和充电功率，然后累加各时刻所有电动汽车充电功率，得到电动汽车的充电负荷，则j时刻的充电负荷为：

式中：P_total，j为在j时刻的充电负荷，单位为kw；N_b，N_t，N_s，N_w分别为电动公交车、出租车、私家车和商务车的总数，单位为辆；将一天划分为T个时间段；为不同类型的电动汽车在j时刻的充电功率，单位为kW；

由于充电功率恒定，则充电负荷仅与充电时长相关，将电动汽车的充电时长作为起始充电时间的抽样约束条件，即可选取起始充电时间的抽样范围，然后抽取起始充电时间，从而求得各个抽样点对应时刻的充电负荷；充电时长的计算方法如下：

电动汽车有常规充电和快速充电两种模式，假设汽车优先选择常规充电，常规充电时基于日行驶里程计算充电时长；选择快速充电模式的电动汽车，基于荷电状态计算充电时长，同样基于蒙特卡洛模拟法抽取起始充电时间，计算充电时间段内的剩余充电时长和满足到下一次充电时的行驶需求的充电时长，取两者时间短的一个为实际充电时长。

4.根据权利要求3所述的基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法，其特征在于，所述的步骤S3中采用LSTM深度学习算法预测电动汽车充电负荷，包括以下步骤：

在进行电动汽车充电负荷预测前，先对输入数据进行归一化处理，采用min-max标准化，公式如下所示：

式中：X_o表示经过标准化后的电动汽车负荷矩阵；X表示原电动汽车负荷矩阵，该矩阵只有一行，对应的是各个时刻的负荷值；x_min、x_max分别表示原电动汽车负荷矩阵中负荷的最小值和最大值；

确定历史充电负荷信息的存放，即遗忘门的输出：

f_t＝sigmoid(W_f·[h_t-1,x_t]+b_f)

式中：f_t表示遗忘门输出；W_f表示从输入到遗忘门的权重系数；h_t-1表示上一时刻的输出；x_t表示网络当前时刻输入；b_f表示遗忘门偏置；

确定新充电负荷信息的存放，第一部分为通过sigmoid函数得到的输入门输出；另一部分为通过tanh建立的新的候选向量：

i_t＝sigmoid(W_i·[h_t-1,x_t]+b_i)

式中：W_i表示输入门权重参数；b_i表示输入门偏置；表示细胞充电负荷状态候选值；W_C表示细胞充电负荷状态候选值计算权重参数；b_C表示细胞充电负荷状态候选值计算偏置，

更新细胞充电负荷状态：

确定当前时刻充电负荷输出，LSTM中，细胞充电负荷状态经过tanh函数处理和输出门过滤后，得到最终输出：

o_t＝sigmoid(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中：o_t表示输出门输出；W_o表示输入到输出门的权重参数；b_o表示输出门偏置；h_t表示当前时刻的输出；

将蒙特卡洛仿真获得的电动汽车充电负荷样本数据采用上述步骤处理，最终得到LSTM网络的电动汽车充电负荷预测结果；

对电动汽车充电负荷预测结束后，采用均方根误差预测精度评价指标：