CN117993581A - 一种考虑天气影响的电动汽车充电负荷预测方法 - Google Patents

Abstract

本发明提供了一种考虑天气影响的电动汽车充电负荷预测方法，包括：根据多个历史电车出行信息构建用户出行预测模型；构建电动出租车的天气‑日行总里程概率密度函数、出租出行起始时间概率密度函数；构建电动私家车的天气‑出行起始时间概率密度函数；针对目标区域内的每一个目标用户，通过用户出行预测模型预测出目标用户的电车出行方式，得到待分析电车集合；针对电动私家车，通过天气‑出行起始时间概率密度函数预测电动私家车的出行起始时间和出行链；针对电动出租车，通过天气‑日行总里程概率密度函数、出租出行起始时间概率密度函数预测电动出租车的出行起始时间、日行驶里程和出行链；通过电动私家车、电动出租车的出行链，预测充电信息。

Description

一种考虑天气影响的电动汽车充电负荷预测方法

技术领域

本发明涉及电动汽车充电负荷预测技术领域，更具体地涉及一种考虑天气影响的电动汽车充电负荷预测方法。

背景技术

随着全球环境保护意识的不断增强，电动汽车作为一种新兴的环保出行方式受到广泛关注和推广。然而，电动汽车的大规模推广使用也带来了一些新的挑战，由于电动汽车充电通常集中在特定时间段，导致充电高峰期往往与电网用电高峰期重叠。这不仅加重了电网的供电压力，也可能引发电力***的潮流过载、电压越限等运行风险。因此，电动汽车充电负荷预测成为当前电力***领域的一个重要研究课题。

影响电动汽车充电负荷的因素错综复杂。恶劣天气如雨、雪等，会影响人们的出行方式选择，进而影响电动汽车的使用量和充电需求。夏季多降雨、冬季多降雪的地区，人们往往更倾向于选择公共交通、网约车等出行方式，以避免在雨雪天气开车带来的不便，这将减少雨雪天气的电动汽车出行比例和充电需求。因此，将天气因素对电动汽车使用及充电需求的影响纳入充电负荷预测模型，对提高电动汽车充电负荷预测精度、指导电网安全运行具有重要意义。本发明针对上述需求，提出一种考虑天气影响的电动汽车充电负荷预测方法。

发明内容

鉴于上述问题，本发明提供了一种考虑天气影响的电动汽车充电负荷预测方法，包括：根据多个历史电车出行信息构建用户出行预测模型，历史电车出行信息包括对应用户的个人属性信息、出行时的天气信息以及所采用的电车出行方式，用户出行预测模型配置为能够根据所输入的个人属性信息和天气信息预测出对应的电车出行方式，电车出行方式包括：电动私家车出行、电动出租车出行和电动公交车出行；构建电动出租车的天气-日行总里程概率密度函数，天气-日行总里程概率密度函数用于描述电动出租车在不同天气信息下行驶不同日行总里程所对应概率；构建电动出租车出行的出租出行起始时间概率密度函数，出租出行起始时间概率密度函数用于描述电动出租车不同出行起始时间所对应概率；构建电动私家车出行的天气-出行起始时间概率密度函数，天气-出行起始时间概率密度函数用于描述电动私家车在不同天气信息下不同出行起始时间所对应概率；针对目标区域内的每一个目标用户，将目标用户的个人属性信息和当前的天气信息输入至用户出行预测模型内，预测出目标用户的电车出行方式；根据所有目标用户的出行方式运行结果，确定目标区域内待分析的电动私家车、电动出租车和电动公交车的数量，并得到目标区域内待分析电车集合；针对目标区域内待分析电车集合中的每一个目标电动私家车，根据天气-出行起始时间概率密度函数预测目标电动私家车的出行起始时间和出行链；针对目标区域内待分析电车集合中的每一个目标电动出租车，根据天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测目标电动出租车的出行起始时间、日行总里程和出行链；针对每一个目标电动私家车和每一个目标电动出租车，根据目标电动私家车或目标电动出租车的出行链，预测目标电动私家车或目标电动出租车所对应的充电信息；出行链中记载有目标电动私家车或目标电动出租车的出行节点序列以及到达出行节点序列中各节点时的到达时间；充电信息包括充电地址、充电时间和充电量。

根据本发明的实施例，方法还包括：构建目标区域的交通路网矩阵；交通路网矩阵中第i行第j列的元素表示目标区域内连接第i节点与第j节点的道路段的道路长度；构建目标区域的交通流量矩阵；交通流量矩阵中第i行第j列的元素/>表示目标区域内由第i节点出发前往第j节点的交通流量；根据交通流量矩阵生成目标区域的出行概率矩阵，交通流量矩阵中第i行第j列的元素/>表示目标区域内由第i节点出发前往第j节点的概率，其中由第i节点出发前往第j节点的概率等于由第i节点出发前往第j节点的交通流量与由第i节点出发的总交通流量的比值；根据交通路网矩阵和出行概率矩阵生成目标区域的交通路网出行代价矩阵，交通流量矩阵中第i行第j列的元素/>表示目标区域内由第i节点出发前往第j节点的代价，其中/>与/>和/>呈正相关；根据天气-出行起始时间概率密度函数预测目标电动私家车的出行起始时间和出行链的步骤包括：根据天气-出行起始时间概率密度函数采用蒙特卡罗抽样方法确定出目标电动私家车的出行起始时间；根据目标电动私家车的出行起始时间和交通路网出行代价矩阵预测出目标电动私家车的出行链；根据天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测目标电动出租车的出行起始时间、日行总里程和出行链的步骤包括：根据出租出行起始时间概率密度函数采用蒙特卡罗抽样方法确定出目标电动出租车的日行总里程；根据目标电动出租车的出行起始时间、日行总里程和交通路网出行代价矩阵预测出目标电动出租车的出行链。

根据本发明的实施例，根据目标电动私家车的出行起始时间和交通路网出行代价矩阵预测出目标电动私家车的出行链的步骤，包括：基于随机抽样方法从位于居民区的节点中确定目标电动私家车的家节点，并将家节点作为目标电动私家车的出行节点序列中的第一个节点和最后一个节点，以及基于随机抽样方法从目标区域内的预设节点集合中确定目标电动私家车的出行节点序列中位于第一个节点和最后一个节点之间的至多2个中间节点，得到目标电动私家车的出行节点序列，其中目标电动私家车的出行节点序列中第一个节点的到达时间为目标电动私家车的出行起始时间；根据交通路网出行代价矩阵确定目标电动私家车的出行节点序列中除第一个节点外的其他节点的到达时间，具体包括：针对目标电动私家车的出行节点序列中除第一个节点外的每一个节点，根据交通路网出行代价矩阵采用最小路径代价算法确定目标电动私家车从前一节点到达当前节点的行驶路径；根据目标电动私家车从前一节点到达当前节点的行驶路径以及目标电动私家车到达前一节点的到达时间，预测出电动私家车到达当前节点的到达时间。

根据本发明的实施例，根据目标电动出租车的出行起始时间、日行总里程和交通路网出行代价矩阵预测出目标电动出租车的出行链的步骤包括：基于随机抽样方法从目标区域内的全部节点中确定目标电动出租车的出发节点，并将出发节点作为目标电动出租车的出行节点序列中的第一个节点，目标电动出租车的出行节点序列中第一个节点的到达时间为目标电动出租车的出行起始时间；基于随机抽样方法从目标区域内的所有节点中抽取当前节点的一个待前往节点；根据交通路网出行代价矩阵采用最小路径代价算法确定目标电动出租车从当前节点到达待前往节点的行驶路径，并计算目标电动出租车行驶至待前往节点时所对应的日行累积里程；判断目标电动出租车行驶至待前往节点时所对应的日行累积里程是否大于目标电动出租车的日行总里程；若是，则将当前节点作为目标电动出租车的出行节点序列的最后一个节点；若否，根据目标电动出租车从当前节点到达待前往节点的行驶路径以及目标电动出租车到达当前节点的到达时间，预测出目标电动出租车到达待前往节点的到达时间，并将待前往节点作为出行节点序列内当前节点的下一个节点； 将待前往节点作为新的当前节点再次执行基于随机抽样方法从目标区域内的所有节点中抽取当前节点的待前往节点的步骤。

根据本发明的实施例，天气-日行总里程概率密度函数表示如下：

其中，表示日行总里程为s时所对应的概率；s表示日行总里程；/>表示日行总里程期望值；/>表示日行总里程标准差；/>表示第i种天气对出行的影响常量。

根据本发明的实施例，出租出行起始时间概率密度函数表示如下：

其中，表示出租出行起始时间为/>时所对应的概率；/>表示出租出行起始时间；/>、/> 、/>分别为出租出行起始时间概率密度函数内的预设常量。

根据本发明的实施例，天气-出行起始时间概率密度函数表示如下：

其中，表示出租出行起始时间为/>时所对应的概率；/>表示电动汽车出行起始时间；/>、/> 、/>为天气-出行起始时间概率密度函数的常量；/>表示第i种天气对出行的影响常量。

根据本发明的实施例，根据目标电动私家车或目标电动出租车的出行链，预测目标电动私家车或目标电动出租车所对应的充电信息的步骤包括：通过目标电动私家车或目标电动出租车从前一节点到当前节点的行驶路径以及到达前一节点的到达时间，预测目标电动私家车或目标电动出租车到达当前节点的到达时间和当前电量；判断目标电动私家车或目标电动出租车到达当前节点时的当前电量是否小于第一预设阈值；若是，则预测从当前电量充电至第二预设阈值的充电时间和充电量；将当前节点作为充电地址，停驻充电时间后，从当前节点出发至下一节点；若否，从当前节点出发至下一节点；将下一节点作为新的当前节点，再次执行通过目标电动私家车或目标电动出租车从前一节点到当前节点的行驶路径以及到达前一节点的到达时间，预测目标电动私家车或目标电动出租车到达当前节点的到达时间和当前电量的步骤。

本发明的第二方面提供了一种考虑天气影响的电动汽车充电负荷预测***，可用于实现上述方法，***包括：用户出行预测模型模块，用于根据多个历史电车出行信息构建用户出行预测模型，历史电车出行信息包括对应用户的个人属性信息、出行时的天气信息以及所采用的电车出行方式，用户出行预测模型配置为能够根据所输入的个人属性信息和天气信息预测出对应的电车出行方式，电车出行方式包括：电动私家车出行、电动出租车出行和电动公交车出行；出租概率密度函数模块，用于构建电动出租车的天气-日行总里程概率密度函数，天气-日行总里程概率密度函数用于描述电动出租车在不同天气信息下行驶不同日行总里程所对应概率；构建电动出租车出行的出租出行起始时间概率密度函数，出租出行起始时间概率密度函数用于描述电动出租车不同出行起始时间所对应概率；私家概率密度函数模块，用于构建电动私家车出行的天气-出行起始时间概率密度函数，天气-出行起始时间概率密度函数用于描述电动私家车在不同天气信息下不同出行起始时间所对应概率；出行方式预测模块，用于针对目标区域内的每一个目标用户，将目标用户的个人属性信息和当前的天气信息输入至用户出行预测模型内，预测出目标用户的电车出行方式；根据所有目标用户的出行方式运行结果，确定目标区域内待分析的电动私家车、电动出租车和电动公交车的数量，并得到目标区域内待分析电车集合；出行链预测模块，用于针对目标区域内待分析电车集合中的每一个目标电动私家车，根据天气-出行起始时间概率密度函数预测目标电动私家车的出行起始时间和出行链；针对目标区域内待分析电车集合中的每一个目标电动出租车，根据天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测目标电动出租车的出行起始时间、日行总里程和出行链；充电信息预测模块，用于针对每一个目标电动私家车和每一个目标电动出租车，根据目标电动私家车或目标电动出租车的出行链，预测目标电动私家车或目标电动出租车所对应的充电信息；出行链中记载有目标电动私家车或目标电动出租车的出行节点序列以及到达出行节点序列中各节点时的到达时间；充电信息包括充电地址、充电时间和充电量。

本发明的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述考虑天气影响的电动汽车充电负荷预测方法。

本发明的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述考虑天气影响的电动汽车充电负荷预测方法。

根据本发明提供的考虑天气影响的电动汽车充电负荷预测方法，通过建立考虑天气影响的用户出行预测模型、天气-日行里程概率密度函数、天气-出行起始时间概率密度函数、出租出行起始时间概率密度函数，得到雨雪天气下的电动私家车、电动出租车的日行里程、出行时间、出行链，可以预测电动汽车的充电地址、充电时间和充电量。由于日行里程、出行时间、出行链的预测考虑到了天气因素，因此，至少部分的解决了电动汽车充电负荷预测考虑因素不全面，预测不准确的技术问题，实现了结合天气因素准确预测电动汽车充电负荷的技术效果。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本发明实施例的考虑天气影响的电动汽车充电负荷预测方法的流程图；

图2示意性示出了根据本发明实施例的道路拓扑示意图；

图3示意性示出了根据本发明实施例的私家电动汽车的日行驶里程概率分布；

图4示意性示出了根据本发明实施例的出租电动汽车的日行驶里程的概率分布；

图5示意性示出了根据本发明实施例的私家电动汽车出行起始时刻概率分布；

图6示意性示出了根据本发明实施例的私家电动汽车出行结束时刻概率分布；

图7示意性示出了根据本发明实施例的出租电动汽车出行起始时刻概率分布；

图8示意性示出了根据本发明实施例的出租电动汽车出行结束时刻概率分布；

图9示意性示出了根据本发明实施例的考虑天气影响的电动汽车充电负荷预测***的结构框图；

图10示意性示出了根据本发明实施例的适于实现考虑天气影响的电动汽车充电负荷预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等）。

现有研究在预测电动汽车充电负荷时，很少考虑天气条件（雨、雪等）对居民出行方式选择的影响，导致充电负荷预测结果的准确性不高。同时，目前大部分研究只考虑了路网拓扑结构，忽视了区域功能特性和居民出行习惯等因素对充电负荷时空分布的影响，未将电动汽车用户行为模型与交通模型和充电模型有机结合，无法全面描述影响电动汽车充电负荷的各种因素。针对上述问题，本发明提出一种考虑天气影响的电动汽车充电负荷预测方法。

图1示意性示出了根据本发明实施例的考虑天气影响的电动汽车充电负荷预测方法的流程图，如图1所示，本发明的实施例提供了一种考虑天气影响的电动汽车充电负荷预测方法，包括：S1，根据多个历史电车出行信息构建用户出行预测模型，历史电车出行信息包括对应用户的个人属性信息、出行时的天气信息以及所采用的电车出行方式，用户出行预测模型配置为能够根据所输入的个人属性信息和天气信息预测出对应的电车出行方式，电车出行方式包括：电动私家车出行、电动出租车出行和电动公交车出行；S2，构建电动出租车的天气-日行总里程概率密度函数，天气-日行总里程概率密度函数用于描述电动出租车在不同天气信息下行驶不同日行总里程所对应概率；构建电动出租车出行的出租出行起始时间概率密度函数，出租出行起始时间概率密度函数用于描述电动出租车不同出行起始时间所对应概率；S3，构建电动私家车出行的天气-出行起始时间概率密度函数，天气-出行起始时间概率密度函数用于描述电动私家车在不同天气信息下不同出行起始时间所对应概率；S4，针对目标区域内的每一个目标用户，将目标用户的个人属性信息和当前的天气信息输入至用户出行预测模型内，预测出目标用户的电车出行方式；S5，根据所有目标用户的出行方式运行结果，确定目标区域内待分析的电动私家车、电动出租车和电动公交车的数量，并得到目标区域内待分析电车集合；S6，针对目标区域内待分析电车集合中的每一个目标电动私家车，根据天气-出行起始时间概率密度函数预测目标电动私家车的出行起始时间和出行链；S7，针对目标区域内待分析电车集合中的每一个目标电动出租车，根据天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测目标电动出租车的出行起始时间、日行总里程和出行链；S8，针对每一个目标电动私家车和每一个目标电动出租车，根据目标电动私家车或目标电动出租车的出行链，预测目标电动私家车或目标电动出租车所对应的充电信息；出行链中记载有目标电动私家车或目标电动出租车的出行节点序列以及到达出行节点序列中各节点时的到达时间；充电信息包括充电地址、充电时间和充电量。

在该实施例中，基于logistic回归原理构建用户出行预测模型，能够根据所输入的个人属性信息和天气信息预测出对应的电车出行方式，出行者的个人属性包括是否拥有私家车、充电准则、焦虑荷电水平、时间价值、金钱价值等。结合天气信息和个人属性提高了出行方式选择预测的准确度，进一步地能够提高出行链的预测准确度，精准预测充电负荷。

在该实施例中，由于电动公交车出行的日行驶里程取决于固定线路的长度和运营时间比较统一，因此假设电动公交车的日行驶里程里程服从均匀分布，仅分析待分析电车集合中的电动出租车和电动私家车。

通过本发明的实施例，构建考虑天气因素、个人属性的用于预测出行方式的用户用户出行预测模型，实现结合天气预测目标区域内出行方式选择概率；构建天气-日行总里程概率密度函数、出租出行起始时间概率密度函数、天气-出行起始时间概率密度函数，其中出租出行起始时间概率密度函数不考虑天气因素，结合天气预测出租车日行总里程、私家车出行起始时间，提高出行链的预测准确度；通过出行链预测电动私家车、电动出租车的充电信息，通过加和同一时段内每一充电地址的充电量获取目标区域的充电负荷时空分布。

在上述实施例的基础上，方法还包括：构建目标区域的交通路网矩阵；交通路网矩阵中第i行第j列的元素表示目标区域内连接第i节点与第j节点的道路段的道路长度；构建目标区域的交通流量矩阵；交通流量矩阵中第i行第j列的元素/>表示目标区域内由第i节点出发前往第j节点的交通流量；根据交通流量矩阵生成目标区域的出行概率矩阵，交通流量矩阵中第i行第j列的元素/>表示目标区域内由第i节点出发前往第j节点的概率，其中由第i节点出发前往第j节点的概率等于由第i节点出发前往第j节点的交通流量与由第i节点出发的总交通流量的比值；根据交通路网矩阵和出行概率矩阵生成目标区域的交通路网出行代价矩阵，交通流量矩阵中第i行第j列的元素/>表示目标区域内由第i节点出发前往第j节点的代价，其中/>与/>和/>呈正相关；根据天气-出行起始时间概率密度函数预测目标电动私家车的出行起始时间和出行链的步骤包括：根据天气-出行起始时间概率密度函数采用蒙特卡罗抽样方法确定出目标电动私家车的出行起始时间；根据目标电动私家车的出行起始时间和交通路网出行代价矩阵预测出目标电动私家车的出行链；根据天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测目标电动出租车的出行起始时间、日行总里程和出行链的步骤包括：根据出租出行起始时间概率密度函数采用蒙特卡罗抽样方法确定出目标电动出租车的日行总里程；根据目标电动出租车的出行起始时间、日行总里程和交通路网出行代价矩阵预测出目标电动出租车的出行链。

在该实施例中，与/>和/>呈正相关，可选的包括/>为/>和/>的乘积，对的表达方式不做限制。

在该实施例中，交通流量矩阵B(t)表示时段t内的交通流量矩阵，其中表示时段t内从节点i到节点j的交通流量。可以将B(t)转化为反映交通网络中车流的出行概率分布的出行概率矩阵C(t)，具体地，通过下式将B(t)转化为C(t)：

其中，表示在时段t内，车辆处于从第i区域到第j区域的道路的概率；/>表示在时段t内，从第i区域到第j区域的交通流量；/>表示在时段t内，从第i区域出发的总交通流量。

通过本发明的实施例，构建包含道路信息交通路网矩阵，用于出行链的出行节点选取；构建交通路网出行代价矩阵作为最小路径代价算法的权函数，实现同时考虑道路长度与道路拥挤程度的路径规划，将最短路径长度用于出行链的计算。

在上述实施例的基础上，根据目标电动私家车的出行起始时间和交通路网出行代价矩阵预测出目标电动私家车的出行链的步骤，包括：基于随机抽样方法从位于居民区的节点中确定目标电动私家车的家节点，并将家节点作为目标电动私家车的出行节点序列中的第一个节点和最后一个节点，以及基于随机抽样方法从目标区域内的预设节点集合中确定目标电动私家车的出行节点序列中位于第一个节点和最后一个节点之间的至多2个中间节点，得到目标电动私家车的出行节点序列，其中目标电动私家车的出行节点序列中第一个节点的到达时间为目标电动私家车的出行起始时间；根据交通路网出行代价矩阵确定目标电动私家车的出行节点序列中除第一个节点外的其他节点的到达时间，具体包括：针对目标电动私家车的出行节点序列中除第一个节点外的每一个节点，根据交通路网出行代价矩阵采用最小路径代价算法确定目标电动私家车从前一节点到达当前节点的行驶路径；根据目标电动私家车从前一节点到达当前节点的行驶路径以及目标电动私家车到达前一节点的到达时间，预测出电动私家车到达当前节点的到达时间。

在该实施例中，考虑到用户的出行需求，电动私家车主要往返于居民区与工作区，因此将交通路网矩阵的节点划分为工作区、居民区、购物区、休闲区和其他，电动私家车出行链的第一个节点从居民区中抽取，且从第一个节点到最后一个节点之间的节点数量不大于2。

需要说明的是，当不需要充电时，目标电动私家车到达前一节点的到达时间，即为目标电动私家车出发的时间；当需要充电时，目标电动私家车到达前一节点的到达时间加上充电时间，即为目标电动私家车出发的时间。根据已有的两个节点、出发的时间，可以通过预设车辆行驶速度预测车辆行驶花费的时间。

通过本发明的实施例，分析电动私家车出行目的，建立私家车出行模型，抽取获得切合实际的电动私家车出行节点；同时，抽取考虑天气因素的私家车的出行起始时间，从而预测准确的各个节点的到达时间。

在上述实施例的基础上，根据目标电动出租车的出行起始时间、日行总里程和交通路网出行代价矩阵预测出目标电动出租车的出行链的步骤包括：基于随机抽样方法从目标区域内的全部节点中确定目标电动出租车的出发节点，并将出发节点作为目标电动出租车的出行节点序列中的第一个节点，目标电动出租车的出行节点序列中第一个节点的到达时间为目标电动出租车的出行起始时间；基于随机抽样方法从目标区域内的所有节点中抽取当前节点的一个待前往节点；根据交通路网出行代价矩阵采用最小路径代价算法确定目标电动出租车从当前节点到达待前往节点的行驶路径，并计算目标电动出租车行驶至待前往节点时所对应的日行累积里程；判断目标电动出租车行驶至待前往节点时所对应的日行累积里程是否大于目标电动出租车的日行总里程；若是，则将当前节点作为目标电动出租车的出行节点序列的最后一个节点；若否，根据目标电动出租车从当前节点到达待前往节点的行驶路径以及目标电动出租车到达当前节点的到达时间，预测出目标电动出租车到达待前往节点的到达时间，并将待前往节点作为出行节点序列内当前节点的下一个节点；将待前往节点作为新的当前节点再次执行基于随机抽样方法从目标区域内的所有节点中抽取当前节点的待前往节点的步骤。

在该实施例中，电动出租车的随机性极高，因此基于出租车的日行总里程概率密度函数抽样获取日行驶里程后，随机抽取获取出租车的出行链，满足日行驶里程以后结束一天的行程，抽取符合出租车运行规律的出行节点序列。

与电动私家车相同，当不需要充电时，电动出租车到达前一节点的到达时间，即为电动出租车出发的时间；当需要充电时，目标电动私家车到达前一节点的到达时间加上充电时间，即为电动私家车出发的时间。根据已有的两个节点、出发的时间，可以通过预设车辆行驶速度预测车辆行驶花费的时间。

通过本发明的实施例，通过日行总里程与确定出租车出行节点序列的数量，抽取出行节点序列；通过抽取出租车的出行起始时间，从而预测准确的各个节点的到达时间。

在上述实施例的基础上，天气-日行总里程概率密度函数表示如下：

其中，表示日行总里程为s时所对应的概率；s表示日行总里程；/>表示日行总里程期望值；/>表示日行总里程标准差；/>表示第i种天气对出行的影响常量。

在该实施例中，天气可选的可以包括，闪电、风、云、雾、雨、雪、霜、雷、雹、霾，根据天气类型设定对应的天气影响参数。

通过本发明的实施例，通过天气-日行总里程概率密度函数抽取电动出租车的日行总里程，由于概率密度函数中考虑到了天气因素，可以更为准确的预测电动出租车一天的总耗电量。

在上述实施例的基础上，出租出行起始时间概率密度函数表示如下：

其中，表示出租出行起始时间为/>时所对应的概率；/>表示出租出行起始时间；/>、/> 、/>分别为出租出行起始时间概率密度函数内的预设常量。

通过本发明的实施例，由于出租车与私家车的出行目的不同，出租车的出租出行起始时间概率密度函数不考虑天气因素，仅通过历史数据构建出租出行起始时间概率密度函数，实现出租车出行起始时间的预测。

在上述实施例的基础上，天气-出行起始时间概率密度函数表示如下：

其中，表示出租出行起始时间为/>时所对应的概率；/>表示电动汽车出行起始时间；/>、/> 、/>为天气-出行起始时间概率密度函数的常量；/>表示第i种天气对出行的影响常量。

通过本发明的实施例，通过天气-出行起始时间概率密度函数预测电动私家车的出行起始时刻，预测不同天气对私家车出行起始时刻的影响。

在上述实施例的基础上，根据所述目标电动私家车或目标电动出租车的出行链，预测所述目标电动私家车或目标电动出租车所对应的充电信息的步骤包括：通过目标电动私家车或目标电动出租车从前一节点到当前节点的行驶路径以及到达前一节点的到达时间，预测目标电动私家车或目标电动出租车到达当前节点的到达时间和当前电量；判断目标电动私家车或目标电动出租车到达当前节点时的当前电量是否小于第一预设阈值；若是，则预测从所述当前电量充电至第二预设阈值的充电时间和充电量；将当前节点作为充电地址，停驻所述充电时间后，从当前节点出发至下一节点；若否，从当前节点出发至下一节点；将所述下一节点作为新的当前节点，再次执行通过目标电动私家车或目标电动出租车从前一节点到当前节点的行驶路径以及到达前一节点的到达时间，预测目标电动私家车或目标电动出租车到达当前节点的到达时间和当前电量的步骤。

在该实施例中，电动汽车所需充电的时间主要由其电池的总容量、起始SOC、目标SOC以及充电功率共同决定，充电时长计算公式为：

其中，表示充电时长；/>表示第二预设阈值；/>表示当前电量；E表示电池容量；/>表示充电功率；/>表示充电效率。

通过本发明的实施例，在到达每一节点后进行充电判定，当目标电动私家车或目标电动出租车需要充电，则计算需要停驻的充电时间，推迟出发至下一节点的起始时刻；同时，记录当前节点作为充电地址，到达当前节点时间为充电开始时间和充电量，在当前充电地址充电时段为从当前节点的到达时间开始的长度为充电时间的时间段。

实施例一

以某市实际城区部分干道为例，简化为如图2所示的道路拓扑结构。对典型工作日中，大雨及晴朗天气下该区域电动汽车充电负荷进行仿真分析。该路网包含51个节点和149条道路，平均道路长度59.78km。该区域分为居民区A(含节点1—17)、工作区B(含节点17—42)、商业区C(含节点43—51)。

对算例说明如下：边界条件A1：时间范围为[0，96]，将一天内的24小时离散划分96个时刻{t：t=1，2，...，96}；边界条件A2：仅考虑公交车、电动私家车与电动出租车三种出行方式，其中，公交车遵循固定的日程表，出行时长不受流量等因素的影响；边界条件A3：充电准则为EV用户到达活动地点后根据当前SOC是否低于焦虑荷电水平决定是否充电，本发明仅针对市内交通进行研究，跨区域长途出行而产生的在途充电需求不在考虑范围内；边界条件A4：由于边缘计算、云端协同等技术的支持，时间和出行道路等信息的出行者完全掌握，并根据自己的优先性原则选择出行的路径；边界条件A5：只考虑非弹性出勤的出行人员，并不考虑地铁等公共出行交通工具对道路的影响；边界条件A6：认为当地充电站的数量十分庞大，驾驶员总能在目的地找到充电站。因此，不考虑充电排队花费的时间。

根据用户出行预测模型、电动出租车的天气-日行里程概率密度函数、电动私家车出行的天气-出行起始时间概率密度函数及统计得到的数据，以电动私家车和电动出租车为例，可以得出其日行驶里程概率分布以及出行、结束时刻的概率分布，结果如图3~图8所示，上述结果表示两种车型出行里程等数据分布。

根据用户出行预测模型，将用户在雨雪天气下的出行状况进行定量规划并应用到求解算法中，可以得到当前区域内更为准确的不同种类的电动汽车的数量。通过蒙特卡洛抽样，结合用户出行预测模型确定的用户受天气影响出行方式的变化、交通路网矩阵、出行链的最短路径、天气-日行总里程概率密度函数、出租出行起始时间概率密度函数、天气-出行起始时间概率密度函数以及用户充电模型，即可得到三个不同区域中不同天气情况下的电动汽车充电峰值及时空分布情况。

基于上述考虑天气影响的电动汽车充电负荷预测方法，本发明还提供了一种考虑天气影响的电动汽车充电负荷预测***。以下将结合图9对该装置进行详细描述。

图9示意性示出了根据本发明实施例的考虑天气影响的电动汽车充电负荷预测***的结构框图。

如图9所示，该实施例的考虑天气影响的电动汽车充电负荷预测***包括。

用户出行预测模型模块901用于根据多个历史电车出行信息构建用户出行预测模型，历史电车出行信息包括对应用户的个人属性信息、出行时的天气信息以及所采用的电车出行方式，用户出行预测模型配置为能够根据所输入的个人属性信息和天气信息预测出对应的电车出行方式，电车出行方式包括：电动私家车出行、电动出租车出行和电动公交车出行。在一实施例中，用户出行预测模型模块901可以用于执行前文描述的操作S1，在此不再赘述。

出租概率密度函数模块902用于构建电动出租车的天气-日行总里程概率密度函数，天气-日行总里程概率密度函数用于描述电动出租车在不同天气信息下行驶不同日行总里程所对应概率；构建电动出租车出行的出租出行起始时间概率密度函数，出租出行起始时间概率密度函数用于描述电动出租车不同出行起始时间所对应概率。在一实施例中，出租概率密度函数模块902可以用于执行前文描述的操作S2，在此不再赘述。

私家概率密度函数模块903用于构建电动私家车出行的天气-出行起始时间概率密度函数，天气-出行起始时间概率密度函数用于描述电动私家车在不同天气信息下不同出行起始时间所对应概率。在一实施例中，私家概率密度函数模块903可以用于执行前文描述的操作S3，在此不再赘述。

出行方式预测模块904用于针对目标区域内的每一个目标用户，将目标用户的个人属性信息和当前的天气信息输入至用户出行预测模型内，预测出目标用户的电车出行方式；根据所有目标用户的出行方式运行结果，确定目标区域内待分析的电动私家车、电动出租车和电动公交车的数量，并得到目标区域内待分析电车集合。在一实施例中，出行方式预测模块904可以用于执行前文描述的操作S4~5，在此不再赘述。

出行链预测模块905用于针对目标区域内待分析电车集合中的每一个目标电动私家车，根据天气-出行起始时间概率密度函数预测目标电动私家车的出行起始时间和出行链；针对目标区域内待分析电车集合中的每一个目标电动出租车，根据天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测目标电动出租车的出行起始时间、日行总里程和出行链。在一实施例中，出行链预测模块905可以用于执行前文描述的操作S6~7，在此不再赘述。

充电信息预测模块906，用于针对每一个目标电动私家车和每一个目标电动出租车，根据目标电动私家车或目标电动出租车的出行链，预测目标电动私家车或目标电动出租车所对应的充电信息；出行链中记载有目标电动私家车或目标电动出租车的出行节点序列以及到达出行节点序列中各节点时的到达时间；充电信息包括充电地址、充电时间和充电量。在一实施例中，充电信息预测模块906可以用于执行前文描述的操作S8，在此不再赘述。

图10示意性示出了根据本发明实施例的适于实现适于实现考虑天气影响的电动汽车充电负荷预测方法的电子设备的方框图。

如图10所示，根据本发明实施例的电子设备1000包括处理器1001，其可以根据存储在只读存储器（ROM）1002中的程序或者从存储部分1008加载到随机访问存储器（RAM）1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器（例如CPU）、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（ASIC））等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM1002以及RAM1003通过总线1004彼此相连。处理器1001通过执行ROM1002和/或RAM1003中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM1002和RAM1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。

根据本发明的实施例，电子设备1000还可以包括输入/输出（I/O）接口1005，输入/输出（I/O）接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的；也可以是单独存在，而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。

根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM1002和/或RAM1003和/或ROM1002和RAM1003以外的一个或多个存储器。

本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机***中运行时，该程序代码用于使计算机***实现本发明实施例所提供的方法。

附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。

以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。

Claims (10)

1.一种考虑天气影响的电动汽车充电负荷预测方法，其特征在于，包括：

根据多个历史电车出行信息构建用户出行预测模型，所述历史电车出行信息包括对应用户的个人属性信息、出行时的天气信息以及所采用的电车出行方式，所述用户出行预测模型配置为能够根据所输入的个人属性信息和天气信息预测出对应的电车出行方式，所述电车出行方式包括：电动私家车出行、电动出租车出行和电动公交车出行；

构建电动出租车的天气-日行总里程概率密度函数，所述天气-日行总里程概率密度函数用于描述电动出租车在不同天气信息下行驶不同日行总里程所对应概率；

构建电动出租车出行的出租出行起始时间概率密度函数，所述出租出行起始时间概率密度函数用于描述电动出租车不同出行起始时间所对应概率；

构建电动私家车出行的天气-出行起始时间概率密度函数，所述天气-出行起始时间概率密度函数用于描述电动私家车在不同天气信息下不同出行起始时间所对应概率；

针对目标区域内的每一个目标用户，将所述目标用户的个人属性信息和当前的天气信息输入至用户出行预测模型内，预测出所述目标用户的电车出行方式；

根据所有目标用户的出行方式运行结果，确定所述目标区域内待分析的电动私家车、电动出租车和电动公交车的数量，并得到所述目标区域内待分析电车集合；

针对所述目标区域内待分析电车集合中的每一个目标电动私家车，根据所述天气-出行起始时间概率密度函数预测所述目标电动私家车的出行起始时间和出行链；

针对所述目标区域内待分析电车集合中的每一个目标电动出租车，根据所述天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测所述目标电动出租车的出行起始时间、日行总里程和出行链；

针对每一个目标电动私家车和每一个所述目标电动出租车，根据所述目标电动私家车或目标电动出租车的出行链，预测所述目标电动私家车或目标电动出租车所对应的充电信息；

所述出行链中记载有所述目标电动私家车或所述目标电动出租车的出行节点序列以及到达所述出行节点序列中各节点时的到达时间；

所述充电信息包括充电地址、充电时间和充电量。

2.根据权利要求1所述的方法，其中，所述方法还包括：

构建所述目标区域的交通路网矩阵；所述交通路网矩阵中第i行第j列的元素表示所述目标区域内连接第i节点与第j节点的道路段的道路长度；

构建所述目标区域的交通流量矩阵；所述交通流量矩阵中第i行第j列的元素表示所述目标区域内由第i节点出发前往第j节点的交通流量；

根据所述交通流量矩阵生成所述目标区域的出行概率矩阵，所述交通流量矩阵中第i行第j列的元素表示所述目标区域内由第i节点出发前往第j节点的概率，其中由第i节点出发前往第j节点的概率等于由第i节点出发前往第j节点的交通流量与由第i节点出发的总交通流量的比值；

根据所述交通路网矩阵和所述出行概率矩阵生成所述目标区域的交通路网出行代价矩阵，所述交通流量矩阵中第i行第j列的元素表示所述目标区域内由第i节点出发前往第j节点的代价，其中/>与/>和/>呈正相关；

根据所述天气-出行起始时间概率密度函数预测所述目标电动私家车的出行起始时间和出行链的步骤包括：

根据所述天气-出行起始时间概率密度函数采用蒙特卡罗抽样方法确定出所述目标电动私家车的出行起始时间；

根据所述目标电动私家车的出行起始时间和所述交通路网出行代价矩阵预测出所述目标电动私家车的出行链；

根据所述天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测所述目标电动出租车的出行起始时间、日行总里程和出行链的步骤包括：

根据出租出行起始时间概率密度函数采用蒙特卡罗抽样方法确定出所述目标电动出租车的日行总里程；

根据所述目标电动出租车的出行起始时间、日行总里程和所述交通路网出行代价矩阵预测出所述目标电动出租车的出行链。

3.根据权利要求2所述的方法，其中，根据所述目标电动私家车的出行起始时间和所述交通路网出行代价矩阵预测出所述目标电动私家车的出行链的步骤，包括：

基于随机抽样方法从位于居民区的节点中确定所述目标电动私家车的家节点，并将所述家节点作为所述目标电动私家车的出行节点序列中的第一个节点和最后一个节点，以及基于随机抽样方法从所述目标区域内的预设节点集合中确定所述目标电动私家车的出行节点序列中位于第一个节点和最后一个节点之间的至多2个中间节点，得到所述目标电动私家车的出行节点序列，其中所述目标电动私家车的出行节点序列中第一个节点的到达时间为所述目标电动私家车的出行起始时间；

根据所述交通路网出行代价矩阵确定所述目标电动私家车的所述出行节点序列中除第一个节点外的其他节点的到达时间，具体包括：

针对所述目标电动私家车的所述出行节点序列中除第一个节点外的每一个节点，根据所述交通路网出行代价矩阵采用最小路径代价算法确定所述目标电动私家车从前一节点到达当前节点的行驶路径；

根据所述目标电动私家车从前一节点到达所述当前节点的行驶路径以及所述目标电动私家车到达前一节点的到达时间，预测出所述标电动私家车到达所述当前节点的到达时间。

4.根据权利要求2所述的方法，其特征在于，根据所述目标电动出租车的出行起始时间、日行总里程和所述交通路网出行代价矩阵预测出所述目标电动出租车的出行链的步骤包括：

基于随机抽样方法从目标区域内的全部节点中确定所述目标电动出租车的出发节点，并将所述出发节点作为所述目标电动出租车的出行节点序列中的第一个节点，所述目标电动出租车的出行节点序列中第一个节点的到达时间为所述目标电动出租车的出行起始时间；

基于随机抽样方法从所述目标区域内的所有节点中抽取当前节点的一个待前往节点；

根据所述交通路网出行代价矩阵采用最小路径代价算法确定所述目标电动出租车从当前节点到达待前往节点的行驶路径，并计算所述目标电动出租车行驶至待前往节点时所对应的日行累积里程；

判断所述目标电动出租车行驶至待前往节点时所对应的日行累积里程是否大于所述目标电动出租车的日行总里程；

若是，则将所述当前节点作为所述目标电动出租车的出行节点序列的最后一个节点；

若否，根据所述目标电动出租车从所述当前节点到达所述待前往节点的行驶路径以及所述目标电动出租车到达所述当前节点的到达时间，预测出所述目标电动出租车到达待前往节点的到达时间，并将所述待前往节点作为所述出行节点序列内当前节点的下一个节点；

将所述待前往节点作为新的当前节点再次执行基于随机抽样方法从所述目标区域内的所有节点中抽取当前节点的待前往节点的步骤。

5.根据权利要求1所述的方法，其特征在于，所述天气-日行总里程概率密度函数表示如下：

；

其中，表示日行总里程为s时所对应的概率；s表示日行总里程；/>表示日行总里程期望值；/>表示日行总里程标准差；/>表示第i种天气对出行的影响常量。

6.根据权利要求1所述的方法，其特征在于，所述出租出行起始时间概率密度函数表示如下：

；

其中，表示出租出行起始时间为/>时所对应的概率；/>表示出租出行起始时间；、/> 、/>分别为出租出行起始时间概率密度函数内的预设常量。

7.根据权利要求1所述的方法，其特征在于，所述天气-出行起始时间概率密度函数表示如下：

；

其中，表示出租出行起始时间为/>时所对应的概率；/>表示电动汽车出行起始时间；/>、/> 、/>为天气-出行起始时间概率密度函数的常量；/>表示第i种天气对出行的影响常量。

8.根据权利要求1所述的方法，其特征在于，根据所述目标电动私家车或目标电动出租车的出行链，预测所述目标电动私家车或目标电动出租车所对应的充电信息的步骤包括：

通过目标电动私家车或目标电动出租车从前一节点到当前节点的行驶路径以及到达前一节点的到达时间，预测目标电动私家车或目标电动出租车到达当前节点的到达时间和当前电量；

判断目标电动私家车或目标电动出租车到达当前节点时的当前电量是否小于第一预设阈值；

若是，则预测从所述当前电量充电至第二预设阈值的充电时间和充电量；将当前节点作为充电地址，停驻所述充电时间后，从当前节点出发至下一节点；

若否，从当前节点出发至下一节点；

将所述下一节点作为新的当前节点，再次执行通过目标电动私家车或目标电动出租车从前一节点到当前节点的行驶路径以及到达前一节点的到达时间，预测目标电动私家车或目标电动出租车到达当前节点的到达时间和当前电量的步骤。

9.一种考虑天气影响的电动汽车充电负荷预测***，其特征在于，所述***可用于实现如权利要求1至8中任一所述方法，所述***包括：

用户出行预测模型模块，用于根据多个历史电车出行信息构建用户出行预测模型，所述历史电车出行信息包括对应用户的个人属性信息、出行时的天气信息以及所采用的电车出行方式，所述用户出行预测模型配置为能够根据所输入的个人属性信息和天气信息预测出对应的电车出行方式，所述电车出行方式包括：电动私家车出行、电动出租车出行和电动公交车出行；

出租概率密度函数模块，用于构建电动出租车的天气-日行总里程概率密度函数，所述天气-日行总里程概率密度函数用于描述电动出租车在不同天气信息下行驶不同日行总里程所对应概率；构建电动出租车出行的出租出行起始时间概率密度函数，所述出租出行起始时间概率密度函数用于描述电动出租车不同出行起始时间所对应概率；

私家概率密度函数模块，用于构建电动私家车出行的天气-出行起始时间概率密度函数，所述天气-出行起始时间概率密度函数用于描述电动私家车在不同天气信息下不同出行起始时间所对应概率；

出行方式预测模块，用于针对目标区域内的每一个目标用户，将所述目标用户的个人属性信息和当前的天气信息输入至用户出行预测模型内，预测出所述目标用户的电车出行方式；根据所有目标用户的出行方式运行结果，确定所述目标区域内待分析的电动私家车、电动出租车和电动公交车的数量，并得到所述目标区域内待分析电车集合；

出行链预测模块，用于针对所述目标区域内待分析电车集合中的每一个目标电动私家车，根据所述天气-出行起始时间概率密度函数预测所述目标电动私家车的出行起始时间和出行链；针对所述目标区域内待分析电车集合中的每一个目标电动出租车，根据所述天气-日行总里程概率密度函数、出租出行起始时间概率密度函数预测所述目标电动出租车的出行起始时间、日行总里程和出行链；

充电信息预测模块，用于针对每一个目标电动私家车和每一个所述目标电动出租车，根据所述目标电动私家车或目标电动出租车的出行链，预测所述目标电动私家车或目标电动出租车所对应的充电信息；所述出行链中记载有所述目标电动私家车或所述目标电动出租车的出行节点序列以及到达所述出行节点序列中各节点时的到达时间；所述充电信息包括充电地址、充电时间和充电量。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。