一种多光储充电站的电动汽车充放电协同调度方法及系统

1.本发明涉及但不限于电力技术领域，尤其涉及一种多光储充电站的电动汽车充放电协同调度方法及系统。


背景技术：

2.近年来，随着经济发展和化石燃料的日益匮乏、环境污染问题的加重，电动汽车的发展和普及具有很大的前景。截至2022年3月，全国电动汽车保有量突破890万辆，接入电网的充电桩数目超过200万台。大规模电动汽车的无序接入必定会给配电网带来一系列问题，例如引发网络损耗、电压质量下降、电网峰谷负荷差加剧等。
3.而电动汽车因其电池特性可被视为储能设备，可与电网进行充放电交互，起到调峰的作用。为了充分发挥电动汽车的充放电调度能力，v2g技术(vehicle-to-grid)被提出：电动汽车在用电高峰期向电网放电，在用电低谷期从电网吸收能量，以缩小电网负荷峰谷差。为了充分发挥电动汽车v2g的功能，降低上述的不利影响，需要制定有效的有序充放电优化策略，为电动汽车充放电进行合理的安排。


技术实现要素：

4.为了解决上述问题，本发明提供了一种电动汽车分层分群优化调度方法、装置、终端及存储介质。
5.本发明的技术方案是这样实现的：
6.一种多光储充电站的电动汽车充放电协同调度方法，包括以下步骤：
7.s1：建立多光储充电站的电动汽车协同调度架构，包括以下步骤：
8.s11：建立电动汽车分层分群调度框架，包括光储充电站、微网和配电网；
9.s12：在所述电动汽车分层分群调度框架的基础上，建立所述多光储充电站的电动汽车协同调度架构，包括调度中心；
10.s2：建立微网内部组成单元模型及电动汽车的参与电力调度约束；
11.s3：建立电动汽车的充放电动态电价模型；
12.s4：在步骤s1、s2及s3的基础上建立光储充电站的电动汽车充放电调度策略，实现多光储充电站的电动汽车充放电协同调度，包括以下步骤：
13.s41：建立电动汽车底层集群模型；基于所述微网内部组成单元模型和电动汽车用户的期望荷电状态，确定所述参与电力调度约束下的最大功率调度电位；根据所述最大功率调度电位，利用所述电动汽车底层集群模型对电动汽车进行分群及充放电的负荷需求统计，得到分群信息；
14.s42：基于微网负荷差变化量和电动汽车匹配到充电站的指派费用，建立电动汽车的指派模型；基于电动汽车的申请调度时间及其对应的电动汽车及充电站的实时信息，利用所述指派模型，确定用户参与调度的响应概率；根据所述响应概率，以指派费用最小化及微网负荷方差变化量最小化为目标，确定综合目标，以将电动汽车合理指派给充电站，完成
电动汽车与光储充电站一一匹配；
15.s43：基于动态电价下的每辆电动汽车充放电的运行成本和传输功率波动，建立分群充放电调度的目标函数，并确定目标约束条件；基于所述分群信息，以充放电的运行成本最小化及传输功率波动最小化为目标，确定所述目标约束条件下的传输功率；
16.s44：建立配网潮流计算模型，并判断所述传输功率是否满足配网潮流约束，得到配网潮流约束结果；
17.s45：根据所述配网潮流约束结果，利用功率分配算法将所述传输功率作为当前时间的可调度负荷分配给各电动汽车，最终在最小化电动汽车充放电的运行成本的同时，使电动汽车充放电的传输功率波动最小，实现电动汽车的分层分群优化调度。
18.本发明实施例还提供了一种电动汽车分层分群充放电优化调度系统，包括：
19.调度框架初始化单元，用于建立电动汽车的分层调度框架，包括光储充电站、微网和配电网；
20.电价调整单元，用于建立微网内部组成单元模型及电动汽车的参与电力调度约束；
21.所述电价调整单元，也用于建立电动汽车的充放电动态电价模型；
22.分群调度指派单元，用于建立电动汽车底层集群模型；基于所述微网内部组成单元模型和电动汽车用户的期望荷电状态，确定所述参与电力调度约束下的最大功率调度电位；根据所述最大功率调度电位，利用所述电动汽车底层集群模型对电动汽车进行分群及充放电的负荷需求统计，得到分群信息；
23.所述分群调度指派单元，也用于基于微网负荷差变化量和电动汽车匹配到充电站的指派费用，建立电动汽车的指派模型；基于电动汽车的申请调度时间及其对应的电动汽车及充电站的实时信息，利用所述指派模型，确定用户参与调度的响应概率；根据所述响应概率，以指派费用最小化及微网负荷方差变化量最小化为目标，确定综合目标，以将电动汽车合理指派给充电站，完成电动汽车与光储充电站一一匹配；
24.所述分群调度指派单元，还用于基于动态电价下的每辆电动汽车充放电的运行成本和传输功率波动，建立分群充放电调度的目标函数，并确定目标约束条件；基于所述分群信息，以充放电的运行成本最小化及传输功率波动最小化为目标，确定所述目标约束条件下的传输功率；
25.所述分群调度指派单元，还用于建立配网潮流计算模型，并判断所述传输功率是否满足配网潮流约束，得到配网潮流约束结果；
26.输出分配单元，用于根据所述配网潮流约束结果，利用功率分配算法将所述传输功率作为当前时间的可调度负荷分配给各电动汽车，最终在最小化电动汽车充放电的运行成本的同时，使电动汽车充放电的传输功率波动最小，实现电动汽车的分层分群优化调度。
27.本发明实施例提供了一种电动汽车分层分群优化调度方法，首先建立电动汽车的微网内部组成单元模型及约束条件，包括电动汽车单体充放电模型、储能充放电模型；然后建立电动汽车充放电动态电价模型；最后基于所述微网内部组成单元模型及所述电动汽车充放电动态电价模型，建立电动汽车分层分群调度架构和策略，包括电动车分层分群调度框架、电动汽车底层集群模型、微网目标函数与约束条件及配网潮流模型，实现电动汽车分层分群优化调度。本发明与现有的方法相比，提出了一种分层分群的优化方法，可进一步减
少优化变量，降低求解维度，同时考虑到了配网潮流优化，将来可为电动汽车调度提供一条新的思路。
附图说明
28.下面将结合附图及实施例对本发明作进一步说明，附图中：
29.图1是本发明实施例提供的一种多光储充电站的电动汽车充放电协同调度方法的流程示意图；
30.图2是本发明实施例提供的一种多光储充电站的电动汽车充放电协同调度方法的多光储充电站汽车协同调度结构图；
31.图3是本发明实施例提供的一种多光储充电站的电动汽车充放电协同调度方法的分层调度结构图；
32.图4是本发明实施例提供的一种多光储充电站的电动汽车充放电协同调度方法的电动汽车充放电过程荷电状态变化；
33.图5本发明实施例提供的一种多光储充电站的电动汽车充放电协同调度方法的电动汽车用户响应概率曲线；
34.图6是本发明实施例提供的一种多光储充电站的电动汽车充放电协同调度系统示意图。
具体实施方式
35.以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
36.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
37.如图1所示，本发明实施例提供了一种多光储充电站的电动汽车充放电协同调度方法，所述方法包括以下步骤：
38.s1：建立电动汽车的分层调度框架，包括光储充电站、微网和配电网；
39.s2：建立微网内部组成单元模型及电动汽车的参与电力调度约束；
40.s3：建立电动汽车充放电动态电价模型；
41.s4：在步骤s1、s2及s3的基础上建立光储充电站的电动汽车充放电调度策略，实现多光储充电站的电动汽车充放电协同调度。
42.本发明实施例所述多光储充电站的电动汽车充放电协同调度方法由终端执行。所述终端可以是各类型的终端；例如，所述终端可以是但不限于是以下至少之一：服务器、计算机、平板电脑或者其他电子设备。
43.进一步地，所述步骤s1中的分层调度框架为三层调度架构，包括底层的光储充电站，中层的微网和上层的配电网；所述多光储充电站汽车协同调度架构，包括调度中心；其中，
44.各所述光储充电站获取当前时间有充放电需求的所有电动汽车的充电信息，并通过所述电动汽车底层集群模型对电动汽车进行分群和充放电负荷需求统计，得到所述分群
信息；
45.各所述光储充电站将自身的光伏及负荷信息和所述分群信息上传给对应的所述微网；
46.所述调度中心根据接收到的各所述微网发送的电动汽车及充电站的实时信息，通过所述调度参与方模型，判断电动汽车是否参与空间调度；并以综合指派成本最小和各微网负荷峰谷差最小为目标，通过所述电动汽车指派模型，为参与空间调度的电动汽车选择对应的光储充电站，建立电动汽车与光储充电站一一对应的匹配关系，并确定为相应的调度指令，实现电动汽车在空间上的调度；
47.所述微网根据所述光伏及负荷信息和分群信息，利用所述目标函数，在所述目标约束条件下，确定当前时间所述配电网和充电站间的所述传输功率，并上传给所述配电网；
48.所述配电网通过所述配网潮流计算模型对所述传输功率进行潮流计算，得到所述配网潮流约束结果并返回给所述微网；
49.所述微网根据所述配网潮流约束结果，判断优化后的所述传输功率是否满足所有层级约束，若是，则将所述传输功率作为当前时间的可调度负荷，并反馈给所述光储充电站；
50.所述光储充电站根据所述可调度负荷，通过功率分配算法按需分配给所述电动汽车，实现电动汽车的有序充放电控制。
51.这里，所述电动汽车及充电站的实时信息包括：在所述申请调度时间，所述电动汽车的位置信息、荷电状态和用户的期望荷电状态，所述光储充电站的位置信息和剩余可用充电桩数量。
52.示例性的，如图2所述的多光储充电站的电动汽车充放电协同调度方法的整体架结构图，所述光储充电站与所述微网一一对应，包括光储充电站1和对应的微网1，光储充电站2和对应的微网2，光储充电站3和对应的微网3；所述微网获取所述实时信息，并发送给所述调度中心；所述调度中心根据实时信息确定对应的电动汽车需求，并通过所述指派模型，建立电动汽车与充电站一一对应的匹配关系，确定电动汽车空间调度，进而得到调度计划；所述调度中心将所述调度计划生成相应的调度指令发送给所述微网；所述微网根据接收到的所述调度指令完成电动汽车在空间上的调度。
53.如此，本发明实施例可以针对电动汽车在空间上存在的分布特性差异大问题，充分利用电动汽车这一灵活的调度资源，建立所述多光储充电站的电动汽车系统调度架构；并基于建立的多光储充电站的电动汽车协同调度架构，考虑用户需求和用户意愿，增加电动汽车空间优化调度策略，引导有电力需求的电动汽车与不同的调度充电站进行能量交换，从而实现多光储充电站与配网在时空上的协同优化调度，进一步降低配网网损。
54.示例性的，如图3所示的电动汽车的分层分群优化调度方法的整体框架结构图，具体为：所述光储充电站的控制中心，首先获取电动汽车ev1、ev2、
……
、evn的充电信息，再对所述电动汽车ev1、ev2、
……
、evn进行分群和车群充放电负荷需求统计，得到当前时间的分群信息；最后将所述分群信息和光伏及负荷信息一起上传给微网。所述微网根据所述光伏及负荷信息和分群信息，利用所述目标函数，在所述目标约束条件下，对当前时间所述配电网和充电站间的所述传输功率进行充放电优化调度，并将优化后的所述传输功率上传给所述配电网；所述配电网对优化后的所述传输功率进行潮流计算，并将得到的配网潮流约束
结果反馈给所述微网；所述微网根据接收到的所述配网潮流约束结果，将优化后的所述传输功率作为可调度负荷发送给所述光储充电站的控制中心；所述控制中心通过功率分配算法将所述可调度负荷转变为相应的分配指令，对电动汽车进行有序充放电控制。
55.如此，本发明实施例可以基于分层分群的考虑电动汽车未来出行需求的调度策略，可使电动汽车集群内功率合理分配、电动汽车有序充放电，降低求解难度，实现光储充电站与配网的协同优化。
56.这里，所述光储充电站包括充电桩，所述充电桩的数量与所述电动汽车的数量相同。
57.这里，所述光储充电站可以是由供配电系统、储能系统、光伏发电系统、充电系统等部分组成的一体充电站，包括太阳能电池阵列、光伏逆变器、电池、双向交流器及充电桩、dc-dc变换器等设备。
58.进一步地，所述微网内部组成单元模型包括单体充放电模型和储能充放电模型，所述步骤s2具体包括以下步骤：
59.s21：在电动汽车不可同时充放电的前提下，根据电动汽车用户的期望电荷状态，确定电动汽车的参与电力调度约束为：
[0060][0061]
其中，s
min
为电动汽车允许的最大荷电状态，s
max
为电动汽车允许的最小荷电状态；t
arr
为电动汽车到达储充电站的时间，t
dep
为电动汽车离开充电站的时间；s
dep
为电动汽车用户的期望荷电状态；
[0062]
这里，所述荷电状态为电动汽车的电池剩余可放电电量与最大电量之比，也称为剩余电量。
[0063]
s22：确定电动汽车在所述参与电力调度约束下的最大功率调度电位，建立所述单体充放电模型：
[0064][0065]
其中，e
ch
(t)为电动汽车时间t的最大充电容量；e
disc
(t)为电动汽车时间t的最大放电容量；t
disc，max
为电动汽车达到最大放电容量的最大放电时间；
[0066]
s23：建立电动汽车储能电池的所述储能充放电模型，如下：
[0067][0068]
其中，soc(t-1)表示电池在时间t-1的荷电状态，pb(t)表示电池在时间t的充放电功率，en表示电池的额定容量，ηc为电池的充电效率，ηd为电池的放电效率，θ表示电池的自放电效率，δt为电池的充放电步长。
[0069]
可以理解的是，所述电池在时间t的充放电功率pb(t)＞0表示电池放电，pb(t)《0表示电池充电，pb(t)＝0表示电池静置，既不充电也不放电。
[0070]
这里，所述电池的充放电步长是所述电动汽车储能电池的充放电耗时。
[0071]
进一步地，所述步骤s22还包括：所述电动汽车在时间t的充放电状态s(t)，表述为：
[0072][0073]
其中，s(t-1)为电动汽车时间t-1的充放电状态，δt为充放电步长，为电动汽车时间t的充电功率，为电动汽车时间t的放电功率，η
ch
为电动汽车的充电效率，η
disc
为电动汽车的放电效率，e
rated
为电动汽车的额定存储容量；
[0074]
根据所述电动汽车在时间t的充放电状态s(t)和所述电动汽车的参与电调度约束，确定所述电动汽车的最大功率调度电位，构成所述单体充放电模型。
[0075]
如图4所示的电动汽车充放电过程荷电状态变化，其中，s
min
为所述电动汽车允许的最大荷电状态，s
max
为所述电动汽车允许的最小荷电状态；t
arr，i
为电动汽车i到达所述光储充电站的时间，t
dep，i
为电动汽车i离开所述光储充电站的时间；s
arr，i
为电动汽车i接入电力系统时的初始荷电状态，s
dep，i
为电动汽车i的期望荷电状态；a-b-c构成电动汽车参与调度时荷电状态的最大边界值，表示电动汽车到达充电站后立即充电，当电动汽车的荷电状态到达s
max
时，电动汽车充电完成；d-e-f构成电动汽车参与调度时荷电状态的最小边界值，表示电动汽车立即放电，当电动汽车的荷电状态降至最小值时，放电无法继续；e-f表示强制充电过程，如果电动汽车在充电站中停留很长一段时间，它可以保持不充电状态，但当时间到达强制充电时间时，对电池进行充电，以确保用户的出行需求。
[0076]
进一步地，所述步骤s3包括：
[0077]
s31：建立电动汽车的充电电价更新模型，如下：
[0078][0079]
其中，为时间t微网的电动汽车充电电价，v
bserv
为基本充电服务费，为时间t微网的充电服务费调整系数；
[0080]
这里，所述基本充电服务费取0.3yuan/kwh。
[0081]
s32：建立电动汽车的放电电价更新模型，如下：
[0082]
[0083]
其中，为时间t微网的放电激励基础电价，v
bcomp
为基础放电激励价格，为所述放电激励基础电价调整系数；
[0084]
s33：基于所述放电电价更新模型和充电电价更新模型，建立所述电动汽车充放电动态电价模型，表述为：
[0085][0086]
其中，为时间t微网的电动汽车充电电价，为时间t微网的充放电基础价格，为时间t微网的充电服务调整价格；为时间t微网的电动汽车放电电价，为时间t微网的放电激励调整电价；为时间t微网的电动汽车充电电价上限，为时间t微网的电动汽车充电电价下限；为时间t微网的电动汽车放电电价上限，为时间t微网的电动汽车放电电价下限。
[0087]
这里，所述电动汽车充电电价由所述微网根据充电额削峰填谷需求和光伏输出功率进行制定和动态更新；所述电动汽车充电电价由所述微网根据放电削峰填谷需求和光伏输出功率进行制定和动态更新。
[0088]
进一步地，所述步骤s4在s1、s2和s3的基础上建立光储充电站的电动汽车充放电调度策略，实现电动汽车的分层分群充放电的优化调度，具体包括以下步骤：
[0089]
s41：建立电动汽车底层集群模型；基于所述微网内部组成单元模型和电动汽车用户的期望荷电状态，确定所述参与电力调度约束下的最大功率调度电位；根据所述最大功率调度电位，利用所述电动汽车底层集群模型对电动汽车进行分群及充放电的负荷需求统计，得到分群信息；
[0090]
s42：基于动态电价下的每辆电动汽车充放电的运行成本和传输功率波动，建立分群充放电调度的目标函数，并确定目标约束条件；基于所述分群信息，以充放电的运行成本最小化及传输功率波动最小化为目标，确定所述目标约束条件下的传输功率；
[0091]
s43：建立配网潮流计算模型，并判断所述传输功率是否满足配网潮流约束，确定配网潮流约束结果；
[0092]
s44：根据所述配网潮流约束结果，利用分数功率分配算法将所述传输功率作为当前时间的可调度负荷分配给各电动汽车，最终在最小化电动汽车充放电的运行成本的同时，使电动汽车充放电的传输功率波动最小，实现电动汽车的分层分群优化调度。
[0093]
进一步地，所述步骤s41中所述分群信息包括车群信息和车群负荷信息，所述电动汽车底层集群模型用于对电动汽车进行分群和负荷需求统计，所述方法包括下述步骤：
[0094]
s41a：获取所述电动汽车对应的车主意愿，将所述车主意愿为拒绝调度的电动汽车编入常规车群g1；
[0095]
这里，所述车主意愿为当前时间车主是愿意接受所述微网的充放电优化调度，包括但同意调度和拒绝调度。
[0096]
s41b：判定所述车主意愿为同意调度的电动汽车是否满足预设的分群判别标准，若是，则编入所述常规车群g1；若否，则编入调度车群g2；其中，所述分群判别标准为：
[0097][0098]
其中，si(t)为电动汽车i在时间t的荷电状态，s
min
为电动汽车的最小荷电状态，为时间t电动汽车i在充电站的停留时间，p
ch,max
为电动汽车的最大充电功率，s
dep,i
为电动汽车i的期望荷电状态；
[0099]
这里，所述常规车群g1具有不可调控的绝对性，当充电桩检测接入电动汽车符合所述常规车群g1的分群标准时，将自动进入充电模式；所述调度车群g2能通过充电桩提供双向功率流到微网，该车群的充电起始时间可以在出行时刻前进行灵活调节。
[0100]
这里，所述期望荷电状态可以理解为用户预期的出行荷电状态，也就是说，用户期望的电动汽车i充电后达到的电量。
[0101]
需要说明的是，所述分群判别标准包括电动汽车i的电池约束，即si(t)《s
min
和时间约束，即表示若电动汽车i在有限的停留时间内持续充电未能满足所述预期出行荷电状态，应将电动汽车i编入车群g1，并立即为其充电。
[0102]
s41c：统计所述常规车群g1和调度车群g2的负荷需求，确定时间t的车群负荷信息，包括：
[0103]
所述常规车群g1的电动汽车ev在时间t的充电功率为：
[0104][0105]
其中，p
iev
为电动汽车i的额定功率；evi∈g1表示所述常规车群g1的电动汽车；
[0106]
需要说明的是，对所述常规车群g1中的电动汽车需要进行恒流充电，因此，常规车群g1立刻进行充电，而调度车群g2需要进行充放电的优化调度；所述常规车群g1的电动汽车ev在时间t的充电功率就是其额定功率
[0107]
所述调度车群g2的可充电负荷和可放电负荷其中，所述可充电负荷为：
[0108][0109]
所述可放电功率为：
[0110][0111]
且，为时间t电动汽车i的最大充电功率，为时间t电动汽车i对应的充电桩i的最大放电功率，evi∈g2表示所述调度车群g2中的电动汽车。
[0112]
需要说明的是，所述可充电负荷和可放电负荷构成所述调度车群g2的可调度能力。
[0113]
这里，所述可充电负荷可以理解为所述调度车群g2中各电动汽车在当前时间内的最大可充电功率的统计量；所述可放电负荷可以理解为所述调度车群g2中个电动汽车在当前时间内的最大可放电功率的统计量。
[0114]
可以理解的是，对于不同车群需要统计对应的负荷信息或者说是负荷需求，具体包括，计算常规车群的充电功率以统计所述常规车群的负荷需求，计算调控车群中电动汽车的可充电负荷和可放电负荷以分析可调控车群的可调度能力；并将所述常规车群的负荷需求和所述调度车群的可调度能力，确定为车群负荷信息。
[0115]
进一步地，所述步骤s41c也包括：
[0116]
所述电动汽车i在时间t的可充电的最大充电功率表述为：
[0117][0118]
其中，为电动汽车i在时间t的充电功率，e
ch
(t)为所述最大充电容量。
[0119]
统计所述调度车群g2中各电动汽车的最大充电功率得到所述调度车群g2在时间t的可充电负荷。
[0120]
可以理解的是，在评估所述调度车群g2的充电能力时，需避免所述调度车群g2中电动汽车的电池过充，导致电池受损。
[0121]
进一步地，所述步骤s41c还包括：
[0122]
所述电动汽车i在时间t的最大放电功率表述为：
[0123][0124]
其中，为电动汽车i在时间t的放电功率，e
disc
(t)为所述最大放电容量。
[0125]
统计所述调度车群g2中各电动汽车的最大放电功率得到所述调度车群g2在时间t的可放电负荷。
[0126]
进一步地，所述步骤s41c还包括：将所述常规车群的负荷需求和所述调度车群的可调度能力，确定为时间t电动汽车的车群负荷信息。
[0127]
可以理解的是，在评估所述调度车群g2的放电能力时，需保证所诉调度车群g2中电动汽车在出行时满足的预期电量，并防止所述调度车群g2中的电动汽车的电池过放，导致电池受损。
[0128]
如此，本发明实施例可以基于所述底层集群模型对当前时间段内的有充放电需求的电动汽车进行合理分群，可进一步减少优化变量，降低求解维度。
[0129]
进一步地，所述步骤s42包括：
[0130]
s42a：基于微网负荷差的变化量和电动汽车指派到充电站的综合指派成本，建立电动汽车指派模型，如下：
[0131]f1j
＝j
1j-c
1j
[0132]
其中，f
1j
表示电动汽车1匹配到光储充电站j的综合目标，且j∈{1,2,...,m}，m为所述光储充电站的数量；j
1j
为电动汽车1匹配到光储充电站j的微网负荷方差变化量，c
1j
为电动汽车1匹配到光储充电站j的综合指派成本；
[0133]
s42b：基于电动汽车的申请调度时间，所述申请调度时间对应的电动汽车及充电站的实时信息，建立调度参与方模型，包括电动汽车前提调度模型和充电站累和模型；
[0134]
s42c：建立电动汽车用户的参与调度概率模型，如下：
[0135][0136][0137]
其中，为用户参与调度的最大响应率，为用户参与调度的最小响应率，d为用户参与的响应意愿指标，r1、h1、r2、h2均为给定值；
[0138]
s42d：将所述最大响应率与所述最小响应率之间的中值，确定为用户参与调度的所述响应概率；
[0139]
s42e：根据所述响应概率，以指派费用最小化及微网负荷方差变化量最小化为目标，确定电动汽车的所述综合目标，实现电动汽车与光储充电站的一一匹配。
[0140]
这里，所述微网负荷方差变化量包括增长量和/或减少量。
[0141]
这里，参数r1、h1、r2、h2为可以通过聚合商调研和历史数据得出的给定值。
[0142]
进一步地，所述步骤s42a包括：
[0143]
s42a1：所述电动汽车1匹配到光储充电站j的微网负荷方差变化量j
1j
，满足以下条件：
[0144][0145]
其中，j
1j
为电动汽车匹配到微网1中光储充电站j的微网负荷方差变化量，j
2j
为电动汽车匹配到微网2中光储充电站j的微网负荷差的变化量；t
end
为电动汽车从所述光储充电站离开的离开时间，为离开时间k时光储充电站j的微网基础负荷，p
j,avg
为光储充电站j的充电平均功率，为离开时间k时电动汽车ev的额定功率，p
′
j,avg
为光储充电站j的充电平均功率参考量，p
j,load
为光储充电站j的微网基础负荷；
[0146]
s42a2：根据电动汽车指派的调度距离成本，调度时间成本和调度响应激励，确定电动汽车1匹配到光储充电站的所述综合指派成本c
1j
，表述为：
[0147]c1j
＝c_assign+c
t
+cs[0148]
其中，c_assign为电动汽车指派的调度距离成本，c
t
为电动汽车指派的调度时间成本，cs为电动汽车指派的调度响应激励；
[0149]
可以理解的是，在混合场景下，需要从多个成本方面来考虑用户需求，可以主要从电动汽车指派的调度距离成本、调度时间成本和调度响应激励，来集中考虑电动汽车的所述综合指派成本。
[0150]
这里，所述调度距离成本c_assign如下：
[0151]
c_assign＝v
ch
×r×
l(l
ev
，lq)*2
[0152]
其中，v
ch
为充电电价，r为电动汽车行驶的每千里耗电量，l(l
ev
，lq)为电动汽车从申请调度时的位置到光储充电站j的调度距离，l
ev
为申请调度时的电动汽车位置信息，lq为申请调度时的光储充电站的充电站位置信息。
[0153]
这里，所述调度时间成本c
t
如下：
[0154][0155]
其中，α为时间价值系数，p
p
为调度执行劳动者的年收入，t
p
为调度执行劳动者的年工作时间，t
wait
为调度执行的等待时间。
[0156]
这里，所述电动汽车指派的调度响应激励cs可以是对电动汽车的可调度容量、可调度时间及微网负荷优化的补偿，通常为给定值。
[0157]
可以理解的是，由于电动汽车采用有序充放电的模式，假设在理想情况下，电动汽
均为权重系数；
[0182]
s42c2：根据所述响应意愿指标，最大响应率和最小响应率，建立所述参与调度概率模型。
[0183]
这里，所述最大响应率可以理解为乐观响应曲线，表征用户参与率的上限；所述最小响应率可以理解为悲观响应曲线表征用户参与率的下限，例如，如图5所示的多光储充电站的电动汽车充放电协同调度方法的电动汽车用户响应概率曲线。
[0184]
进一步地，所述步骤s42还包括：根据确定的电动汽车用户参与调度的所述响应概率，与预设概率阈值进行对比，判断用户是否愿意接收调度。
[0185]
示例性的，所述最大响应率和最小响应率分别为1和0，则所述预设概率阈值可以取值0.5，当确定的所述响应概率大于0.5时，表示用户愿意接收调度；当确定的所述响应概率不大于0.5时，表示用户不愿意接收调度。
[0186]
需要说明的是，对于电动汽车ev用户而言，根据消费者心理学的用户响应模型，充电价格越低、放电激励价格越高、调度距离越近，以及可调度容量越高，用户参与响应的意愿越强，因此，本发明实施例定义所述响应意愿指标作为电动汽车用户对充放电价格、调度距离以及可调度容量满意程度的综合指标。
[0187]
进一步地，所述步骤s42e包括：
[0188]
s42e1：根据所述响应概率，利用所述电动汽车指派模型，以指派费用最小化及微网负荷方差变化量最小化为目标，确定电动汽车的所述综合目标；
[0189]
s42e2：所述综合目标，构成电动汽车1分配到m个充电站所形成的综合目标矩阵，如下：
[0190]
f＝[f
11f12
…f1m
]
[0191]
其中，f为电动汽车匹配综合目标矩阵；f
11
表示电动汽车1匹配到第1个充电站来完成调度任务的综合目标，f
12
表示电动汽车1匹配到第2个充电站来完成调度任务的综合目标，f
1m
表示电动汽车1匹配到第m个充电站来完成调度任务的综合目标；
[0192]
将所述综合目标矩阵中值最大的所述综合目标确定为电动汽车1的所述指派目标，实现电动汽车与光储充电站的一一匹配。
[0193]
进一步地，所述步骤s43中，所述目标函数为运行成本最小化及传输功率波动最小化，表述为：
[0194]
min f＝ω1c+ω2δp
[0195]
其中，c是运行成本，ω1为所述运行成本c的权重系数；δp是传输功率波动，ω2为所述传输功率波动δp的权重。
[0196]
这里，所述权重系数ω1和ω2可以根据优化目标的重要性和优先级灵活确定。
[0197]
可以理解的是，所述微网目标模型是一个多目标的综合优化目标函数，为了充分体现各目标的重要性，便于充放电计划的求解，将各利益相关者的目标归一化，并通过加权系数法进行线性加权，得到所述微网目标函数。
[0198]
这里，所述运行成本由电动汽车充放电过程中功率传输的交互成本、调度成本和环境成本确定；具体的，所述运行成本c，定义如下：
[0199]
c＝c
grid
+c
ev
+c1[0200]
其中，c
grid
是电动汽车充放电的交互成本，c
ev
是电动汽车充放电的调度成本；c1是
环境成本，为给定值；
[0201]
所述交互成本为：
[0202][0203]
其中，p
grid
是所述充电站与配电网间的传输功率，v
t
是时间t的电价；
[0204]
可以理解的是，所述电动汽车的充放电交互成本包括但不限于：电动汽车与所述光储充电站的交互，所述光储充电站与所述微网的交互，所述微网与所述配电网的交互，所述微网与所述主电网的交互。
[0205]
这里，所述传输功率p
grid
，大于零表示所述配电网向所述光储充电站传输电力，小于零表示所述配电网从所述光储充电站吸收电力，等于零表述所述配电网和所述光储充电张之间没有电力传输。
[0206]
这里，所述时间t的电价v
t
，大于零表示所述光储充电站在购买电力，小于零表示所述光储充电站在出售电力，等于零表述所述光储充电站没有购买和/或出售电力。
[0207]
所述调度成本为：
[0208][0209]
nf是当前时间电动汽车的可充电调度数量，n
ev
是电动汽车的总充放电调度数量，n
ev-nf是当前时间电动汽车的可放电调度数量。
[0210]
这里，所述传输功率波动δp为两次调度之间所述传输功率的变化，表述为：
[0211][0212]
其中，是时间t所述充电站与配电网间的传输功率，是时间t-所述充电站与配电网间的传输功率。
[0213]
可以理解的是，每次进行充放电优化调度后，所述微网都会保存记录优化后的所述传输功率，以便进行调度统计和计算。
[0214]
进一步地，所述步骤s43中所述目标约束条件，包括：
[0215]
电力供需平衡约束
[0216]
p
grid
+p
pv
+p_e＝p
load
+p
ev
[0217]
传输功率约束：
[0218][0219]
储能功率约束：
[0220]
p
disc,max
≤p_e≤p
ch,max
[0221]
其中，p
grid
为所述充电站与配电网间的传输功率，p
pv
为所述光伏输出功率，p_e为储能功率，p
load
为线路负载功率，p
ev
为电动汽车的额定功率；为最小传输功率，为最大传输功率，p
disc,max
为最大放电功率，p
ch,max
为最大充电功率。
[0222]
需要说明的是，所述微网需要签署与所述配电网的电力传输协议，所述传输功率约束为所述微网与主电网之间的线路的传输能力的限制。
[0223]
进一步地，所述步骤s43还包括：
[0224]
s43a：根据所述光储充电站的光伏输出功率，所述微网的充电削峰填谷需求和充电桩利用率，确定所述充电服务电价调整系数表述为：
[0225][0226]
其中，rc为充电服务费调节系数，为充电激励系数，为充电削峰填谷系数，为光伏与电动汽车充电负荷的匹配系数；为第一充电激励系数，为第二充电激励系数，为第三充电激励系数；为第一充电利用率，为第二充电利用率；为所述微网内电动汽车的最大额定功率，为所述微网内电动汽车最小额定功率；为时间t电动汽车的额定功率，为时间t所述光伏输出功率；
[0227]
这里，所述充电服务电价调整系数由所述微网制定和更新。
[0228]
需要说明的是，所述微网针对不同时段的用电情况，例如高峰用电期、低谷用电期和正常用电期，制定和更新不同的分时电价；所述分时电价包括所述放电激励调度价格和所述电动汽车充电服务费。
[0229]
可以理解的是，所述第一充电利用率和和所述第二充电利用率用于限定所述充电桩利用率的充电调节区间。
[0230]
需要说明的是，为了降低电动汽车用户的充电成本，对于所述充电利用率高的电动汽车，应给予更多的充电服务费折扣，因此设定了三个折扣值和来制定并更新当前时间内的充电桩利用率。
[0231]
s43b：根据当前时间t的所述充电服务电价调整系数通过所述充电电价更新模型，确定所述充电服务调整价格
[0232]
s43c：根据所述微网的放电削峰填谷需求，线路负载功率和充电桩利用率，确定所述放电激励电价调整系数表述为：
[0233][0234]
其中，rd为放电激励价格调节系数，为放电激励系数，为放电削峰填谷系数；为时间t所述电动汽车的额定功率，为时间t所述电动汽车充放电的线路负载功率，p
avg
为所述电动汽车的充电平均功率；为第一放电激励系数，为第二放电激励系数，为第三放电激励系数；为充电桩利用率，为第一放电利用率，为第二放电利用率；ns是所述光储充电站的总充电桩数量，n
t
是时间t实际放电充电桩数量；exp()为以自然常数e为底的指数函数，fal()为滤波函数；
[0235]
这里，所述放电激励电价调整系数由所述微网制定和更新，所述放电激励电价调整系数大于零表示所述微网当前时间出现削峰填谷需求，等于零表示所述微网当前时间无削峰填谷需求。
[0236]
可以理解的是，所述第一放电利用率和和所述第二放电利用率均用于限定所述充电桩利用率的放电激励范围。
[0237]
需要说明的是，为了充分激发电动汽车的调度潜力，对于所述充电利用率较低而再利用率较高的充电桩，应给予更多的放电激励补贴，以充分利用剩余电力，达到节约能源的目的，因此设置多个给定的充电桩放电利用率参数来制定并更新当前时间内的充电桩利用率，进而确定多个充电桩的放电折扣范围和对应的放电激励系数。
[0238]
s43d：根据当前时间t的所述放电激励电价调整系数通过所述放电电价更新模型，确定所述放电激励调整系数
[0239]
s43c：将所述充电服务电价调整系数和放电激励电价调整系数输入所述电动汽车充放电动态电价模型，获得当前时间t的充放电电价v
t
，用于确定所述运行成本c；所述充放电电价v
t
包括所述充电电价和所述放电电价
[0240]
进一步地，所述步骤s44中，所述配电网潮流计算模型包括潮流约束条件，节点电压限制和线路电流限制，具体包括：
[0241]
电动汽车i的潮流约束条件：
[0242][0243]
电动汽车i对应的节点电压限制：
[0244][0245]
电动汽车i所在支路的线路电流限制：
[0246]ii,min
≤ii≤i
i,max
[0247]
其中，pi为流入节点i的总有功功率，qi为流入节点i的总无功功率，b
ij
为节点i和节点j之间的电纳；g
ij
是节点i和节点j之间的电导，δ
ij
是节点i和节点j之间的电压相位差，ui是节点i的运行电压，uj是节点j的运行电压，un是第n节点的运行电压，n为当前有充放电需求的所有电动汽车的数量；u
i,min
为支路允许的最小运行电压，u
i,max
为支路允许的最大运行电压；i
i,min
为支路允许的最小运行电流，i
i,max
为支路允许的最大运行电流。
[0248]
这里，所述潮流约束条件为传输功率和柴油机输出功率应满足的潮流方程。
[0249]
进一步地，所述配网潮流约束结果包括：满足配网潮流约束和不满足配网潮流约束，所述步骤s44还包括：根据所述潮流约束条件、节点电压限制和线路电流限制，判断优化后的所述传输功率是否满足配网潮流约束，确定配网潮流约束结果，并上传至所述微网。
[0250]
可以理解的是，本发明实施例基于建立的所述配网潮流计算模型，增加对配网潮流的优化，为电动汽车调度提供更优方法。
[0251]
进一步地，所述步骤s45包括：
[0252]
s45a：所述微网根据接收到的所述配网潮流约束结果，判断优化后的所述传输功率是否满足所有层级约束条件，包括：所述参与调度约束、目标约束条件、潮流约束条件、节点电压限制和线路电流限制；若是，则执行步骤s45b；若否，则执行步骤s45c；
[0253]
可以理解的是，若所述配网潮流约束结果为满足配网潮流约束，则优化后的所述传输功率满足所有层级约束条件；若所述配网潮流约束结果为不满足配网潮流约束，则优化后的所述传输功率不满足所有层级约束条件。
[0254]
s45b：选取当前时间i电动汽车的荷电状态s(t)和停留时间作为计算指标，定义电动汽车的调度潜力系数ε，如下：
[0255][0256]
s45c：将优化后的所述传输功率作为电动汽车的可调度负荷，并基于所述调度潜力系数，通过功率分配算法计算调度车群g2的各电动汽车的充放电功率，生成分配指令，控制各电动汽车进行充电，以实现电动汽车充放电功率的合理分配；
[0257]
这里，所述功率分配算法可以是分数功率分配算法。
[0258]
可以理解的是，对所述调度车群g2进行充电功率分配时，ε越小表示其充电需求较大，优先将充电功率分配给充电需求大的电动汽车。同理，对所述调度车群g2进行放电功率
分配时，ε越大表示其可调度放电潜力越大，优先将放电功率分配给放电潜力大的电动汽车。自此，实现光储充电站与配网的协同优化调度。
[0259]
s45d：所述微网重新进行优化，直到优化后的所述传输条件满足所有层级约束条件。
[0260]
如图6所示，本发明实施例还提供了一种电动汽车分层分群充放电优化调度系统，所述系统包括：调度框架初始化单元401，电价调整单元402，分群调度指派单元403，输出分配单元404；其中，
[0261]
所述调度框架初始化单元，用于建立电动汽车的分层调度框架，包括光储充电站、微网和配电网；
[0262]
所述电价调整单元，用于建立微网内部组成单元模型及电动汽车的参与电力调度约束；
[0263]
所述电价调整单元，也用于建立电动汽车的充放电动态电价模型；
[0264]
所述分群调度指派单元，用于建立电动汽车底层集群模型；基于所述微网内部组成单元模型和电动汽车用户的期望荷电状态，确定所述参与电力调度约束下的最大功率调度电位；根据所述最大功率调度电位，利用所述电动汽车底层集群模型对电动汽车进行分群及充放电的负荷需求统计，得到分群信息；
[0265]
所述分群调度指派单元，也用于基于微网负荷差变化量和电动汽车匹配到充电站的指派费用，建立电动汽车的指派模型；基于电动汽车的申请调度时间及其对应的电动汽车及充电站的实时信息，利用所述指派模型，确定用户参与调度的响应概率；根据所述响应概率，以指派费用最小化及微网负荷方差变化量最小化为目标，确定综合目标，以将电动汽车合理指派给充电站，完成电动汽车与光储充电站一一匹配；
[0266]
所述分群调度指派单元，还用于基于动态电价下的每辆电动汽车充放电的运行成本和传输功率波动，建立分群充放电调度的目标函数，并确定目标约束条件；基于所述分群信息，以充放电的运行成本最小化及传输功率波动最小化为目标，确定所述目标约束条件下的传输功率；
[0267]
所述分群调度指派单元，还用于建立配网潮流计算模型，并判断所述传输功率是否满足配网潮流约束，得到配网潮流约束结果；
[0268]
所述输出分配单元，用于根据所述配网潮流约束结果，利用功率分配算法将所述传输功率作为当前时间的可调度负荷分配给各电动汽车，最终在最小化电动汽车充放电的运行成本的同时，使电动汽车充放电的传输功率波动最小，实现电动汽车的分层分群优化调度。
[0269]
进一步地，所述方法还包括：
[0270]
所述电价调整单元，用于在电动汽车不可同时充放电的前提下，根据电动汽车用户的期望电荷状态，确定电动汽车的参与电力调度约束为：
[0271][0272]
其中，s
min
为电动汽车允许的最小荷电状态，s
max
为电动汽车允许的最大荷电状态；
t
arr
为电动汽车到达储充电站的时间，t
dep
为电动汽车离开充电站的时间；s
dep
为电动汽车用户的期望荷电状态；
[0273]
所述电价调整单元，用于确定电动汽车在所述参与电力调度约束下的最大功率调度电位，建立所述单体充放电模型，如下：
[0274][0275]
其中，e
ch
(t)为电动汽车时间t的最大充电容量；e
disc
(t)为电动汽车时间t的最大放电容量；t
disc,max
为电动汽车达到最大放电容量的最大放电时间；
[0276]
所述电价调整单元，用于建立电动汽车储能电池的所述储能充放电模型，如下：
[0277][0278]
其中，soc(t-1)表示电池在时间t-1的荷电状态，pb(t)表示电池在时间t的充放电功率，en表示电池的额定容量，ηc为电池的充电效率，ηd为电池的放电效率，θ表示电池的自放电效率，δt为电池的充放电步长。
[0279]
进一步地，所述方法还包括：
[0280]
所述电价调整单元，用于建立电动汽车的充电电价更新模型，如下：
[0281][0282]
其中，为时间t微网的电动汽车充电电价，v
bserv
为基本充电服务费，为时间t微网的充电服务费调整系数；
[0283]
所述电价调整单元，用于建立电动汽车的放电电价更新模型，如下：
[0284][0285]
其中，为时间t微网的放电激励基础电价，v
bcomp
为基础放电激励价格，为所述放电激励基础电价调整系数；
[0286]
所述电价调整单元，用于基于所述放电电价更新模型和充电电价更新模型，建立所述电动汽车充放电动态电价模型，表述为：
[0287][0288]
其中，为时间t微网的电动汽车充电电价，为时间t微网的充放电基础价格，为时间t微网的充电服务调整价格；为时间t微网的电动汽车放电电价，为时间t微网的放电激励调整电价；为时间t微网的电动汽车充电电价上限，为时间t微网的电动汽车充电电价下限；为时间t微网的电动汽车放电电价上限，为时间t微网的电动汽车放电电价下限。
[0289]
进一步地，所述方法还包括：
[0290]
所述分群调度指派单元，用于获取所述电动汽车对应的车主意愿，将所述车主意愿为拒绝调度的电动汽车编入常规车群g1；
[0291]
所述分群调度指派单元，用于判定所述车主意愿为同意调度的电动汽车是否满足预设的分群判别标准，若是，则编入所述常规车群g1；若否，则编入调度车群g2；其中，所述分群判别标准为：
[0292][0293]
其中，si(t)为电动汽车i在时间t的荷电状态，s
min
为电动汽车的最小荷电状态，为时间t电动汽车i在充电站的停留时间，p
ch,max
为电动汽车的最大充电功率，s
dep,i
为电动汽车i的期望荷电状态；
[0294]
所述分群调度指派单元，用于统计所述常规车群g1和调度车群g2的负荷需求，确定时间t的车群负荷信息，包括：
[0295]
所述常规车群g1的电动汽车ev在时间t的充电功率为：
[0296][0297]
其中，p
iev
为电动汽车i的额定功率；evi∈g1表示所述常规车群g1的电动汽车；
[0298]
所述调度车群g2的可充电负荷和可放电负荷其中，所述可充电负荷为：
[0299][0300]
所述可放电功率为：
[0301]
[0302]
且，为时间t电动汽车i的最大充电功率，为时间t电动汽车i对应的充电桩i的最大放电功率，evi∈g2表示所述调度车群g2中的电动汽车。
[0303]
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
[0304]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种多光储充电站的电动汽车充放电协同调度方法，其特征在于，所述方法包括以下步骤：s1：建立多光储充电站的电动汽车协同调度架构，包括以下步骤：s11：建立电动汽车分层分群调度框架，包括光储充电站、微网和配电网；s12：在所述电动汽车分层分群调度框架的基础上，建立所述多光储充电站的电动汽车协同调度架构，包括调度中心；s2：建立微网内部组成单元模型及电动汽车的参与电力调度约束；s3：建立电动汽车的充放电动态电价模型；s4：在步骤s1、s2及s3的基础上建立光储充电站的电动汽车充放电调度策略，实现多光储充电站的电动汽车充放电协同调度，包括以下步骤：s41：建立电动汽车底层集群模型；基于所述微网内部组成单元模型和电动汽车用户的期望荷电状态，确定所述参与电力调度约束下的最大功率调度电位；根据所述最大功率调度电位，利用所述电动汽车底层集群模型对电动汽车进行分群及充放电的负荷需求统计，得到分群信息；s42：基于微网负荷差变化量和电动汽车匹配到充电站的指派费用，建立电动汽车的指派模型；基于电动汽车的申请调度时间及其对应的电动汽车及充电站的实时信息，利用所述指派模型，确定用户参与调度的响应概率；根据所述响应概率，以指派费用最小化及微网负荷方差变化量最小化为目标，确定综合目标，以将电动汽车合理指派给充电站，完成电动汽车与光储充电站一一匹配；s43：基于动态电价下的每辆电动汽车充放电的运行成本和传输功率波动，建立分群充放电调度的目标函数，并确定目标约束条件；基于所述分群信息，以充放电的运行成本最小化及传输功率波动最小化为目标，确定所述目标约束条件下的传输功率；s44：建立配网潮流计算模型，并判断所述传输功率是否满足配网潮流约束，得到配网潮流约束结果；s45：根据所述配网潮流约束结果，利用功率分配算法将所述传输功率作为当前时间的可调度负荷分配给各电动汽车，最终在最小化电动汽车充放电的运行成本的同时，使电动汽车充放电的传输功率波动最小，实现电动汽车的分层分群优化调度。2.根据权利要求1所述的方法，其特征在于：所述步骤s42包括：s42a：基于微网负荷差的变化量和电动汽车指派到充电站的综合指派成本，建立电动汽车指派模型，如下：f
1j
＝j
1j-c
1j
其中，f
1j
表示电动汽车1匹配到光储充电站j的综合目标，且j∈{1,2,...,m}，m为所述光储充电站的数量；j
1j
为电动汽车1匹配到光储充电站j的微网负荷方差变化量，c
1j
为电动汽车1匹配到光储充电站j的综合指派成本；s42b：基于电动汽车的申请调度时间，所述申请调度时间对应的电动汽车及充电站的实时信息，建立调度参与方模型，包括电动汽车前提调度模型和充电站累和模型；s42c：建立电动汽车用户的参与调度概率模型，如下：
其中，为用户参与调度的最大响应率，为用户参与调度的最小响应率，d为用户参与的响应意愿指标，r1、h1、r2、h2均为给定值；s42d：将所述最大响应率与所述最小响应率之间的中值，确定为用户参与调度的所述响应概率；s42e：根据所述响应概率，以指派费用最小化及微网负荷方差变化量最小化为目标，确定电动汽车的所述综合目标，实现电动汽车与光储充电站的一一匹配。3.根据权利要求1所述的方法，其特征在于：所述步骤s1中的分层调度框架为三层调度架构，包括底层的光储充电站，中层的微网和上层的配电网；所述多光储充电站汽车协同调度架构，包括调度中心；其中，各所述光储充电站获取当前时间有充放电需求的所有电动汽车的充电信息，并通过所述电动汽车底层集群模型对电动汽车进行分群和充放电负荷需求统计，得到所述分群信息；各所述光储充电站将自身的光伏及负荷信息和所述分群信息上传给对应的所述微网；所述调度中心根据接收到的各所述微网发送的电动汽车及充电站的实时信息，通过所述调度参与方模型，判断电动汽车是否参与空间调度；并以综合指派成本最小和各微网负荷峰谷差最小为目标，通过所述电动汽车指派模型，为参与空间调度的电动汽车选择对应的光储充电站，建立电动汽车与光储充电站一一对应的匹配关系，并确定为相应的调度指令，实现电动汽车在空间上的调度；所述微网根据所述光伏及负荷信息和分群信息，利用所述目标函数，在所述目标约束条件下，确定当前时间所述配电网和充电站间的所述传输功率，并上传给所述配电网；所述配电网通过所述配网潮流计算模型对所述传输功率进行潮流计算，得到所述配网潮流约束结果并返回给所述微网；所述微网根据所述配网潮流约束结果，判断优化后的所述传输功率是否满足所有层级约束，若是，则将所述传输功率作为当前时间的可调度负荷，并反馈给所述光储充电站；所述光储充电站根据所述可调度负荷，通过功率分配算法按需分配给所述电动汽车，实现电动汽车的有序充放电控制。4.根据权利要求1所述的方法，其特征在于，所述微网内部组成单元模型包括单体充放电模型和储能充放电模型，所述步骤s2包括：
s21：在电动汽车不可同时充放电的前提下，根据电动汽车用户的期望电荷状态，确定电动汽车的参与电力调度约束为：其中，s
min
为电动汽车允许的最小荷电状态，s
max
为电动汽车允许的最大荷电状态；t
arr
为电动汽车到达储充电站的时间，t
dep
为电动汽车离开充电站的时间；s
dep
为电动汽车用户的期望荷电状态；s22：确定电动汽车在所述参与电力调度约束下的最大功率调度电位，建立所述单体充放电模型，如下：其中，e
ch
(t)为电动汽车时间t的最大充电容量；e
disc
(t)为电动汽车时间t的最大放电容量；t
disc,ax
为电动汽车达到最大放电容量的最大放电时间；s23：建立电动汽车储能电池的所述储能充放电模型，如下：其中，soc(t-1)表示电池在时间t-1的荷电状态，p
b
(t)表示电池在时间t的充放电功率，e
n
表示电池的额定容量，η
c
为电池的充电效率，η
d
为电池的放电效率，θ表示电池的自放电效率，δt为电池的充放电步长。5.根据权利要求1所述的方法，其特征在于，所述步骤s3包括：s31：建立电动汽车的充电电价更新模型，如下：其中，为时间t微网的电动汽车充电电价，v
bserv
为基本充电服务费，为时间t微网的充电服务费调整系数；s32：建立电动汽车的放电电价更新模型，如下：
其中，为时间t微网的放电激励基础电价，v
bcomp
为基础放电激励价格，为所述放电激励基础电价调整系数；s33：基于所述放电电价更新模型和充电电价更新模型，建立所述电动汽车充放电动态电价模型，表述为：其中，为时间t微网的电动汽车充电电价，为时间t微网的充放电基础价格，为时间t微网的充电服务调整价格；为时间t微网的电动汽车放电电价，为时间t微网的放电激励调整电价；为时间t微网的电动汽车充电电价上限，为时间t微网的电动汽车充电电价下限；为时间t微网的电动汽车放电电价上限，为时间t微网的电动汽车放电电价下限。6.根据权利要求1所述的方法，其特征在于，所述步骤s41中所述分群信息包括车群信息和车群负荷信息，所述电动汽车底层集群模型用于对电动汽车进行分群和负荷需求统计，所述方法包括下述步骤：s41a：获取所述电动汽车对应的车主意愿，将所述车主意愿为拒绝调度的电动汽车编入常规车群g1；s41b：判定所述车主意愿为同意调度的电动汽车是否满足预设的分群判别标准，若是，则编入所述常规车群g1；若否，则编入调度车群g2；其中，所述分群判别标准为：其中，s
i
(t)为电动汽车i在时间t的荷电状态，s
min
为电动汽车的最小荷电状态，为时间t电动汽车i在充电站的停留时间，p
ch,max
为电动汽车的最大充电功率，s
dep,i
为电动汽车i的期望荷电状态；s41c：统计所述常规车群g1和调度车群g2的负荷需求，确定时间t的车群负荷信息，包括：所述常规车群g1的电动汽车ev在时间t的充电功率为：其中，p
iev
为电动汽车i的额定功率；ev
i
∈g1表示所述常规车群g1的电动汽车；所述调度车群g2的可充电负荷和可放电负荷其中，所述可充电负荷为：
所述可放电功率为：且，为时间t电动汽车i的最大充电功率，为时间t电动汽车i对应的充电桩i的最大放电功率，ev
i
∈g2表示所述调度车群g2中的电动汽车。7.根据权利要求1所述的方法，其特征在于，所述步骤s43中，所述目标函数为运行成本最小化及传输功率波动最小化，表述为：minf＝ω1c+ω2δp其中，c是运行成本，ω1为所述运行成本c的权重系数；δp是传输功率波动，ω2为所述传输功率波动δp的权重；所述目标约束条件，包括：电力供需平衡约束p
grid
+p
pv
+p_e＝p
load
+p
ev
传输功率约束：储能功率约束：p
disc,max
≤p_e≤p
ch,max
其中，p
grid
为所述充电站与配电网间的传输功率，p
pv
为所述光伏输出功率，p_e为储能功率，p
load
为线路负载功率，p
ev
为电动汽车的额定功率；为最小传输功率，为最大传输功率，p
disc,max
为最大放电功率，p
ch,max
为最大充电功率。8.根据权利要求1所述的方法，其特征在于，所述步骤s44中，所述配电网潮流计算模型包括潮流约束条件，节点电压限制和线路电流限制，具体如下：电动汽车i的潮流约束条件：电动汽车i对应的节点电压限制：电动汽车i所在支路的线路电流限制：i
i,
≤i
i
≤i
i,
其中，p
i
为流入节点i的总有功功率，q
i
为流入节点i的总无功功率，b
ij
为节点i和节点j之间的电纳；g
ij
是节点i和节点j之间的电导，δ
ij
是节点i和节点j之间的电压相位差，u
i
是节点i的运行电压，u
j
是节点i的运行电压，u
n
是节点n的运行电压，n为当前有充放电需求的所
有电动汽车的数量；u
i,
为支路允许的最小运行电压，u
i,
为支路允许的最大运行电压；i
i,
为支路允许的最小运行电流，i
i,
为支路允许的最大运行电流。9.一种电动汽车分层分群充放电优化调度系统，其特征在于，所述系统包括：调度框架初始化单元，用于建立电动汽车的分层调度框架，包括光储充电站、微网和配电网；电价调整单元，用于建立微网内部组成单元模型及电动汽车的参与电力调度约束；所述电价调整单元，也用于建立电动汽车的充放电动态电价模型；分群调度指派单元，用于建立电动汽车底层集群模型；基于所述微网内部组成单元模型和电动汽车用户的期望荷电状态，确定所述参与电力调度约束下的最大功率调度电位；根据所述最大功率调度电位，利用所述电动汽车底层集群模型对电动汽车进行分群及充放电的负荷需求统计，得到分群信息；所述分群调度指派单元，也用于基于微网负荷差变化量和电动汽车匹配到充电站的指派费用，建立电动汽车的指派模型；基于电动汽车的申请调度时间及其对应的电动汽车及充电站的实时信息，利用所述指派模型，确定用户参与调度的响应概率；根据所述响应概率，以指派费用最小化及微网负荷方差变化量最小化为目标，确定综合目标，以将电动汽车合理指派给充电站，完成电动汽车与光储充电站一一匹配；所述分群调度指派单元，还用于基于动态电价下的每辆电动汽车充放电的运行成本和传输功率波动，建立分群充放电调度的目标函数，并确定目标约束条件；基于所述分群信息，以充放电的运行成本最小化及传输功率波动最小化为目标，确定所述目标约束条件下的传输功率；所述分群调度指派单元，还用于建立配网潮流计算模型，并判断所述传输功率是否满足配网潮流约束，得到配网潮流约束结果；输出分配单元，用于根据所述配网潮流约束结果，利用功率分配算法将所述传输功率作为当前时间的可调度负荷分配给各电动汽车，最终在最小化电动汽车充放电的运行成本的同时，使电动汽车充放电的传输功率波动最小，实现电动汽车的分层分群优化调度。

技术总结
本发明提供一种多光储充电站的电动汽车充放电协同调度方法，首先建立电动汽车的微网内部组成单元模型及约束条件，包括电动汽车单体充放电模型、储能充放电模型；然后建立电动汽车充放电动态电价模型；最后基于所述微网内部组成单元模型及所述电动汽车充放电动态电价模型，建立多光储充电站协同优化架构和策略，包括电动车分层分群调度框架、电动汽车底层集群模型、微网目标函数与约束条件及配网潮流模型，实现多光储充电站的电动汽车的协同调度。本发明与现有的方法相比，提出了一种分层分群的优化方法，可进一步减少优化变量，降低求解维度，同时考虑用户需求和用户意愿建立电动汽车指派模型，可进一步降低配网网损。可进一步降低配网网损。可进一步降低配网网损。


技术研发人员：彭文河 方支剑 贺俊文 董翰林 蔡杰 张子涵
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2023.06.26
技术公布日：2023/8/24