CN104953652A - 电动汽车有序充电控制方法 - Google Patents

Abstract

本发明公开了电动汽车有序充电控制方法，步骤一，综合电池特性、充电模式及用户行为习惯因素建立电动汽车充电负荷特性模型；步骤二，建立集中式优化模型，以最小化负荷峰谷差为目标，按照各时段负荷需求与平均负荷水平的方差最小建立，使负荷波动最小化，实现平抑负荷，得到参考优化功率；步骤三，建立分布式优化模型，根据电网与中间管理者在所述步骤二优化过程中所得的参考优化功率和24小时动态电价，对个体充电方案进行优化。采用集中式与分布式结合的优化控制理念，建立协调控制模型，以减小电动汽车大规模无序充电对电网规划运行带来的负面影响。

Description

电动汽车有序充电控制方法

技术领域

本发明涉及电动汽车充电控制技术领域，尤其涉及一种电动汽车有序充电控制方法。

背景技术

为了减少温室气体排放和对石油进口的依赖，大规模发展电动汽车，在用户侧实现以电代油成为目前的主要解决思路。而随着电动汽车大规模接入，势必会对电网规划运行产生影响。不加控制的无序充电将会对电力系统安全、经济运行带来严重的威胁。

电动汽车具有负荷和电源的双重特性，使其成为电网调控的重要手段。利用峰谷分时电价，引导用户采用低谷时间充电，对削峰填谷有一定效果，但存在控制不够灵活等缺陷。协调充电或智能充电，被认为解决协调这一系列问题的有效措施之一。

协调充电或智能充电的研究尚在起步阶段，模型建立、目标、模式、约束条件和控制方法均有待进一步探索。调度机构直接对接入的每台电动汽车统一调度，实现有序控制，会带来规模庞大，变量维数激增，收敛困难等问题。电动汽车充电负荷影响因素较多，模型建立困难，此外，在现有研究中尚未充分考虑充电电流、电池寿命等约束条件。总体上，国内外研究处于起步和探索阶段，亟待在规模化应用电动汽车的充电建模、控制方法，及其对电网影响等方面进行研究。

发明内容

本发明的目的就是为了解决上述问题，提供一种电动汽车有序充电控制方法，采用集中式与分布式结合的优化控制理念，建立协调控制模型。以减小电动汽车大规模无序充电对电网规划运行带来的负面影响。

为了实现上述目的，本发明采用如下技术方案：

电动汽车有序充电控制方法，包括以下步骤：

步骤一，综合电池特性、充电模式及用户行为习惯因素建立电动汽车充电负荷特性模型；

步骤二，建立集中式优化模型，以最小化负荷峰谷差为目标，按照各时段负荷需求与平均负荷水平的方差最小建立，使负荷波动最小化，实现平抑负荷，得到参考优化功率

步骤三，建立分布式优化模型，根据电网与中间管理者在所述步骤二优化过程中所得的参考优化功率和24小时动态电价，对个体充电方案进行优化。

负荷特性建模是电动汽车控制方法的基础，电动汽车电力需求的影响因素主要包括电池特性、充电模式及用户行为习惯。

所述电池特性：电动公交车参数依据统计的庄充电站电池实际参数选取；电动私家车电池参数根据统计的市面车型选取，且考虑目前家庭充电设施的限制选取充电功率。

电动私家车受家庭充电设施所限，取充电功率3kW。

所述充电模式按照充电电流大小，可分为快充和慢充；公交车每天需充电2次，晚间充电时间为非运营时间，20:00～05:00，统一集中充电，采用慢充模式；白天运营时间内的充电采取快充模式。

所述快充的充电电流在1～3C范围内，通过充换电站进行充电，充电时间短；所述慢充的充电电流在0.1～0.5C内。

用户行为是影响电动汽车功率需求的关键因素，主要包括开始充电时刻和日行驶里程两方面。针对用户行为习惯的时空随机特性，根据美国交通部对全美居民出行调查数据(2009National Household Travel Survey,2009NHTS)，结合私家车行驶特点，得到日行驶里程各时间段电动私家车分布。

根据统计数据得到日行驶里程的概率密度函数，所述日行驶里程的概率密度函数如公式(1)所示：

$f_D\left(x\right)=\frac{1}{a_1{\mathrm{\σ}}_{D1}\sqrt{2\mathrm{\π}}}\exp (-\frac{{(x-{\mathrm{\μ}}_{D1})}^2}{2{{\mathrm{\σ}}_{D1}}^2})+\frac{1}{a_2{\mathrm{\σ}}_{D2}\sqrt{2\mathrm{\π}}}\exp (-\frac{{(x-{\mathrm{\μ}}_{D2})}^2}{2{{\mathrm{\σ}}_{D2}}^2})---\left(1\right)$

日行驶里程的概率密度函数满足正态分布，式中a₁，a₂，σ_D1和σ_D2分别为电动车日行驶里程正态分布函数的系数及标准差；

汽车最后一次行程结束时刻满足公式(2)概率密度分布函数：

$f_s\left(x\right)=\left\{\begin{array}{cc}\frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp \left(-\frac{{(x-{\mathrm{\&mu;}}_s)}^2}{2{{\mathrm{\&sigma;}}_s}^2}\right)& ({\mathrm{\&mu;}}_s-12<x\&le;24)\\ \frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp \left(-\frac{{(x+24-{\mathrm{\&mu;}}_s)}^2}{2{{\mathrm{\&sigma;}}_s}^2}\right)& (0<x\&le;{\mathrm{\&mu;}}_s-12)\end{array}\right.---\left(2\right)$

公式(2)符合分段正态分布，其标准差均为σ_s，而数学期望则分别为μ_s和μ_s-24，假设最后一次行程结束时刻即为开始充电时间。

所述步骤二的具体方法为：

假设有L个中间管理者，第l个中间管理者管理M_l辆电动车，将全天24小时，以15min为间隔，平均分为N个时段，负荷最小化目标函数如下：

${\mathrm{minF}}_{ref}=\underset{t=1}{\overset{N}{\&Sigma;}}\frac{1}{N}{(P_{b,t}+\underset{l=1}{\overset{L}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{p^{\&prime;}}_{l,k,t}-u_b)}^2---\left(3\right)$

$u_b=\frac{1}{N}\underset{t=1}{\overset{N}{\&Sigma;}}{P}_{b,t}---\left(4\right)$

P_b,t为电动汽车未接入时电网t时段的负荷；

u_b为电动汽车未接入时电网各时段的平均负荷水平；

p'_l,k,t为第l个中间管理者第k辆电动汽车在时段t内的充电功率需求预测，p'_l,k,t＞0，表示充电，反之，表示放电。

所述步骤三的具体方法为：

分布式优化控制采用中间管理者通过电网通信技术，将每个时间段接入电网的电动汽车，其开始充电时间、电池初始状态和充电功率信息实现动态检测；在每个时段开始时，通过动态时间窗将更新信息与优化过程有机结合，并根据电网与中间管理者在所述步骤二优化过程中所得的参考优化功率和24小时动态电价，按照公式(5)，对个体充电方案进行优化，并且优化过程中建立约束条件；

优化目标是各时段充电需求与集中优化控制结果之间的偏差和用户充电成本最小化，同时考虑延长电池寿命；目标函数如公式(5)：

$\min \underset{t=1}{\overset{N}{\&Sigma;}}{p_l}^2+\underset{t=1}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{c}_t{\mathrm{\&alpha;}}_{l,k,t}{p}_{l,k,t}+\underset{t=2}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{{\mathrm{\&beta;d}}^2}_{l.k.t}---\left(5\right)$

c_t为实时浮动电价；d_l,k,t为电池寿命表示项；β为影响系数，此处取1；p_l为时段t内各电动汽车实际充电功率与电网分配给中间管理者的参考优化功率之间的偏差，所述参考优化功率为所述步骤二中集中优化控制结果，具体如下：

${p_l}^2={(\underset{k=1}{\overset{M_{max}}{\&Sigma;}}{\mathrm{\&alpha;}}_{l,k,t}{p}_{l,k,t}-{P^{\&prime;}}_{l,t})}^2---\left(6\right)$

为了定义第k辆电动汽车充放电状态和时间段t的关系，通过动态时间窗ω(t)定义矩阵其中，M_max＝max{M₁，M₂，…,M_l}，M_l为第l个中间管理者的电动车总数，P′_l,t表示电网在时段t内分配给第l个中间管理者的参考优化功率，α_l,k,t和p_l,k,t分别表示第l个中间管理者所管辖的第k辆电动车，在时段t内的动态参数和实际充电功率，α_l,k,t(k＝1,2，…，M_max；t＝1,2，…，N)为矩阵的元素，α_l,k,t∈{0,1}，当ω(t)落在第k辆电动汽车充放电时段中时，α_l,k,t＝1，否则表示非调控状态为0；

电池寿命通过充放电频繁程度来衡量；利用相邻时间段，充电负荷变化率，间接表示充放电对电池寿命的影响，如公式(7)所示表示d_l,k,t：

d_l,k,t＝α_l,k,tp_l,k,t-α_l,k,t-1p_l,k,t-1   (7)

所述约束条件包括：

优化控制约束条件，

$\underset{k=1}{\overset{M_l}{\&Sigma;}}{p}_{l,k,t}\&le;p_{utility}^{\max }(l,t)\mathrm{\&eta;}---\left(8\right)$

式(8)中：表示第l个中间管理者在t时段内，所有充电设施所能提供充电功率上限，η为充电效率；

$p_{l,k,t}\&le;p_{l.k}^{\max }\left(t\right)---\left(9\right)$

式(9)中，表示每辆电动汽车受充电设施制约的最大充电功率；

电池充电约束，

η_c(l,k)×p_charge(l,k,t)×Δt≤E_{battery-limit}(l,k)   (10)

电池放电约束，

$\frac{1}{{\mathrm{\&eta;}}_D(l,k)}\&times;p_{disch\arg e}(l,k,t)\&times;\mathrm{\&Delta;}t\&le;E_{stored}(l,k,t)---\left(11\right)$

其中，η_c(l,k)为第l个中间管理者的第k辆电动车电池进行充电效率；

η_D(l,k)为第l个中间管理者的第k辆电动车电池进行放电效率；

p_charge(l,k,t)为第l个中间管理者的第k辆电动车电池充电功率；

p_discharge(l,k,t)为第l个中间管理者的第k辆电动车电池放电功率；

E_{battery-limit}(l,k)是由SOC和电池温度决定的变量，假设该变量为常数，即电池容量E_{battery-capacity}(l,k)；E_stored(l,k,t)为电池存储电量；

充放电电流约束，

I＝I_oe^-αt   (12)

I₀为起始充电时最大电流，由电池初始SOC和物理特性决定，放电电流指数α由充电电路和电池特性决定；

电池SOC约束，

SOC_min≤SOC(l,k,t)≤SOC_max   (13)

SOC(l,k,t)为E_stored(l,k,t)与E_{battery-capacity}(l,k)的比值，为保护电池，防止电池过充、过放，从而延长电池使用寿命，规定SOC_min＝0.1，SOC_max＝max{0.9，SOC_user}；SOC_user为用户充电时，设置的充电上限。

本发明的有益效果：

本发明将中间管理者作为集中优化控制与分布式优化控制的中间桥梁，通过分层优化方式实现有序充电的智能控制。首先，以减小负荷峰谷差为目标，使负荷波动最小化，实现平抑负荷，建立集中式优化控制模型，得出分配给中间管理者每个时间段的参考优化功率；其次，在以各时段充电需求与集中优化控制结果之间的偏差、用户充电成本最小化为目标，满足充电需求的前提下，建立下层优化模型，增加电池实际约束条件，更符合实际情况。此外，本发明引入动态时间窗实时更新电动汽车充电的动态信息，包括开始充电时间、电池初始状态和充电功率等，与以往的控制方法相比，在每个时段开始时，通过动态时间窗将更新信息与优化过程有机结合，并根据电网与中间管理者在前一阶段优化过程所得的参考优化功率和24小时动态电价，可对个体充电方案实现更有效地优化。

附图说明

图1为本发明实施例日行驶里程示意图；

图2为本发明实施例电动公交车充电负荷曲线；

图3为本发明实施例电动私家车最后一次出行结束时间；

图4为本发明实施例算法流程图；

图5为本发明实施例有序充电对山东电网2030年日负荷曲线的影响。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

本实施例中以2030年接入大规模电动汽车的山东电网为例，从分析电动汽车对山东配电网的影响入手，介绍本发明中有序充电控制方法的实现。

充电行为入手，分为以公交车为代表的商用车和以私家车为主的乘用车两大类。前者充电行为及行驶里程规律相近，都较为有序，易实现时间调控；后者使用和充电随机性、灵活性较大。结合山东实际情况，本实施例中将以公交车和私家车作为典型研究对象。

(1)电池特性

本实施例中电动公交车参数依据山东焦庄充电站电池实际参数选取，见表1。电动私家车电池参数根据市面丰田RAVA4、比亚迪F3DM等代表车型综合选取，目前国内居民用电通常采用220V/16A、220V/25A两种规格，受家庭充电设施所限，取充电功率3kW，见表2。

表1 电动公交车参数

表2 电动私家车参数

(2)充电模式

按照充电电流大小，其充电模式可分为快充和慢充。前者电池充电电流通常在1～3C范围内，主要通过充换电站进行充电，充电时间短；后者主要针对大量低电压充电桩(主要集中于居民楼、办公区停车场)和家庭慢充方式。充电电流一般在0.1～0.5C，通常需要5～8h充满。依据薛家岛一体化示范充电站运行经验，取充电桩充电效率93％，功率因数0.95，充电功率为9.5kW。

(3)用户行为

用户行为是影响电动汽车功率需求的关键因素，主要包括开始充电时刻和日行驶里程两方面。针对用户行为习惯的时空随机特性，本实施例的解决方案是根据2009年美国交通部对全美居民出行调查数据(2009National Household Travel Survey,2009NHTS)，结合山东私家车行驶特点，得到日行驶里程各时间段电动私家车分布，见图1。

拟合得出日行驶里程概率密度函数：

$f_D\left(x\right)=\frac{1}{a_1{\mathrm{\&sigma;}}_{D1}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{{(x-{\mathrm{\&mu;}}_{D1})}^2}{2{{\mathrm{\&sigma;}}_{D1}}^2})+\frac{1}{a_2{\mathrm{\&sigma;}}_{D2}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{{(x-{\mathrm{\&mu;}}_{D2})}^2}{2{{\mathrm{\&sigma;}}_{D2}}^2})---\left(1\right)$

日行驶里程概率密度函数，满足正态分布，式中a₁，a₂，σ_D1和σ_D2分别为电动车日行驶里程正态分布函数的系数及标准差，μ_D1＝17.79，μ_D2＝38.35。

汽车最后一次行程结束时刻符合分段正态分布，其标准差均为σ_s，而数学期望则分别为μ_s和μ_s-24。假设最后一次行程结束时刻即为开始充电时间。公式(2)中μ_s＝17.6，σ_s＝3.4，即用户下班到家高峰时间集中在18:00左右，驻留时间直到次日6:00左右，本实施例在Matlab7.0中采用蒙特卡洛模拟方法，结合NHTS统计数据，得到电动私家车最后一次行程结束时刻的累积分布如图3所示。根据公式(1)、(2)和表2可得到电动私家车充电负荷特性。

本实施例中通过对山东焦庄电动公交车充电站24小时负荷，以10分钟为间隔进行充电功率实测，得到充电站日常运行负荷数据，并利用最小二乘法进行曲线拟合得到公交车充电负荷曲线，见图2。

由图2可以看出，曲线基本符合正态分布，考虑到安全、运营等因素，公交车每天需充电2次，晚间充电时间为非运营时间(20:00～05:00)，统一集中充电，采用慢充模式，白天运营时间内的充电是在运营中为公交车补充充电，公交车难以长时间停留，一般采取快充模式。

建立集中式优化模型，以最小化负荷峰谷差为目标，将全天24小时，以15min为间隔，平均分为N个时段，得到参考优化功率：

${\mathrm{minF}}_{ref}=\underset{t=1}{\overset{N}{\&Sigma;}}\frac{1}{N}{(P_{b,t}+\underset{l=1}{\overset{L}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{p^{\&prime;}}_{l,k,t}-u_b)}^2---\left(3\right)$

$u_b=\frac{1}{N}\underset{t=1}{\overset{N}{\&Sigma;}}{P}_{b,t}---\left(4\right)$

P_b,t为电动汽车未接入时电网t时段的负荷；

u_b为电动汽车未接入时电网各时段的平均负荷水平；

p'_l,k,t为第l个中间管理者第k辆电动汽车在时段t内的充电功率需求预测，p'_l,k,t＞0，表示充电，反之，表示放电。

建立分布式优化模型，根据电网与中间管理者在前一阶段优化过程所得的参考优化功率和24小时动态电价，对个体充电方案进行优化。在考虑延长电池寿命的前提下，以各时段充电需求与集中优化控制结果之间的偏差、用户充电成本最小化为目标，目标函数如下：

$\min \underset{t=1}{\overset{N}{\&Sigma;}}{p_l}^2+\underset{t=1}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{c}_t{\mathrm{\&alpha;}}_{l,k,t}{p}_{l,k,t}+\underset{t=2}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{{\mathrm{\&beta;d}}^2}_{l,k,t}---\left(5\right)$

上述模型是一个动态规划问题，本实施例中采用AMPL建立了模型，调用外部求解器CPLEX 12.2求解。步骤如下：中间管理者提出充电需求计划，电网调度机构采用相似日法进行负荷预测，利用集中式优化控制方法计算得出集中式优化控制结果，分发给中间管理者，作为中间管理者进行优化控制的参考。中间管理者利用动态时间窗检测充电相关信息(充电起始时间、电池状态和充电功率等)，采用分布式优化控制策略，优化控制各充电用户的充电时间，并及时更新终端变量，反馈给电网调度机构用于调整集中式优化控制结果。算法流程图如图4所示。

通过实时电价和负荷波动最小化的优化控制策略，得到优化后的山东电网日负荷曲线如图5所示。可知，在5:00左右，充电负荷并未出现下降。另外，浮动电价使得充电负荷避开通常10:30和19:00左右的两个尖峰，对于将负荷从峰值段转移到其它区段具有较为明显的效果，尤其是当电动私家车和公交车市场占有率分别为50％时，日峰谷差缩减到25GW，最小日负荷率为84％，智能充电优化效果显著。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.电动汽车有序充电控制方法，其特征是，包括以下步骤：

步骤一，综合电池特性、充电模式及用户行为习惯因素建立电动汽车充电负荷特性模型；

步骤二，建立集中式优化模型，以最小化负荷峰谷差为目标，按照各时段负荷需求与平均负荷水平的方差最小建立，使负荷波动最小化，实现平抑负荷，得到参考优化功率；

步骤三，建立分布式优化模型，根据电网与中间管理者在所述步骤二优化过程中所得的参考优化功率和24小时动态电价，对个体充电方案进行优化。

2.如权利要求1所述电动汽车有序充电控制方法，其特征是，所述电池特性：电动公交车参数依据统计的庄充电站电池实际参数选取；电动私家车电池参数根据统计的市面车型选取，且考虑目前家庭充电设施的限制选取充电功率。

3.如权利要求2所述电动汽车有序充电控制方法，其特征是，电动私家车受家庭充电设施所限，取充电功率3kW。

4.如权利要求1所述电动汽车有序充电控制方法，其特征是，所述充电模式按照充电电流大小，可分为快充和慢充；公交车每天需充电2次，晚间充电时间为非运营时间，20:00～05:00，统一集中充电，采用慢充模式；白天运营时间内的充电采取快充模式。

5.如权利要求4所述电动汽车有序充电控制方法，其特征是，所述快充的充电电流在1～3C范围内，通过充换电站进行充电，充电时间短；所述慢充的充电电流在0.1～0.5C内。

6.如权利要求1所述电动汽车有序充电控制方法，其特征是，所述用户行为习惯包括开始充电时刻和日行驶里程；

根据统计数据得到日行驶里程的概率密度函数，所述日行驶里程的概率密度函数如公式(1)所示：

$f_D\left(x\right)=\frac{1}{a_1{\mathrm{\&sigma;}}_{D1}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{{(x-{\mathrm{\&mu;}}_{D1})}^2}{2{{\mathrm{\&sigma;}}_{D1}}^2})+\frac{1}{a_2{\mathrm{\&sigma;}}_{D2}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{{(x-{\mathrm{\&mu;}}_{D2})}^2}{2{{\mathrm{\&sigma;}}_{D2}}^2})---\left(1\right)$

日行驶里程的概率密度函数满足正态分布，式中a₁，a₂，σ_D1和σ_D2分别为电动车日行驶里程正态分布函数的系数及标准差；

汽车最后一次行程结束时刻满足公式(2)概率密度分布函数：

$f_s\left(x\right)=\{\begin{array}{c}\frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{{(x-{\mathrm{\&mu;}}_s)}^2}{2{\mathrm{\&sigma;}}_s^2}),({\mathrm{\&mu;}}_s-12<x\&le;24)\\ \frac{1}{{\mathrm{\&sigma;}}_s\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{{(x+24-{\mathrm{\&mu;}}_s)}^2}{2{\mathrm{\&sigma;}}_s^2}),(0<x\&le;{\mathrm{\&mu;}}_s-12)\end{array}---\left(12\right)$

公式(2)符合分段正态分布，其标准差均为σ_s，而数学期望则分别为μ_s和μ_s-24，假设最后一次行程结束时刻即为开始充电时间。

7.如权利要求1所述电动汽车有序充电控制方法，其特征是，所述步骤二的具体方法为：

假设有L个中间管理者，第l个中间管理者管理M_l辆电动车，将全天24小时，以15min为间隔，平均分为N个时段，负荷最小化目标函数如下：

${\mathrm{minF}}_{ref}=\underset{t=1}{\overset{N}{\&Sigma;}}\frac{1}{N}{(P_{b,t}+\underset{l=1}{\overset{L}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{p^{\&prime;}}_{l,k,t}-u_b)}^2---\left(3\right)$

$u_b=\frac{1}{N}\underset{t=1}{\overset{N}{\&Sigma;}}{P}_{b,t}---\left(4\right)$

P_b,t为电动汽车未接入时电网t时段的负荷；

u_b为电动汽车未接入时电网各时段的平均负荷水平；

p'_l,k,t为第l个中间管理者第k辆电动汽车在时段t内的充电功率需求预测，p'_l,k,t＞0，表示充电，反之，表示放电。

8.如权利要求1所述电动汽车有序充电控制方法，其特征是，所述步骤三的具体方法为：

分布式优化控制采用中间管理者通过电网通信技术，将每个时间段接入电网的电动汽车，其开始充电时间、电池初始状态和充电功率信息实现动态检测；在每个时段开始时，通过动态时间窗将更新信息与优化过程有机结合，并根据电网与中间管理者在所述步骤二优化过程中所得的参考优化功率和24小时动态电价，按照公式(5)，对个体充电方案进行优化，并且优化过程中建立约束条件；

优化目标是各时段充电需求与集中优化控制结果之间的偏差和用户充电成本最小化，同时考虑延长电池寿命；目标函数如公式(5)：

$\min \underset{t=1}{\overset{N}{\&Sigma;}}{p_l}^2+\underset{t=1}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{c}_t{\mathrm{\&alpha;}}_{l,k,t}{p}_{l,k,t}+\underset{t=2}{\overset{N}{\&Sigma;}}\underset{k=1}{\overset{M_l}{\&Sigma;}}{{\mathrm{\&beta;d}}^2}_{l,k,t}---\left(5\right)$

c_t为实时浮动电价；d_l,k,t为电池寿命表示项；β为影响系数，此处取1；p_l为时段t内各电动汽车实际充电功率与电网分配给中间管理者的参考优化功率之间的偏差，所述参考优化功率为所述步骤二中集中优化控制结果，具体如下：

${p_l}^2={(\underset{k=1}{\overset{M_{max}}{\&Sigma;}}{\mathrm{\&alpha;}}_{l,k,t}{p}_{l,k,t}-{P^{\&prime;}}_{l,t})}^2---\left(6\right)$

为了定义第k辆电动汽车充放电状态和时间段t的关系，通过动态时间窗ω(t)定义矩阵其中，M_max＝max{M₁，M₂，…,M_l}，M_l为第l个中间管理者的电动车总数，P′_l,t表示电网在时段t内分配给第l个中间管理者的参考优化功率，α_l,k,t和p_l,k,t分别表示第l个中间管理者所管辖的第k辆电动车，在时段t内的动态参数和实际充电功率，α_l,k,t(k＝1,2，…，M_max；t＝1,2，…，N)为矩阵A_l ^Mmax×N的元素，α_l,k,t∈{0,1}，当ω(t)落在第k辆电动汽车充放电时段中时，α_l,k,t＝1，否则表示非调控状态为0；

电池寿命通过充放电频繁程度来衡量；利用相邻时间段，充电负荷变化率，间接表示充放电对电池寿命的影响，如公式(7)所示表示d_l,k,t：

d_l,k,t＝α_l,k,tp_l,k,t-α_l,k,t-1p_l,k,t-1   (7)。

9.如权利要求8所述电动汽车有序充电控制方法，其特征是，所述约束条件包括：

优化控制约束条件，

$\underset{k=1}{\overset{M_l}{\&Sigma;}}-p_{l,k,t}\&le;p_{utility}^{\max }(l,t)\mathrm{\&eta;}---\left(8\right)$

式(8)中：表示第l个中间管理者在t时段内，所有充电设施所能提供充电功率上限，η为充电效率；

$p_{l,k,t}\&le;p_{l,k}^{\max }\left(t\right)---\left(9\right)$

式(9)中，表示每辆电动汽车受充电设施制约的最大充电功率；

电池充电约束，

η_c(l,k)×p_charge(l,k,t)×Δt≤E_{battery-limit}(l,k)   (10)

电池放电约束，

$\frac{1}{{\mathrm{\&eta;}}_D(l,k)}\&times;p_{disch\arg e}(l,k,t)\&times;\mathrm{\&Delta;}t\&le;E_{stored}(l,k,t)---\left(11\right)$

其中，η_c(l,k)为第l个中间管理者的第k辆电动车电池进行充电效率；

η_D(l,k)为第l个中间管理者的第k辆电动车电池进行放电效率；

p_charge(l,k,t)为第l个中间管理者的第k辆电动车电池充电功率；

p_discharge(l,k,t)为第l个中间管理者的第k辆电动车电池放电功率；

E_{battery-limit}(l,k)是由SOC和电池温度决定的变量，假设该变量为常数，即电池容量E_{battery-capacity}(l,k)；E_stored(l,k,t)为电池存储电量；

充放电电流约束，

I＝I_oe^-αt   (12)

I₀为起始充电时最大电流，由电池初始SOC和物理特性决定，放电电流指数α由充电电路和电池特性决定；

电池SOC约束，

SOC_min≤SOC(l,k,t)≤SOC_max   (13)

SOC(l,k,t)为E_stored(l,k,t)与E_{battery-capacity}(l,k)的比值，为保护电池，防止电池过充、过放，从而延长电池使用寿命，规定SOC_min＝0.1，SOC_max＝max{0.9，SOC_user}；SOC_user为用户充电时，设置的充电上限。