CN105958625A - 计及光伏出力的电动汽车日充电数量的优化配置方法 - Google Patents

Abstract

本发明提出了一种计及光伏出力的电动汽车日充电数量的优化配置方法。该方法首先分析用户出行需求计算得到初始电动汽车日充电负荷，并对光伏进行分类计算得到不同类型的典型光出力，在此基础上以电动汽车日充电数量为优化变量，以光伏出力与电动汽车日充电负荷两曲线重合面积最大为目标，针对不同类型分别利用基于图象处理的粒子群优化算法进行优化配置求解，输出不同类型的配置结果；再综合考虑得到固定光伏容量下其能满足的电动汽车日充电数量的最优配置结果。本方法可最大限度利用光伏出力为电动汽车提供电能，并对日后光伏发电系统的安装容量和电动汽车充电桩规划具有一定的参考价值。

Description

计及光伏出力的电动汽车日充电数量的优化配置方法

技术领域

本发明涉及电动汽车充电技术领域，尤其涉及一种计及光伏出力的电动汽车日充电数量的优化配置方法。

背景技术

在能源危机和环境污染的双重压力下，可持续发展理念深入人心，人们开始把眼光放在开发新能源上，光伏发电由于其无污染无公害而获得大力的发展。而光伏出力具有较大的波动性和随机性，光伏并网要求系统具有较大的发电备用容量及输电网络容量，也会增加配电网的成本、降低效率。同时，新能源汽车的发展也越来越受到关注，其充电负荷具有随机性、间歇性的特征，规模化电动汽车入网充电会改变电网当前的负荷状况，对传统配电网造成了一定冲击。针对当前情况，要改变配网结构是非常困难的，而将光伏发电与电动汽车充电结合，可弥补其不足，利用光伏出力为电动汽车提供电能，既避免了其接入对配电网的影响，又充分发挥光伏发电系统的效益。

当前国内外的研究成果已基本从技术和经济方面论证了该方法可行性，但在考虑用户出行需求和光伏出力情况的前提下，如何配置电动汽车日充电数量，是亟待研究的问题。

发明内容

本发明的实施例提供了一种计及光伏出力的电动汽车日充电数量的优化配置方法，以实现在考虑用户出行需求和光伏出力情况的前提下，有效地配置电动汽车日充电数量。

为了实现上述目的，本发明采取了如下技术方案。

一种计及光伏出力的电动汽车日充电数量的优化配置方法，包括：

在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷；

对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力；

在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果。

进一步地，所述的在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷，包括：

对收集到的电动汽车出行数据进行统计，得到电动汽车的驶入时间Te、驶离时间Tl、充电起始荷电状态SOC_ini的概率密度分布；

计算出电动汽车的停车时长Ts：

Ts＝Tl-Te 公式1

充满电所需时长Tn：

Tn＝T*(1-SOC_ini)公式2

其中，T是电动汽车由充电起始荷电状态SOC_ini＝0至充满电SOC_ini＝1时所需时长；

而实际充电时长Ta由停车时长Ts和充满电所需充电时长Tn共同决定，其计算公式为：

设需要充电的电动汽车的总数为N，抽取第k(k＝1,2….N)辆电动汽车的驶入时间Te，驶离时间Tl，充电起始荷电状态SOC后，根据上述公式1、公式2和公式3计算出第k辆车的实际充电时长Ta，再将实际充电时长Ta乘以功率Pe，得到第k辆车的日充电功率，将N辆车的日充电功率进行累加，得到电动汽车的基本充电负荷Pev(t)。

进一步地，所述的对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力，包括：

结合收集到光伏容量为Cpv的光伏出力一年的历史数据及对应的气象数据，根据气象类型的特点将光伏出力分为晴天A1、阴天A2和雨天A3三种气象类型，并统计出所述晴天A1、阴天A2和雨天A3这三种气象类型分别所占的权重为：a1、a2和a3，分别将三种气象类型的光伏出力情况加权取平均，得到的晴天A1、阴天A2和雨天A3分别对应的典型光伏出力Pv1(t)、Pv2(t)、Pv3(t)。

进一步地，所述的在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果，包括：

对不同气象类型的光伏出力情况分别采用基于图象处理的粒子群优化算法进行优化配置求解，所述基于图象处理的粒子群优化算法的优化变量为电动汽车的日充电数量Nv，设电动汽车的基本充电负荷为Pev(t)，计算出电动汽车日充电负荷Pev_v(t)：

P_{ev_v}(t)＝Nv*P_ev(t)/10 公式4

优化目标为光伏出力曲线与电动汽车日充电负荷曲线重合面积Q最大；

max Q(P_{ev_v}(t),Pv(t)) 公式5

其中，Pv(t)为待求解的气象类型对应的典型光伏出力；

通过基于图象处理的粒子群优化算法求解所述公式5，得到待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果。

进一步地，所述的通过基于图象处理的种群优化算法求解所述公式5，得到待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果，包括：

输入电动汽车的基本充电负荷为Pev(t)和光伏出力Pv(t)数据；

算法初始化，并产生初始的种群，设置算法最大迭代次数MaxDT，学习因子为c1，c2，权重为w，种群数量为Nc，空间维数为d，则第i个粒子的位置和速度分别为x_i＝(x_i,1 x_i,2 … x_i,d)，i＝1,2,…Nc和v_i＝(v_i,1 v_i,2 … v_i,d)，在每一次的迭代中，粒子通过跟踪两个最优解来更新自己，第一个是粒子本身所找到的最优解，即个体极值P_i＝(p_i,1 p_i,2 … p_i,d)，另外一个是在整个粒子种群中搜索到的目前的最优解，即全局最优解P_g＝(p_g,1 p_g,2 … p_g,d)；

对初始的种群中的每一粒子根据公式4进行电动汽车日充电负荷Pev_v(t)计算，利用图像处理计算每个粒子对应的重合面积，得到初始的种群中每个粒子的适应度值、当前最优值；

利用下述的公式8和公式9更新粒子的速度和位置；

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1),j＝1,2,…d 公式9

其中，v_i,j为粒子速度，x_i,j为粒子位置，w为惯性权因子，c₁和c₂为正的学习因子，r₁和r₂为0到1之间均匀分布的随机数，P_i,j为个体最优解，P_g,j为群体最优解；

再利用图像处理计算更新后的粒子对应的重合面积，更新种群中每个粒子的适应度及最优解；

判断迭代次数是否达到最大迭代次数，如没有，则继续计算每个粒子的适应度值、当前最优值；否则停止迭代，输出最优粒子及最优解，即待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果和重合面积大小。

进一步地，所述的利用图像处理计算每个粒子对应的重合面积，包括：

利用图像处理中的提取像素法计算出每个粒子对应的重合面积，包括如下的流程：

step1，绘制图像，根据计算得到的电动汽车日充电负荷Pev_v(t)和光伏出力Pv(t)数据绘制曲线，并对两曲线重合部分进行涂色处理得到彩色图像；

step2，将所述彩色图像转化为灰度图像，使每个像素只有一个采样颜色；

Step3，对所述灰度图像进行二值化处理；

Step4，分别对二值化处理后的灰度图像中的白色部分和黑色部分的像素数进行累加计数；

Step5，求每个粒子对应的重合面积，计算公式如下：

图片面积由step1中所画的两条曲线所在的横纵坐标最大值Xmax、Ymax并考虑画图预留的边界d而得，计算公式如下：

图片面积＝(Xmax+d)*(Ymax+d)公式7。

进一步地，所述的方法还包括：

在光伏容量固定为Cpv的情况下，分别利用基于图象处理的粒子群优化算法进行优化配置求解，计算出晴天A1气象类型对应的典型光伏出力Pv1(t)对应的电动汽车日充电数量Nv1,计算出阴天A2气象类型对应的典型光伏出力、Pv2(t)对应的电动汽车日充电数量Nv2,计算出雨天A3气象类型对应的典型光伏出力Pv3(t)对应的电动汽车日充电数量Nv3；

设晴天A1、阴天A2、雨天A3三种气象类型所占的比重为a1、a2、a3，得到容量Cpv的光伏出力能满足的电动汽车日充电数量优化配置的结果为a1*Nv1+a2*Nv2+a3*Nv3。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例为解决光伏出力给电动汽车充电并提高其利用率问题，在考虑电动汽车用户出行需求和光伏出力情况的前提下，提出了一种计及光伏出力的电动汽车日充电数量的优化配置方法，可最大限度利用光伏出力为电动汽车提供电能，并对日后光伏发电系统的安装容量和电动汽车充电桩规划具有一定的参考价值。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1(a)(b)(c)分别为本发明步骤一中车辆驶入时间、驶离时间、充电起始SOC的概率密度分布图；

图2为本发明步骤一中电动汽车的基本充电负荷结果图；

图3为本发明步骤二中不同气象类型的光伏出力；

图4为本发明步骤三中基于图象处理的种群优化算法的流程图；

图5为本发明步骤三中利用图像处理求重合面积的流程图；

图6(a)(b)(c)分别为本发明步骤三中晴天、阴天、雨天优化配置的适应度曲线。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

针对考虑用户出行需求和光伏出力情况的前提下，如何配置电动汽车日充电数量的问题，本发明提出了一种计及光伏出力的电动汽车日充电数量的优化配置方法。

本发明实施例提出了一种计及光伏出力的电动汽车日充电数量的优化配置方法，其具体步骤如下：

步骤一：结合收集到的车辆出行数据，并进行统计得到车辆驶入时间Te、驶离时间Tl、充电起始荷电状态SOC_ini的概率密度分布，分别如图1(a)(b)(c)所示。

计算电动汽车的基本充电负荷Pev(t)前，要进行以下假设：

(1)电动汽车采取普通充电模式，充电方式为“恒功率”充电，功率为Pe；

(2)当充电起始荷电状态SOC_ini<5％时认为电池放电完全，取充电起始荷电状态SOC_ini＝0；当充电起始荷电状态SOC_ini>95％时电池完全充满，取充电起始荷电状态SOC_ini＝1。

车辆的停车时长Ts取决于车辆驶入时间Te和驶离时间Tl，其计算表达式如下：

Ts＝Tl-Te(1)

充满电所需时长Tn可根据充电起始荷电状态SOC_ini情况进行计算，表达式如下：

Tn＝T*(1-SOC_ini) (2)

其中，T是车辆由充电起始荷电状态SOC_ini＝0至充满电SOC_ini＝1时所需时长。

而实际充电时长Ta由停车时长Ts和充满电所需充电时长Tn共同决定，其计算公式为：

$Ta=\left\{\begin{array}{cc}Ts,& Ts<Tn\\ Tn,& Ts\&GreaterEqual;Tn\end{array}\right.---\left(3\right)$

以一天为时段，将其分为24个时刻，则t为时刻点，取值为1～24，模拟进入车辆数为N＝10辆车的充电功率为电动汽车的基本充电负荷Pev(t)。

首先结合车辆驶入时间Te、驶离时间Tl、充电起始荷电状态SOC_ini的概率密度分布，利用蒙特卡洛随机模拟抽取第k(k＝1,2….N)辆车的驶入时间Te，驶离时间Tl，充电起始荷电状态SOC_ini后，根据公式(1)-(3)计算第i辆车的实际充电时长Ta，再乘以功率Pe，得到第k辆车的日充电功率，后将10辆车的充电功率累加得到电动汽车的基本充电负荷Pev(t)，图2为本发明步骤一中电动汽车的基本充电负荷结果图。

步骤二：结合收集到光伏容量Cpv＝35kW的光伏出力一年的历史数据及对应的气象数据，根据气象类型的特点分为晴天A1、阴天A2和雨天A3三大类，其具体气象情况如表1所示。

表1三种气象类型包含的具体气象情况

根据收集到的光伏出力一年的历史数据和对应的气象数据，统计上述晴天A1、阴天A2和雨天A3这三种气象类型分别所占的权重，其结果如表2所示。

表2三种气象类型所占比重

再对这三种气象类型对应的光伏出力情况加权取平均，得到的晴天A1、阴天A2和雨天A3分别对应的典型光伏出力Pv1(t)、Pv2(t)、Pv3(t)，结果如图3所示。

步骤三：固定光伏容量Cpv＝35kW，则晴天A1、阴天A2和雨天A3分别对应的典型光伏出力为Pv1(t)、Pv2(t)、Pv3(t)。

配置求解时，基于图象处理的种群优化算法的优化变量为电动汽车日充电数量Nv，其与步骤一中的电动汽车的基本充电负荷Pev(t)共同决定电动汽车日充电负荷Pev_v(t)，具体公式如下：

P_{ev_v}(t)＝Nv*P_ev(t)/10 (4)

优化目标为光伏出力曲线与电动汽车日充电负荷曲线重合面积Q最大。

max Q(P_{ev_v}(t),Pv(t)) (5)

其中，Pv(t)为待求解的气象类型对应的典型光伏出力。

基于图象处理的种群优化算法的流程如图4所示，具体步骤如下：

1)输入电动汽车的基本充电负荷Pev(t)和光伏出力Pv(t)数据；

2)算法初始化，并产生初始种群。设置算法最大迭代次数MaxDT＝100，学习因子c1＝1.4962，c2＝1.4962，权重为w＝0.7298，种群数量为N＝10，空间维数为d＝1。则第i个粒子的位置和速度分别为x_i＝(x_i,1 x_i,2 … x_i,d)，i＝1,2,…N和v_i＝(v_i,1 v_i,2 … v_i,d)，在每一次的迭代中，粒子通过跟踪两个最优解来更新自己，第一个是粒子本身所找到的最优解，即个体极值P_i＝(p_i,1 p_i,2 … p_i,d)，另外一个是在整个粒子种群中搜索到的目前的最优解，即全局最优解P_g＝(p_g,1 p_g,2 … p_g,d)；

3)对每一粒子运用公式(4)计算电动汽车日充电负荷Pev_v(t)，再利用图像处理计算每个粒子对应的重合面积，得到初始种群中每个粒子的适应度值、当前最优值；

计算重合面积利用的是图像处理中的提取像素法(一幅图像都是由若干个数据点组成的，每个数据点称为像素)，图5为本发明步骤三中利用图像处理求重合面积的流程图，包括如下的处理步骤：

step1，绘制图像，即根据计算得到的电动汽车日充电负荷Pev_v(t)和1)中输入的光伏出力Pv(t)数据绘制曲线，并对两曲线重合部分进行涂色处理，即绘制的彩色图像；

step2，灰度图像，是把彩色图像转化为灰度图像，使每个像素只有一个采样颜色的图像；彩色图像中的每个像素的颜色有红(R)、绿(G)、蓝(B)三个分量决定，而每个分量有255种值可取，而灰度图像是红(R)、绿(G)、蓝(B)三个分量相同的一种特殊的彩色图像，一个像素点的变化范围为255种。把彩色图像转化为灰度图像时就是先求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量；

Step3，图像二值化，是将图像上的点的灰度置为0或1，也就是使整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像，其中图像中涂色部分设置为1(白色)，其他部分和边框设置为0(黑色)；

Step4，计算像素数，分别对白色部分和黑色部分的像素数进行累加计数；

Step5，求重合面积，其计算公式如下：

图片面积由step1中所画的两条曲线所在的横纵坐标最大值Xmax、Ymax并考虑画图预留的边界d而得，计算公式如下：

图片面积＝(Xmax+d)*(Ymax+d)(7)

4)更新粒子的速度和位置，粒子根据公式(8)(9)来更新自己的速度和新的位置。

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1),j＝1,2,…d (9)

其中，v_i,j为粒子速度，x_i,j为粒子位置，w为惯性权因子，c₁和c₂为正的学习因子，r₁和r₂为0到1之间均匀分布的随机数，P_i,j为个体最优解，P_g,j为群体最优解。

粒子更新后再进行3)中的重合面积计算方法求解，更新种群中每个粒子的适应度及最优解；

5)判断迭代次数是否达到最大迭代次数，如没有，则回到4)；否则停止迭代，输出最优粒子及最优解，即待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果和重合面积大小。

在光伏容量固定为Cpv＝35kW的情况下，分别利用基于图象处理的种群优化算法进行优化配置求解，得到晴天A1、阴天A2、雨天A3典型光伏出力Pv1(t)、Pv2(t)、Pv3(t)分别对应的电动汽车日充电数量Nv1、Nv2、Nv3，及其对应的重合面积的大小Q1、Q2、Q3，如下表3所示，图6(a)(b)(c)分别为晴天A1、阴天A2、雨天A3优化配置的适应度曲线。

表3不同气象类型分别对应的配置结果

根据以上结果，结合步骤二中三种气象类型所占的比重a1、a2、a3，得到容量Cpv＝35kW的光伏出力能满足的电动汽车日充电数量优化配置的结果为a1*Nv1+a2*Nv2+a3*Nv3≈25辆。

为说明提出方法的有效性，在优化配置后计算了不同气象类型的光伏利用率，得到如表4的结果。

表4不同气象类型的光伏利用率情况

从表中可以看出，经过优化配置后，无论是晴天、阴天还是雨天，光伏的利用率均在95％以上。

综上所述，本发明实施例为解决光伏出力给电动汽车充电并提高其利用率问题，提出了一种计及光伏出力的电动汽车日充电数量的优化配置方法，可使光伏利用率维持在较高的水平(95以上)，用以补给电动汽车充电需求，并对日后光伏发电系统的安装容量和电动汽车充电桩规划具有一定的参考价值。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (7)

1.一种计及光伏出力的电动汽车日充电数量的优化配置方法，其特征在于，包括：

在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷；

对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力；

在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果。

2.根据权利要求1所述的方法，其特征在于，所述的在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷，包括：

对收集到的电动汽车出行数据进行统计，得到电动汽车的驶入时间Te、驶离时间Tl、充电起始荷电状态SOC_ini的概率密度分布；

计算出电动汽车的停车时长Ts：

Ts＝Tl-Te 公式1

充满电所需时长Tn：

Tn＝T*(1-SOC_ini)公式2

其中，T是电动汽车由充电起始荷电状态SOC_ini＝0至充满电SOC_ini＝1时所需时长；

而实际充电时长Ta由停车时长Ts和充满电所需充电时长Tn共同决定，其计算公式为：

设需要充电的电动汽车的总数为N，抽取第k(k＝1,2….N)辆电动汽车的驶入时间Te，驶离时间Tl，充电起始荷电状态SOC后，根据上述公式1、公式2和公式3计算出第k辆车的实际充电时长Ta，再将实际充电时长Ta乘以功率Pe，得到第k辆车的日充电功率，将N辆车的日充电功率进行累加，得到电动汽车的基本充电负荷Pev(t)。

3.根据权利要求1所述的方法，其特征在于，所述的对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力，包括：

结合收集到光伏容量为Cpv的光伏出力一年的历史数据及对应的气象数据，根据气象类型的特点将光伏出力分为晴天A1、阴天A2和雨天A3三种气象类型，并统计出所述晴天A1、阴天A2和雨天A3这三种气象类型分别所占的权重为：a1、a2和a3，分别将三种气象类型的光伏出力情况加权取平均，得到的晴天A1、阴天A2和雨天A3分别对应的典型光伏出力Pv1(t)、Pv2(t)、Pv3(t)。

4.根据权利要求1所述的方法，其特征在于，所述的在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果，包括：

对不同气象类型的光伏出力情况分别采用基于图象处理的粒子群优化算法进行优化配置求解，所述基于图象处理的粒子群优化算法的优化变量为电动汽车的日充电数量Nv，设电动汽车的基本充电负荷为Pev(t)，计算出电动汽车日充电负荷Pev_v(t)：

P_{ev_v}(t)＝Nv*P_ev(t)/10 公式4

优化目标为光伏出力曲线与电动汽车日充电负荷曲线重合面积Q最大；

max Q(P_{ev_v}(t),Pv(t)) 公式5

其中，Pv(t)为待求解的气象类型对应的典型光伏出力；

通过基于图象处理的粒子群优化算法求解所述公式5，得到待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果。

5.根据权利要求4所述的方法，其特征在于，所述的通过基于图象处理的种群优化算法求解所述公式5，得到待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果，包括：

输入电动汽车的基本充电负荷为Pev(t)和光伏出力Pv(t)数据；

算法初始化，并产生初始的种群，设置算法最大迭代次数MaxDT，学习因子为c1，c2，权重为w，种群数量为Nc，空间维数为d，则第i个粒子的位置和速度分别为x_i＝(x_i,1 x_i,2 … x_i,d)，i＝1,2,…Nc和v_i＝(v_i,1 v_i,2 … v_i,d)，在每一次的迭代中，粒子通过跟踪两个最优解来更新自己，第一个是粒子本身所找到的最优解，即个体极值P_i＝(p_i,1 p_i,2 … p_i,d)，另外一个是在整个粒子种群中搜索到的目前的最优解，即全局最优解P_g＝(p_g,1 p_g,2 … p_g,d)；

对初始的种群中的每一粒子根据公式4进行电动汽车日充电负荷Pev_v(t)计算，利用图像处理计算每个粒子对应的重合面积，得到初始的种群中每个粒子的适应度值、当前最优值；

利用下述的公式8和公式9更新粒子的速度和位置；

v_i,j(t+1)＝wv_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)] 公式8

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1),j＝1,2,…d 公式9

其中，v_i,j为粒子速度，x_i,j为粒子位置，w为惯性权因子，c₁和c₂为正的学习因子，r₁和r₂为0到1之间均匀分布的随机数，P_i,j为个体最优解，P_g,j为群体最优解；

再利用图像处理计算更新后的粒子对应的重合面积，更新种群中每个粒子的适应度及最优解；

判断迭代次数是否达到最大迭代次数，如没有，则继续计算每个粒子的适应度值、当前最优值；否则停止迭代，输出最优粒子及最优解，即待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果和重合面积大小。

6.根据权利要求5所述的方法，其特征在于，所述的利用图像处理计算每个粒子对应的重合面积，包括：

利用图像处理中的提取像素法计算出每个粒子对应的重合面积，包括如下的流程：

step1，绘制图像，根据计算得到的电动汽车日充电负荷Pev_v(t)和光伏出力Pv(t)数据绘制曲线，并对两曲线重合部分进行涂色处理得到彩色图像；

step2，将所述彩色图像转化为灰度图像，使每个像素只有一个采样颜色；

Step3，对所述灰度图像进行二值化处理；

Step4，分别对二值化处理后的灰度图像中的白色部分和黑色部分的像素数进行累加计数；

Step5，求每个粒子对应的重合面积，计算公式如下：

图片面积由step1中所画的两条曲线所在的横纵坐标最大值Xmax、Ymax并考虑画图预留的边界d而得，计算公式如下：

图片面积＝(Xmax+d)*(Ymax+d)公式7。

7.根据权利要求5所述的方法，其特征在于，所述的方法还包括：

在光伏容量固定为Cpv的情况下，分别利用基于图象处理的粒子群优化算法进行优化配置求解，计算出晴天A1气象类型对应的典型光伏出力Pv1(t)对应的电动汽车日充电数量Nv1,计算出阴天A2气象类型对应的典型光伏出力、Pv2(t)对应的电动汽车日充电数量Nv2,计算出雨天A3气象类型对应的典型光伏出力Pv3(t)对应的电动汽车日充电数量Nv3；

设晴天A1、阴天A2、雨天A3三种气象类型所占的比重为a1、a2、a3，得到容量Cpv的光伏出力能满足的电动汽车日充电数量优化配置的结果为a1*Nv1+a2*Nv2+a3*Nv3。