CN109383323A - 一种电动汽车群的充放电优化控制方法 - Google Patents

Abstract

本发明提供的电动汽车群的充放电优化控制方法包括获取每台参与充放电车辆的次日充放电时间段数据；将次日时间离散为多个时隙，根据所有车辆的次日充放电时间段数据生成时隙集合；获取时隙集合中每个时隙的电力潮流数据和灵敏度数据；根据灵敏度数据采用内点法计算每个时隙中每台车辆的充放电功率。充放电优化控制方法减轻电压波动，降低负荷峰谷差，减少配电网网损，增加电动汽车用户的经济收益。

Description

一种电动汽车群的充放电优化控制方法

技术领域

本发明涉及电动汽车充电技术领域，具体地涉及一种电动汽车群的充放电优化控制方法。

背景技术

电动汽车可以减少人类对石油资源的依赖，随着全球石油资源日渐枯竭，与传统的燃油汽车相比，电动汽车备受青睐。随着电动汽车技术的快速发展，其由于污染少、运行成本低而受到越来越多人的欢迎，电动汽车市场占有率越来越大。随着电动汽车的发展，电动汽车充电站也在逐步建设，这将对充电设施发展和电网运行带来新的负荷增长。

多辆汽车在各个充电站采用固定充电模式进行充电时，例如采用恒电流-恒电压-涓流模式充电时，电网系统负荷波动增强，现有的电压控制措施难以满足用户对电压限制的要求；并且强随机性负荷集中用电导致系统的负荷峰值增高，导致电力系统的装机容量不足。

发明内容

本发明的目的在于提供一种实现电动汽车效益优化和系统负荷优化的电动汽车群的充放电优化控制方法。

本发明提供的电动汽车群的充放电优化控制方法包括获取每台参与充放电车辆的次日充放电时间段数据；将次日时间离散为多个时隙，根据所有车辆的次日充放电时间段数据生成时隙集合；获取时隙集合中每个时隙的电力潮流数据和关于电力潮流的灵敏度数据；根据灵敏度数据采用内点法计算每个时隙中每台车辆的充放电功率。

由上述方案可见，先根据所有用户输入的次日充放电时间段数据组成时隙集合，对每个时隙的电力潮流和灵敏度进行计算，再根据灵敏度利用内点法计算出每个时隙中每台车辆的最优充放电功率，充放电优化控制方法减轻电压波动，降低负荷峰谷差，减少配电网网损，增加电动汽车用户的经济收益。

进一步的方案是，根据灵敏度数据采用内点法计算每个时隙中每台车辆的充放电功率后，判断车辆的实际充放电时间段数据是否与已获取的该车辆的次日充放电时间段数据匹配，若否，根据实际充放电时间段数据和已获取的灵敏度数据采用内点法计算后续的每个时隙中每台车辆的充放电功率。

由上可见，根据实际充放电时间段对后续的每个时隙中每台车辆的充放电功率进行实施计算和调控，系统的最优决策方案根据实际数据进行适时调整。

进一步的方案是，将次日时间离散为多个时隙，根据所有车辆的次日充放电时间段数据生成时隙集合中，根据车辆的次日充放电时间数据的并集生成时隙集合。

进一步的方案是，获取每台参与充放电车辆的次日充放电时间段数据前，根据申请充放电的车辆的电池状态与违约率信息获取参与充放电的车辆数据。

由上可见，分析申请加入电网充放电服务电动汽车的电池状态、历史违约率等信息，筛选出未来可参与电动汽车充放电服务的电动汽车。

进一步的方案是，根据所有车辆的次日充放电时间段数据生成时隙集合中，次日充放电时间段根据用户输入的次日充放电起始时间、充放电结束时间和中断时间生成。

由上可见，次日充放电时间段数据根据用户预先输入的时间数据生成，关于时隙集合的数据更为准确。

进一步的方案是，根据所有车辆的次日充放电时间段数据生成时隙集合中，次日充放电时间段根据车辆历史时间内的充放电起始时间、充放电结束时间和中断时间的平均值生成。

由上可见，当用户没有输入时间数据时，系统根据该用户的历史充放电时间记录而分析获取该用户车辆的次日充放电时间段数据。

进一步的方案是，根据所有车辆的次日充放电时间段数据生成时隙集合中，根据车辆的需充电量和该车辆的最大充电功率生成该车辆充电所需的时隙数量，将该车辆的时隙数量分配至时隙集合中。进一步的方案是，根据车辆的需充电量和该车辆的充电功率生成该车辆充电所需的时隙数量中，根据该车辆当天的电池驱动比例、行走距离和全电动可行距离生成该车辆的需充电量。

由上可见，根据该车辆当天的电池驱动比例、行走距离和全电动可行距离生成该车辆的需充电量，从而更准确地计算出该车辆充电所需的时隙数量。

进一步的方案是，获取时隙集合中每个时隙的电力潮流数据和灵敏度数据中，根据每个时隙中配电网拓扑结构参数、预测用户负荷和车辆充放电功率数据生成电力潮流数据。

更进一步的方案是，根据每个时隙中配电网拓扑结构参数、预测用户负荷和车辆充放电功率数据生成电力潮流数据中，通过采集监控SCADA系统获取配电网拓扑结构参数。

由上可见，通过采集监控SCADA系统获取配电网拓扑结构参数并根据每个时隙中配电网拓扑结构参数、预测用户负荷和车辆充放电功率数据生成电力潮流数据，可保证每个时隙中电力潮流数据的准确性。

附图说明

图1为本发明电动汽车群的充放电优化控制方法实施例中电动汽车群的充放电优化控制系统的结构框图。

图2为本发明电动汽车群的充放电优化控制方法实施例的流程图。以下结合附图及实施例对本发明作进一步说明。

图3为本发明电动汽车群的充放电优化控制方法实施例中节点34A相优化前后电压的第一对照图。

图4为本发明电动汽车群的充放电优化控制方法实施例中节点46中性点优化前后电压的第一对照图。

图5为本发明电动汽车群的充放电优化控制方法实施例中充放电优化前后负荷曲线对照图。

图6为本发明电动汽车群的充放电优化控制方法实施例中电动汽车总充放电功率第一对照图。

图7为本发明电动汽车群的充放电优化控制方法实施例中电动汽车SOC第一变化曲线图。

图8为本发明电动汽车群的充放电优化控制方法实施例中节点34A相优化前后电压的第二对照图。

图9为本发明电动汽车群的充放电优化控制方法实施例中节点46中性点优化前后电压的第二对照图。图10为本发明电动汽车群的充放电优化控制方法实施例中充放电优化前后12小时负荷曲线对照图。

图11为本发明电动汽车群的充放电优化控制方法实施例中电动汽车总充放电功率第二对照图。

图12为本发明电动汽车群的充放电优化控制方法实施例中电动汽车SOC第二变化曲线图。

具体实施方式

图1为本发明电动汽车群的充放电优化控制方法实施例中电动汽车群的充放电优化控制系统的结构框图。本发明提供的电动汽车群的充放电优化控制方法基于电动汽车群的充放电优化控制系统实现，电动汽车群的充放电优化控制系统包括远程抄表系统1、采集监控SCADA系统2、数据输入模块3、负荷预测模块4、电力潮流计算模块5、汽车充放电统计模块6、汽车充放电优化模块7和汽车充放电设备8。

远程抄表系统1将获取的车辆充放电时间段数据、车辆充放电功率数据发送至数据输入模块3，采集监控SCADA系统2将获取的负荷功率和配电网拓扑结构参数发送至数据输入模块3，数据输入模块3将获取的配电网拓扑结构参数、预测用户负荷和车辆充放电功率数据发送至电力潮流计算模块5、负荷预测模块4和汽车充放电统计模块6，从而对电力潮流、电力潮流灵敏度和每辆车辆的充放电功率进行计算，最后通过汽车充放电优化模块7和汽车充放电设备8实现充放电功率调节。其中，汽车充放电统计模块6负责及时保存、管理全部电动汽车历史数据，计算过往一段历史时间电动汽车的充电起始时间、充电结束时间和中断外出时间的平均值，负荷预测模块4负责及时保存、管理全部负荷历史数据，根据负荷历史数据预测第二天24小时负荷，而电力潮流计算模块5根据预测的第二天24小时负荷和初始化的电动汽车充放电功率计算第二天24小时配电网三相电力潮流。

结合图2，图2为本发明电动汽车群的充放电优化控制方法实施例的流程图。首先以24小时为周期启动上述电动汽车群的充放电优化控制系统进行工作。系统首先执行步骤S1，获取每台参与充放电车辆的次日充放电时间段数据。汽车充放电的用户通过申请而加入到汽车群中，而系统则可通过申请信息数据中获取申请充放电的车辆的电池状态与违约率信息，并根据该车辆的电池状态与违约率信息筛选出符合条件，在未来参加车辆充放电服务的车辆群。而获取每台参与充放电车辆的次日充放电时间段数据的方式则有以下两项：1、用户可登入系统，并在系统中输入预约信息，预约信息包括次日的充放电起始时间、充放电结束时间和中断时间等。2、若用户没有在系统中输入预约信息，系统则对该车辆历史时间内的充放电起始时间、充放电结束时间和中断时间的平均值进行分析计算而生成该车辆的次日充放电时间段数据。优选地，用户输入的预约信息中，还包括该车辆当天的电池驱动比例、行走距离和全电动可行距离和车辆的充电功率等。

随后系统执行步骤S2，将次日时间离散为多个时隙，所有车辆的次日充放电时间段数据离散成对应时隙，将所有车辆计算获得的时隙数量进行并集，从而生成次日的时隙集合。如次日时间总和为24小时，若将其离散为96个时隙，每个时隙则为15分钟。由于在步骤S1中已经获得每台参与充放电车辆的次日充放电时间段数据和该车辆当天的电池驱动比例、行走距离和全电动可行距离和车辆的最大充电功率，系统根据该车辆当天的电池驱动比例、行走距离和全电动可行距离计算生成该车辆的需充电量，并根据计算得出的需充电量和充电功率计算出该车辆所需的充电时长，随后根据该车辆的最大充电功率和需充电量生成该车辆需要充电的时隙数量，最后，在该车辆次日充放电时间段内最早时隙中分配给该车辆所需数量的时隙进行充电，形成初始充放电方案。

每台车辆需要充电的时隙数量根据以下公式组计算：

其中和分别为n节点k相第台电动汽车的电池驱动比例、行走距离、全电动可行距离、初始充电状态、目标充电状态、容量、充电效率和最大充电功率，Δt为时隙长度。计算n节点k相第个电动汽车电池初始充电状态、需要充电量和最小充电时隙数量

随后系统执行步骤S3，获取时隙集合中每个时隙的电力潮流数据和关于电力潮流的灵敏度数据。电流潮流为三相电流潮流，每个时隙的电力潮流数据可根据每个时隙中配电网拓扑结构参数、预测用户负荷和车辆充放电功率数据生成，配电网中的调压设备采用传统控制方式，估计远方节点电压，如果估计电压值越限调整有载调压变压器、调压器分接头位置和投切电容器。

每个时隙三相电力潮流数据根据以下公式组计算获得：

式组中I_m为节点m中a相、b相、c相和中性点N注入电流复向量，I_{Re m}、I_{Im m}分别为I_m的实部和虚部，注入电流包括负荷注入电流(ZIP为恒定阻抗、恒定电流且恒定功率)和电动汽车充电负荷注入电流V_m为节点n中a相、b相、c相和中性点N电压复向量；V_Ren、V_Imn分别为V_m的实部和虚部，分别为节点m_ZIP负荷的有功和无功功率，由负荷预测和三相潮流计算模块短期负荷预测得到，为节点m电动汽车充放电功率，通过公式计算负荷注入电流和电动汽车充电负荷注入电流

随后根据牛顿法按照以下公式组计算三相潮流计算：

Y_mn为节点m和节点n之间的导纳矩阵，分别为Y_mn中l∈a,b,c,N、k∈a,b,c,N之间的导纳、电导和电纳，K为配电网总节点数。

灵敏度数据包括节点电压幅值、电池放电深度、电池充放电费用函数、电池放电损耗成本函数和负荷形状函数对于控制变量的灵敏度数据，灵敏度数据根据以下公式组计算获得：

首先采用公式计算出电动汽车充放电功率。设N_PEVnk为n节点k相充放电电动汽车数目，为节点n的k相电动汽车充放电功率；代数变量节点n＝1,…,K；控制变量u由电动汽车充电功率和电动汽车放电功率构成节点n＝1,…,K；时隙t∈Γ_opt，其中Γ_opt为电动汽车群优化控制时隙集合，和分别为n节点k相电动汽车数目t时隙第个电动汽车充电功率和放电功率。

将m＝1,…,K中实部虚部三相电力潮流展开得分别到公式组：

将上述两式写成一般形式F(x,u)＝0，随后根据公式得到代数变量x对控制变量u的灵敏度x_u。

根据公式和

计算得到节点电压幅值V＝[...V_n ^a V_n ^b V_n ^c V_n ^N...]^T对代数变量x的灵敏度V_x，n＝1,...,K。随后根据公式V_u＝V_xx_u得到节点电压幅值V＝[...V_n ^a V_n ^b V_n ^c V_n ^N...]^T对控制变量u的灵敏度。

随后根据下式得到系统的有功功率网损P_loss：

随后根据下式计算得到电动汽车群优化控制期间网损费用Z_lossC：

式中C^t为时隙t负荷电价，为时隙t电动汽车电池放电电价，Ω_PEV为电动汽车所在节点集合。

然后根据公式计算全部电动汽车总充放电费用Z_LC。

随后根据公式和得到充放电费用Z_LC对时隙节点i∈Ω_PEV相k控制变量u的灵敏度Z_LCu，Z_LC对其它控制变量的灵敏度为0。

然后根据公式得到t时隙n节点k相第个电动汽车电池放电深度随后根据公式得到全部电动汽车总的电池放电损耗成本函数Z_Cost。其中，分别为n节点k相第个电动汽车电池放电效率的倒数、自放电率、在时隙t的放电深度和电池价格。

根据公式和得到τ时隙n节点k相第个电动汽车电池放电深度对时隙n节点k相控制变量u的灵敏度对其它控制变量的灵敏度均为0。

根据公式组

计算得到电池放电损耗成本函数Z_Cost对τ时隙n节点k相控制变量u的灵敏度Z_Costu。

根据公式计算出时隙t节点n三相注入功率总和P_n(t)，随后根据公式计算得出负荷形状函数Z_S，其中S^t为在时隙t除去电动汽车充放电外负荷归一化参数。

根据公式和计算得到负荷形状函数Z_S对时隙τ节点n相k控制变量u的灵敏度Z_Su。

然后系统执行步骤S4，根据S3中计算获取的灵敏度数据采用内点法计算每个时隙中每台车辆的充放电功率。

目标函数F_un可以根据实际需要进行选择。其一，选择电动汽车用户费用最小化，F_un为全部电动汽车总的充放电费用Z_LC与总的电池放电损耗成本函数Z_Cost之和，故有F_un＝Z_LC+Z_Cost。其二，F_un为选择负荷形状函数Z_S与总的电池放电损耗成本函数Z_Cost之和，故有F_un＝Z_S+W_gZ_Cost，其中，W_g为权重系数。

以下公式组为电动汽车充放电的最优控制模型，采用内点法求解该最优控制模型：

最小化目标函数F_un

约束方程如下：

Z_LC ⁽ⁱ⁺¹⁾＝Z_LC ⁽ⁱ⁾+Z_{LC u} ⁽ⁱ⁾(u⁽ⁱ⁺¹⁾-u⁽ⁱ⁾)；

Z_Cost ⁽ⁱ⁺¹⁾＝Z_Cost ⁽ⁱ⁾+Z_{Cost u} ⁽ⁱ⁾(u⁽ⁱ⁺¹⁾-u⁽ⁱ⁾)；

Z_S ⁽ⁱ⁺¹⁾＝Z_S ⁽ⁱ⁾+Z_{S u} ⁽ⁱ⁾(u⁽ⁱ⁺¹⁾-u⁽ⁱ⁾)；

V_min≤V⁽ⁱ⁾+V_u ⁽ⁱ⁾(u⁽ⁱ⁺¹⁾-u⁽ⁱ⁾)≤V_max；

n＝1,...,K；k＝a,b,c；

其中，和分别为n节点k相第个电动汽车电池充放电起始时隙、充放电结束时隙、充放电时隙集合、电池最大放电功率、t时隙末端电池中的储能、电池储能上限、电池储能下限、目标充电状态和单天最大允许放电深度，Γ_valley为配电网负荷低谷时隙集合式，电动汽车充放电的最优控制模型。

最优控制模型各式中上标(i)、(i+1)表示第i、i+1次迭代数值；

式和为充放电功率上下限约束；

式表示负荷低谷时段不能放电；

式为充放电状态互斥约束，同一时刻只能为充电或放电状态的其中一种；

式和

分别为起始时隙和后续时隙电池储能计算公式；

式为电池储能上下限约束；

式为结束时隙最低电池储能约束；

式为最大放电深度约束；

式表示全部电动汽车电池充放电时隙集合的并集构成电动汽车群优化控制时隙集合Γ_opt。

可选的是，上述电动汽车充放电的最优控制模型中，可将负荷低谷时段放电功率从控制变量中去掉，并且从最优控制模型中去除

通过对电动汽车充放电的最优控制模型进行求解，随后即可进一步计算出每个时隙中每台车辆的充放电功率，减轻电压波动，降低负荷峰谷差，减少配电网网损，增加电动汽车用户的经济收益，使更多的电动汽车用户参与控制。

在次日到来后，系统执行判断步骤S5，判断获取的车辆的实际充放电时间段数据是否与已获取的该车辆的次日充放电时间段数据匹配。若判断结果为是，系统则执行步骤S7，根据步骤S4中最优控制模型的计算结果(即首次计算结果)对每个时隙中每台车辆的充放电功率进行控制。

若判断步骤S5的结果为否，系统则执行步骤S6，根据实际充放电时间段数据和获取的灵敏度数据采用内点法计算后续的每个时隙中每台车辆的充放电功率，最后执行步骤S8，根据重新计算的结果对后续每个时隙中每台车辆执行充放电功率控制。

以下是本发明方法的一个实际算例，以IEEE34节点配电网系统扩展后75节点系统为例进行兼顾配电网电能质量的电动汽车群优化控制。系统接地方式采用直接接地，接地电阻为10-4ohm。

参见下表1，表1为电动汽车最大充电功率和容量配置表，采用恒功率充放电，充电和放电效率均为88％。

表1

设各节点每相只连接一辆电动汽车，即全部电动汽车可参与电动汽车充放电服务，电动汽车充放电统计模块统计各电动汽车充电起始时间、充电结束时间期望值为19:30和7:30，忽略中断外出时间，为19:30-7:30间时隙集合，设电池初始充电状态均为0.2。

优化前对全部电动汽车未加充放电控制，即插充电，充满为止。按照每台电动汽车需要充电量根据其最大充电功率计算需要充电的时隙数量，将这些时隙分配到初始充放电时间段内。采用阶梯电价，高峰时段7:00-22:45充电电价3.11元/(kWh)、放电电价2.5元/(kWh)，低谷时段22:45-7:00充电电价为0.95元/(kWh)，Γ_valley为22:45-7:00之间时隙集合。电池成本为3000元/kWh。设电池目标充电状态均为0.85，电池储能上限电池储能下限最大放电深度设为0.2。三相电压上下限分别为1.1p.u.、0.9p.u.，中性点电压上下限分别为0.0043p.u.、0p.u.。最大迭代次数Iter设为5。内点法预设迭代次数为10，控制变量的收敛精度为10-10，约束条件的收敛精度为10-6。

当目标函数Fun选择全部电动汽车总的充放电费用ZLC与总的电池放电损耗成本函数ZCost之和Fun＝ZLC+ZCost时，优化结果如下：

参见图3，图3为本发明电动汽车群的充放电优化控制方法实施例中节点34A相优化前后电压的第一对照图。优化前最低电压节点为节点34的A相，最低电压由0.9028p.u.升高到0.9092p.u.，最高电压也略有降低。整个优化控制区间，优化前电压比较高的时段优化后都有所降低；相反，优化前电压比较低的时段优化后大都有所升高。

参见图4，图4为本发明电动汽车群的充放电优化控制方法实施例中节点46中性点优化前后电压的第一对照图。优化前节点46中性点电压最高，达到1.0064V，优化后达到0.9454V，优化后低压节点中性点电压有效地控制在1V之内。从图4中可以看到最高电压降低的同时，最低电压略微升高。节点46是低压母线，低压母线通常要求母线电压<1V，满足要求。

参见图5和图6，图5为本发明电动汽车群的充放电优化控制方法实施例中充放电优化前后负荷曲线对照图，图6为本发明电动汽车群的充放电优化控制方法实施例中电动汽车总充放电功率第一对照图。优化后负荷波动范围减少，最小负荷由1.42766p.u.升高到1.76299p.u.，升高了23.5％，最大负荷由4.98843p.u.降低到4.58176p.u.，降低了8.2％。

参见图7，图7为本发明电动汽车群的充放电优化控制方法实施例中电动汽车SOC第一变化曲线图。优化后全部电动汽车电池SOC变化在储能要求限值[0.2,0.9]内，并且最终SOC均不低于目标值0.85。

当选择目标函数Fun＝ZS+WgZCost，权重系数Wg＝1000，优化结果如下：

参见图8，图8为本发明电动汽车群的充放电优化控制方法实施例中节点34A相优化前后电压的第二对照图。优化前系统状态一样，优化前最低电压节点为节点34的A相，优化后电压波动范围缩小。最低电压由0.9028p.u.升高到0.9099p.u.，最高电压由1.0289p.u.降到1.0247p.u.。

参见图9，图9为本发明电动汽车群的充放电优化控制方法实施例中节点46中性点优化前后电压的第二对照图。优化前节点46中性点电压最高，达到1.0064V，优化后达到1.0006V，优化后将低压节点中性点电压有效地控制在1V附近。从图9中可以看到最高电压降低的同时，最低电压略微升高。节点46是低压母线，通常要求低压母线中性线电压<1V，满足要求。

参见图10和图11，图10为本发明电动汽车群的充放电优化控制方法实施例中充放电优化前后12小时负荷曲线对照图，图11为本发明电动汽车群的充放电优化控制方法实施例中电动汽车总充放电功率第二对照图。优化后负荷波动范围减少，最小负荷由1.42772p.u.升高到1.72049p.u.，升高了20.5％，最大负荷由4.98843p.u.降低到4.49098p.u.，降低了10.0％。

参见图12，图12为本发明电动汽车群的充放电优化控制方法实施例中电动汽车SOC第二变化曲线图。优化后全部电动汽车电池SOC变化和最终数值均满足设定要求。

参见下表2，表2为两种控制方案电动汽车群充放电控制效益对比数据表，表中增加权重系数Wg＝10和Wg＝100两种情况以作对照。

表2

从表2可见，第一种方案中电动汽车充放电费用每年节约31.1万元，每辆车节约充电费用10378.41元；第二种方案权重系数Wg＝1000时，电动汽车充放电费用每年节约37.7万元，每辆车节约充电费用12581.79元，整个配电网也节约网损费用9.4万元。随着权重系数降低，优化后峰谷差百分比(最大负荷与最小负荷差值占最大负荷的百分比)降低，权重系数Wg＝10时，峰谷差百分比由71.34％将为62.27％，有力地缓解电力系统调频、调压压力。

从表2可以看出第二种方案同样有利于电动汽车用户。随着权重系数的增加，电池充放电节约总费用增大。可以根据实际需要选择权重系数。第一个控制目标也有利于供电公司利益，整个配电网也节约网损费用8.5万元，优化后峰谷差百分比由71.34％将为64.88％。两种控制方案无论是对电动汽车用户还是对电网公司都带来可观的效益。

参见下表3，表3为两种控制方案的计算时间表，最大迭代次数设为5次。

表3

第一种方案计算耗时5761.31秒，权重系数Wg＝10时第二种方案计算耗时6097.16秒，两种方案每次迭代20分钟左右，可以满足系统控制对计算时间的要求：即在第二天之前计算出优化结果。当电动汽车群规模增大时，计算时间相应增加，最大迭代次数可以设置小一些满足系统对计算时间的要求，也可以把负荷低谷时放电功率从控制变量中删掉。当电动汽车用户在第二天临时改变其电动汽车的充放电起始时间、充放电结束时间和中断外出时间时，重新优化计算，最大迭代次数可以选为1次，计算时间小于2个时隙，然后将最优控制策略输出给电动汽车充放电设备。

最后需要强调的是，以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种变化和更改，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电动汽车群的充放电优化控制方法，其特征在于，包括：

获取每台参与充放电车辆的次日充放电时间段数据；

将次日时间离散为多个时隙，根据所有车辆的次日充放电时间段数据生成时隙集合；

获取所述时隙集合中每个时隙的电力潮流数据和灵敏度数据；

根据所述灵敏度数据采用内点法计算每个时隙中每台车辆的充放电功率。

2.根据权利要求1所述的电动汽车群的充放电优化控制方法，其特征在于：

所述根据所述灵敏度数据采用内点法计算每个时隙中每台车辆的充放电功率后，判断车辆的实际充放电时间段数据是否与已获取的该车辆的次日充放电时间段数据匹配，若否，根据所述实际充放电时间段数据和已获取的所述灵敏度数据采用内点法计算后续的每个时隙中每台车辆的充放电功率。

3.根据权利要求1所述的电动汽车群的充放电优化控制方法，其特征在于：

所述将次日时间离散为多个时隙，根据所有车辆的次日充放电时间段数据生成时隙集合中，根据所述车辆的次日充放电时间数据的并集生成时隙集合。

4.根据权利要求3所述的电动汽车群的充放电优化控制方法，其特征在于：

所述获取每台参与充放电车辆的次日充放电时间段数据前，根据申请充放电的车辆的电池状态与违约率信息获取参与充放电的车辆数据。

5.根据权利要求1所述的电动汽车群的充放电优化控制方法，其特征在于：

所述根据所有车辆的次日充放电时间段数据生成时隙集合中，所述次日充放电时间段根据用户输入的次日的充放电起始时间、充放电结束时间和中断时间生成。

6.根据权利要求1所述的电动汽车群的充放电优化控制方法，其特征在于：

所述根据所有车辆的次日充放电时间段数据生成时隙集合中，所述次日充放电时间段根据车辆历史时间内的充放电起始时间、充放电结束时间和中断时间的平均值生成。

7.根据权利要求1至6任一项所述的电动汽车群的充放电优化控制方法，其特征在于：

所述根据所有车辆的次日充放电时间段数据生成时隙集合中，根据车辆的需充电量和该车辆的最大充电功率生成该车辆充电所需的时隙数量，将该车辆的所述时隙数量分配至所述时隙集合中。。

8.根据权利要求7所述的电动汽车群的充放电优化控制方法，其特征在于：

所述根据车辆的需充电量和该车辆的充电功率生成该车辆充电所需的时隙数量中，根据该车辆当天的电池驱动比例、行走距离和全电动可行距离生成该车辆的所述需充电量。

9.根据权利要求1至6任一项所述的电动汽车群的充放电优化控制方法，其特征在于：

所述获取所述时隙集合中每个时隙的电力潮流数据和灵敏度数据中；

根据每个时隙中配电网拓扑结构参数、预测用户负荷和车辆充放电功率数据生成所述电力潮流数据。

10.根据权利要求9所述的电动汽车群的充放电优化控制方法，其特征在于：

所述根据每个时隙中配电网拓扑结构参数、预测用户负荷和车辆充放电功率数据生成所述电力潮流数据中，通过采集监控SCADA系统获取所述配电网拓扑结构参数。