CN109484240A - 一种基于分群控制的电动汽车集群实时充电优化方法 - Google Patents

Abstract

本发明公开了一种基于分群控制的电动汽车集群实时充电优化方法，涉及电动汽车集群内的实时充电领域，包括：步骤1，基于分布式分层控制框架，根据EV集群的充电特性，以充电结束时刻为判别量对EV集群进行队列划分；步骤2，求解以日负荷波动最小化为目标的EV集群充放电功率实时优化模型，对EV集群充放电功率进行实时优化，并由配电网进行安全约束校验；步骤3，在EV集群调度结果基础上，考虑EV车主的充放电成本，求解EV集群内部功率分配模型，得到EV集群内部单辆EV充放电功率的最优功率分配，使EV集群总出力尽可能接近调度结果。本发明采用EV充放电分布式分层控制框架，实现了EV集群充放电的实时控制。

Description

一种基于分群控制的电动汽车集群实时充电优化方法

技术领域

本发明涉及电动汽车集群内的实时充电领域，尤其涉及一种基于分群控制的电动汽车集群实时充电优化方法。

背景技术

随着电动汽车(EV)规模的扩大，其充电需求和充电负荷分布将呈现出规律性。配电网系统若从EV群体的总体特征出发对充放电负荷进行管理，可以降低通信网络复杂度和优化计算难度。已有学者从集群的角度EV充电控制进行研究。文献《Aggregation Model-Based Optimization for Electric Vehicle Charging Strategy[J]》(J.Z,X.W,K.M,etal.IEEE Transactions on Smart Grid,2013,4(2):1058-1066)和《基于参数序列化技术的电动汽车集群响应控制策略[J]》(王冉，王丹，贾宏杰等，电力系统自动化，2015(20):47-53)提出了大规模EV群体充电模型以减少系统功率波动。文献《考虑用户满意度的电动汽车分群调度策略[J]》(黄一诺，郭创新，王力成等，电力系统自动化，2015(17):183-191)提出了根据EV出行结束时刻、所需充电时长等行为特征进行分群调度，并对同一群体中具有相似属性的EV给出集中调度策略。文献《基于集群响应的规模化电动汽车充电优化调度[J]》(陈静鹏，艾芊，肖斐，电力系统自动化，2016,40(22):43-48)基于区域EV的集群响应特性，建立了以负荷峰谷差最小化为目标的EV群体充电概率分布模型。文献《大规模电动汽车集群分层实时优化调度[J]》(潘振宁，张孝顺，余涛等，电力系统自动化，2017(16):96-104)建立了考虑EV充放电的大规模集群实时优化调度模型，但仍需要配电网集中划分集群并制定调度计划，对实时通讯能力要求较高。

以上文献研究EV集群整体充放电控制时，未考虑集群内部的单辆EV的能量分配。双层优化，文献《Hierar-chical real-time optimized dispatching for large-scaleclusters of electric vehicles[J]》(PAN Zhenning,ZHANG Xiaoshun,YU Tao,etal.Automation of Electric Power Systems,2017(16):96-104)建立了基于代理商和EV个体双层优化的充放电调度模型。文献《基于双层优化的电动汽车充放电调度策略[J]》(姚伟锋,赵俊华,文福拴等，电力系统自动化，2012(11):30-37)和《电动汽车集群内的递阶分散最优充电方法[J]》(李正烁,郭庆来,孙宏斌等，电力建设，2015(07):114-119)提出分散优化算法求解集群内的EV充电功率追踪电网指令的问题,实现了由个体EV根据本地信息计算充电方案。但目前研究集群内部的功率分配时，很少涉及EV个体的经济成本和实际电量约束特性。

此外，目前对EV集群的充放电优化控制以日前优化为主，而实时控制和调度方法中应用集群响应和分群优化的研究较少。文献《采用拉格朗日松弛法的电动汽车分散优化充电策略[J]》(许少伦,严正,张良等，电力建设,2015,36(7):107-113)和《计及电动汽车充电预测的实时充电优化方法[J]》(李正烁,郭庆来,孙宏斌等，电力系统自动化,2014(09):61-68)都提出了实时充电控制模型，并通过滚动优化求解得到EV的实时优化充电功率，但都未考虑V2G的情况。国外文献大多从市场行为角度考虑EV聚合商参与实时市场和备用市场，从而对充放电功率进行优化《Real-Time Charging Management Framework forElectric Vehicle Aggregators in a Market Environment[J]》(Vagropoulos S I,Kyriazidis D K,Bakirtzis A G.IEEE Transactions on Smart Grid,2016,2(7):948-957)和《CVaR-Constrained Optimal Bidding of Electric Vehicle Aggregators inDay-Ahead and Real-Time Markets[J]》(Yang H,Zhang S,Qiu J,et al.IEEETransactions on Industrial Informatics,2017,13(5):2555-2565)，但难以在国内市场环境中仿制。

综上所述，以上现有技术存在如下几方面的不足：

1、研究EV集群整体充放电控制方法时，未考虑集群内部的单辆EV的能量分配；

2、对于集群内部的功率分配方法研究，很少涉及EV个体的经济成本和实际电量约束特性；

3、对EV集群的充放电优化控制以日前优化为主，而实时控制和调度方法中应用集群响应和分群优化的研究较少。

因此，本领域的技术人员致力于开发一种基于分群控制的电动汽车集群实时充电优化方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是：

1、如何根据EV集群的充电特性，以充电结束时刻为判别量对集群进行队列划分，建立以日负荷波动最小化为目标的EV集群充放电功率实时优化模型，并由配电网进行安全约束校验；

2、如何在集群调度结果基础上，考虑EV车主的充放电成本，使集群总出力尽可能接近调度结果；

3、如何在满足EV用户出行需求的基础上保证电网的经济运行。

为实现上述目的，本发明提供了一种基于分群控制的电动汽车集群实时充电优化方法。采用EV充放电分布式分层控制框架，通过配电网调度中心、各个EV集群控制器以及EV智能充放电单元之间进行信息通讯与指令传递，实现EV集群充放电的实时控制。

集群作为配电商的负荷管理手段，对一定区域范围内所有EV进行充放电有序控制。EV在到达充电区域后，将自身的电池状态以及充电需求提交至集群控制器并接受其充放电控制。集群内EV数量庞大，其日内出行情况的整体分布相对稳定，其统计模型可通过历史数据统计分析得到，故制定日前和实时调度策略时，都可以集群为调度单元。

随着EV规模增大，由配电网调度中心聚集区域内所有EV集群的出行和充电信息，再统一集中优化并下达控制指令的集中控制方式需要极大的信息存储量、计算量，容易出现“维数灾”问题。因此，在本方法的分布式分层控制架构中，由EV集群控制器优化集群整体充放电计划，再提交给配电网调度中心。配电网对所有EV集群的调度计划进行安全约束检查，若安全约束越限，则利用惩罚机制对越限节点进行调控，所有EV集群重新制定充放电计划。

在本发明的较佳实施方式包括以下步骤：

步骤1，基于分布式分层控制框架，根据EV集群的充电特性，以充电结束时刻为判别量对所述EV集群进行队列划分；

步骤2，求解以日负荷波动最小化为目标的所述EV集群充放电功率实时优化模型，对所述EV集群充放电功率进行实时优化，并由配电网进行安全约束校验；

步骤3，在EV集群调度结果基础上，考虑EV车主的充放电成本，求解所述EV集群内部功率分配模型，得到所述EV集群内部单辆EV充放电功率的最优功率分配，使所述EV集群总出力尽可能接近所述调度结果。

进一步地，步骤1还包括：

步骤1.1，在所述EV集群内部，根据EV的行驶特征再划分为各个充电队列；

步骤1.2，根据充电队列中单辆EV的电量特性分配以相应的充放电功率；

步骤1.3，自调度周期开始，到达充电区域的EV提交包括充电结束时段、充电结束时的需求电量和初始电量信息；

步骤1.4，集群控制器将每个时段新接入的EV并入相应充放电队列，并对接入时段后的所述充放电队列进行调度时长内的功率优化计算，再更新所述充放电队列内的个体EV充放电功率分配。

进一步地，步骤1.1还包括：

步骤1.1.1，计算EV的可调度潜力ASC(Available Schedulable Capacity)，定义为可接入电网时间D与最短充电时间t_min的比值，

其中，t_leave和t_arr分别为EV离开和接入电网的时间，E_de为EV的充电需求电量，P_ch.max为最大充电功率，E_bat为EV的电池总电量，SOC_ini为EV接入电网时的初始荷电状态，

D＝t_leave-t_arr

步骤1.1.2，实时优化调度的对象为ASC超过1.5的EV，将离开电网时间相似的EV编入同一充放电队列进行统一优化调度；

步骤1.1.3，实时调度模型根据负荷波动最小化，对充放电队列进行建模，对充放电功率进行统一优化，使EV集群的总出力尽可能接近调度结果。

进一步地，步骤1.1.3包括：将每个充放电队列建模为虚拟电池，其电量随时间变化，且受所述充放电队列内EV的充电效率和新接入的EV初始电量等因素影响，用下式表示：

其中，为t时刻队列虚拟电池的电量；η_q为队列q的充放电效率，P_EVq,t为充电队列在t时刻的充放电功率，为t时刻由于新车辆编入队列而增加的虚拟电池电量，为t时刻由于车辆离开队列而减少的虚拟电池电量，Δt为每次调度时长。

进一步地，步骤2所述充放电功率实时优化模型模型包括：

1)集群所控区域净负荷波动最小：

其中，P_L,t为EV集群管控区域内t时间段的常规负荷，P_EVA,t为EV集群t时间段内的总充放电功率，为正表示充电，为负时表示放电，T₀为集群开始优化时段，T_q为集群统一充电完成时间，N为集群内的EV充放电队列数，P_EVq,n,t为第n个充电队列在t时间段的充放电功率；

2)集群控制器的调度费用最小，包括因充放电队列的调度功率与每辆EV的实际功率存在偏差引起的调度费用和因濒临配电网安全约束引起的惩罚费用，

其中，f_EVq,t为调度偏差惩罚费用，f_over,t为濒临安全界限的惩罚费用，K为队列n中的EV数量，P_EV,n,k,t为第n个充电队列中第k辆EV在t时间段的充放电功率，α为调度偏差惩罚因子，N_j为与集群所在节点i存在相连支路的所有节点集合，P_ij为连接节点i，j的支路潮流，P_ijmax为其上限，V_i为节点i电压，V_i,min为其下限，ε_P和ε_U分别为接近配电网潮流和电压安全极限的程度，取ε_P＝[0.99,1)，ε_U＝(1,1.01]，分别为潮流和电压惩罚因子，P_ij和V_i由配电网调度中心根据所有集群控制器上传的充放电计划进行常规的潮流计算得到，对超过安全约束的节点将潮流、电压偏移程度和惩罚因子下传给节点所在集群控制器，并重新进行优化。

进一步地，步骤2对于每一个充放电队列n，对充电需求、荷电状态和充放电功率有以下约束：

1)电动汽车离开电网前，要满足最低充电需求：

其中，T_0,n为第n个队列的充电开始时刻，T_q,n为第n个队列的统一充电结束时刻，η_q,n为第n个队列的充电效率，SOC_ini.k为第k辆电动汽车的初始荷电状态，SOC_end,k为第k辆电动汽车充电结束时所需的荷电状态，E_bat,k为第k辆电动汽车的电池总电量；

2)荷电状态应满足以下约束以防止过度充放电：

其中，SOC_k,min和SOC_k,max分别为第k辆电动汽车荷电状态的上下限；

3)充放电功率应满足功率极限的限制：

其中，和分别为第k辆电动汽车充、放电功率极限。

进一步地，步骤3对集群内部的充放电功率优化目标函数包括：电池损耗成本和购/售电成本最小函数，

其中，为向电网的购电价，为向电网的售电价。和分别为第k辆电动汽车的充电和放电功率。

进一步地，步骤3对集群内部的充放电功率优化目标函数还包括：与集群整体的调度偏差最小函数，

进一步地，步骤3对每辆EV的功率优化模型满足充电需求，所述每辆EV编入相应充放电队列，满足队列的时间约束：

T_0,n≤t_arr,k＜t_leave,k≤T_q,n

其中，t_leave,k和t_arr,k分别为第k辆电动汽车离开和接入电网的时间，T_0,n和T_q,n分别为第k辆电动汽车被编入的队列n的统一充电开始时刻和结束时刻。

进一步地，步骤3对每辆EV的功率优化模型还满足：

1)电动汽车离开电网前，要满足最低充电需求

其中，SOC_ini.k为第k辆电动汽车的初始荷电状态，SOC_end,k为第k辆电动汽车充电结束时所需的荷电状态，η_k为第k辆电动汽车的充放电效率，E_bat,k为第k辆电动汽车的电池总电量；

2)荷电状态应满足以下约束以防止过度充放电：

其中，SOC_k,min和SOC_k,max分别为第k辆电动汽车荷电状态的上下限；

3)充放电功率应满足功率极限和互斥约束：

其中，和分别为第k辆电动汽车充、放电功率极限，δ_t为布尔变量，表示电池的充放电状态；

4)为了避免电池循环次数过多而影响电池使用寿命，本文约束每辆电动汽车每次充电过程中最多只允许电池循环两次，即充放电状态需满足下式：

本发明取得了以下技术效果：

1、基于分布式控制的EV充放电管理框架，通过EV智能体自主响应上层调度，实现了配电网的峰谷差控制和安全控制。

2、基于分布式控制的EV充放电管理框架，缓解了本地运营商和配电网控制中心的计算负担，兼顾各方效益，实现了三个层次之间的协调控制，适用于大规模EV的优化调度。

3、本发明考虑了充电桩和蓄电池健康度，显著减少了充电桩的频繁动作和电池充放电状态的转换次数，减少充电桩的启停或待机损耗，延长蓄电池寿命；

4、本发明针对节点电压幅值下降的问题，配电网控制中心能够通过电价指令有效地实现充电负荷在时间维度上的转移，确保节点电压在配电网的安全约束之内。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的控制框架示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

如图1所示，EV充放电分布式分层控制框架，通过配电网调度中心、各个EV集群控制器以及EV智能充放电单元之间进行信息通讯与指令传递，实现EV集群充放电的实时控制。在本发明的较佳实施方式包括以下步骤：

步骤1，基于分布式分层控制框架，根据EV集群的充电特性，以充电结束时刻为判别量对所述EV集群进行队列划分；

步骤2，求解以日负荷波动最小化为目标的所述EV集群充放电功率实时优化模型，对所述EV集群充放电功率进行实时优化，并由配电网进行安全约束校验；

步骤3，在EV集群调度结果基础上，考虑EV车主的充放电成本，求解所述EV集群内部功率分配模型，得到所述EV集群内部单辆EV充放电功率的最优功率分配，使所述EV集群总出力尽可能接近所述调度结果。

上述步骤1具体地包括：

步骤1.1，在所述EV集群内部，根据EV的行驶特征再划分为各个充电队列；

步骤1.2，根据充电队列中单辆EV的电量特性分配以相应的充放电功率；

步骤1.3，自调度周期开始，到达充电区域的EV提交包括充电结束时段、充电结束时的需求电量和初始电量信息；

步骤1.4，集群控制器将每个时段新接入的EV并入相应充放电队列，并对接入时段后的所述充放电队列进行调度时长内的功率优化计算，再更新所述充放电队列内的个体EV充放电功率分配。

上述步骤1.1具体包括：

步骤1.1.1，计算EV的可调度潜力ASC(Available Schedulable Capacity)，定义为可接入电网时间D与最短充电时间t_min的比值，

其中，t_leave和t_arr分别为EV离开和接入电网的时间，E_de为EV的充电需求电量，P_ch.max为最大充电功率，E_bat为EV的电池总电量，SOC_ini为EV接入电网时的初始荷电状态，

D＝t_leave-t_arr

步骤1.1.2，实时优化调度的对象为ASC超过1.5的EV，将离开电网时间相似的EV编入同一充放电队列进行统一优化调度；

步骤1.1.3，实时调度模型根据负荷波动最小化，对充放电队列进行建模，对充放电功率进行统一优化，使EV集群的总出力尽可能接近调度结果；

步骤1.1.3具体地包括：将每个充放电队列建模为虚拟电池，其电量随时间变化，且受所述充放电队列内EV的充电效率和新接入的EV初始电量等因素影响，用下式表示：

其中，为t时刻队列虚拟电池的电量；η_q为队列q的充放电效率，P_EVqt为充电队列在t时刻的充放电功率，为t时刻由于新车辆编入队列而增加的虚拟电池电量，为t时刻由于车辆离开队列而减少的虚拟电池电量，Δt为每次调度时长。

上述步骤2所述充放电功率实时优化模型模型包括：

1)集群所控区域净负荷波动最小：

其中，P_L,t为EV集群管控区域内t时间段的常规负荷，P_EVA,t为EV集群t时间段内的总充放电功率，为正表示充电，为负时表示放电，T₀为集群开始优化时段，T_q为集群统一充电完成时间，N为集群内的EV充放电队列数，P_EVq,n,t为第n个充电队列在t时间段的充放电功率；

2)集群控制器的调度费用最小，包括因充放电队列的调度功率与每辆EV的实际功率存在偏差引起的调度费用和因濒临配电网安全约束引起的惩罚费用，

其中，f_EVq,t为调度偏差惩罚费用，f_over,t为濒临安全界限的惩罚费用，K为队列n中的EV数量，P_EV,n,k,t为第n个充电队列中第k辆EV在t时间段的充放电功率，α为调度偏差惩罚因子，N_j为与集群所在节点i存在相连支路的所有节点集合，P_ij为连接节点i，j的支路潮流，P_ijmax为其上限，V_i为节点i电压，V_i,min为其下限，ε_P和ε_U分别为接近配电网潮流和电压安全极限的程度，取ε_P＝[0.99,1)，ε_U＝(1,1.01]，分别为潮流和电压惩罚因子，P_ij和V_i由配电网调度中心根据所有集群控制器上传的充放电计划进行常规的潮流计算得到，对超过安全约束的节点将潮流、电压偏移程度和惩罚因子下传给节点所在集群控制器，并重新进行优化。

另外，上述步骤2对于每一个充放电队列n，对充电需求、荷电状态和充放电功率有以下约束：

1)电动汽车离开电网前，要满足最低充电需求：

其中，T_0,n为第n个队列的充电开始时刻，T_q,n为第n个队列的统一充电结束时刻，η_q,n为第n个队列的充电效率，SOC_ini.k为第k辆电动汽车的初始荷电状态，SOC_end,k为第k辆电动汽车充电结束时所需的荷电状态，E_bat,k为第k辆电动汽车的电池总电量；

2)荷电状态应满足以下约束以防止过度充放电：

其中，SOC_k,min和SOC_k,max分别为第k辆电动汽车荷电状态的上下限；

3)充放电功率应满足功率极限的限制：

其中，和分别为第k辆电动汽车充、放电功率极限。

上述步骤3对集群内部的充放电功率优化目标函数包括：电池损耗成本和购/售电成本最小函数，

其中，为向电网的购电价，c_t ^-为向电网的售电价。和分别为第k辆电动汽车的充电和放电功率。

上述步骤3对集群内部的充放电功率优化目标函数还包括：与集群整体的调度偏差最小函数，

另外，步骤3对每辆EV的功率优化模型满足充电需求，所述每辆EV编入相应充放电队列，满足队列的时间约束：

T_0,n≤t_arr,k＜t_leave,k≤T_q,n

其中，t_leave,k和t_arr,k分别为第k辆电动汽车离开和接入电网的时间，T_0,n和T_q,n分别为第k辆电动汽车被编入的队列n的统一充电开始时刻和结束时刻。

另外，步骤3对每辆EV的功率优化模型还满足：

1)电动汽车离开电网前，要满足最低充电需求

其中，SOC_ini.k为第k辆电动汽车的初始荷电状态，SOC_end,k为第k辆电动汽车充电结束时所需的荷电状态，η_k为第k辆电动汽车的充放电效率，E_bat,k为第k辆电动汽车的电池总电量；

2)荷电状态应满足以下约束以防止过度充放电：

其中，SOC_k,min和SOC_k,max分别为第k辆电动汽车荷电状态的上下限；

3)充放电功率应满足功率极限和互斥约束：

其中，和分别为第k辆电动汽车充、放电功率极限，δ_t为布尔变量，表示电池的充放电状态；

4)为了避免电池循环次数过多而影响电池使用寿命，本文约束每辆电动汽车每次充电过程中最多只允许电池循环两次，即充放电状态需满足下式：

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述方法包括以下步骤：

步骤1，基于分布式分层控制框架，根据EV集群的充电特性，以充电结束时刻为判别量对所述EV集群进行队列划分；

步骤2，求解以日负荷波动最小化为目标的所述EV集群充放电功率实时优化模型，对所述EV集群充放电功率进行实时优化，并由配电网进行安全约束校验；

步骤3，在EV集群调度结果基础上，考虑EV车主的充放电成本，求解所述EV集群内部功率分配模型，得到所述EV集群内部单辆EV充放电功率的最优功率分配，使所述EV集群总出力尽可能接近所述调度结果。

2.如权利要求1所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤1还包括：

步骤1.1，在所述EV集群内部，根据EV的行驶特征再划分为各个充电队列；

步骤1.2，根据充电队列中单辆EV的电量特性分配以相应的充放电功率；

步骤1.3，自调度周期开始，到达充电区域的EV提交包括充电结束时段、充电结束时的需求电量和初始电量信息；

步骤1.4，集群控制器将每个时段新接入的EV并入相应充放电队列，并对接入时段后的所述充放电队列进行调度时长内的功率优化计算，再更新所述充放电队列内的个体EV充放电功率分配。

3.如权利要求2所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤1.1还包括：

步骤1.1.1，计算EV的可调度潜力ASC(Available Schedulable Capacity)，定义为可接入电网时间D与最短充电时间t_min的比值，

其中，t_leave和t_arr分别为EV离开和接入电网的时间，E_de为EV的充电需求电量，P_ch.max为最大充电功率，E_bat为EV的电池总电量，SOC_ini为EV接入电网时的初始荷电状态，

D＝t_leave-t_arr

步骤1.1.2，实时优化调度的对象为ASC超过1.5的EV，将离开电网时间相似的EV编入同一充放电队列进行统一优化调度；

步骤1.1.3，实时调度模型根据负荷波动最小化，对充放电队列进行建模，对充放电功率进行统一优化，使EV集群的总出力尽可能接近调度结果。

4.如权利要求3所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤1.1.3包括：将每个充放电队列建模为虚拟电池，其电量随时间变化，且受所述充放电队列内EV的充电效率和新接入的EV初始电量等因素影响，用下式表示：

其中，为t时刻队列虚拟电池的电量；η_q为队列q的充放电效率，P_EVq,t为充电队列在t时刻的充放电功率，为t时刻由于新车辆编入队列而增加的虚拟电池电量，为t时刻由于车辆离开队列而减少的虚拟电池电量，Δt为每次调度时长。

5.如权利要求1至4所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤2所述充放电功率实时优化模型模型包括：

1)集群所控区域净负荷波动最小：

其中，P_L,t为EV集群管控区域内t时间段的常规负荷，P_EVA,t为EV集群t时间段内的总充放电功率，为正表示充电，为负时表示放电，T₀为集群开始优化时段，T_q为集群统一充电完成时间，N为集群内的EV充放电队列数，P_EVq,n,t为第n个充电队列在t时间段的充放电功率；

2)集群控制器的调度费用最小，包括因充放电队列的调度功率与每辆EV的实际功率存在偏差引起的调度费用和因濒临配电网安全约束引起的惩罚费用，

其中，f_EVq,t为调度偏差惩罚费用，f_over,t为濒临安全界限的惩罚费用，K为队列n中的EV数量，P_EV,n,k,t为第n个充电队列中第k辆EV在t时间段的充放电功率，α为调度偏差惩罚因子，N_j为与集群所在节点i存在相连支路的所有节点集合，P_ij为连接节点i，j的支路潮流，P_ijmax为其上限，V_i为节点i电压，V_i,min为其下限，ε_P和ε_U分别为接近配电网潮流和电压安全极限的程度，取ε_P＝[0.99,1)，ε_U＝(1,1.01]，分别为潮流和电压惩罚因子，P_ij和V_i由配电网调度中心根据所有集群控制器上传的充放电计划进行常规的潮流计算得到，对超过安全约束的节点将潮流、电压偏移程度和惩罚因子下传给节点所在集群控制器，并重新进行优化。

6.如权利要求5所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤2对于每一个充放电队列n，对充电需求、荷电状态和充放电功率有以下约束：

1)电动汽车离开电网前，要满足最低充电需求：

其中，T_0,n为第n个队列的充电开始时刻，T_q,n为第n个队列的统一充电结束时刻，η_q,n为第n个队列的充电效率，SOC_ini.k为第k辆电动汽车的初始荷电状态，SOC_end,k为第k辆电动汽车充电结束时所需的荷电状态，E_bat,k为第k辆电动汽车的电池总电量；

2)荷电状态应满足以下约束以防止过度充放电：

其中，SOC_k,min和SOC_k,max分别为第k辆电动汽车荷电状态的上下限；

3)充放电功率应满足功率极限的限制：

其中，和分别为第k辆电动汽车充、放电功率极限。

7.如权利要求6所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤3对集群内部的充放电功率优化目标函数包括：电池损耗成本和购/售电成本最小函数，

其中，为向电网的购电价，为向电网的售电价。和分别为第k辆电动汽车的充电和放电功率。

8.如权利要求7所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤3对集群内部的充放电功率优化目标函数还包括：与集群整体的调度偏差最小函数，

9.如权利要求8所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤3对每辆EV的功率优化模型满足充电需求，所述每辆EV编入相应充放电队列，满足队列的时间约束：

T_0,n≤t_arr,k＜t_leave,k≤T_q,n

其中，t_leave,k和t_arr,k分别为第k辆电动汽车离开和接入电网的时间，T_0,n和T_q,n分别为第k辆电动汽车被编入的队列n的统一充电开始时刻和结束时刻。

10.如权利要求9所述的基于分群控制的电动汽车集群实时充电优化方法，其特征在于，所述步骤3对每辆EV的功率优化模型还满足：

1)电动汽车离开电网前，要满足最低充电需求

其中，SOC_ini.k为第k辆电动汽车的初始荷电状态，SOC_end,k为第k辆电动汽车充电结束时所需的荷电状态，η_k为第k辆电动汽车的充放电效率，E_bat,k为第k辆电动汽车的电池总电量；

2)荷电状态应满足以下约束以防止过度充放电：

其中，SOC_k,min和SOC_k,max分别为第k辆电动汽车荷电状态的上下限；

3)充放电功率应满足功率极限和互斥约束：

其中，和分别为第k辆电动汽车充、放电功率极限，δ_t为布尔变量，表示电池的充放电状态；

4)为了避免电池循环次数过多而影响电池使用寿命，本文约束每辆电动汽车每次充电过程中最多只允许电池循环两次，即充放电状态需满足下式：