CN110570007A - 电动汽车多时间尺度优化调度方法 - Google Patents

Abstract

本发明提供了一种电动汽车多时间尺度优化调度方法，包括以下步骤：S1：通过蒙特卡洛随机抽样获取每辆电动汽车的历史记录；S2：根据当日预设时刻前的一个周期内的历史记录，预测电动汽车在下一个周期的风电功率、光伏功率及基本负荷，并采集电动汽车相关的出行信息，制定日前调度计划；S3：结合日前调度计划中的可控发电单元的预计功率曲线、风电功率、光伏功率、基本负荷及电动汽车相关的出行信息，以预设间隔时间进行短期滚动调度优化，制定短期调度计划；S4：使用灰狼优化算法求解考虑日前预测误差的电动汽车的多时间尺度优化调度模型，获得微电网最优运行方案和电动汽车最优充电方案。

Description

电动汽车多时间尺度优化调度方法

技术领域

本发明涉及车辆调度技术领域，特别涉及一种在微电网环境下考虑日前 预测误差的电动汽车多时间尺度优化调度方法。

背景技术

由于环境污染和能源危机，电动汽车(Electric Vehicles,EV)产业以其节能 环保的优势得到了快速发展。但大量电动汽车接入电网势必会对电网产生巨 大冲击，如果不加约束或引导，将会增大负荷峰值，导致“峰上加峰”，影响 电网稳定性与经济性。

电动汽车兼具负荷特性和储能特性，负荷特性会给电网带来上述负面影 响，但通过电动汽车与微电网互动技术，尽可能发挥电动汽车储能特性的作 用，不仅可以有效降低电动汽车充电对电网产生的冲击，还可以给微电网带 来一定的经济利益。如何调度电动汽车与其他可控功率单元相配合，使微电 网运行在最优状态，具有很重要的研究意义。

当前微电网主要的调度算法中，基于峰谷电价策略的优化调度算法在可 再生能源渗透率较高时很难得到预期的结果；以微电网负荷波动最小、可再 生能源利用率最大及车主获得的收益最大为目标的优化调度算法，目标选择 不够准确，车主利益最大与微电网负荷波动最小不一定能同时达到最优，且 所有车主获得利益之和并不能代表每一位车主的利益；另外，一些方法假设 风电、光伏及负荷功率都可以完美预测，但由于现有预测技术的局限性，对 可再生能源功率及负荷的预测有着相当大的误差，这将给微电网的经济运行带来严重的不利影响。

发明内容

本发明的目的在于提供一种电动汽车多时间尺度优化调度方法，以解决 现有的电动汽车调度所存在的难以达到各方获益最优、预测误差较大的问题。

为实现上述目的，本发明提供了一种电动汽车多时间尺度优化调度方法， 包括以下步骤：

S1：通过蒙特卡洛随机抽样获取每辆电动汽车的历史记录，包括：最后 一次返程时刻、首次出行时刻和日行驶里程，并计算得到每辆电动汽车消耗 的电量；

S2：根据当日预设时刻前的一个周期内的所述历史记录，预测所述电动 汽车在下一个周期的风电功率、光伏功率及基本负荷，并采集所述电动汽车 相关的出行信息，制定日前调度计划，建立日前调度优化模型；

S3：结合所述日前调度计划中的可控发电单元的预计功率曲线、所述风 电功率、光伏功率、基本负荷及所述电动汽车相关的出行信息，以预设间隔 时间进行短期滚动调度优化，制定短期调度计划，建立日内调度优化模型；

S4：将所述日前调度优化模型及日内调度优化模型作为多时间尺度优化 调度模型，使用灰狼优化算法求解考虑日前预测误差的电动汽车的多时间尺 度优化调度模型，获得微电网最优运行方案和电动汽车最优充电方案。

较佳地，所述步骤S2中，具体包括：建立微电网日前调度模型，其目标 为：满足微电网运行成本最低及所有电动汽车车主的充电总成本最低，其约 束条件为：电动汽车充放电功率约束、电池可用容量约束及出行时可用电量 约束。

较佳地，所述微电网日前调度模型的目标函数为：

其中，F_1.min、F_2.min分别为目标函数1、目标函数2的全局最小值，F₁、F₂分 别为目标函数1、目标函数2当前找到的值；ω₁、ω₂分别为目标函数1、目标 函数2的加权系数，满足ω₁+ω₂＝1；这里目标函数1为表示微电网运行成本 最小的函数；目标函数2为表示车主充电总成本最小的函数。

较佳地，目标函数1表示为：其中：

这里f_g为大电网交换功率成本，其中，c_g.t为t时刻大电网发布的电价，P_g.t为微电网与大电网的交换功率，购电为正，售电为负，T为调度的周期； f_ESS为储能系统维护成本，其中，c_ESS为单位功率的储能维护费用，P_ESS.t为储 能电站t时刻发出或吸收电能的功率，发出为正，吸收为负，c_ESS.o.t为储能电 站的循环折旧费用；

f_μG为微电源发电成本，其中，N为微电源的集合，包括柴油发电机、燃 料电池和微型燃气轮机，c_μG.n为第n个微电源单位功率成本，P_μG.n.t为第n个微 电源t时刻的功率，c_on.t.n为第n个微电源t时刻的启动成本； f_E为环境成本，其中，C_k为第k种污染物的单位处理费用，δ_n.k为第n个微电 源单位功率时第k种污染物的排放量，δ_g.k为大电网提供单位电能时第k种污 染物的排放量；

f_ev.m为可调度电动汽车的电池损耗补贴成本，其中，M为电网可调度电动 汽车的集合，P_ev.m.t为t时刻第m车辆的充放电功率，充电为正，放电为负； c_b为t时刻该车辆在单位功率下的电池损耗费用，c_s为电动汽车车主服从调度 与微电网交换的单位电量所获得的额外补贴，c_o.t为t时刻车辆电池充放电循 环折旧费用系数，E_r.m为车主满足出行需要的电量；

车主充电总成本包括充放电过程所产生的费用和服从微电网调度所获得 的收益，则目标函数2表示为：

较佳地，所述电动汽车充放电功率约束为：

其中，t_start为电动汽车接入电网时刻，t_end为电 动汽车离开电网时刻，P_ev.t为t时刻电动汽车的充放电功率，P_ev.max为电动汽 车的最大充放电功率；

电池可用容量约束为：

SOC_ev.min≤SOC_ev.t≤SOC_ev.max，

SOC_ev.t＝SOC_ev.t-1+P_ev.tΔT，

其中，SOC_ev.max、SOC_ev.min为电动汽车荷电量上、下限；SOC_ev.t为该电动汽车在 t时刻的荷电量，SOC_ev.t-1为t-1时刻的荷电量，ΔT为单位调度时间；

出行时可用电量约束为：

SOC_ev.depart≥SOC_ev.set，

其中，SOC_ev.depart为第二周期出行时刻电动汽车内储存的电量，SOC_ev.set为车 主期望出行时电动汽车电量。

较佳地，所述步骤S3中，所述日内调度优化模型的目标为实际等效负荷 与所述日前调度计划中等效负荷匹配程度最大，表示为：

其中，P_eq.t为所述日前调度计划中t时刻的等效负荷，rP_eq.t为t时刻实际 等效负荷，t₁、t₂为滚动调度的起止时刻，这里等效负荷P_eq表示为：

其中，P_L为微电网内本地负荷功率，M为电网可调度电动汽车的集合，P_ev.m为第m个车辆的充放电功率，P_W为风电机组发电功率，P_PV为光伏阵列发电 功率；

较佳地，所述日内调度优化模型的约束条件包括所述电动汽车充放电功 率约束，以及下述约束：

其中，rP_ev.m.t为t时刻第m辆电动汽车的实际交换功率，c_t为t时刻微电 网发布的实时电价，c_s为电动汽车车主服从调度与微电网交换的单位电量所获 得的额外补贴。

较佳地，所述步骤S4中使用灰狼优化算法求解所述多时间尺度优化调度 模型的过程包括以下步骤：

A1：进行狼群初始化，包括设定狼群数量、搜索空间维度、最大迭代次 数，初始化参数a、A、C，产生初始狼群；

A2：计算每个灰狼个体的适应度值并排序，将适应度排名前3位的个体 位置记为X_α、X_β、X_δ；

A3：每个灰狼个体通过式(1)计算与X_α、X_β、X_δ的距离：

再通过式(2)更新自身位置：

最后通过式(3)～(6)更新所述参数a、A、C：

D＝|CoX_p(t)-X(t)| (3)，

X_p(t+1)＝X_p(t)-AoD (4)，

C＝2r₁ (5)，

其中，t为当前迭代次数，X_p(t)为猎物的位置向量，X(t)为灰狼个体的位 置向量；C为摆动因子，A为收敛因子，r₁、r₂为取值为[0,1]的随机数；a的值 呈线性变化，随迭代次数的增加从2衰减至0，表示阿达马乘积运算，且C、 A、D、X_p(t)的维数相同；

A4：判断是否满足预设的迭代结束条件，满足则输出最优结果，否则返 回所述步骤A2。

本发明提出的在微电网环境下考虑日前预测误差的电动汽车(ElectricVehicles,EV)多时间尺度优化调度方法，可以有效降低微电网运行成本。

微电网通过本发明提供的电动汽车多时间尺度优化调度方法可以有效降 低运行成本，并减小预测误差带来的影响，同时电动汽车车主也可以获得一 定的经济利益。

附图说明

图1为本发明方法总体流程图；

图2为优选实施例的微电网环境下考虑日前预测误差的电动汽车多时间 尺度优化调度方法的具体实施流程；

图3为优选实施例的步骤S1中首次出行时刻与末次返回时刻的概率；

图4为优选实施例的灰狼优化算法计算流程；

图5为优选实施例的仿真实验计算结果。

具体实施方式

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完 整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是 全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

为了便于对本发明实施例的理解，下面将结合附图以具体实施例为例作 进一步的解释说明，且各个实施例不构成对本发明实施例的限定。

参考图1所示，本实施例提供的一种电动汽车多时间尺度优化调度方法， 包括以下步骤：

S1：通过蒙特卡洛随机抽样获取每辆电动汽车的历史记录，包括：最后 一次返程时刻、首次出行时刻和日行驶里程，并计算得到每辆电动汽车消耗 的电量；

S2：进行日前调度优化，具体根据当日预设时刻前的一个周期内的历史 记录，预测所述电动汽车在下一个周期的风电功率、光伏功率及基本负荷， 并采集所述电动汽车相关的出行信息，制定日前调度计划，建立日前调度优 化模型；

S3：进行日内短期滚动调度优化，具体结合上述日前调度计划中的可控 发电单元的预计功率曲线、风电功率、光伏功率、基本负荷及电动汽车相关 的出行信息，以预设间隔时间进行短期滚动调度优化，制定短期调度计划， 建立日内调度优化模型；

S4：使用灰狼优化算法求解多时间尺度优化调度模型，具体将上述日前 调度优化模型及日内调度优化模型作为多时间尺度优化调度模型，使用灰狼 优化算法求解考虑日前预测误差的电动汽车的多时间尺度优化调度模型，获 得微电网最优运行方案和电动汽车最优充电方案。

具体结合图2，步骤S1中具体如下：

根据美国交通部对私家车出行发布的调查报告，电动汽车每天的行驶里 程可以近似表示为对数正态分布函数，其概率密度函数为：

式中，x为电动汽车日行驶里程，μ_s为日行驶里程对数的均值，σ_s为日行驶里 程对数的标准差，这里取μ_s＝3.7，σ_s＝0.92。

每天首次出行时间近似服从正态分布，概率密度函数为：

式中，t_d为每天首次出行时间，μ_e为每天首次出行时间的均值，σ_e为每天首次 出行时间的标准差，μ_e＝7.5，σ_e＝0.9。

最后一次返回时刻近似服从正态分布，概率密度函数为：

式中，t_a为最后一次返回时刻，μ_a为每天最后一次返回时刻的均值、σ_a为 每天最后一次返回时刻的标准差，这里取μ_a＝17.47，σ_a＝3.41。首次出行时刻与 末次返回时刻的概率如图3所示。

本实施例中，步骤S2中以一天为周期，调度时段为中午12时至次日中 午12时。微电网在中午12时之前对未来一天的风电功率、光伏功率及基本 负荷做出预测，并收集EV车主申报过程中设定的出行信息，制定日前调度计 划。

这里步骤S2中建立的微电网日前调度优化模型的目标为：满足微电网运 行成本最低及所有电动汽车车主的充电总成本最低，其约束条件为：电动汽 车充放电功率约束、电池可用容量约束及出行时可用电量约束。

(1)微电网运行成本最小

微电网的运行成本包括与大电网交换功率成本f_g、储能系统维护成本f_ESS、 微电源发电成本f_μG、环境成本f_E以及可调度EV电池损耗补贴成本f_ev.m，则 微电网运行成本最小作为微电网日前调度优化模型的目标函数1，表示如下：

其中，c_g.t为t时刻大电网发布的电价，P_g.t为微电网与大电网的交换功率， 购电为正，售电为负，T为调度的周期；c_ESS为单位功率的储能维护费用，P_ESS.t为储能电站t时刻发出或吸收电能的功率，发出为正，吸收为负，c_ESS.o.t为储 能电站的循环折旧费用；N为微电源的集合，包括柴油发电机、燃料电池和 微型燃气轮机，c_μG.n为第n个微电源单位功率成本，P_μG.n.t为第n个微电源t时 刻的功率，c_on.t.n为第n个微电源t时刻的启动成本；C_k为第k种污染物的单位 处理费用，δ_n.k为第n个微电源单位功率时第k种污染物的排放量，δ_g.k为大电网提供单位电能时第k种污染物的排放量；M为电网可调度电动汽车的集合， P_ev.m.t为t时刻第m车辆的充放电功率，充电为正，放电为负；c_b为t时刻该 车辆在单位功率下的电池损耗费用，c_s为电动汽车车主服从调度与微电网交换 的单位电量所获得的额外补贴，c_o.t为t时刻车辆电池充放电循环折旧费用系 数，E_r.m为车主满足出行需要的电量。

(2)车主充电总成本最小

EV车主充电成本包括充放电过程所产生的费用和服从微电网调度所获 得的收益。由于EV供微电网调度时产生的电池损耗和循环充电折旧的费用将 由微电网承担，故这一部分充电成本不在此优化目标范围内，则车主充电总 成本最小作为微电网日前调度模型的目标函数2表示为：

其中的变量意义与上文相同。

使用线性加权法将多目标函数转化为单一目标函数求解，则微电网日前 调度模型的目标函数为：

其中，F_1.min、F_2.min分别为目标函数1、目标函数2的全局最小值，F₁、F₂分 别为目标函数1、目标函数2当前找到的值；ω₁、ω₂分别为目标函数1、目标 函数2的加权系数，满足ω₁+ω₂＝1；这里目标函数1为表示微电网运行成本 最小的函数；目标函数2为表示车主充电总成本最小的函数。

主要约束条件具体如下：

(1)电动汽车充放电功率约束

电动汽车充放电功率约束表示为：

其中，t_start为电动汽车接入电网时刻，t_end为电动汽车离开电网时刻，P_ev.t为t时刻电动汽车的充放电功率，P_ev.max为电动汽车的最大充放电功率。

(2)电池可用容量约束

EV电池容量是一定的，为了避免过充或过放带来的电池损害，电池储存 容量应该设定上下限。其中下限应该考虑到由于突发紧急事件出行需要的电 量，一般保留可行驶30公里所需的电量。则这里电池可用容量约束表示为：

SOC_ev.min≤SOC_ev.t≤SOC_ev.max (9)

SOC_ev.t＝SOC_ev.t-1+P_ev.tΔT (10)

其中，SOC_ev.max、SOC_ev.min为电动汽车荷电量上、下限；SOC_ev.t为该电动汽车在 t时刻的荷电量，SOC_ev.t-1为t-1时刻的荷电量，ΔT为单位调度时间。

(3)出行时可用电量约束

为满足EV车主第二天的出行，使EV在离开电网时有足够的电量，则出 行时可用电量约束表示为：

SOC_ev.depart≥SOC_ev.set (11)

其中，SOC_ev.depart为第二周期出行时刻电动汽车内储存的电量，SOC_ev.set为车 主期望出行时电动汽车电量。

此外，从微电网运行安全角度考虑，在其他优选实施例中还可以根据需 要考虑可控发电单元功率上下限约束、可控发电单元爬坡率约束、储能系统 约束、功率平衡约束。

如图4所示，在仿真算例中使用灰狼优化算法对以上模型求解，得到各 发电单元日前最优发电计划结果如图5。

在上述的步骤S3中，进行日内短期滚动调度优化时每隔15分钟进行一 次，调度时段为当前时刻至未来四小时。结合日前调度计划中的可控发电单 元的预计功率曲线，获取近4小时的风光荷预测信息，并扫描EV实际入网情 况及电量信息，做出近4小时的短期调度计划。

进一步地，步骤S3具体包括：

S31：综合考虑微电网基本负荷与可再生能源发电功率，其等效负荷P_eq表 示为：

其中，P_L为微电网内本地负荷功率，P_ev.m为第m个车辆的充放电功率， P_W为风电机组发电功率，P_PV为光伏阵列发电功率；

S32：建立日内调度优化模型的优化目标。

由于可再生能源预测误差将会影响到等效负荷曲线，考虑到等效负荷变 化过多可能引起微电网运行成本(主要为可控分布式电源机组启停成本和与 大电网交换功率成本)升高，日内短期滚动调度优化目标为实际等效负荷与 日前调度计划中等效负荷匹配程度最大，主要通过调度EV充放电来实现。则 日内调度优化模型的优化目标表示为：

其中，P_eq.t为所述日前调度计划中t时刻的等效负荷，rP_eq.t为t时刻实际 等效负荷，t₁、t₂为滚动调度的起止时刻。

此外，在日内调度优化模型中，其约束条件包括上述步骤S2中所提到的 电动汽车充放电功率约束，还要考虑将实际车主充电总成本不大于日前计划 车主充电总成本作为约束，则有下述约束：

其中，rP_ev.m.t为t时刻第m辆电动汽车的实际交换功率，c_t为t时刻微电 网发布的实时电价，c_s为电动汽车车主服从调度与微电网交换的单位电量所获 得的额外补贴。

进一步优选实施例中，上述步骤S4中使用灰狼优化算法求解所述多时间 尺度优化调度模型的过程还包括以下步骤：

A1：进行狼群初始化，包括设定狼群数量、搜索空间维度、最大迭代次 数，初始化参数a、A、C，产生初始狼群；

A2：计算每个灰狼个体的适应度值并排序，将适应度排名前3位的个体 位置记为X_α、X_β、X_δ；

A3：每个灰狼个体通过式(15)计算与X_α、X_β、X_δ的距离：

再通过式(16)更新自身位置：

最后通过式(17)～(20)更新所述参数a、A、C：

D＝|CoX_p(t)-X(t)| (17)

X_p(t+1)＝X_p(t)-AoD (18)

C＝2r₁ (19)

其中，t为当前迭代次数，X_p(t)为猎物的位置向量，X(t)为灰狼个体的位 置向量；C为摆动因子，A为收敛因子，r₁、r₂为取值为[0,1]的随机数；a的值 呈线性变化，随迭代次数的增加从2衰减至0，表示阿达马乘积运算，且C、 A、D、X_p(t)的维数相同。

A4：判断是否满足预设的迭代结束条件，满足则输出最优结果，否则返 回所述步骤A2。

该方法由日前调度优化和日内短期滚动优化调度构成。日前调度优化兼 顾微电网与电动汽车车主双方利益，以微电网运行成本最低、所有电动汽车 车主充电总成本最低为目标；滚动调度优化优化以实际等效负荷与日前调度 计划中等效负荷匹配程度最大为目标，将实际车主充电总成本不大于日前计 划车主充电总成本作为约束条件考虑。并使用适用于电动汽车充电优化问题 的灰狼优化算法求解。仿真实验结果表明，微电网通过多时间尺度优化调度 可以有效降低运行成本，并减小预测误差带来的影响，同时电动汽车车主也 可以获得一定的经济利益。

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，任何本领域的技术人员在本发明揭露的技术范围内，对本发明所做的 变形或替换，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 应以所述的权利要求的保护范围为准。

Claims (8)

1.一种电动汽车多时间尺度优化调度方法，其特征在于，包括以下步骤：

S1：通过蒙特卡洛随机抽样获取每辆电动汽车的历史记录，包括：最后一次返程时刻、首次出行时刻和日行驶里程，并计算得到每辆电动汽车消耗的电量；

S2：根据当日预设时刻前的一个周期内的所述历史记录，预测所述电动汽车在下一个周期的风电功率、光伏功率及基本负荷，并采集所述电动汽车相关的出行信息，制定日前调度计划，建立日前调度优化模型；

S3：结合所述日前调度计划中的可控发电单元的预计功率曲线、所述风电功率、光伏功率、基本负荷及所述电动汽车相关的出行信息，以预设间隔时间进行短期滚动调度优化，制定短期调度计划，建立日内调度优化模型；

S4：将所述日前调度优化模型及日内调度优化模型作为多时间尺度优化调度模型，使用灰狼优化算法求解考虑日前预测误差的电动汽车的多时间尺度优化调度模型，获得微电网最优运行方案和电动汽车最优充电方案。

2.根据权利要求1所述的电动汽车多时间尺度优化调度方法，其特征在于，所述步骤S2中，具体包括：

建立微电网日前调度模型，其目标为：满足微电网运行成本最低及所有电动汽车车主的充电总成本最低，其约束条件为：电动汽车充放电功率约束、电池可用容量约束及出行时可用电量约束。

3.根据权利要求2所述的电动汽车多时间尺度优化调度方法，其特征在于，所述微电网日前调度模型的目标函数为：

其中，F_1.min、F_2.min分别为目标函数1、目标函数2的全局最小值，F₁、F₂分别为目标函数1、目标函数2当前找到的值；ω₁、ω₂分别为目标函数1、目标函数2的加权系数，满足ω₁+ω₂＝1；这里目标函数1为表示微电网运行成本最小的函数；目标函数2为表示车主充电总成本最小的函数。

4.根据权利要求3所述的电动汽车多时间尺度优化调度方法，其特征在于，目标函数1表示为：其中：

这里f_g为大电网交换功率成本，其中，c_g.t为t时刻大电网发布的电价，P_g.t为微电网与大电网的交换功率，购电为正，售电为负，T为调度的周期；

f_ESS为储能系统维护成本，其中，c_ESS为单位功率的储能维护费用，P_ESS.t为储能电站t时刻发出或吸收电能的功率，发出为正，吸收为负，c_ESS.o.t为储能电站的循环折旧费用；

f_μG为微电源发电成本，其中，N为微电源的集合，包括柴油发电机、燃料电池和微型燃气轮机，c_μG.n为第n个微电源单位功率成本，P_μG.n.t为第n个微电源t时刻的功率，c_on.t.n为第n个微电源t时刻的启动成本；

f_E为环境成本，其中，C_k为第k种污染物的单位处理费用，δ_n.k为第n个微电源单位功率时第k种污染物的排放量，δ_g.k为大电网提供单位电能时第k种污染物的排放量；

f_ev.m为可调度电动汽车的电池损耗补贴成本，其中，M为电网可调度电动汽车的集合，P_ev.m.t为t时刻第m车辆的充放电功率，充电为正，放电为负；c_b为t时刻该车辆在单位功率下的电池损耗费用，c_s为电动汽车车主服从调度与微电网交换的单位电量所获得的额外补贴，c_o.t为t时刻车辆电池充放电循环折旧费用系数，E_r.m为车主满足出行需要的电量；

车主充电总成本包括充放电过程所产生的费用和服从微电网调度所获得的收益，则目标函数2表示为：

5.根据权利要求2所述的电动汽车多时间尺度优化调度方法，其特征在于，所述电动汽车充放电功率约束为：其中，t_start为电动汽车接入电网时刻，t_end为电动汽车离开电网时刻，P_ev.t为t时刻电动汽车的充放电功率，P_ev.max为电动汽车的最大充放电功率；

电池可用容量约束为：

SOC_ev.min≤SOC_ev.t≤SOC_ev.max，

SOC_ev.t＝SOC_ev.t-1+P_ev.tΔT，

其中，SOC_ev.max、SOC_ev.min为电动汽车荷电量上、下限；SOC_ev.t为该电动汽车在t时刻的荷电量，SOC_ev.t-1为t-1时刻的荷电量，ΔT为单位调度时间；

出行时可用电量约束为：

SOC_ev.depart≥SOC_ev.set，

其中，SOC_ev.depart为第二周期出行时刻电动汽车内储存的电量，SOC_ev.set为车主期望出行时电动汽车电量。

6.根据权利要求2或3或4所述的电动汽车多时间尺度优化调度方法，其特征在于，所述步骤S3中，所述日内调度优化模型的目标为实际等效负荷与所述日前调度计划中等效负荷匹配程度最大，表示为：

其中，P_eq.t为所述日前调度计划中t时刻的等效负荷，rP_eq.t为t时刻实际等效负荷，t₁、t₂为滚动调度的起止时刻，这里等效负荷P_eq表示为：

其中，P_L为微电网内本地负荷功率，M为电网可调度电动汽车的集合，P_ev.m为第m个车辆的充放电功率，P_W为风电机组发电功率，P_PV为光伏阵列发电功率。

7.根据权利要求6所述的电动汽车多时间尺度优化调度方法，其特征在于，所述日内调度优化模型的约束条件包括所述电动汽车充放电功率约束，以及下述约束：

其中，rP_ev.m.t为t时刻第m辆电动汽车的实际交换功率，c_t为t时刻微电网发布的实时电价，c_s为电动汽车车主服从调度与微电网交换的单位电量所获得的额外补贴。

8.根据权利要求1所述的电动汽车多时间尺度优化调度方法，其特征在于，所述步骤S4中使用灰狼优化算法求解所述多时间尺度优化调度模型的过程包括以下步骤：

A1：进行狼群初始化，包括设定狼群数量、搜索空间维度、最大迭代次数，初始化参数a、A、C，产生初始狼群；

A2：计算每个灰狼个体的适应度值并排序，将适应度排名前3位的个体位置记为X_α、X_β、X_δ；

A3：每个灰狼个体通过式(1)计算与X_α、X_β、X_δ的距离：

再通过式(2)更新自身位置：

最后通过式(3)～(6)更新所述参数a、A、C：

D＝|C o X_p(t)-X(t)| (3)，

X_p(t+1)＝X_p(t)-A o D (4)，

C＝2r₁ (5)，

其中，t为当前迭代次数，X_p(t)为猎物的位置向量，X(t)为灰狼个体的位置向量；C为摆动因子，A为收敛因子，r₁、r₂为取值为[0,1]的随机数；a的值呈线性变化，随迭代次数的增加从2衰减至0，表示阿达马乘积运算，且C、A、D、X_p(t)的维数相同；

A4：判断是否满足预设的迭代结束条件，满足则输出最优结果，否则返回所述步骤A2。