CN116073418A - 基于动态电价的电动汽车充放电调度方法 - Google Patents

Abstract

本发明公开了基于动态电价的电动汽车充放电调度方法，属于电网系统经济运行技术领域，包括以下步骤：对电网中的电动汽车、电网电价、电池退化等实际因素进行数学建模，并建立电动汽车基于变化的动态电价进行充放电调度的模型；根据数学模型可以得到电动汽车包含充放电花费、充放电功率限制、电网负荷限制和电网‑电动汽车交互过程中的优化约束条件；利用长短期记忆深度神经网络算法制定动态电价；基于动态电价，利用改进的非线性规划算法对电动汽车充放电优化问题进行求解；将结果反馈到长短期记忆深度神经网络下一次迭代更新的输入端，最终达到电价和电动汽车充放电调度的最优。本发明实现对电网的削峰填谷，以及降低电动汽车用户充电费用。

Description

基于动态电价的电动汽车充放电调度方法

技术领域

本发明涉及电网系统经济运行技术领域，尤其是一种基于动态电价的电动汽车充放电调度方法。

背景技术

化石燃料产生的温室气体排放是气候变化和空气污染的主要原因，而二氧化碳排放主要来自两个行业：电力/热力生产(42％)和交通运输(24％)。新能源的普及车辆缓解温室效应已成为交通运输行业的发展趋势。根据《新能源汽车产业发展规划(2021-2035年)》，到2025年，我国新能源汽车销量将达到新车总销量的20％左右。大量电动汽车充电不协调会对电网造成冲击，造成电压偏差、停电、输电损耗、相位负载不平衡等。电动汽车具有供电和负载的双重特性，可以根据电网需要增加或减少充电功率或转移充电时间，甚至通过V2G技术将电能送回电网。V2G(车辆到电网)模式降低了电动汽车全生命周期的使用成本，有利于电动汽车的推广和普及。目前常用的方法是通过改变电价来引导电动汽车的充放电。其目的是让电动汽车通过有序的充放电发挥稳定电网的作用。V2G的建立以经济最优为目标。确定电网的可用容量和电动汽车的参与以及电动汽车的状态，在电动汽车的V2G流程设计中起着非常重要的作用。因此设计合适的算法制定动态电价，同时对电动汽车充放电进行调度十分重要。

发明内容

本发明需要解决的技术问题是提供基于动态电价的电动汽车充放电调度方法，实现电价和电动汽车充放电调度的最优。

为解决上述技术问题，本发明所采用的技术方案是：

基于动态电价的电动汽车充放电调度方法，包括以下步骤：

S1、采用蒙特卡洛方法建立V2G背景下电动汽车充电需求、电动汽车放电容量、电动汽车可调度时间三部分模型；

S2、建立基于长短期记忆神经网络模型的动态电价输出模型；

S3、基于动态电价下的每辆电动汽车充放电成本函数和电网负荷峰谷差函数建立目标函数；

S4、确立目标函数的约束条件；

S5、采用通过引入电价补贴的方法改进非线性规划算法；基于神经网络输出的动态电价，在S4中的约束条件下对电动汽车进行充放电规划，获得充放电费用、补贴电价费用、电网负荷峰谷差；再次蒙特卡洛获得新的充电需求和放电容量；

S6、将补贴电价、电网负荷峰谷差作为损失函数，对长短期记忆神经网络的权重参数进行更新；将S5获得的新的总体电动汽车充电需求和放电容量作为长短期记忆神经网络的新输入，整体构成一个滚动的优化模型，最终在使电网负荷削峰填谷的同时降低了电动汽车的充放电成本，使电动汽车的充放电费用最低。

本发明技术方案的进一步改进在于：S1中，电动汽车充放电时间中，电动汽车返回时间T_b，服从正态分布，概率密度函数为：

其中，μ_b＝17.47,σ_b＝3.41；

电动汽车最早离家时间T_l，服从正态分布，概率密度函数为：

其中，μ_l＝8.92,σ_l＝3.24；

电动汽车的充电需求函数为：

电动汽车放电容量为：

Q_n＝Q-ΔQ-0.1·Q

其中，L_d为电动汽车行驶里程，K_m为电动汽车每公里耗费电量，Q为电动汽车电池总容量，Q_n为电动汽车可放电容量，ΔQ为电动汽车的充电需求。

本发明技术方案的进一步改进在于：S2中，动态电价输出模型的输入包括电动汽车充电需求、放电容量、电网基础负荷和大电网电价；对于电动汽车充放电的引导可以采用电价激励的方式，采用长短期记忆神经网络的方法制定合适的电价从而引导电动汽车参与V2G；

长短期记忆神经网络结构如下式：

f_t＝σ(W_fh_t-1+U_fx_t+b_f)

i_t＝σ(W_ih_t-1+U_ix_t+b_i)

o_t＝σ(W_oh_t-1+U_ox_t+b_o)

y_t＝σ(Vh_t+b_y)

其中，σ表示Sigmoid激活函数；Tanh表示Tanh激活函数；x_t为t时刻隐藏层的输入量，h_t-1为t-1时刻隐藏层的输出量；f_t为t时刻遗忘门的控制量；i_t为输入门控制量；O_t为输出门控制量；C_t-1为t-1时刻隐藏层细胞状态；

为t时刻输入信息向量；W_f为上一时刻输出到遗忘门的权重；W_i为上一时刻输出到输入门第一部分的权重；W_c为上一时刻输出到输入门第二部分的权重；W_o为上一时刻输出到输出门的权重；U_f为输入到遗忘门的权重；U_i为输入到输入门第一部分的权重；U_c为输入到输入门第二部分的权重；U_o为输入到输出门的权重。

本发明技术方案的进一步改进在于：S3中，电网总体负荷包括电网基础负荷，电动汽车充放电负荷两部分，具体表达式如下：

电网负荷峰谷差函数Δf最小化表达为：

minΔf＝max(f₀,f₁,f₂…f₂₁,f₂₂,f₂₃)-min(f₀,f₁,f₂…f₂₁,f₂₂,f₂₃)

其中，f_j为j时段电网总负荷，j＝0,1,2,3...21,22,23；f_j,base为j时刻电网基础负荷，P_cij为第i辆电动汽车在j时刻的充电功率，P_dij为第i辆电动汽车在j时刻的放电功率，n为电动汽车总数；

目标函数为电动汽车充放成本函数R_i最小化，表达为：

其中，T_ib为第i辆电动汽车返回时间；T_il为第i辆电动汽车离开时间；P_cit和P_dit为第i辆电动汽车在t时刻电动汽车的充电功率和放电功率；r_ct为聚合商制定的t时刻充电电价；r_dt为聚合商制定的t时刻放电电价；a_it为第i辆电动汽车充放电状态，当a_it＝1时电动汽车充电，a_it＝-1时电动汽车放电，a_it＝0时电动汽车处于静置状态，既不充电也不放电，R_c为电池损耗；

目标函数采用非线性规划算法处理，在非线性规划部分的目标函数为凸函数，因此所求的局部最优也是全局最优。

本发明技术方案的进一步改进在于：S4中，在目标函数中变量为电动汽车的充放电功率，相关约束条件决定了非线性规划的可行域；

对于目标函数的实现的约束函数为：

充放电功率约束：

荷电平衡约束：

电池放电深度约束：

10％≤SOC≤100％

其中，SOC为电动汽车荷电状态；P_cm为最大充电功率,P_dm为最大放电功率,P_cit为第i辆电动汽车在t时刻的充电功率，P_dit为第为第i辆电动汽车在t时刻的放电功率；ΔQ_i为第i辆电动汽车充电需求；T_ib为第i辆电动汽车返回时间，T_il为第i辆电动汽车离开时间。

本发明技术方案的进一步改进在于：S5中，改进的非线性规划算法是在非线性规划算法中引入了补贴电价的含义，即在调度过程中，若相关时刻的电价差值均小于时，则对这些时刻的充放电功率重新分配，其本质是引入了一个新的约束，即当满足|r_cx-r_cy|≤Δr时，得：

P_x,P_y,…,P_z≤P_er

其中，r_cx,r_cy分别为x,y时刻的充放电电价，Δr为补贴电价启用条件；P_x,P_y,...P_z为可重新分配时间段充放电功率，P_er为他们的平均功率。

本发明技术方案的进一步改进在于：S6中，采用改进的非线性规划算法得到的电动汽车充放电费用R_ni相对于原始线性规划得到的电动汽车充放电费用R_i高，因此第i辆电动汽车车主均衡负荷造成的损失R_1i可以在总的充放电费用中作为补贴返还给用户，同时R_1i反馈给长短期神经网络，作为损失函数的一部分，损失函数形式如下：

L＝Δf/f_e-ηR1

其中，Δf为电网负荷峰谷差函数；f_e为电网平均负荷；η为学习率，设置为0.001；R_1i为第i辆电动汽车补贴费用；R1为整体电动汽车补贴费用；n为电动汽车总量。

由于采用了上述技术方案，本发明取得的技术进步是：

1、本发明设计的长短期记忆神经网络-改进非线性规划(LSTM-INP)框架实现了基于动态电价的集中式和分布式组合的特性。在LSTM的电价制定阶段，充分考虑了电网和整体电动汽车的充放电等影响因素，实现了全局的最优。在改进的非线性规划对EV的充放电调度阶段，充分考虑了每辆EV的灵活性，降低了充电成本，提高了EV参与V2G的可靠性。

2、改进的非线性规划算法中，通过引入电价补贴，对每个时刻的EV充放电功率进行重新分配。减少电网的负载波动，增强电网的鲁棒性。

3、本文设计的LSTM-INP强化学习框架可以根据电动汽车数量的变化不断修改自己的参数。它可以应用于电动汽车数量不断增加的现代电网。

附图说明

图1是本发明中基于动态电价的电动汽车充放电调度方法的流程图；

图2是本发明中改进的非线性规划流程图；

图3是本发明中电动汽车无序和有序充电电网负荷图；

图4是本发明中设计的算法下电动汽车充放电电负荷图；

图5是本发明中的设计的算法下V2G抗干扰效果图；

图6是本发明中的整体算法结构图。

具体实施方式

下面结合附图及实施例对本发明做进一步详细说明：

如图1所示，基于动态电价的电动汽车充放电调度方法，包括以下步骤：

S1、采用蒙特卡洛方法建立V2G背景下电动汽车充电需求、电动汽车放电容量、电动汽车充放电时间三部分模型；

根据电网中的实际因素进行建模，实际因素包括电网基础负荷、电动汽车充电需求和放电容量、充放电成本、电网峰谷差和充放电相关约束；

电动汽车充放电时间为：

电动汽车返回时间T_b，服从正态分布，概率密度函数为：

其中，μ_b＝17.47,σ_b＝3.41；

电动汽车最早离家时间T_l，服从正态分布，概率密度函数为：

其中，μ_l＝8.92,σ_l＝3.24；

电动汽车的充电需求函数为：

电动汽车放电容量为：

Q_n＝Q-ΔQ-0.1·Q

其中，L_d为电动汽车行驶里程，K_m为电动汽车每公里耗费电量，Q为电动汽车电池总容量，Q_n为电动汽车可放电容量，ΔQ为电动汽车的充电需求。

S2、建立基于长短期记忆神经网络模型的动态电价输出模型，动态电价输出模型的输入包括电动汽车充电需求、放电容量、电网基础负荷和大电网电价；

通过长短期记忆神经网络，以大电网电价、电动汽车充电需求、放电容量作为输入，输出动态电价；

在不同时刻电网有着不同的负载，用电高峰期电网负载较大，导致电网用电压力增大，同时增加了电网运行风险；用电低谷期电网负载较小，容易造成发电设备的空置，降低了利用率。根据电动汽车的电池特性，引入V2G概念，在电网用电高峰期进行放电，低谷期进行充电。从而降低了电网运行风险，提高了电网设备利用效率。对于电动汽车充放电的引导可以采用电价激励的方式，采用长短期记忆神经网络的方法制定合适的电价从而引导电动汽车参与V2G；

长短期记忆神经网络结构如下式：

f_t＝σ(W_fh_t-1+U_fx_t+b_f)

i_t＝σ(W_ih_t-1+U_ix_t+b_i)

o_t＝σ(W_oh_t-1+U_ox_t+b_o)

y_t＝σ(Vh_t+b_y)

其中，σ表示Sigmoid激活函数；Tanh表示Tanh激活函数；x_t为t时刻隐藏层的输入量，h_t-1为t-1时刻隐藏层的输出量；f_t为t时刻遗忘门的控制量；i_t为输入门控制量；O_t为输出门控制量；C_t-1为t-1时刻隐藏层细胞状态；

为t时刻输入信息向量；W_f为上一时刻输出到遗忘门的权重；W_i为上一时刻输出到输入门第一部分的权重；W_c为上一时刻输出到输入门第二部分的权重；W_o为上一时刻输出到输出门的权重；U_f为输入到遗忘门的权重；U_i为输入到输入门第一部分的权重；U_c为输入到输入门第二部分的权重；U_o为输入到输出门的权重。

S3、基于动态电价的每辆电动汽车充放电成本函数和电网负荷峰谷差函数建立目标函数；

电网总体负荷包括电网基础负荷，电动汽车充放电负荷两部分，具体表达式如下：

电网负荷峰谷差函数Δf最小化表达为：

minΔf＝max(f₀,f₁,f₂…f₂₁,f₂₂,f₂₃)-min(f₀,f₁,f₂…f₂₁,f₂₂,f₂₃)

其中，f_j为j时段电网总负荷，j＝0,1,2,3...21,22,23；f_j,base为j时刻电网基础负荷，P_cij为第i辆EV在j时刻的充电功率，P_dij为第i辆EV在j时刻的放电功率，n为EV总数；

目标函数为电动汽车充放成本函数R_i最小化，表达为：

其中，T_ib为第i辆EV返回时间；T_il为第i辆EV离开时间；P_cit和P_dit为第i辆EV在t时刻电动汽车的充电功率和放电功率；r_ct为聚合商制定的t时刻充电电价；r_dt为聚合商制定的t时刻放电电价；a_it为第i辆EV充放电状态，当a_it＝1时电动汽车充电，a_it＝-1时电动汽车放电，a_it＝0时电动汽车处于静置状态，既不充电也不放电，R_c为电池损耗；

本发明中首先证明了非线性规划中目标函数以及约束条件是凸的；凸函数的特点就是局部最优也是全局的最优，因此无需再考虑局部最优的情况；步骤如下：

凸函数定理：假设一个函数f(x)，对于任意的实数都满足如下条件：

f(θx+(1-θ)y)≤θf(x)+(1-θ)f(y)

则该函数是凸函数，其中，x,y为不同的自变量，θ为大于零的任意常数。

经过验证，本发明中在非线性规划部分的目标函数为凸函数，因此所求的局部最优也是全局最优。

S4、确立目标函数的约束条件；

在目标函数中变量为电动汽车的充放电功率，相关约束条件决定了非线性规划的可行域；

对于目标函数的实现需要相应的约束，约束函数为：

充放电功率约束：

荷电平衡约束：

电池放电深度约束：

10％≤SOC≤100％

其中，SOC为电动汽车荷电状态；P_cm为最大充电功率,P_dm为最大放电功率,P_cit为第i辆EV在t时刻的充电功率，P_dit为第为第i辆EV在t时刻的放电功率；ΔQ_i为第i辆EV充电需求；T_ib为第i辆EV返回时间，T_il为第i辆EV离开时间。

S5、采用通过引入电价补贴的方法改进非线性规划算法；基于神经网络输出的动态电价，在S4中的约束条件下对电动汽车进行充放电规划，获得充放电费用、补贴电价费用、电网负荷峰谷差；再次蒙特卡洛获得新的充电需求和放电容量；

改进非线性规划算法，为通过引入电价补贴的方式将满足条件的时间段对应的充放电负荷重新分配；

对非线性规划算法的改进是在其中引入了补贴电价的含义，即在调度过程中，若相关几个时刻的电价差值在小于Δr时，则对这几个时刻的充放电功率重新分配，其本质是引入了一个新的约束，即当满足|r_cx-r_cy|≤Δr时，可得：

P_x,P_y,…,P_z≤P_er

其中，r_cx,r_cy分别为x,y时刻的充放电电价，Δr为补贴电价启用条件；P_x,P_y,...P_z为可重新分配时间段充放电功率，P_er为他们的平均功率。

通过S1、S2、S3、S4获得引入V2G后的电网总体负荷峰谷差、总体电动汽车充放电费用、补贴电价费用；蒙特卡洛生成新的总体电动汽车充电需求和放电容量。

S6、将补贴电价、电网负荷峰谷差作为损失函数，对长短期记忆神经网络的权重参数进行更新；将S5获得的新的总体电动汽车充电需求和放电容量作为长短期记忆神经网络的新输入，整体构成一个滚动的优化模型，最终在使电网负荷削峰填谷的同时降低了电动汽车的充放电成本，使电动汽车的充放电费用最低。

但是采用改进的非线性规划算法得到的电动汽车充放电费用R_ni相对于原始线性规划得到的EV充放电费用R_i略高，因此第i辆EV车主均衡负荷造成的损失R_1i可以在总的充放电费用中作为补贴返还给用户，同时R_1i反馈给长短期神经网络，作为损失函数的一部分，损失函数形式如下：

L＝Δf/f_e-ηR1

其中，Δf为电网负荷峰谷差函数；f_e为电网平均负荷；η为学习率，设置为0.001；R_1i为第i辆EV补贴费用；R1为整体EV补贴费用；n为EV总量。

将S5获得的新的总体电动汽车充电需求和放电容量作为长短期记忆神经网络的新输入，整体构成一个滚动的优化模型，最终在使电网负荷削峰填谷的同时降低了电动汽车的充放电成本，使电动汽车的充放电费用最低。

实施例

如图2所示，为本专利非线性规划算法改进部分。具体的，非线性规划算法主要是用来对电动汽车的充放电行为进行调度。在目标函数中变量为电动汽车的充放电功率，相关约束条件决定了非线性规划的可行域。经过验证，本发明中在非线性规划部分的目标函数为凸函数。因此所求的局部最优也是全局最优。

对非线性规划算法的改进是在其中引入了补贴电价的含义。即，在调度过程中，若相关几个时刻的电价差值在一定范围内，则对这几个时刻的充放电功率重新分配。其本质是引入了一个新的约束。但是采用此方案得到的电动汽车充放电费用相对于原始线性规划得到的EV充放电费用略高。因此第i辆EV车主均衡负荷造成的损失可以在总的充放电费用中作为补贴返还给用户。同时还可以反馈给长短期神经网络，作为其损失函数的一部分。

如图3所示，为电动汽车无序充电和有序充电负荷变化图。无序充电即EV入网后立即进行不间断充电使其达到预期电量，充满即停。从图中可以看出，因为电动汽车的充电时间和居民用电时间非常吻合，所以电动汽车的无序充电会导致电网负荷峰上加峰,对电网的安全造成威胁。有序充电即在电网用电高峰期暂缓充电，在电网负荷低谷期集中充电。能够有效减缓电网负荷峰上加峰。

如图4所示，为本发明设计的算法调度电动汽车充放电后电网负荷变化图。基于动态分时电价的V2G调度方法可以有效的调节电网负荷，达到削峰填谷的目的。

如图5所示，为本发明设计的算法中电价补贴的作用。从图5-a和图5-b的比较可以看出，引入补贴电价对非线性规划算法进行改进，可以提高算法的鲁棒性。

如图6所示，为本发明的算法整体框架结构图。步骤如下：

(1)输入每辆电动汽车的充放电开始、结束时间，大电网电价，电动汽车充电需求以及可放电电量。

(2)设计神经网络的参数，并确定损失函数的模型。

(3)将电网基础负荷、大电网电价、充电需求和放电容量作为长短期记忆神经网络(LSTM)的输入。

(4)输出动态的分时电价。其动态变化时间周期为二十四小时，即每天更新一次电价。

(5)基于神经网络输出的动态分时电价，采用非线性规划的算法对电动汽车进行充放电调度。

(6)证明目标函数是凸函数，并引入补贴电价改进非线性规划算法，以减缓电网过快的负荷波动。

(7)根据需要补贴的电价，以及电网负荷峰谷差构造损失函数，更新神经网络权重；算法整体构成一个滚动优化的强化学习算法。

综上所述，本发明针对小区内电动汽车无序充电造成配电网负荷波动问题，综合考虑了总体电动汽车充电需求、放电潜力、大电网分时电价、聚合商和车主利益诉求，首先以电动汽车充放电费用最低和配电网的负荷峰谷差最小为目标，建立基于长短期记忆深度神经网络算(LSTM)制定动态电价，进而利用改进的非线性规划算法(NP)对电动汽车充放电优化问题进行求解，并将结果反馈到长短期记忆深度神经网络用来更新其权重，最终达到电价和电动汽车充放电调度的最优。

Claims (7)

1.一种基于动态电价的电动汽车充放电调度方法，其特征在于：包括以下步骤：

S1、采用蒙特卡洛方法建立V2G背景下电动汽车充电需求、电动汽车放电容量、电动汽车可调度时间三部分模型；

S2、建立基于长短期记忆神经网络模型的动态电价输出模型；

S3、基于动态电价下的每辆电动汽车充放电成本函数和电网负荷峰谷差函数建立目标函数；

S4、确立目标函数的约束条件；

S5、采用通过引入电价补贴的方法改进非线性规划算法；基于神经网络输出的动态电价，在S4中的约束条件下对电动汽车进行充放电规划，获得充放电费用、补贴电价费用、电网负荷峰谷差；再次蒙特卡洛获得新的充电需求和放电容量；

S6、将补贴电价、电网负荷峰谷差作为损失函数，对长短期记忆神经网络的权重参数进行更新；将S5获得的新的总体电动汽车充电需求和放电容量作为长短期记忆神经网络的新输入，整体构成一个滚动的优化模型，最终在使电网负荷削峰填谷的同时降低了电动汽车的充放电成本，使电动汽车的充放电费用最低。

2.根据权利要求1所述的基于动态电价的电动汽车充放电调度方法，其特征在于：S1中，电动汽车充放电时间中，电动汽车返回时间T_b，服从正态分布，概率密度函数为：

其中，μ_b＝17.47,σ_b＝3.41；

电动汽车最早离家时间T_l，服从正态分布，概率密度函数为：

其中，μ_l＝8.92,σ_l＝3.24；

电动汽车的充电需求函数为：

电动汽车放电容量为：

Q_n＝Q-ΔQ-0.1·Q

其中，L_d为电动汽车行驶里程，K_m为电动汽车每公里耗费电量，Q为电动汽车电池总容量，Q_n为电动汽车可放电容量，ΔQ为电动汽车的充电需求。

3.根据权利要求1所述的基于动态电价的电动汽车充放电调度方法，其特征在于：S2中，动态电价输出模型的输入包括电动汽车充电需求、放电容量、电网基础负荷和大电网电价；对于电动汽车充放电的引导可以采用电价激励的方式，采用长短期记忆神经网络的方法制定合适的电价从而引导电动汽车参与V2G；

长短期记忆神经网络结构如下式：

f_t＝σ(W_fh_t-1+U_fx_t+b_f)

i_t＝σ(W_ih_t-1+U_ix_t+b_i)

o_t＝σ(W_oh_t-1+U_ox_t+b_o)

y_t＝σ(Vh_t+b_y)

其中，σ表示Sigmoid激活函数；Tanh表示Tanh激活函数；x_t为t时刻隐藏层的输入量，h_t-1为t-1时刻隐藏层的输出量；f_t为t时刻遗忘门的控制量；i_t为输入门控制量；O_t为输出门控制量；C_t-1为t-1时刻隐藏层细胞状态；

为t时刻输入信息向量；W_f为上一时刻输出到遗忘门的权重；W_i为上一时刻输出到输入门第一部分的权重；W_c为上一时刻输出到输入门第二部分的权重；W_o为上一时刻输出到输出门的权重；U_f为输入到遗忘门的权重；U_i为输入到输入门第一部分的权重；U_c为输入到输入门第二部分的权重；U_o为输入到输出门的权重。

4.根据权利要求1所述的基于动态电价的电动汽车充放电调度方法，其特征在于：S3中，电网总体负荷包括电网基础负荷，电动汽车充放电负荷两部分，具体表达式如下：

电网负荷峰谷差函数Δf最小化表达为：

minΔf＝max(f₀,f₁,f₂…f₂₁,f₂₂,f₂₃)-min(f₀,f₁,f₂…f₂₁,f₂₂,f₂₃)

其中，f_j为j时段电网总负荷，j＝0,1,2,3...21,22,23；f_j,base为j时刻电网基础负荷，P_cij为第i辆电动汽车在j时刻的充电功率，P_dij为第i辆电动汽车在j时刻的放电功率，n为电动汽车总数；

目标函数为电动汽车充放成本函数R_i最小化，表达为：

其中，T_ib为第i辆电动汽车返回时间；T_il为第i辆电动汽车离开时间；P_cit和P_dit为第i辆电动汽车在t时刻电动汽车的充电功率和放电功率；r_ct为聚合商制定的t时刻充电电价；r_dt为聚合商制定的t时刻放电电价；a_it为第i辆电动汽车充放电状态，当a_it＝1时电动汽车充电，a_it＝-1时电动汽车放电，a_it＝0时电动汽车处于静置状态，既不充电也不放电，R_c为电池损耗；

目标函数采用非线性规划算法处理，在非线性规划部分的目标函数为凸函数，因此所求的局部最优也是全局最优。

5.根据权利要求1所述的基于动态电价的电动汽车充放电调度方法，其特征在于：S4中，在目标函数中变量为电动汽车的充放电功率，相关约束条件决定了非线性规划的可行域；

对于目标函数的实现的约束函数为：

充放电功率约束：

荷电平衡约束：

电池放电深度约束：

10％≤SOC≤100％

其中，SOC为电动汽车荷电状态；P_cm为最大充电功率,P_dm为最大放电功率,P_cit为第i辆电动汽车在t时刻的充电功率，P_dit为第为第i辆电动汽车在t时刻的放电功率；ΔQ_i为第i辆电动汽车充电需求；T_ib为第i辆电动汽车返回时间，T_il为第i辆电动汽车离开时间。

6.根据权利要求1所述的基于动态电价的电动汽车充放电调度方法，其特征在于：S5中，改进的非线性规划算法是在非线性规划算法中引入了补贴电价的含义，即在调度过程中，若相关时刻的电价差值均小于Δr时，则对这些时刻的充放电功率重新分配，其本质是引入了一个新的约束，即当满足|r_cx-r_cy|≤Δr时，得：

P_x,P_y,…,P_z≤P_er

其中，r_cx,r_cy分别为x,y时刻的充放电电价，Δr为补贴电价启用条件；P_x,P_y,...P_z为可重新分配时间段充放电功率，P_er为他们的平均功率。

7.根据权利要求6所述的基于动态电价的电动汽车充放电调度方法，其特征在于：S6中，采用改进的非线性规划算法得到的电动汽车充放电费用R_ni相对于原始线性规划得到的电动汽车充放电费用R_i高，因此第i辆电动汽车车主均衡负荷造成的损失R_1i可以在总的充放电费用中作为补贴返还给用户，同时R_1i反馈给长短期神经网络，作为损失函数的一部分，损失函数形式如下：

L＝Δf/f_e-ηR1

其中，Δf为电网负荷峰谷差函数；f_e为电网平均负荷；η为学习率，设置为0.001；R_1i为第i辆电动汽车补贴费用；R1为整体电动汽车补贴费用；n为电动汽车总量。

Images