CN117175579A - 一种电动汽车充放电分群调度方法及系统 - Google Patents

Abstract

本发明公开了一种电动汽车充放电分群调度方法及系统，通过构建充放电场景下的可调度时间评估指标和性能评估指标，然后计算得到充放电可调度能力评估总指标，根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到各个场景下的集群，建立用户响应度评估模型，得到汽车实际充电量和实际放电量，根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，本方法通过考虑电动汽车可调度能力和用户响应度，建立电动汽车充放电分群调度模型并进行求解得到调度计划对电动汽车充放电进行调度，降低了电网净负荷峰谷差及调峰难度，提高了电网调度的灵活性与准确性。

Description

一种电动汽车充放电分群调度方法及系统

技术领域

本发明涉及电网调度技术领域，尤其涉及一种电动汽车充放电分群调度方法及系统。

背景技术

作为一种灵活的需求侧可调度资源，电动汽车在参与电网需求响应过程中具有极大的发展潜力。但由于电动汽车具有强随机性与强负荷特性，如果不加调控地大规模并网进行无序充电会导致电网负荷曲线出现“峰上加峰”的现象，对电力系统的安全运行带来极大威胁。因此有必要通过合理调度手段，利用电动汽车自身的储能特性，引导电动汽车通过V2G(Vehic le to Gr id)技术进行有序的充电放电，在尽可能减少对电网造成的负担的同时，辅助电网达成削峰填谷等调度目标。

目前，现有研究多默认全部或者固定比例的电动汽车用户均参与调度，未能考虑用户响应度对电动汽车实际可调度容量的影响，导致制定的调度策略与实际情况偏差较大，不符合电动汽车的实际调度能力，影响削峰填谷目标的实现；同时，少有研究将在网电动汽车进行集群划分后再调度，而是对每辆电动汽车单独制定调度策略，使调度模型因优化变量维数过高求解困难，不适用于实际电网中最为常见的大规模电动汽车并网场景，实用性较低。

发明内容

为了解决上述技术问题，本发明实施例提供了一种电动汽车充放电分群调度方法及系统，通过考虑电动汽车可调度能力和用户响应度，建立电动汽车充放电分群调度模型并进行求解得到调度计划对电动汽车充放电进行调度，降低了电网净负荷峰谷差及调峰难度，提高了电网调度的灵活性与准确性。

本发明实施例的第一方面提供了一种电动汽车充放电分群调度方法，所述方法包括：

根据待调度电动汽车充电时间、放电时间及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标；

分别对充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标；

根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到充电场景划分结果，根据放电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到放电划分结果，其中充电场景划分结果和放电划分结果包括多个集群；

根据待调度电动汽车的实际调度能力建立用户响应度评估模型，利用用户响应度评估模型和充电场景划分结果得到待调度电动汽车的实际充电量，利用用户响应度评估模型和放电场景划分结果得到待调度电动汽车的实际放电量；

根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，以使电网人员根据调度结果对电力资源进行调度。

实施本实施例，通过根据电动汽车充电时间、放电时间及电动汽车设备参数分别构建充放电场景下的可调度时间评估指标和性能评估指标，然后对充放电场景下的可调度时间评估指标和性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标，再根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到充电场景划分结果和放电划分结果后，通过考虑电动汽车的实际调度能力建立用户响应度评估模型，再利用用户响应度评估模型和充放电场景划分结果得到待调度电动汽车的实际充电量和实际放电量，根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，本方法通过考虑电动汽车可调度能力和用户响应度，建立电动汽车充放电分群调度模型并进行求解得到调度计划对电动汽车充放电进行调度，降低了电网净负荷峰谷差及调峰难度，提高了电网调度的灵活性与准确性。

在第一方面的一种可能的实现方式中，根据待调度电动汽车充电时间、放电时间、待调度电动汽车数量及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标，具体为：

根据待调度电动汽车充电时间和电动汽车设备参数分别构建充电场景下的可调度时间评估指标和性能评估指标，其中，充电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

充电场景下的性能评估指标为：

式中，为充电可调度功率影响因子，/>为基础负荷影响因子，SOC_min为电动汽车SOC最小值，l为当前时段，N_l为时段l内电网接入的电动汽车总数量，P_base,l为时段l的基础负荷；

根据待调度电动汽车放电时间和电动汽车设备参数分别构建放电场景下的可调度时间评估指标和性能评估指标，其中，放电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

放电场景下的性能评估指标为：

式中，为放电可调度功率影响因子，SOCmax为电动汽车SOC最大值。

在第一方面的一种可能的实现方式中，分别对充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标，具体为：

分别将充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行标准化，得到各个场景下标准化后的可调度时间评估指标和性能评估指标，其中，标准化公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标下标准化后的指标数据值，/>为第k辆电动汽车在第i个场景下第j个评估指标下标准化前的指标原始数据值，/>为所有在网电动汽车在第i个场景下第j个评估指标下的指标原始数据值的集合，i＝0代表充电场景，i＝1代表放电场景，j＝0代表可调度时间指标，j＝1代表性能指标；

根据各个场景下标准化后的可调度时间评估指标和性能评估指标计算各个场景下可调度时间评估指标和性能评估指标的信息熵，其中，信息熵计算公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标的值在该评估指标列的占比，n为当前在网电动汽车的总数量；

利用各个场景下可调度时间评估指标和性能评估指标的信息熵计算出各个场景下可调度时间评估指标和性能评估指标的权值，根据各个评分指标的权值和各个评估指标进行计算，得到充电可调度能力评估总指标和放电可调度能力评估总指标，其中，权值的计算公式为：

式中，表示第k辆电动汽车在第i个场景下第j个评估指标的权值；

充电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在充电可调度时间指标、充电性能指标的权值，/>为充电可调度时间指标，/>为充电性能指标；

放电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在放电可调度时间指标和放电性能指标的权值，/>为放电可调度时间指标，/>为放电性能指标。

在第一方面的一种可能的实现方式中，根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到充电场景划分结果，根据放电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到放电划分结果，具体为：

根据充电可调度能力评估总指标计算得到待调度电动汽车的充电阈值指数，根据放电可调度能力评估总指标计算得到待调度电动汽车的放电阈值指数，其中，充电阈值指数的计算公式为：

式中，为所有在网电动汽车的充电或放电可调度能力评估总指标的集合；

根据电网实际调度需求量设置阈值指数标准值，并将充电阈值指数与阈值指数标准值进行对比，得到充电划分结果，将放电阈值指数与阈值指数标准值进行对比，得到放电划分结果，阈值指数标准值为：

式中，ξ₁为划分优先调度池与备用调度池的阈值标准线，当电动汽车k的充电阈值指数或放电阈值指数满足/>时被划为优先调度池，满足/>时划为备用调度池，满足/>时划为不可调度池。

在第一方面的一种可能的实现方式中，根据待调度电动汽车的实际调度能力建立用户响应度评估模型，具体为：

结合根据待调度电动汽车的实际调度能力，采用韦伯-费希纳定律建立用户响应度评估模型，其中，用户响应度评估模型的表达式为：

式中，与/>分别表示充电价和放电价为μ，电动汽车集群j平均SOC为s时的用户充电响应度和放电响应度，k1、k2、k3、k4为用户响应度系数，c1、c2为用户响应度常数。

在第一方面的一种可能的实现方式中，利用用户响应度评估模型和充电场景划分结果得到待调度电动汽车的实际充电量，利用用户响应度评估模型和放电场景划分结果得到待调度电动汽车的实际放电量，具体为：

结合用户响应度评估模型，得到充电场景划分结果和放电场景划分结果的用户充电响应度上限、用户充电响应度下限、用户放电响应度上限、用户放电响应度上限；

根据用户充电响应度上限和用户充电响应度下限,得到待调度电动汽车的实际充电量，其中，待调度电动汽车的实际充电量为：

式中，表示用户充电响应度上限，/>表示用户充电响应度下限，N_j,l为集群j在l时段所辖的电动汽车数量，P_c,i为第i辆电动汽车的充电功率；

根据用户放电响应度上限和用户放电响应度下限,得到待调度电动汽车的实际放电量，其中，待调度电动汽车的实际放电量为：

式中，表示用户放电响应度上限，/>表示用户放电响应度下限，N_j,l为集群j在l时段所辖的电动汽车数量，P_d,i为第i辆电动汽车的放电功率。

在第一方面的一种可能的实现方式中，根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，具体为：

建立区域负荷曲线波动方差函数和充电成本函数后，利用线性加权法将区域负荷曲线波动方差函数和充电成本函数进行转化，得到电动汽车充放电分群调度模型的目标函数和约束条件，其中，区域负荷曲线波动方差函数为：

式中，P_l为l时段的电网总负荷，为所有时段电网总负荷的平均值；

充电成本函数为：

式中，与/>为集群j的平均充电和放电功率，μ_c,l与μ_d,l分别为时段l的充电价和放电价，δ_j,c,l与δ_j,d,l分别为集群j在时段l的充电状态和放电状态，集群充电时δ_j,c,l＝1，δ_j,d,l＝0，放电时δ_j,c,l＝0，δ_j,d,l＝1；

目标函数为：

ω₁+ω₂＝1

式中，F_1max与F_2max分别为目标函数F₁与F₂的等效最大值，其中F_1max定义为电网基础负荷的方差，F_2max定义为电动汽车在无序充电下的充电成本，P_dis,l为时段l内电动汽车在无序充电场景下的充电总功率，ω₁与ω₂分别为目标函数F₁与F₂的权重系数；

约束条件为：

-E_j,d,l≤tP_j,l≤E_j,c,l

μ_c,min≤μ_c,l≤μ_c,max

μ_d,min≤μ_d,l≤μ_d,max

δ_j,c,lδ_j,d,l＝0

式中，P_j,l为集群j在时段l的充放电功率，t为时段l的时长，μ_c,min、μ_c,maxμ_d,min、μ_d,max分别为充电价的下限与上限，放电价的下限与上限，δ_j,c,l与δ_j,d,l分别为集群j在时段l的充电状态和放电状态，SOC_j,i为属于集群j的电动汽车i的荷电状态，SOC_min为单辆电动汽车SOC最小值，SOC_max为单辆电动汽车SOC最大值；

根据目标函数和约束条件，得到电动汽车充放电分群调度模型后，采用改进粒子群算法对电动汽车充放电分群调度模型进行求解，得到调度结果。

采用改进粒子群算法对电动汽车充放电分群调度模型进行求解，得到调度结果，具体为：

对粒子群进行初始化，设置其中每个粒子的大小、初始位置、初始速度；

根据电动汽车充放电分群调度模型的目标函数计算各个粒子的适应度，找到各粒子的个体最优解与粒子群的群体最优解；利用改进的惯性权重因子和学习因子的速度与位置更新公式对粒子群进行迭代更新，得到更新后的粒子群，并计算更新后的粒子群的适应度，得到更新后的个体最优解与群体最优解，直到达到迭代条件停止迭代更新得到电动汽车充放电分群调度模型的调度结果，其中，速度与位置更新公式为：

式中，i是当前迭代次数，m是总迭代次数，ω_sta和ω_end是惯性权重因子的初始值和终止值，c_1sta和c_1end是c₁的初始值和停止值，c_2sta和c_2end是c₂的初始值和停止值。

本发明实施例的第二方面提供了一种电动汽车充放电分群调度系统，系统包括：

第一构建模块，用于根据待调度电动汽车充电时间、放电时间及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标；

合并模块，用于分别对充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标；

划分模块，用于根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到充电场景划分结果，根据放电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到放电划分结果，其中充电场景划分结果和放电划分结果包括多个集群；

电量计算模块，用于根据待调度电动汽车的实际调度能力建立用户响应度评估模型，利用用户响应度评估模型和充电场景划分结果得到待调度电动汽车的实际充电量，利用用户响应度评估模型和放电场景划分结果得到待调度电动汽车的实际放电量；

调度模块，用于根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，以使电网人员根据调度结果对电力资源进行调度。

在第二方面的一种可能的实现方式中，第一构建模块包括充电场景指标构建单元和放电场景指标构建单元，

充电场景指标构建单元用于根据待调度电动汽车充电时间和电动汽车设备参数分别构建充电场景下的可调度时间评估指标和性能评估指标，其中，充电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

充电场景下的性能评估指标为：

式中，为充电可调度功率影响因子，/>为基础负荷影响因子，SOC_min为电动汽车SOC最小值，l为当前时段，N_l为时段l内电网接入的电动汽车总数量，P_base,l为时段l的基础负荷；

放电场景指标构建单元用于根据待调度电动汽车放电时间和电动汽车设备参数分别构建放电场景下的可调度时间评估指标和性能评估指标，其中，放电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

放电场景下的性能评估指标为：

式中，为放电可调度功率影响因子，SOCmax为电动汽车SOC最大值。

在第二方面的一种可能的实现方式中，合并模块包括标准化单元、信息熵计算单元和评估总指标计算单元，

其中，标准化单元用于分别将充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行标准化，得到各个场景下标准化后的可调度时间评估指标和性能评估指标，其中，标准化公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标下标准化后的指标数据值，/>为第k辆电动汽车在第i个场景下第j个评估指标下标准化前的指标原始数据值，/>为所有在网电动汽车在第i个场景下第j个评估指标下的指标原始数据值的集合，i＝0代表充电场景，i＝1代表放电场景，j＝0代表可调度时间指标，j＝1代表性能指标；

信息熵计算单元用于根据各个场景下标准化后的可调度时间评估指标和性能评估指标计算各个场景下可调度时间评估指标和性能评估指标的信息熵，其中，信息熵计算公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标的值在该评估指标列的占比，n为当前在网电动汽车的总数量；

评估总指标计算单元用于利用各个场景下可调度时间评估指标和性能评估指标的信息熵计算出各个场景下可调度时间评估指标和性能评估指标的权值，根据各个评分指标的权值和各个评估指标进行计算，得到充电可调度能力评估总指标和放电可调度能力评估总指标，其中，权值的计算公式为：

式中，表示第k辆电动汽车在第i个场景下第j个评估指标的权值；

充电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在充电可调度时间指标、充电性能指标的权值，/>为充电可调度时间指标，/>为充电性能指标；

放电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在放电可调度时间指标和放电性能指标的权值，/>为放电可调度时间指标，/>为放电性能指标。

附图说明

图1：为本发明提供的电动汽车充放电分群调度方法一种实施例的流程示意图；

图2：为本发明提供的电动汽车充放电分群调度方法一种实施例的充放电可调度能力评估总指标流程示意图；

图3：为本发明提供的电动汽车充放电分群调度方法一种实施例的充电场景下电动汽车用户响应度与电价、车辆SOC关系示意图；

图4：为本发明提供的电动汽车充放电分群调度方法一种实施例的放电场景下电动汽车用户响应度与电价、车辆SOC关系示意图；

图5：为本发明提供的电动汽车充放电分群调度方法一种实施例的采用改进粒子群算法求解流程示意图；

图6：为本发明提供的电动汽车充放电分群调度方法一种实施例的基础负荷、电动汽车无序充电下电网总负荷、电动汽车有序充放电分群调度下电网总负荷的负荷曲线对比图示意图；

图7：为本发明提供的电动汽车充放电分群调度方法另一种实施例的系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

请参照图1，为本发明实施例提供的电动汽车充放电分群调度方法的一种实施例的流程示意图，包括步骤S11～S15，各步骤具体如下：

S11、根据待调度电动汽车充电时间、放电时间及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标。

在优选的实施例当中，根据待调度电动汽车充电时间、放电时间、待调度电动汽车数量及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标，具体为：

根据待调度电动汽车充电时间和电动汽车设备参数分别构建充电场景下的可调度时间评估指标和性能评估指标，其中，充电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

充电场景下的性能评估指标为：

式中，为充电可调度功率影响因子，/>为基础负荷影响因子，SOC_min为电动汽车SOC最小值，l为当前时段，N_l为时段l内电网接入的电动汽车总数量，P_base,l为时段l的基础负荷；

根据待调度电动汽车放电时间和电动汽车设备参数分别构建放电场景下的可调度时间评估指标和性能评估指标，其中，放电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

放电场景下的性能评估指标为：

式中，为放电可调度功率影响因子，SOCmax为电动汽车SOC最大值。

在本实施例中，电动汽车在充电与放电两种场景下各自的可调度时间评估指标与性能评估指标是从时间和空间两个角度建立的。电动汽车的可调度能力可从多个方面衡量，已有方法多只设计了针对单一充电场景或单一放电场景的评估体系，且其中用以衡量电动汽车可调度空间的充放电容量指标在数学上定义为目标电量与剩余电量之差，与充放电可调度时间指标在数学模型上形成重复，无法全面衡量电动汽车的可调度能力。本发明针对充电与放电两种场景分别设计了可调度时间指标与性能指标，有效克服了已有方法存在的重复问题，实现了对电动汽车可调度能力的全面、有效评估。下面给出了充电与放电两种场景下的各指标的意义与计算方法：

电动汽车在充电与放电两种场景下的可调度时间均可使用电动汽车接入电网后可供电网调度的时长表示，即两种场景下的可调度时间可采用同一数学模型。定义电动汽车k的充电可调度时间评估指标与放电可调度时间评估指标分别为与/>表达式为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

/>

式中，T为一个调度周期内调度时段的个数，一般取24或96，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况，充放电可调度时间指标大于0，表示该电动汽车可调度，且指标越大，其可调度能力越强，充放电可调度时间指标小于0，表示该电动汽车停留时长不足以使其SOC状态达到目标值，电网应在其停留时长内一直为其充电而不可进行调度；

充电场景下的性能评估指标为：

式中，为充电可调度功率影响因子，/>为基础负荷影响因子，SOC_min为电动汽车SOC最小值，l为当前时段，N_l为时段l内电网接入的电动汽车总数量，P_base,l为时段l的基础负荷；

针对充电场景，定义电动汽车用户充电性能评估指标，其表征电动汽车在单一时段内可为电网提供的充电可调度容量大小。电动汽车k的充电性能评估指标定义为：

式中，为充电可调度功率影响因子，/>为基础负荷影响因子，SOC_min为电动汽车SOC最小值，l为当前时段，N_l为时段l内电网接入的电动汽车总数量，P_base,l为时段l的基础负荷；

同理，针对放电场景，定义电动汽车用户放电性能评估指标，其表征电动汽车在单一时段内可为电网提供的放电可调度容量大小。电动汽车k的放电性能评估指标定义为：/>

式中，为放电可调度功率影响因子，SOC_max为电动汽车SOC最大值。

S12、分别对充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标。

作为优选的实施例，分别对充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标，具体为：

分别将充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行标准化，得到各个场景下标准化后的可调度时间评估指标和性能评估指标，其中，标准化公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标下标准化后的指标数据值，/>为第k辆电动汽车在第i个场景下第j个评估指标下标准化前的指标原始数据值，/>为所有在网电动汽车在第i个场景下第j个评估指标下的指标原始数据值的集合，i＝0代表充电场景，i＝1代表放电场景，j＝0代表可调度时间指标，j＝1代表性能指标；

根据各个场景下标准化后的可调度时间评估指标和性能评估指标计算各个场景下可调度时间评估指标和性能评估指标的信息熵，其中，信息熵计算公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标的值在该评估指标列的占比，n为当前在网电动汽车的总数量；

利用各个场景下可调度时间评估指标和性能评估指标的信息熵计算出各个场景下可调度时间评估指标和性能评估指标的权值，根据各个评分指标的权值和各个评估指标进行计算，得到充电可调度能力评估总指标和放电可调度能力评估总指标，其中，权值的计算公式为：

/>

式中，表示第k辆电动汽车在第i个场景下第j个评估指标的权值；

充电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在充电可调度时间指标、充电性能指标的权值，/>为充电可调度时间指标，/>为充电性能指标；

放电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在放电可调度时间指标和放电性能指标的权值，/>为放电可调度时间指标，/>为放电性能指标。

在本实施例中，针对两种指标的数量级不同导致评估结果不准确的问题，采用熵权法将充电与放电两种场景下各属的可调度时间评估指标与性能评估指标结合，分别得到可调度能力评估总指标。评估电动汽车充放电可调度能力时，需要将可调度时间评估指标与用户充放电性能评估指标结合。由于两种指标具有不同量纲与数量范围，若不进行赋权而直接使用会严重影响评估结果的准确性，因此需要客观确定2种指标参与可调度能力评估时的权重值。考虑到电网对于充放电可调度时间评估指标与充放电性能评估指标之间并没有侧重，且相比于根据个人偏好主观赋权的层次分析法，客观赋权的熵权法消除了主观偏差，更能满足需求，故本发明使用熵权法进行权值计算。此处使用熵权法得到充放电可调度能力评估总指标的流程示意图如图2，具体步骤为：

先采用归一化方法将充电与放电两种场景下各自所属的两个评估指标的原始数据进行数据标准化。考虑到所有指标均为正向指标，故标准化公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标下标准化后的指标数据值，/>为第k辆电动汽车在第i个场景下第j个评估指标下标准化前的指标原始数据值，/>为所有在网电动汽车在第i个场景下第j个评估指标下的指标原始数据值的集合，i＝0代表充电场景，i＝1代表放电场景，j＝0代表可调度时间指标，j＝1代表性能指标；

然后计算不同场景下各指标的信息熵，设第k辆电动汽车在第i个场景下第j个评估指标的信息熵为其表达式为：

/>

式中，为第k辆电动汽车在第i个场景下第j个评估指标的值在该评估指标列的占比，n为当前在网电动汽车的总数量；

最后，因为信息熵越小代表区分度越高，即说明此评估指标越重要，因此评估指标的实际重要程度可以通过获取。设第k辆电动汽车在第i个场景下第j个评估指标的权值/>为：

式中，表示第k辆电动汽车在第i个场景下第j个评估指标的权值；

充电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在充电可调度时间指标、充电性能指标的权值，/>为充电可调度时间指标，/>为充电性能指标；

放电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在放电可调度时间指标和放电性能指标的权值，/>为放电可调度时间指标，/>为放电性能指标。

和/>越大，表明该电动汽车的充电可调度能力与放电可调度能力越强。

S13、根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到充电场景划分结果，根据放电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到放电划分结果，其中充电场景划分结果和放电划分结果包括多个集群。

在优选的实施例当中，根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到充电场景划分结果，根据放电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到放电划分结果，具体为：

根据充电可调度能力评估总指标计算得到待调度电动汽车的充电阈值指数，根据放电可调度能力评估总指标计算得到待调度电动汽车的放电阈值指数，其中，充电阈值指数的计算公式为：

式中，为所有在网电动汽车的充电或放电可调度能力评估总指标的集合；

根据电网实际调度需求量设置阈值指数标准值，并将充电阈值指数与阈值指数标准值进行对比，得到充电划分结果，将放电阈值指数与阈值指数标准值进行对比，得到放电划分结果，阈值指数标准值为：

式中，ξ₁为划分优先调度池与备用调度池的阈值标准线，当电动汽车k的充电阈值指数或放电阈值指数满足/>时被划为优先调度池，满足/>时划为备用调度池，满足/>时划为不可调度池。

在本实施例中，考虑到电网实际调度需求，针对充放电两种场景，根据充放电可调度能力评估结果对所有在网电动汽车进行集群划分。集群划分可以将控制变量的维数从电动汽车的数量减少为电动汽车集群的数量，避免对每辆电动汽车单独制定充放电计划导致维数灾难的问题，使优化调度模型适用于实际电网中的大规模电动汽车并网场景。集群划分的规则为：

根据前述充放电可调度能力评估，针对充放电两种不同场景，将所有在网电动汽车分别划分为优先调度池、备用调度池与不可调度池。由于电动汽车充放电可调度能力评估的结果分布较为密集，直接划分阈值线的传统方法实现困难且不直观，故采用基于归一化方法的充电阈值指数进行集群划分。

针对充电场景，电动汽车k的充电阈值指数满足：

式中，为所有在网电动汽车的充电或放电可调度能力评估总指标的集合；

根据电网实际调度需求量设置阈值指数标准值，并将所述充电阈值指数与所述阈值指数标准值进行对比，得到充电划分结果，将所述放电阈值指数与所述阈值指数标准值进行对比，得到放电划分结果，所述阈值指数标准值为：

式中，ξ₁为划分优先调度池与备用调度池的阈值标准线，当电动汽车k的充电阈值指数或放电阈值指数满足/>时被划为优先调度池，满足/>时划为备用调度池，满足/>时划为不可调度池。

同理，针对放电场景，将所有在网电动汽车划分为优先调度池、备用调度池与不可调度池。由此完成电动汽车集群的划分，得到放电划分结果。

S14、根据待调度电动汽车的实际调度能力建立用户响应度评估模型，利用用户响应度评估模型和充电场景划分结果得到待调度电动汽车的实际充电量，利用用户响应度评估模型和放电场景划分结果得到待调度电动汽车的实际放电量。

作为优选实施例，根据待调度电动汽车的实际调度能力建立用户响应度评估模型，具体为：

结合根据待调度电动汽车的实际调度能力，采用韦伯-费希纳定律建立用户响应度评估模型，其中，用户响应度评估模型的表达式为：

式中，与/>分别表示充电价和放电价为μ，电动汽车集群j平均SOC为s时的用户充电响应度和放电响应度，k1、k2、k3、k4为用户响应度系数，c1、c2为用户响应度常数。

作为优选实施例，利用用户响应度评估模型和充电场景划分结果得到待调度电动汽车的实际充电量，利用用户响应度评估模型和放电场景划分结果得到待调度电动汽车的实际放电量，具体为：

结合用户响应度评估模型，得到充电场景划分结果和放电场景划分结果的用户充电响应度上限、用户充电响应度下限、用户放电响应度上限、用户放电响应度上限；

根据用户充电响应度上限和用户充电响应度下限,得到待调度电动汽车的实际充电量，其中，待调度电动汽车的实际充电量为：

式中，表示用户充电响应度上限，/>表示用户充电响应度下限，N_j,l为集群j在l时段所辖的电动汽车数量，P_c,i为第i辆电动汽车的充电功率；

根据用户放电响应度上限和用户放电响应度下限,得到待调度电动汽车的实际放电量，其中，待调度电动汽车的实际放电量为：

式中，表示用户放电响应度上限，/>表示用户放电响应度下限，N_j,l为集群j在l时段所辖的电动汽车数量，P_d,i为第i辆电动汽车的放电功率。

在本实施例中，考虑电动汽车实际调度能力对电网调度的影响，基于韦伯-费希纳定律，建立用户响应度评估模型，据此定义电动汽车集群的实时可充放电容量。在一般的优化调度模型中，电动汽车用户响应度常作为确定量来处理，或仅与充放电价格相关联。但是在实际场景下，电动汽车用户充/放电的响应度不仅受充/放电价影响，而且与车辆SOC相关。充放电场景下的电动汽车用户响应度与电价、车辆SOC关系如图3、图4所示。充电电价越高/低，或车辆当前SOC越低/高，则用户充电响应度就越低/高；放电电价越高/低，或车辆当前SOC越高/低，则用户的放电响应度就越高/低。若对用户响应度考虑不足，会导致调度时向电动汽车集群下达与集群实际可调度容量相比偏差较大的调度计划，对电网削峰填谷效果的产生不利影响。

韦伯-费希纳定律是一种表征心理量和物理量之间关系的定律。该定律指出：用户对某种处于一定的界限范围的物理量变化的感受主要取决于其变动的百分比而非绝对值，并且这一变动需在一定的界限范围内。因此，韦伯-费希纳定律可以用于表示用户对于充放电价格和SOC的响应程度：

式中，与/>分别表示充电价和放电价为μ，电动汽车集群j平均SOC为s时的用户充电响应度和放电响应度，k1、k2、k3、k4为用户响应度系数，c1、c2为用户响应度常数。

为了制定符合集群实际充放电能力的调度计划，需要准确衡量电动汽车集群在每时段的集群实时可调度容量。设和/>分别为集群j的用户充电响应度上限、充电响应度下限、放电响应度上限、放电响应度下限。当充电电价为μ且电动汽车集群平均SOC为s时，该集群用户进行充电响应的比例在/>和/>之间均匀分布；当放电电价为μ且电动汽车集群平均SOC为s时，该集群用户进行放电响应的比例满足/>和之间的均匀分布。由此求得电动汽车集群j在时段l的实时可充电容量E_j,c,l和可放电容量E_j,d,l为：

式中，表示用户充电响应度上限，/>表示用户充电响应度下限，N_j,l为集群j在l时段所辖的电动汽车数量，P_c,i为第i辆电动汽车的充电功率,/>表示用户放电响应度上限，/>表示用户放电响应度下限，N_j,l为集群j在l时段所辖的电动汽车数量，P_d,i为第i辆电动汽车的放电功率。

S15、根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，以使电网人员根据调度结果对电力资源进行调度。

作为优选的实施例，根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，具体为：

建立区域负荷曲线波动方差函数和充电成本函数后，利用线性加权法将区域负荷曲线波动方差函数和充电成本函数进行转化，得到电动汽车充放电分群调度模型的目标函数和约束条件，其中，区域负荷曲线波动方差函数为：

式中，P_l为l时段的电网总负荷，P为所有时段电网总负荷的平均值；

充电成本函数为：

式中，与/>为集群j的平均充电和放电功率，μ_c,l与μ_d,l分别为时段l的充电价和放电价，δ_j,c,l与δ_j,d,l分别为集群j在时段l的充电状态和放电状态，集群充电时δ_j,c,l＝1，δ_j,d,l＝0，放电时δ_j,c,l＝0，δ_j,d,l＝1；

目标函数为：

ω₁+ω₂＝1

式中，F_1max与F_2max分别为目标函数F₁与F₂的等效最大值，其中F_1max定义为电网基础负荷的方差，F_2max定义为电动汽车在无序充电下的充电成本，P_dis,l为时段l内电动汽车在无序充电场景下的充电总功率，ω₁与ω₂分别为目标函数F₁与F₂的权重系数；

约束条件为：

-E_j,d,l≤tP_j,l≤E_j,c,l

μ_c,min≤μ_c,l≤μ_c,max

μ_d,min≤μ_d,l≤μ_d,max

δ_j,c,lδ_j,d,l＝0

式中，P_j,l为集群j在时段l的充放电功率，t为时段l的时长，μ_c,min、μ_c,maxμ_d,min、μ_d,max分别为充电价的下限与上限，放电价的下限与上限，δ_j,c,l与δ_j,d,l分别为集群j在时段l的充电状态和放电状态，SOC_j,i为属于集群j的电动汽车i的荷电状态，SOC_min为单辆电动汽车SOC最小值，SOC_max为单辆电动汽车SOC最大值；

根据目标函数和约束条件，得到电动汽车充放电分群调度模型后，采用改进粒子群算法对电动汽车充放电分群调度模型进行求解，得到调度结果。

在优选的实施例中，采用改进粒子群算法对电动汽车充放电分群调度模型进行求解，得到调度结果，具体为：

对粒子群进行初始化，设置其中每个粒子的大小、初始位置、初始速度；

根据电动汽车充放电分群调度模型的目标函数计算各个粒子的适应度，找到各粒子的个体最优解与粒子群的群体最优解；利用改进的惯性权重因子和学习因子的速度与位置更新公式对粒子群进行迭代更新，得到更新后的粒子群，并计算更新后的粒子群的适应度，得到更新后的个体最优解与群体最优解，直到达到迭代条件停止迭代更新得到电动汽车充放电分群调度模型的调度结果，其中，速度与位置更新公式为：

式中，i是当前迭代次数，m是总迭代次数，ω_sta和ω_end是惯性权重因子的初始值和终止值，c_1sta和c_1end是c₁的初始值和停止值，c_2sta和c_2end是c₂的初始值和停止值。

在本实施例中，考虑电网与用户双方需求，建立电动汽车充放电分群调度模型，求解模型得到电动汽车的最优调度计划。为了避免大规模电动汽车无序充电造成的“峰上加峰”现象并尽可能保证电动汽车用户的利益，以电网方差最小和用户充电成本最低为目标，各个具有不同可调度能力的电动汽车集群的在各时段的充放电功率与电动汽车充放电价为优化变量，建立控制电动汽车有序充放电分群调度模型。

首先，定义优化调度模型的目标函数。电网总负荷定义为基础负荷与电动汽车负荷的总和。为保障电网安全运行，需要在电动汽车充放电过程中减少电网总负荷的波动，为此建立区域负荷曲线波动方差函数F₁，区域负荷曲线波动方差函数F₁为：

式中，P_l为l时段的电网总负荷，为所有时段电网总负荷的平均值；

基于动态电价，在负荷低谷设定低充电电价，在负荷高峰设定高放电电价，鼓励电动汽车参与电网的削峰填谷以获得收益，以此建立电动汽车用户的充电成本函数F₂为：

式中，与/>为集群j的平均充电和放电功率，μ_c,l与μ_d,l分别为时段l的充电价和放电价，δ_j,c,l与δ_j,d,l分别为集群j在时段l的充电状态和放电状态，集群充电时δ_j,c,l＝1，δ_j,d,l＝0，放电时δ_j,c,l＝0，δ_j,d,l＝1；

为消除数量级的影响，采用线性加权法将多目标优化问题转化为单目标优化问题并归一化，由此得到优化调度模型的目标函数为：

/>

ω₁+ω₂＝1

式中，F_1max与F_2max分别为目标函数F₁与F₂的等效最大值，其中F_1max定义为电网基础负荷的方差，F_2max定义为电动汽车在无序充电下的充电成本，P_dis,l为时段l内电动汽车在无序充电场景下的充电总功率，ω₁与ω₂分别为目标函数F₁与F₂的权重系数；

为了保证优化调度模型的合理性，需要设置约束条件，具体包括：

电动汽车集群充放电功率约束。电动汽车集群每时段的充放电功率受该时段下的用户响应度限制，应小于集群实时可调度容量，即：

-E_j,d,l≤tP_j,l≤E_j,c,l

式中，P_j,l为集群j在时段l的充放电功率，t为时段l的时长；

电动汽车充电电价约束。电动汽车在时段l内的充放电电价应限制在峰谷基础电价范围内，即：

μ_c,min≤μ_c,l≤μ_c,max

μ_d,min≤μ_d,l≤μ_d,max

式中，μ_c,min、μ_c,max、μ_d,min、μ_d,max分别为充电价的下限与上限，放电价的下限与上限；

δ_j,ω,lδ_j,d,l＝0

式中，δ_j,c,l与δ_j,d,l分别为集群j在时段l的充电状态和放电状态；

式中，SOC_j,i为属于集群j的电动汽车i的荷电状态，SOC_min为单辆电动汽车SOC最小值，SOC_max为单辆电动汽车SOC最大值。

由于传统粒子群算法的性能受参数影响较大，其惯性权重因子和学习因子是固定不变的，因此容易陷入局部最优值。为了解决这一问题，本发明引入了一种改进的粒子群算法，该算法采用动态的惯性权重因子和学习因子，大幅提升了算法的寻优能力。采用改进粒子群算法进行模型的求解，得到每时段满足电网与电动汽车用户利益的最优调度计划。本发明使用改进粒子群算法时，每个粒子代表电动汽车有序充放电分群调度模型的一个潜在的可行解，其代入优化模型目标函数后得到的值为个体适应度，每个粒子在优化过程中达到最低适应度值时的位置为个体最优解，整个粒子群在优化过程中达到群体最低适应度值时的位置为群体最优解。算法流程图如图5所示，步骤如下：

首先对粒子群进行初始化，设置其中每个粒子的大小、初始位置、初始速度。其次对每个粒子，计算其在电动汽车调度模型目标函数上的适应度，找到各粒子的个体最优解与粒子群的群体最优解。然后每个粒子通过跟踪它们之前的个体最佳位置和群体最佳位置来调整它们的速度和位置，寻找电动汽车调度模型的最优解，速度与位置的更新公式为：

式中，分别第k+1次迭代中第n个粒子在第d个维度的位置与速度，分别第k次迭代中第n个粒子在第d个维度的位置与速度，/>和/>分别为第n个粒子和所有粒子的在第k次迭代时的全局最佳位置，ω是惯性权重因子，其越小则算法局部搜索能力越强，越大则算法的收敛性能越强，c₁和c₂是学习因子，它们分别反映了粒子的自我学习能力和社会学习能力，r₁和r₂是均匀分布在[0,1]的随机数。在传统粒子群算法中，ω、c₁和c₂均是定值，容易陷入局部最优。改进的粒子群算法将惯性权重因子和学习因子进行改进，进行种群的更新，改进规则为：

式中，i是当前迭代次数，m是总迭代次数，ω_sta和ω_end是惯性权重因子的初始值和终止值，c_1sta和c_1end是c₁的初始值和停止值，c_2sta和c_2end是c₂的初始值和停止值。在迭代初期，较大的ω使算法不至于陷入局部极小值，较大的c₁和较小的c₂使粒子自学习能力较好而社会学习能力较差，有利于全局搜索；在迭代后期，较小的ω和较大的c₁、较小的c₂使粒子自学习能力较差而社会学习能力较好，有利于算法的收敛。

随后计算粒子群中每个粒子的适应度，更新个体最优解与群体最优解，判断是否达到终止条件。若是，则输出搜索到的电动汽车有序充放电分群调度模型最优解；若否，则继续循环，直至达到终止条件。

作为本实施例的一种举例，以96个时段为一个调度周期，以3000辆电动汽车接入的场景为例，通过改进的粒子群算法进行求解，验证本发明在实现电网与电动汽车用户的双赢方面的有效性。图6展示了电网基础负荷、电动汽车无序充电下电网总负荷、采用本发明所提电动汽车分群有序充放电下电网总负荷的负荷曲线对比图。由图可知，本发明解决了无序充电导致电网负荷“峰上加峰”的问题，降低了负载高峰冲击，使负荷曲线更加光滑。表2展现了在电动汽车无序充电调度场景与有序充放电分群调度场景在电网负荷方差与用户充电费用两个指标上的差异。

表2不同电动汽车充电方法下的指标对比表

由图6与表2可知，相较于无序充电场景，本发明所提的有序充放电分群调度方法有效降低了电网负荷方差与用户充电费用，证明其同时满足了电网与用户双方的最大利益，具有良好的应用前景。

本实施例更详细的工作原理和步骤流程可以但不限于参见实施例一的相关记载。

实施例二

相应地，参见图7，图7是本发明提供的一种电动汽车充放电分群调度系统，如图所示，该电动汽车充放电分群调度系统包括：

第一构建模块701，用于根据待调度电动汽车充电时间、放电时间及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标；

合并模块702，用于分别对充电场景下和放电场景下的可调度时间评估指标和性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标；

划分模块703，用于根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到充电场景划分结果，根据放电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到放电划分结果，其中充电场景划分结果和放电划分结果包括多个集群；

电量计算模块704，用于根据待调度电动汽车的实际调度能力建立用户响应度评估模型，利用用户响应度评估模型和充电场景划分结果得到待调度电动汽车的实际充电量，利用用户响应度评估模型和放电场景划分结果得到待调度电动汽车的实际放电量；

调度模块705，用于根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，以使电网人员根据调度结果对电力资源进行调度。

在优选的实施例当中，第一构建模块701包括充电场景指标构建单元7011和放电场景指标构建单元7012，

其中，充电场景指标构建单元7011用于根据待调度电动汽车充电时间和电动汽车设备参数分别构建充电场景下的可调度时间评估指标和性能评估指标，其中，充电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

/>

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

充电场景下的性能评估指标为：

式中，为充电可调度功率影响因子，/>为基础负荷影响因子，SOC_min为电动汽车SOC最小值，l为当前时段，N_l为时段l内电网接入的电动汽车总数量，P_base,l为时段l的基础负荷；

放电场景指标构建单元7012用于根据待调度电动汽车放电时间和电动汽车设备参数分别构建放电场景下的可调度时间评估指标和性能评估指标，其中，放电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

放电场景下的性能评估指标为：

/>

式中，为放电可调度功率影响因子，SOCmax为电动汽车SOC最大值。

上述的一种电动汽车充放电分群调度系统可实施上述方法实施例的一种电动汽车充放电分群调度方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。

综上所述，实施本发明的实施例，具有如下有益效果：

通过本发明通过根据电动汽车充电时间、放电时间及电动汽车设备参数分别构建充放电场景下的可调度时间评估指标和性能评估指标，然后对充放电场景下的可调度时间评估指标和性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标，再根据充电可调度能力评估总指标和电网实际调度需求量对待调度电动汽车进行集群划分，得到充电场景划分结果和放电划分结果后，通过考虑电动汽车的实际调度能力建立用户响应度评估模型，再利用用户响应度评估模型和充放电场景划分结果得到待调度电动汽车的实际充电量和实际放电量，根据实际充电量和实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，本方法通过考虑电动汽车可调度能力和用户响应度，建立电动汽车充放电分群调度模型并进行求解得到调度计划对电动汽车充放电进行调度，降低了电网净负荷峰谷差及调峰难度，提高了电网调度的灵活性与准确性。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，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)

1.一种电动汽车充放电分群调度方法，其特征在于，包括：

根据待调度电动汽车充电时间、放电时间及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标；

分别对所述充电场景下和所述放电场景下的所述可调度时间评估指标和所述性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标；

根据所述充电可调度能力评估总指标和电网实际调度需求量对所述待调度电动汽车进行集群划分，得到充电场景划分结果，根据所述放电可调度能力评估总指标和电网实际调度需求量对所述待调度电动汽车进行集群划分，得到放电划分结果，其中所述充电场景划分结果和所述放电划分结果包括多个集群；

根据所述待调度电动汽车的实际调度能力建立用户响应度评估模型，利用所述用户响应度评估模型和所述充电场景划分结果得到所述待调度电动汽车的实际充电量，利用所述用户响应度评估模型和所述放电场景划分结果得到所述待调度电动汽车的实际放电量；

根据所述实际充电量和所述实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，以使电网人员根据所述调度结果对电力资源进行调度。

2.如权利要求1所述的一种电动汽车充放电分群调度方法，其特征在于，所述根据待调度电动汽车充电时间、放电时间及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标，具体为：

根据待调度电动汽车充电时间和电动汽车设备参数分别构建充电场景下的可调度时间评估指标和性能评估指标，其中，所述充电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

所述充电场景下的性能评估指标为：

式中，为充电可调度功率影响因子，/>为基础负荷影响因子，SOC_min为电动汽车SOC最小值，l为当前时段，N_l为时段l内电网接入的电动汽车总数量，P_base,l为时段l的基础负荷；

根据待调度电动汽车放电时间和电动汽车设备参数分别构建放电场景下的可调度时间评估指标和性能评估指标，其中，所述放电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

所述放电场景下的性能评估指标为：

式中，为放电可调度功率影响因子，SOCmax为电动汽车SOC最大值。

3.如权利要求1所述的一种电动汽车充放电分群调度方法，其特征在于，所述分别对所述充电场景下和所述放电场景下的所述可调度时间评估指标和所述性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标，具体为：

分别将所述充电场景下和所述放电场景下的所述可调度时间评估指标和所述性能评估指标进行标准化，得到各个场景下标准化后的可调度时间评估指标和性能评估指标，其中，标准化公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标下标准化后的指标数据值，为第k辆电动汽车在第i个场景下第j个评估指标下标准化前的指标原始数据值，/>为所有在网电动汽车在第i个场景下第j个评估指标下的指标原始数据值的集合，i＝0代表充电场景，i＝1代表放电场景，j＝0代表可调度时间指标，j＝1代表性能指标；

根据所述各个场景下标准化后的可调度时间评估指标和性能评估指标计算各个场景下所述可调度时间评估指标和所述性能评估指标的信息熵，其中，信息熵计算公式为：

式中，为第k辆电动汽车在第i个场景下第j个评估指标的值在该评估指标列的占比，n为当前在网电动汽车的总数量；

利用所述各个场景下可调度时间评估指标和性能评估指标的信息熵计算出所述各个场景下可调度时间评估指标和性能评估指标的权值，根据所述各个评分指标的权值和各个评估指标进行计算，得到充电可调度能力评估总指标和放电可调度能力评估总指标，其中，所述权值的计算公式为：

式中，表示第k辆电动汽车在第i个场景下第j个评估指标的权值；

所述充电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在充电可调度时间指标、充电性能指标的权值，/>为充电可调度时间指标，/>为充电性能指标；

所述放电可调度能力评估总指标的表达式为：

式中，分别为电动汽车k在放电可调度时间指标和放电性能指标的权值，为放电可调度时间指标，/>为放电性能指标。

4.如权利要求1所述的一种电动汽车充放电分群调度方法，其特征在于，所述根据所述充电可调度能力评估总指标和电网实际调度需求量对所述待调度电动汽车进行集群划分，得到充电场景划分结果，根据所述放电可调度能力评估总指标和电网实际调度需求量对所述待调度电动汽车进行集群划分，得到放电划分结果，具体为：

根据所述充电可调度能力评估总指标计算得到所述待调度电动汽车的充电阈值指数，根据所述放电可调度能力评估总指标计算得到所述待调度电动汽车的放电阈值指数，其中，所述充电阈值指数的计算公式为：

式中，为所有在网电动汽车的充电或放电可调度能力评估总指标的集合；

根据电网实际调度需求量设置阈值指数标准值，并将所述充电阈值指数与所述阈值指数标准值进行对比，得到充电划分结果，将所述放电阈值指数与所述阈值指数标准值进行对比，得到放电划分结果，所述阈值指数标准值为：

式中，ξ₁为划分优先调度池与备用调度池的阈值标准线，当电动汽车k的充电阈值指数或放电阈值指数满足/>时被划为优先调度池，满足/>时划为备用调度池，满足/>时划为不可调度池。

5.如权利要求1所述的一种电动汽车充放电分群调度方法，其特征在于，所述根据所述待调度电动汽车的实际调度能力建立用户响应度评估模型，具体为：

结合根据所述待调度电动汽车的实际调度能力，采用韦伯-费希纳定律建立所述用户响应度评估模型，其中，所述用户响应度评估模型的表达式为：

式中，与/>分别表示充电价和放电价为μ，电动汽车集群j平均SOC为s时的用户充电响应度和放电响应度，k1、k2、k3、k4为用户响应度系数，c1、c2为用户响应度常数。

6.如权利要求1所述的一种电动汽车充放电分群调度方法，其特征在于，所述利用所述用户响应度评估模型和所述充电场景划分结果得到所述待调度电动汽车的实际充电量，利用所述用户响应度评估模型和所述放电场景划分结果得到所述待调度电动汽车的实际放电量，具体为：

结合所述用户响应度评估模型，得到所述充电场景划分结果和所述放电场景划分结果的用户充电响应度上限、用户充电响应度下限、用户放电响应度上限、用户放电响应度上限；

根据所述用户充电响应度上限和所述用户充电响应度下限,得到所述待调度电动汽车的实际充电量，其中，所述待调度电动汽车的实际充电量为：

式中，表示所述用户充电响应度上限，/>表示所述用户充电响应度下限，N_j,l为集群j在l时段所辖的电动汽车数量，P_c,i为第i辆电动汽车的充电功率；

根据所述用户放电响应度上限和所述用户放电响应度下限,得到所述待调度电动汽车的实际放电量，其中，所述待调度电动汽车的实际放电量为：

式中，表示所述用户放电响应度上限，/>表示所述用户放电响应度下限，N_j,l为集群j在l时段所辖的电动汽车数量，P_d,i为第i辆电动汽车的放电功率。

7.如权利要求1所述的一种电动汽车充放电分群调度方法，其特征在于，所述根据所述实际充电量和所述实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，具体为：

建立区域负荷曲线波动方差函数和充电成本函数后，利用线性加权法将所述区域负荷曲线波动方差函数和所述充电成本函数进行转化，得到所述电动汽车充放电分群调度模型的目标函数和约束条件，其中，所述区域负荷曲线波动方差函数为：

式中，P_l为l时段的电网总负荷，为所有时段电网总负荷的平均值；

所述充电成本函数为：

式中，与/>为集群j的平均充电和放电功率，μ_c,l与μ_d,l分别为时段I的充电价和放电价，δ_j,c,l与δ_j,d,l分别为集群j在时段I的充电状态和放电状态，集群充电时δ_j,c,l＝1，δ_j,d,l＝0，放电时δ_j,c,l＝0，δ_j,d,l＝1；

所述目标函数为：

ω₁+ω₂＝1

式中，F_1max与F_2max分别为目标函数F₁与F₂的等效最大值，其中F_1max定义为电网基础负荷的方差，F_2max定义为电动汽车在无序充电下的充电成本，P_dis,l为时段I内电动汽车在无序充电场景下的充电总功率，ω₁与ω₂分别为目标函数F₁与F₂的权重系数；

约束条件为：

-E_j,d,l≤tP_j，l≤E_j，c，l

μ_c,min≤μ_c,l≤μ_c,max

μ_d,min≤μ_d,l≤μ_d,max

δ_j，c，lδ_j，d，l＝0

式中，P_j,l为集群j在时段l的充放电功率，t为时段l的时长，μ_c,min、μ_c,maxμ_d,min、μ_d,max分别为充电价的下限与上限，放电价的下限与上限，δ_j,c,l与δ_j,d,l分别为集群j在时段l的充电状态和放电状态，SOC_j,i为属于集群j的电动汽车i的荷电状态，SOC_min为单辆电动汽车SOC最小值，SOC_max为单辆电动汽车SOC最大值；

根据所述目标函数和所述约束条件，得到所述电动汽车充放电分群调度模型后，采用改进粒子群算法对所述电动汽车充放电分群调度模型进行求解，得到调度结果。

8.如权利要求7所述的一种电动汽车充放电分群调度方法，其特征在于，所述采用改进粒子群算法对所述电动汽车充放电分群调度模型进行求解，得到调度结果，具体为：

对粒子群进行初始化，设置其中每个粒子的大小、初始位置、初始速度；

根据所述电动汽车充放电分群调度模型的目标函数计算各个粒子的适应度，找到各粒子的个体最优解与所述粒子群的群体最优解；利用改进的惯性权重因子和学习因子的速度与位置更新公式对所述粒子群进行迭代更新，得到更新后的粒子群，并计算更新后的粒子群的适应度，得到更新后的个体最优解与群体最优解，直到达到迭代条件停止迭代更新得到所述电动汽车充放电分群调度模型的调度结果，其中，所述速度与位置更新公式为：

式中，i是当前迭代次数，m是总迭代次数，ω_sta和ω_end是惯性权重因子的初始值和终止值，c_1sta和c_1end是c₁的初始值和停止值，c_2sta和c_2end是c₂的初始值和停止值。

9.一种电动汽车充放电分群调度系统，其特征在于，包括：

第一构建模块，用于根据待调度电动汽车充电时间、放电时间及电动汽车设备参数分别构建充电场景下和放电场景下的可调度时间评估指标和性能评估指标；

合并模块，用于分别对所述充电场景下和所述放电场景下的所述可调度时间评估指标和所述性能评估指标进行合并，得到充电可调度能力评估总指标和放电可调度能力评估总指标；

划分模块，用于根据所述充电可调度能力评估总指标和电网实际调度需求量对所述待调度电动汽车进行集群划分，得到充电场景划分结果，根据所述放电可调度能力评估总指标和电网实际调度需求量对所述待调度电动汽车进行集群划分，得到放电划分结果，其中所述充电场景划分结果和所述放电划分结果包括多个集群；

电量计算模块，用于根据所述待调度电动汽车的实际调度能力建立用户响应度评估模型，利用所述用户响应度评估模型和所述充电场景划分结果得到所述待调度电动汽车的实际充电量，利用所述用户响应度评估模型和所述放电场景划分结果得到所述待调度电动汽车的实际放电量；

调度模块，用于根据所述实际充电量和所述实际放电量构建电动汽车充放电分群调度模型，并进行求解，得到调度结果，以使电网人员根据所述调度结果对电力资源进行调度。

10.如权利要求8所述的一种电动汽车充放电分群调度系统，其特征在于，所述第一构建模块包括充电场景指标构建单元和放电场景指标构建单元，

所述充电场景指标构建单元用于根据待调度电动汽车充电时间和电动汽车设备参数分别构建充电场景下的可调度时间评估指标和性能评估指标，其中，所述充电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

所述充电场景下的性能评估指标为：

式中，为充电可调度功率影响因子，/>为基础负荷影响因子，SOC_min为电动汽车SOC最小值，l为当前时段，N_l为时段l内电网接入的电动汽车总数量，P_base,l为时段l的基础负荷；

所述放电场景指标构建单元用于根据待调度电动汽车放电时间和电动汽车设备参数分别构建放电场景下的可调度时间评估指标和性能评估指标，其中，所述放电场景下的可调度时间评估指标为：

式中，T_s,k与T_r,k分别为电动汽车k的停留时长与充电所需时长，定义为：

式中，T为一个调度周期内调度时段的个数，SOC_o,k为电动汽车k的起始SOC值，SOC_s,k为车主设定的目标SOC值，E_k为电动汽车k的电池容量，η为电动汽车的充电效率，P_c,k为电动汽车k的充电功率，t_d,k为电动汽车k的预计离开时间，t_a,k为电动汽车i的到达时间，t_d,k<t_a,k指电动汽车在当日接入次日离开的情况；

所述放电场景下的性能评估指标为：

式中，为放电可调度功率影响因子，SOCmax为电动汽车SOC最大值。