CN105024432A - 一种基于虚拟电价的电动汽车充放电优化调度方法 - Google Patents

Abstract

一种基于虚拟电价的电动汽车充放电优化调度方法，包括：电能公共服务平台预测、采样优化时段内目标区域的基本日负荷信息；当有新的EV接入目标区域内的充电桩时，读取其入网信息；用户输入车辆的充电信息；构建EV充放电功率模型；计算虚拟电价信息，间接反映目标区域的负荷水平；构建以充放电功率为优化变量的调度模型；综合小波分析预处理和模糊聚类方法确定用于用户成本计算的动态分时电价；用户的自主响应决策；根据用户决策对EV实施充放电操作，并上传计划。本发明能够在满足用户充电需求及配电变压器容量限制的基础上，实现EV集群负荷的削峰填谷，并降低用户充放电成本。在EV集群规模较大时，本发明仍能满足电网侧期望。

Description

一种基于虚拟电价的电动汽车充放电优化调度方法

技术领域：

本发明属于电动汽车(EV)与电网互动技术领域，特别涉及一种基于虚拟电价的电动汽车充放电优化调度及其实现方法。

背景技术：

近年来，人们对能源与环境的要求越来越高，化石燃料的储备不足以及全球气候变暖被日益关注，环保观念的提升使人们强烈要求在交通方面减少石油消耗。电动汽车由于其特殊的能源驱动方式，具有良好的节能和低排放潜力，得到广泛的发展。电动汽车可以提高能源利用效率并减少对环境的污染，其普及与推广已成为未来的趋势，各国也采取了积极的政策措施来鼓励电动汽车的发展。

交通***的电气化变革使车辆的能量需求从化石燃料逐渐转移至电力***。但是随着电动汽车的大规模发展，由于车主的充电行为往往比较随机，大量电动汽车接入电网进行充电，势必会对电网结构及运行造成巨大的压力。负荷峰谷差是电力***运行的一项重要安全、经济指标，峰谷差的加剧，会带来电网设备利用效率降低、供电侧购电风险增加等不良后果。大量电动汽车随机接入电网进行无序充电，会进一步加剧***负荷峰谷差，对配网的运行状态带来负面影响。

合理控制接入配电网的电动汽车充放电，可以降低大规模电动汽车充电对电网造成的影响，使其满足配电***稳定性及经济性要求。目前，国内外针对电动汽车有序充放电的研究成果已有很多。非专利文献1提出基于动态分时电价的有序充电策略，在实现充电负荷削峰填谷的同时，也降低了用户充电成本，但未考虑V2G的作用。非专利文献2以用电成本最小为目标建立了分散式电动汽车充放电博弈模型，提高了用电经济性，并调节了***负荷曲线。申请号为201410233619.7的发明专利申请书提出了一种电动汽车集群充放电优化控制方法，为电动汽车参与电网互动提供了切实可行的理论基础。上述研究往往缺乏对充放电功率进行连续可调性的考虑，在优化深度上还存在发展与完善的空间。

引用列表：

[非专利文献1]“基于动态分时电价的电动汽车充电站有序充电策略”，中国电机工程学报，2014，34(22)；

[非专利文献2]“分散式电动汽车入网策略研究”，电工技术学报，2014，29(8)；

[专利文献]“电动汽车集群充放电优化控制方法”，201410233619.7。

发明内容：

本发明要克服现有技术的上述缺点，提供一种基于虚拟电价的电动汽车充放电优化调度方法。

本发明以削峰填谷为目的，兼顾配电***负荷信息与用户电能损失费用及电池损耗成本，提出了一种基于虚拟电价的电动汽车充放电优化调度及其实现方法，使得当大量电动汽车接入电网充电时，实现电动汽车集群负荷的削峰填谷，并降低用户的充放电成本。基于虚拟电价理论建立了以充放电功率为优化变量的电动汽车充放电优化调度模型(CA-vTOS)，综合小波分析和模糊聚类确定了用于电动汽车用户充放电成本计算的动态分时电价。技术方案的具体过程如下：

1)电能公共服务平台预测、采样优化时段内目标区域的基本日负荷信息，具体包括：

S11.预测基本负荷功率曲线：根据已知参数和模型，预测出目标区域的基本日负荷曲线；

S12.优化时段内的连续时间离散化：确定最小优化时段Δt，对优化时段进行离散化分析，依次对步骤S11所得的基本日负荷曲线进行采样，得各k∈[1,J]时段内的负荷预测值L_B(k)；其中J为一日内根据设定的确定划分的优化时段数；

2)当有新的电动汽车l接入目标区域内的充电桩时，读取车辆l的入网信息，包括入网时间T_in,l、动力电池容量C_s,l和初始荷电状态(State of Charge，SOC)S_0,l等；

3)用户输入车辆l的充电信息：预期离网时间T_out,l，期望荷电状态S_E,l；结合所述读取信息和所述用户输入信息判断能否满足用户的充电需求，如果不能，则通过用户交互界面告知用户输入不正确，提示用户重新输入预期离网时间或期望SOC信息，若用户接受提示，并输入可实施、正确的充电信息，则进行步骤4)～步骤10)的操作，否则，放弃该用户，执行步骤2)；

4)构建电动汽车的充放电功率模型：P_l(k)＝p_l(k)f_m,l(k)；

式中，P_l(k)表示车辆l的充放电功率；p_l(k)表示车辆l与***在k时段的功率交换，p_l(k)>0表示车辆l处于充电状态；p_l(k)<0表示处于放电状态；p_l(k)＝0表示处于浮充状态；f_m,l(k)用于表征各时段对车辆电池的可操作性，表达式为：

其中，T_m,l为车辆l接入电网的持续时间T_pe,l＝T_out,l-T_in,l所包含的时段集合；

假设参与调度的电动汽车动力电池均为锂电池，根据锂电池的充放电相关特性，在单个时段内，锂电可视为是恒功率充放电，其荷电状态和对应的充放电时间的关系表征为：

S_l(k)＝S_l(k-1)+P_l(k)η(P_l(k))Δt/C_s,l   (2)

式中，S_l(k-1)、S_l(k)分别表示车辆l在第k-1、k个时段的SOC；η(P_l(k))表示功率交换效率，具体与功率交换方向有关：

$\mathrm{\&eta;}\left(P_l\right(k\left)\right)=\left\{\begin{array}{cc}{\mathrm{\&eta;}}_c,& P_l\left(k\right)\&GreaterEqual;0,\\ 1/{\mathrm{\&eta;}}_d,& P_l\left(k\right)<0.\end{array}\right.---\left(3\right)$

其中，η_c、η_d分别表示充、放电效率；

5)从电能公共服务平台读入车辆l接入时刻目标区域的总负荷信息

其中，表示车辆l接入时，k时段目标区域的配网总负荷信息；表示电动汽车集群负荷：其中，M_l-1表示车辆l接入电网时，已完成充电计划制定的车辆集合；该计算过程由电能公共服务平台完成；

6)计算虚拟电价信息，间接反映目标区域的负荷水平：

式中，表示车辆l接入时，k时段的虚拟电价；和表示虚拟电价调整系数；I_R,j、φ_R,j分别表示参考电价和参考负荷值；[u]⁺表示max{0,u}；表示预测总负荷，其中表示基本负荷预测值；

7)建立电动汽车充放电优化调度模型；

结合以上步骤，以最小化虚拟充放电成本为目标，建立电动汽车充放电优化调度模型来优化电动汽车的充放电功率，所建模型如下：

$\min V_l=\underset{k\&Element;T_{m,l}}{\&Sigma;}\left\{P_l\left(k\right){\mathrm{\&gamma;}}_l\left(L_a^l\right(k),k)\mathrm{\&Delta;}t\right\}---\left(6\right)$

s.t.S_min≤S_l(k)≤S_max   (7)

-P_d≤P_l(k)≤P_c   (8)

$S_{0,l}+\underset{k\&Element;T_{m,l}}{\&Sigma;}\mathrm{\&Delta;}t\frac{P_l\left(k\right)}{C_{s,l}}\&GreaterEqual;S_{E,l}---\left(9\right)$

$L_a^l\left(k\right)\&le;{\mathrm{\&kappa;}}_T{A}_T,\widehat{L_a^l\left(k\right)}\&le;{\mathrm{\&kappa;}}_T{A}_T---\left(10\right)$

k＝1,2,…,J.

T_pe,l>T_c,l l＝1,2,…,n   (11)

式(6)中，V_l表示车辆l的虚拟充放电成本；N_l表示T_m,l集合的长度；式(7)中，S_max、S_min表示允许的SOC的最大值和最小值，防止受控车辆过充电及过放电；式(8)表示充放电功率约束，P_l(k)具备连续可调的特性，但通常要受到动力电池或充电机的额定充、放电功率限制；式(9)表示充电需求约束，车辆如约离开时，其电池的SOC需满足期望；式(10)表示变压器最大负载约束，κ_T为变压器效率，A_T为变压器的额定容量；式(11)表示时间关系约束，n为优化时段内的接入车辆规模，T_c,l为充电至期望SOC所需的最短时间：T_c,l＝(S_E,l-S_0,l)C_s,l/P_cη_c；

求解上述优化调度模型，完成当前接入车辆充放电功率的优化，此时，车辆l的充放电调度计划为： $P_l=\left(P_l\right(T_{m,l}^1),P_l\left(T_{m,l}^2\right),...,P_l\left(T_{m,l}^{N_l}\right)),$ 其中， $T_{m,l}^i(i=1,2,...,N_l)$ 表示集合T_m,l中的第i个元素；

8)电动汽车用户成本计算：U_l＝(c_cd,l|η_c＝η_d＝1)+c_bat,l+c_loss,l；

式中，U_l表示用户成本；c_bat,l表示车辆l的锂电池寿命损耗折算成本；c_loss,l表示电能损失费用；c_cd,l|η_c＝η_d＝1，表示不考虑充、放电效率条件下的理想充放电费用：式中pri(k)表示电价信息，本发明中，其是一种动态分时电价，即高峰、低谷电价固定，峰谷时段变化的电价，其中，高峰、低谷电价分别表示为pri^h、pri^l；利用小波分析和模糊聚类方法实现对分时电价峰谷时段的划分：

S81.预处理：将负荷信息进行尺度为3的小波分解，将一、二层的高频分量置零，重构后得到新的负荷信息

S82.属性表征：采用偏大型和偏小型半梯形模糊分布对重构后的负荷信息进行属性表征，形成属性矩阵A(a)_J×2，计算方法为：

$\left\{\begin{array}{c}{a}_{k1}=\frac{\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)-L_a^{l*}\left(k\right)}{\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)-\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)}\\ a_{k2}=\frac{L_a^{l*}\left(k\right)-\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)}{\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)-\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)}\end{array}\right.---\left(12\right)$

S83.对矩阵A进行平移—标准差变换，用绝对值减数法建立模糊相似矩阵R(r)_J×J；

S84.对相似矩阵求连续二次方，即R→R²→R⁴→…→R²ⁱ→…，直到出现R^kοR^k＝R^k(ο表示模糊矩阵合成运算)，此时，R^k即为该相似矩阵的传递闭包t(R)；

S85.在传递闭包t(R)＝(t_ij)中，令λ为t_ij中的某一取值，求取t(R)的λ—截矩阵R_ij，接着，λ由大到小取值就可形成动态聚类，取适当的λ值，确定出峰谷时段划分方案；

9)电动汽车用户的自主响应决策；

利用步骤7)所述的优化模型得到的电动汽车充放电功率和步骤8)得到的动态分时电价确定用户的充放电成本，并将充放电调度计划与对应的收益情况告知用户，由用户自主响应充电模式，选择响应调度计划或开始无序充电；

10)根据用户决策对电动汽车实施充放电操作，并上传计划；

若用户选择开始无序充电，充电设施为接入的电动汽车提供持续的恒功率充电服务，直到满足用户的充电需求或车辆离开为止；若用户选择响应调度，则根据调度计划P_l对电动汽车实施具体充放电操作，据此，便确定了车辆l的充放电计划；将该充放电计划上传至电能公共服务平台，由电能公共服务平台对计划负荷予以整合，完成一次对所述目标区域负荷信息的实时更新，并等待下一辆电动汽车入网；若有新的车辆接入，则跳至步骤2)；此过程将持续执行至优化时段结束。

本发明的有益效果至少包含如下几个方面：

(1)能够在满足用户充电需求及配电变压器容量限制的基础上，实现电动汽车集群负荷的削峰填谷，并降低用户的充放电成本，易于被电动汽车用户接受。

(2)在电动汽车集群规模较大时仍可在连接电网时段平滑负荷曲线，避免出现峰谷奇异现象，且此时用户收益会相应降低，符合电网侧期望。

(3)通过发挥电动汽车集群的负荷转移潜力，实现了***的优化用电；同时所提的用于电动汽车充放电的动态分时电价，能够匹配优化得到的充放电功率、给予参与调度的电动汽车用户一定的利益激励，为所建模型提供了一种实现方法，有利于实现电力供需和用户经济效益的双向均衡。

附图说明：

图1为本发明的电动汽车充放电优化调度架构图；

图2为本发明的基于虚拟电价的电动汽车充放电优化调度流程图；

图3为本发明的无序和CA-vTOS充放电优化模式下的负荷曲线；

图4为本发明的无序与CA-vTOS充放电优化模式下的用户成本对比曲线图；

图5为本发明的不同电动汽车规模下无序与CA-vTOS充放电优化模式的负荷曲线对比图。

具体实施方式：

下面结合附图对本发明做进一步描述，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。本发明构建的电动汽车充放电优化调度架构如附图1所示，包括如下步骤：

1)电能公共服务平台预测、采样优化时段内目标区域的基本日负荷信息，具体包括：

S11.预测基本负荷功率曲线：根据已知参数和模型，预测出目标区域的基本日负荷曲线；

S12.优化时段内的连续时间离散化：确定最小优化时段Δt，对优化时段进行离散化分析，依次对步骤S11所得的基本日负荷曲线进行采样，得各k∈[1,J]时段内的负荷预测值L_B(k)；其中J为一日内根据设定的确定划分的优化时段数；

2)当有新的电动汽车l接入目标区域内的充电桩时，读取车辆l的入网信息，包括入网时间T_in,l、动力电池容量C_s,l和初始荷电状态S_0,l等；

3)用户输入车辆l的充电信息：预期离网时间T_out,l，期望荷电状态S_E,l；结合所述读取信息和所述用户输入信息判断能否满足用户的充电需求，如果不能，则通过用户交互界面告知用户输入不正确，提示用户重新输入预期离网时间或期望SOC信息，若用户接受提示，并输入可实施、正确的充电信息，则进行步骤4)～步骤10)的操作，否则，放弃该用户，执行步骤2)；

4)构建电动汽车的充放电功率模型：P_l(k)＝p_l(k)f_m,l(k)；

假设参与调度的电动汽车动力电池均为锂电池，根据锂电池的充放电相关特性，在单个时段内，锂电可视为是恒功率充放电，其荷电状态和对应的充放电时间的关系表征如式(2)所示；

5)从电能公共服务平台读入车辆l接入时刻目标区域的总负荷信息

6)计算虚拟电价信息，间接反映目标区域的负荷水平，虚拟电价与负荷的关系如式(4)～(5)所示：

7)建立电动汽车充放电优化调度模型，如式(6)～(11)所示；

求解上述优化调度模型，完成当前接入车辆充放电功率的优化，此时，车辆l的充放电调度计划为： $P_l=\left(P_l\right(T_{m,l}^1),P_l\left(T_{m,l}^2\right),...,P_l\left(T_{m,l}^{N_l}\right)),$ 其中， $T_{m,l}^i(i=1,2,...,N_l)$ 表示集合T_m,l中的第i个元素；

8)电动汽车用户成本计算：U_l＝(c_cd,l|η_c＝η_d＝1)+c_bat,l+c_loss,l；

9)电动汽车用户的自主响应决策；

利用步骤7)所述的优化模型得到的电动汽车充放电功率和步骤8)得到的动态分时电价确定用户的充放电成本，并将充放电调度计划与对应的收益情况告知用户，由用户自主响应充电模式，选择响应调度计划或开始无序充电；

10)根据用户决策对电动汽车实施充放电操作，并上传计划；

若用户选择开始无序充电，充电设施为接入的电动汽车提供持续的恒功率充电服务，直到满足用户的充电需求或车辆离开为止；若用户选择响应调度，则根据调度计划P_l对电动汽车实施具体充放电操作，据此，便确定了车辆l的充放电计划；将该充放电计划上传至电能公共服务平台，由电能公共服务平台对计划负荷予以整合，完成一次对所述目标区域负荷信息的实时更新，并等待下一辆电动汽车入网；若有新的车辆接入，则跳至步骤2)；此过程将持续执行至优化时段结束。

本发明的步骤1)由电能公共服务平台负责完成；步骤2)～10)在目标区域中的各充电桩中执行，具体过程如附图2所示。

在本实施例中，以一包含居民区充电设施集群的配电网为目标研究区域。接入变压器容量为750kVA，效率为0.95，该变压器下带有基本负荷和电动汽车集群负荷，最高基线负荷占配电变压器最大负载的80％。设该配网服务的电动汽车数量为50辆，电动汽车的动力电池容量为60kW·h，额定充、放电功率均为7kW，充、放电效率均为0.92，电池SOC边界(S_max、S_min)为0.9和0.1。根据该居民区基本负荷信息的特征，为-0.21；I_R,1、I_R,2分别取低谷电价和高峰电价，分别设为0.37425元/(kW·h)、1.5096元/(kW·h)；φ_R,1取低谷负荷均值405.1019、φ_R,2取高峰、低谷负荷均值之差75.7441。用户选择响应充放电调度的概率为1，设用户离开时期望的SOC均为0.9，设计算时间长度为24h，时间间隔Δt为0.5h。选取λ为0.9。

设电动汽车用户早上离开住所时间点服从正态分布(期望值为7:45，标准差为1h)；下午回到住所的时间点服从正态分布(期望值为19:00，标准差为1.5h)；回到住所时，车辆动力电池SOC服从正态分布(期望值为0.6，标准差为0.1)，并设EV的充放电起止时间、起始SOC等参数相互独立。

为了更好的体现本发明的控制效果，仿真对比于无序充电模式。无序与CA-vTOS充放电优化模式下负荷曲线如附图3所示，各电动汽车用户的成本对比如附图4所示。

表1无序与CA-vTOS优化效果统计信息

表1为无序与CA-vTOS优化效果统计信息。结合表1、附图3及附图4可知，无序充电模式下，大量电动汽车集中在负荷晚高峰时段充电，进一步加剧了***峰谷差，最大负荷超过变压器容量限制的10.55％，影响到配网的安全可靠运行。CA-vTOS充放电优化模式中，车辆在虚拟电价高峰时放电，低谷时充电，对***负荷起到削峰填谷作用，相比于无序充电，峰谷差、负荷波动率均有所降低，由于CA-vTOS充放电优化模式可以灵活的调节充放电功率，因此在改善负荷波动方面具有更大的优势。

为了体现不同电动汽车集群规模下本发明相比于无序充电模式的优越性，本实施例仿真得到了不同电动汽车集群规模下，CA-vTOS充放电优化模式与无序充电模式的负荷曲线对比图，如附图5所示；以及不同规模下CA-vTOS模式的负荷曲线统计信息，如表2所示。

表2不同规模下CA-vTOS模式的统计信息

由附图5及表2可知，随着充电能量渗透率的增大，负荷波动标准差会增大，说明接入的电动汽车规模较大，已超过该配网的最佳接入规模，但在车辆的主要停放时段(16:00至次日8:00之间)，优化后的负荷曲线依然很平滑，并不会出现“峰谷颠倒”现象，突出了CA-vTOS的优越性。

如上所述，便可较好地实现本发明，上述实施例仅为本发明的典型实施例，并非用来限定本发明的实施范围，在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (1)

1.一种基于虚拟电价的电动汽车充放电优化调度方法，每台充电桩的充电功率额定值为P_c，放电功率额定值为P_d，包括如下步骤：

1)电能公共服务平台预测、采样优化时段内目标区域的基本日负荷信息，具体包括：

S11.预测基本负荷功率曲线：根据已知参数和模型，预测出目标区域的基本日负荷曲线；

S12.优化时段内的连续时间离散化：确定最小优化时段Δt，对优化时段进行离散化分析，依次对步骤S11所得的基本日负荷曲线进行采样，得各k∈[1,J]时段内的负荷预测值L_B(k)；其中J为一日内根据设定的确定划分的优化时段数；

2)当有新的电动汽车l接入目标区域内的充电桩时，读取车辆l的入网信息，包括入网时间T_in,l、动力电池容量C_s,l和初始荷电状态(State of Charge，SOC)S_0,l等；

3)用户输入车辆l的充电信息：预期离网时间T_out,l，期望荷电状态S_E,l；结合所述读取信息和所述用户输入信息判断能否满足用户的充电需求，如果不能，则通过用户交互界面告知用户输入不正确，提示用户重新输入预期离网时间或期望SOC信息，若用户接受提示，并输入可实施、正确的充电信息，则进行步骤4)～步骤10)的操作，否则，放弃该用户，执行步骤2)；

4)构建电动汽车的充放电功率模型：P_l(k)＝p_l(k)f_m,l(k)；

式中，P_l(k)表示车辆l的充放电功率；p_l(k)表示车辆l与***在k时段的功率交换，p_l(k)>0表示车辆l处于充电状态；p_l(k)<0表示处于放电状态；p_l(k)＝0表示处于浮充状态；f_m,l(k)用于表征各时段对车辆电池的可操作性，表达式为：

其中，T_m,l为车辆l接入电网的持续时间T_pe,l＝T_out,l-T_in,l所包含的时段集合；

假设参与调度的电动汽车动力电池均为锂电池，根据锂电池的充放电相关特性，在单个时段内，锂电可视为是恒功率充放电，其荷电状态和对应的充放电时间的关系表征为：

S_l(k)＝S_l(k-1)+P_l(k)η(P_l(k))Δt/C_s,l   (2)

式中，S_l(k-1)、S_l(k)分别表示车辆l在第k-1、k个时段的SOC；η(P_l(k))表示功率交换效率，具体与功率交换方向有关：

$\mathrm{\&eta;}\left(P_l\right(k\left)\right)=\left\{\begin{array}{cc}{\mathrm{\&eta;}}_c,& P_l\left(k\right)\&GreaterEqual;0,\\ 1/{\mathrm{\&eta;}}_d,& P_l\left(k\right)<0.\end{array}\right.---\left(3\right)$

其中，η_c、η_d分别表示充、放电效率；

5)从电能公共服务平台读入车辆l接入时刻目标区域的总负荷信息

其中，表示车辆l接入时，k时段目标区域的配网总负荷信息；表示电动汽车集群负荷：其中，M_l-1表示车辆l接入电网时，已完成充电计划制定的车辆集合；该计算过程由电能公共服务平台完成；

6)计算虚拟电价信息，间接反映目标区域的负荷水平：

式中，表示车辆l接入时，k时段的虚拟电价；和表示虚拟电价调整系数；I_R,j、φ_R,j分别表示参考电价和参考负荷值；[u]⁺表示max{0,u}；表示预测总负荷，其中表示基本负荷预测值；

7)建立电动汽车充放电优化调度模型；

结合以上步骤，以最小化虚拟充放电成本为目标，建立电动汽车充放电优化调度模型来优化电动汽车的充放电功率，所建模型如下：

$\min V_l=\underset{k\&Element;T_{m,l}}{\mathrm{\&Sigma;}}\left\{P_l\left(k\right){\mathrm{\&gamma;}}_l(L_a^l\left(k\right),k)\mathrm{\&Delta;t}\right\}---\left(6\right)$

s.t. S_min≤S_l(k)≤S_max   (7)

-P_d≤P_l(k)≤P_c   (8)

$S_{0,l}+\underset{k\&Element;T_{m,l}}{\&Sigma;}\mathrm{\&Delta;}t\frac{P_l\left(k\right)}{C_{s,l}}\&GreaterEqual;S_{E,l}---\left(9\right)$

$L_a^l\left(k\right)\&le;{\mathrm{\&kappa;}}_T{A}_T,\widehat{L_a^l\left(k\right)}\&le;{\mathrm{\&kappa;}}_T{A}_T---\left(10\right)$

k＝1,2,…,J.

T_pe,l>T_c,l l＝1,2,…,n   (11)

式(6)中，V_l表示车辆l的虚拟充放电成本；N_l表示T_m,l集合的长度；式(7)中，S_max、S_min表示允许的SOC的最大值和最小值，防止受控车辆过充电及过放电；式(8)表示充放电功率约束，P_l(k)具备连续可调的特性，但通常要受到动力电池或充电机的额定充、放电功率限制；式(9)表示充电需求约束，车辆如约离开时，其电池的SOC需满足期望；式(10)表示变压器最大负载约束，κ_T为变压器效率，A_T为变压器的额定容量；式(11)表示时间关系约束，n为优化时段内的接入车辆规模，T_c,l为充电至期望SOC所需的最短时间：T_c,l＝(S_E,l-S_0,l)C_s,l/P_cη_c；

求解上述优化调度模型，完成当前接入车辆充放电功率的优化，此时，车辆l的充放电调度计划为： $P_l=\left(P_l\right(T_{m,l}^1),P_l\left(T_{m,l}^2\right),...,P_l\left(T_{m,l}^{N_l}\right)),$ 其中， $T_{m,l}^i(i=1,2,...,N_l)$ 表示集合T_m,l中的第i个元素；

8)电动汽车用户成本计算：U_l＝(c_cd,l|η_c＝η_d＝1)+c_bat,l+c_loss,l；

式中，U_l表示用户成本；c_bat,l表示车辆l的锂电池寿命损耗折算成本；c_loss,l表示电能损失费用；c_cd,l|η_c＝η_d＝1，表示不考虑充、放电效率条件下的理想充放电费用：式中pri(k)表示电价信息，本发明中，其是一种动态分时电价，即高峰、低谷电价固定，峰谷时段变化的电价，其中，高峰、低谷电价分别表示为pri^h、pri^l；利用小波分析和模糊聚类方法实现对分时电价峰谷时段的划分：

S81.预处理：将负荷信息进行尺度为3的小波分解，将一、二层的高频分量置零，重构后得到新的负荷信息

S82.属性表征：采用偏大型和偏小型半梯形模糊分布对重构后的负荷信息进行属性表征，形成属性矩阵A(a)_J×2，计算方法为：

$\left\{\begin{array}{c}{a}_{k1}=\frac{\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)-L_a^{l*}\left(k\right)}{\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)-\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)}\\ a_{k2}=\frac{L_a^{l*}\left(k\right)-\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)}{\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)-\underset{1\&le;k\&le;J}{\max }\left(L_a^{l*}\right(k\left)\right)}\end{array}\right.---\left(12\right)$

S83.对矩阵A进行平移—标准差变换，用绝对值减数法建立模糊相似矩阵R(r)_J×J；

S84.对相似矩阵求连续二次方，即R→R²→R⁴→…→R²ⁱ→…，直到出现(表示模糊矩阵合成运算)，此时，R^k即为该相似矩阵的传递闭包t(R)；

S85.在传递闭包t(R)＝(t_ij)中，令λ为t_ij中的某一取值，求取t(R)的λ—截矩阵R_ij，接着，λ由大到小取值就可形成动态聚类，取适当的λ值，确定出峰谷时段划分方案；

9)电动汽车用户的自主响应决策；

利用步骤7)所述的优化模型得到的电动汽车充放电功率和步骤8)得到的动态分时电价确定用户的充放电成本，并将充放电调度计划与对应的收益情况告知用户，由用户自主响应充电模式，选择响应调度计划或开始无序充电；

10)根据用户决策对电动汽车实施充放电操作，并上传计划；

若用户选择开始无序充电，充电设施为接入的EV提供持续的恒功率充电服务，直到满足用户的充电需求或车辆离开为止；若用户选择响应调度，则根据调度计划P_l对电动汽车实施具体充放电操作，据此，便确定了车辆l的充放电计划；将该充放电计划上传至电能公共服务平台，由电能公共服务平台对计划负荷予以整合，完成一次对所述目标区域负荷信息的实时更新，并等待下一辆电动汽车入网；若有新的车辆接入，则跳至步骤2)；此过程将持续执行至优化时段结束。