CN106786977B - 一种电动汽车充电站的充电调度方法 - Google Patents

Abstract

本发明提供一种电动汽车充电站的充电调度方法，包括：基于所述有功网损和匹配度，获得第一充电调度模型，遍历当前时刻所有可能的充电行为，将使所述第一充电调度模型值最小的充电行为，作为当前时刻的充电策略。本发明在使电动汽车充电与新能源出力实现最大匹配的同时，两者所在配电网区域的网络损耗也可以维持在一个相对较低的范围，既充分利用了不稳定的新能源，同时对降低配电网***的网损也起到了积极的作用。

Description

一种电动汽车充电站的充电调度方法

技术领域

本发明涉及电动汽车充电领域，更具体地，涉及电动汽车充电站的充电调度方法。

背景技术

近年来，由于化石能源资源有限，且污染较大，使得新能源受到广泛关注。新能源由于其污染小、资源不受限等优点，成为目前较好和有潜力的一种发电方式。但其由于受天气影响而普遍存在的随机性使其对电网的可靠运行产生了不可忽视的影响。以风能发电为例，风能的大小受时间段的影响很大，可能在电网高负荷时出现低出力，也可能在电网低负荷时出现高出力。这种随机性导致其具有反调峰性。由于我国目前电网的调度方式以确定性调度为主，导致我国目前的弃风现象比较严重。据统计，2015年上半年我国风电弃风电量达到175亿kWh[1]。同时，电动汽车由于其消耗电能无尾气排放等优点得到迅速发展，越来越多的集成到电网充电获得电能。截至2014年底，全国共建成充换电站780座，交直流充电桩3.1万个，为超过12万辆电动汽车提供充换电服务。到2020年，有望建成满足超过500万辆电动汽车充电需求的充电基础设施体系[2]。因此，综合协调新能源发电与电动汽车电能转换，充分利用风电出力、抵消供需两侧随机性，成为未来电网绿色发展的一个方向。

目前的研究工作主要集于研究电动汽车的负荷聚集效应，对于汽车的个体充电行为还没有进行有效的研究。随着充电设施的日益普及，对单个汽车的优化充电策略亟需研究。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的电动汽车充电站的充电调度方法。

根据本发明的一个方面，提供一种电动汽车充电站的充电调度方法，包括：

S1、基于初始时刻的新能源发电站的有功发电功率和每个电动汽车的充电行为对应的充电量以及剩余充电时间，对充电站和新能源发电站所在的配电网区域进行潮流分析，获得配电网区域的有功网损；

S2、基于当前时刻的所述新能源发电站的有功发电功率以及所有所述充电行为的总充电功率，获得充电功率和有功发电功率的匹配度；以及

S3、基于所述有功网损和匹配度，获得第一充电调度模型，遍历当前时刻所有可能的充电行为，将使所述第一充电调度模型值最小的充电行为，作为当前时刻的充电策略。

本申请提出一种电动汽车充电站的充电调度方法，通过建立电动汽车负载与新能源出力之间的匹配度以及配电网***的网络损耗的充电调度模型，在使电动汽车充电与新能源出力实现最大匹配的同时，两者所在配电网区域的网络损耗也可以维持在一个相对较低的范围，既充分利用了不稳定的新能源，同时对降低配电网***的网损也起到了积极的作用，保证了每一时段的充电策略在多时间尺度下的最优性。

附图说明

图1为根据本发明实施例的一种电动汽车充电站的充电调度方法的流程图；

图2为根据本发明实施例的优化调度流程图；

图3为根据本发明实施例的IEEE 5节点配电网的结构示意图；

图4为根据本发明实施例的基本策略下的24小时内电动汽车充电序列示意图；

图5为根据本发明实施例的基本策略下24小时内电动汽车充电所需功率与风力发电站发出功率的变化曲线图；

图6为根据本发明实施例的只考虑网损最小的24小时内电动汽车优化充电序列示意图；

图7为根据本发明实施例的只考虑网损最小的24小时内电动汽车充电所需功率与风力发电站发出功率的变化曲线图；

图8为根据本发明实施例的只考虑匹配度最大的24小时内电动汽车优化充电序列示意图；

图9为根据本发明实施例的只考虑匹配度最大的24小时内电动汽车充电所需功率与风力发电站发出功率的变化曲线图；

图10为根据本发明实施例的IEEE30节点配电网***中接入风力发电站和电动汽车充电站的配电网络接线图；

图11为根据本发明实施例的IEEE 30节点不同控制策略下电动汽车充电功率变化曲线图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1示出了本发明实施例的一种电动汽车充电站的充电调度方法的流程图，包括：

S1、基于初始时刻的新能源发电站的有功发电功率和每个电动汽车的充电行为对应的充电量以及剩余充电时间，对充电站和新能源发电站所在的配电网区域进行潮流分析，获得配电网区域的有功网损；

S2、基于当前时刻的所述新能源发电站的有功发电功率以及所有所述充电行为的总充电功率，获得充电功率和有功发电功率的匹配度；以及

S3、基于所述有功网损和匹配度，获得第一充电调度模型，遍历当前时刻所有可能的充电行为，将使所述第一充电调度模型值最小的充电行为，作为当前时刻的充电策略。

本发明提出一种电动汽车充电站的充电调度方法，通过建立电动汽车负载与风电出力之间的匹配度以及配电网***的网络损耗的充电调度模型，在使电动汽车充电与新能源出力实现最大匹配的同时，两者所在配电网区域的网络损耗也可以维持在一个相对较低的范围，既充分利用了不稳定的新能源，同时对降低配电网***的网损也起到了积极的作用。

本发明中的新能源包括但不限于风能、水能或者太阳能，出于理解难度的考虑，以下实施例均以风力发电站进行描述。

电动汽车充电调度事件是一个离散随机***，且该***未来的状态只与当前时刻状态和决策者的动作有关，而与当前时刻之前的状态和行为无关，即无后效性。因此本发明将利用马尔科夫决策过程构建电动汽车充电调度模型。

首先将***状态空间定义为S_t＝[W_t,Y_t ^k]，其中t＝1,2,…,T，k＝1,2,…,N，N表示配电网区域内电动汽车的数量，W_t表示风力发电站在t时刻产生的有功发电功率，Y_t ^k表示第k辆电动汽车在t时段的电动汽车停车事件。该停车事件Y_t ^k可由两个状态变量和表示，分别表示第k辆电动汽车在t时段的剩余充电时间和所需电能。

其次，将***的行为空间定义为该行为表示电动汽车在t时刻的充电行为。当时表示第k辆电动汽车在t时刻被安排充电，否则当前电动汽车大多采用恒功率充电方式，且恒功率充电可延长电池寿命，因此本发明中所有电动汽车均为恒功率充电。第k辆电动汽车在t时刻的充电电能表示为：其中p表示电动汽车的充电功率，Δt表示时间间隔。

基于上述***状态空间和行为空间的描述，当前时刻的电动汽车充电事件和下一时刻电动汽车的充电事件具有如下关系：

上式表示电动汽车处于停车状态、t时刻处于行驶状态而t+1时刻处于停车状态、处于行驶状态三种情形下电动汽车的剩余充电时间L和所需电能E的状态转移方程。

其中， 和满足：

式3中，和分别表示第k辆电动汽车在t时刻处于行驶状态而在t+1时刻处于停车状态时，在t+1时刻的剩余充电时间和所需电能。表示第k辆电动汽车在t时刻处于停车状态，反之 和的变化范围由式3确定，其中g₁表示从停车时刻起到停车结束所需要的Δt的数量，g₂表示从停车时刻起到电动汽车完成充电过程所需要的最少Δt的数量。

为了最大限度地利用风能，减少弃风现象，本发明首先考虑了t时刻电动汽车充电功率与风力发电站发出功率之间的匹配问题，这里用匹配度来衡量匹配效果。匹配度越高，表明t时刻电动汽车充电所需电量能够更多地由风力发电站来提供，定义如下：

其中表示t时刻配电网区域内所有电动汽车的总充电功率，其定义如下：

本发明考虑的风力发电站是并网运行的，因此考虑配电网的输电成本是有必要的，这里用配电网区域内的有功网损来衡量，用P_t ^loss表示，定义如下：

其中，P_t ⁱ和分别表示t时刻节点i的有功功率和无功功率，U_i表示t时刻节点i的电压，R_ij表示节点i和j之间线路的电阻，X表示节点总数。节点的概念，是电力***里最基本的概念，所谓节点，不会考虑具体这个节点里有多少负荷。只考虑这个节点上，进来多少功率，出去多少功率。

在一个实施例中，本发明提供的第一充电调度模型的表达式为：

其中，C_t表示t时刻的第一充电调度模型；λ为表示调度参数，取值介于0至1之间，P_t ^loss和M_t为模型中的两个优化目标。

基于第一充电调度模型可以根据当前时刻电动汽车的状态来确定这一时段电动汽车的充电策略，但是该策略并没有考虑所制定充电策略对未来电动汽车充电行为的影响。一方面，风力发电具有随机性，在建立调度目标时需考虑风电的随机性；另一方面，仅考虑当前时刻的充电行为可能会导致电动汽车缺乏全时间段的协调优化，造成未来可能的线路过载等问题，从而在连续时间段内来看每一时段的充电策略并非是最优的。

在一个实施例中，配电网的安全运行不可避免需要对电力的使用环境进行多项约束，本发明需要在满足以下5种约束条件下才能保证充电策略的安全：

(1)电动汽车充电功率的约束：

为了保证t时段第k辆电动汽车所需充电能量不超过电池本身的最大容量值，因此有：

其中，E_cap表示电动汽车的电池容量。

此外，t时段第k辆电动汽车的所需充电能量不得超过其在停车时间内所能接入的最大充电电量，做定义如下：

(2)火电厂发电功率的约束：

在本模型中，t时刻火力发电厂发出的电能用于当风力发电站所产生的风能不足以满足负荷用电需求时向负荷提供电能，用P_t ^G表示。其满足的约束条件为：

其中，和分别表示火力发电厂的有功发电功率的最大值和最小值，和分别表示火力发电厂的无功发电功率的最大值和最小值。

(3)潮流等式约束：

其中，P_t ^Gi和分别表示t时刻节点i注入的火力发电机的有功功率和无功功率；P_t ^Wi和分别表示t时刻节点i注入的风力发电机的有功功率和无功功率；P_t ^Li和分别表示配电***中t时刻节点i的有功负荷功率和无功负荷功率，V_t ⁱ和V_t ^j分别表示t时刻节点i和节点j的电压，表示t时刻节点i和j之间的相角差，G_ij和B_ij分别表示节点导纳矩阵第i行第j列元素的实部和虚部。

(4)节点电压约束：

其中，和分别为配电***中节点i电压幅值的上下限。

(5)有功潮流约束:

其中，P_t ^l表示配电***中t时刻线路l的有功潮流，和分别表示线路l的有功潮流的上下限值。

由于潮流计算是电力***稳定运行所必须的，这个计算是在满足约束中的2，3，4，5的情况下进行的，计算可得出当这些电动汽车接入电网充电时，线路上流过的潮流是否满足约束5，各节点电压是否满足约束4，运行是否满足约束3，火电厂出力是否满足约束2。

众所周知，电动汽车充电和风能出力是随机的，也就是未来是不可预知的，但是，不考虑未来的情况，只在当前时刻已有条件下制定最优策略，在当前来看是最优的，从大的时间尺度来看，未必是最优的。根本原因在于这两个事件的随机性以及前后时刻状态之间的关联性。

因此，考虑将T小时的第一充电调度模型C_t的期望值作为电动汽车多时间尺度随机调度模型的充电调度模型，具体定义如下：

其中，E表示求大括号里的期望值，S₁表示模型的初始***状态空间。

在解决多时间尺度问题时，通常的做法是将某一时间尺度内第一充电调度模型的期望值作为充电调度模型来考虑，但是该方法需要采用公式15遍历每一种可能出现的充电策略，随着电动汽车数量的增大，策略生成的计算复杂度增高，遭遇维数灾难(dimensioncurve)问题，通过目前的计算机来仿真需要耗费很长的时间。

为了克服上述问题，本发明基于蒙特卡洛模拟的方法，考虑了一种大量路径下基于基本策略的方法(也称为Rollout方法)来模拟对未来时刻充电行为的影响。之所以采用蒙特卡罗模拟，其原因是本发明模型的未来时刻的值并不存在解析式，而且在大量模拟条件下误差小到忽略不计。

路径表示在不同初始状态下采取基本策略而得到的***状态序列。对电动汽车用户来说，即停即充符合人们的日常使用习惯，因此本发明选取了电动汽车停车后便开始充电直至电量充满这一事件作为在预测未来时刻电动汽车充电行为时的基本策略。

假设路径总数为Z，未来时刻电动汽车的充电行为即t时刻之后的充电行为用表示，它能估计第一充电调度模型中的期望运算算子，表达式为：

其中和分别表示第z条路径下第q时间段内的***状态变量和行为变量，表示第z条路径下第q时间段内电动汽车按照基本策略进行充电时的第一充电调度模型。

比如t+1时刻，按照概率分布的方法，产生100不同的个电动汽车的停车事件和风能出力的样本数据，在这些不同数据的条件下，电动汽车采用基本策略充电。这就是100条路径。每一条路径都要去按照公式7计算第一充电调度模型，除以100便得到了未来时刻的模拟值。

为了通过比较来选出每一时段最优的充电策略，需要对每一种可能的充电行为进行遍历求解。由于新的充电调度模型应包含当前时刻电动汽车充电调度策略对未来充电行为的影响，因此，在一个实施例中，本发明提供了第二充电调度模型，其表达式为：

该式表示用来评价本发明所建模型性能指标的状态-行为对的Q因子(Q-factor)。第二充电调度模型意味着在制定当前时刻最优充电策略时，采用蒙特卡洛模拟的方法，对t时刻之后的电动汽车最优充电行为采用基本充电策略来进行近似模拟。Rollout算法则通过对每个行为的近似Q因子进行计算，得到当前状态S_t的优化行为，所述优化行为即Q_t值取最小时各电动汽车的充电行为，表达式为：

a＝argminQ_t(S_t,A_t) (18)

其中，a表示Q_t值取最小时各电动汽车的充电行为。

由于所述第一充电调度模型所包含的两个优化目标的数值并不处于同一数量级，因此在做两个目标权重大小的分析时需要先对两个优化目标进行处理。

在一个实施例中，本发明采用最大最小值归一化方法对第一充电调度模型进行修正，修正后的表达式为：

其中，和表示***网络损耗的上下限值；M_t表示t时刻的匹配度，M_max和M_min表示匹配值的上下限值。网络损耗的上限值即所有电动汽车同时接入充电时的网络损耗，网络损耗的下限值为电动汽车全部没有接入电网充电，匹配度的上下限值即为1和0。

基于此，所述第二充电调度模型可被修正为：

其中，表示采用最大最小值归一化方法处理后的值。

图2示出了每一时段调度策略制定的具体流程，如图2可知，

首先输入电动汽车和风能的初始状态信息和W_t；

将初始状态信息输入到配电网***中，进行潮流分析，分析初始状态信息是否满足充电功率约束和配电网约束，若不符合约束条件，则更新充电策略，直至满足约束条件；

在满足约束条件的基础上，计算当前时刻的C_t，采用蒙特卡洛模拟的方法估计未来时刻期望值计算当前时刻的第三充电调度模型Q_t；

遍历所有的充电策略，选择使第三充电调度模型Q_t最小的充电行为作为最优充电策略。

下面集合算例对本发明实施例中的充电调度方法进行仿真分析，本实施例中，本发明中的电动汽车的电池采用了BYD e6的参数，风力发电机采用了Vestas的参数，具体参数设置如表1所示。风力发电站的输出功率采用韦伯分布来产生，其中的形状参数和位置参数分别取1.309和7.0576。

表1风力发电机和电动汽车的参数设置

其中，ω表示电动汽车行驶每千米需要的电量，基于前述假设，电动汽车的出行距离e可由下式计算：

e＝ω·d_k (21)

其中d_k表示第k辆电动汽车的行驶距离。

通过韦伯分布产生每个时间段的风速后，风力发电站的大小可由下式来计算：

其中，W_cap表示风力发电机的额定功率，v_rated表示额定风速，v_cutin表示风力发电机的切入风速，v_cutout表示风力发电机的切出风速。

由于电动汽车的停车事件可由它的起始停车时间和停车时间长度来描述，而停车时间长度取决于起始停车时间和所需充电功率。这里假设本模型中所有的电动汽车停车事件的停车时间长度均服从截断高斯分布。本模型中的高斯分布采用了文献(S.Shahidinejad,E.Bibeau,and S.Filizadeh.Statistical development of a dutycycle for plug-in vehicles in a North American urban setting using fleetinformation.IEEE Transactions on Vehicle Technology,2010,59(8):3710-3719.)中的参数，电动汽车在t时刻停车的概率p_t和停车时间长度的平均值μ_t和方差值σ_t如表2所示。

表2停车事件相关参数

在接下来的仿真中，本发明将模型中的参数T设置为24小时，即以一天为周期来优化电动汽车充电过程。

根据前述建立的概率分布，运用Matlab进行仿真，产生电动汽车停车事件(包括起始停车时间和停车时间长度)和各时段产生的风能。

首先采用IEEE 5节点配电网***来验证本发明所提模型的合理性。

图3示出了本发明实施例的IEEE 5节点配电网的结构示意图，如图3所示，节点1作为风力发电站节点，节点5作为火力发电厂节点，节点2作为电动汽车充电站，其余节点作为普通用户群节点。

该电动汽车充电站最多可同时接入12辆电动汽车进行充电，采用如前所述的配电网5节点***，用Matlab2015在一台CPU为2.5GHz，内存为6GB的笔记本电脑上进行仿真。

1)按照前面所提到的基本充电策略进行充电，即只要电动汽车停车就对其充电，这种充电方法也是目前大多数用户采取的充电策略。通过仿真得到12辆电动汽车24小时内电动汽车充电站与风力发电站之间线路的总网损为1.1961kW，电动汽车充电站所需功率与风力发电站发出功率在一天24小时内的平均匹配度为0.2037。

图4示出了基本策略下的电动汽车充电序列示意图，设0时刻为模型的初始状态，汽车所需电能为9kW，所以在0到3时刻时处于停车状态的电动汽车均接入充电桩进行充电。之后的时刻根据各个电动汽车的初始停车时间、停车时间长度和所需电能来进行充电。这种即停即充的充电方式可以保证电动汽车充电量最大化。

图5示出了基本策略下24小时内电动汽车充电所需功率与风力发电站发出功率的变化曲线图。由图5可以看出，24小时内电动汽车充电站所需功率与风力发电站发出功率之间的匹配效果并不好，因此对电动汽车进行优化调度是有必要的。

在一个实施例中，采用改进的电动汽车优化调度策略，并将第三充电调度模型中的λ设置为1，即充电策略只考虑网损最小。

图6示出了只考虑网损最小的电动汽车优化充电序列示意图。由于此时电动汽车充电的目标考虑***的网损最小，受配电网各时段潮流分布的约束影响，电动汽车的充电序列将会作出改变。图6相比图4的充电序列图变得更为分散。虽然在一定程度上减少了电动汽车的总充电量，但保证了每辆电动汽车在当天充电结束时电池容量可以达到80％以上，满足了用户的出行需求。计算出此时12辆电动汽车在一天24小时内与风力发电站之间线路的的总网损为1.1703kW，匹配度为0.2601。

图7示出了只考虑网损最小的24小时内电动汽车充电所需功率与风力发电站发出功率的变化曲线图。由图7可以看出，虽然电动汽车充电站与风力发电站之间线路的总网损减少了，但是匹配效果并没有较为明显的改善。

在一个实施例中，采用前面提到的改进的电动汽车优化调度策略，并将第三充电调度模型中λ设置为0，即充电策略只考虑电动汽车充电所需功率与风力发电站发出功率的匹配问题。

图8示出了只考虑匹配度最大的电动汽车优化充电序列示意图。与图3相比，由于此时电动汽车充电时首先利用附近节点风力发电站所发出的电能，因而充电序列图比较分散，对应于不同的风电出力，电动汽车将会根据优化调度策略改变自己的充电计划。同样，此时的充电策略可以保证每辆电动汽车在当天充电结束时电池容量达到80％以上，满足了用户的出行需求。计算得出此时12辆电动汽车在一天24小时内的电动汽车充电站与风力发电站之间线路的总网损为1.1776kW，匹配度为0.7552。

图9示出了只考虑匹配度最大的24小时内电动汽车充电所需功率与风力发电站发出功率的变化曲线图。由图9可以看出，此时的匹配度与基本策略相比有了很大提高，即电动汽车充电所需功率可以很好的利用风力发电站发出的功率，而且此时24小时***总网损相比基本策略也有所降低，与以网损最小为目标的优化调度策略下求出的网损相比，也相差不大，说明了本发明所提优化调度策略的有效性。

在上述三种情形分析的基础上，接下来对表示网损和匹配度所占权重大小的λ取不同数值时的情形进行了仿真，如表3所示。

表3不同权重下模型的优化结果

由表3可以看出，在本发明所提的电动汽车优化调度策略下，随着λ取值的减小，***的匹配度得到了提高，但网络损耗也在增加，因此可以根据实际情况来选取权重值对电动汽车充电进行优化调度。

在一个实施例中，采用IEEE30节点配电网***来验证本发明所提模型的合理性。

图10示出了本发明实施例中IEEE30节点配电网***中接入风力发电站和电动汽车充电站的配电网络接线图，其中节点16、22、25、30为风力发电站的接入位置，节点15、21、24、29为电动汽车充电站，节点18表示传统火力发电厂。每个充电站可容纳30辆电动汽车同时充电。

电动汽车的停车事件依然采用上述提到的概率分布来产生电动汽车停车事件(包括起始停车时间和停车事件长度)。风力发电机和电动汽车的参数设置如表1所示。

为了分析的方便，首先假设节点16、22、25、30这四个风力发电站服从相同的韦伯分布，即不考虑地域对风力的影响。采用截断高斯分布和卡方分布来产生节点15、21、24、29这四个电动汽车充电站共120辆电动汽车的具体充电行为。

基于IEEE 30节点配电网***，采用前文所述的基本控制策略和以匹配度最大为目标的优化策略对电动汽车充电进行调度，图11示出了24小时内电动汽车充电所需功率与风力发电站发出功率的变化曲线图。

不同充电策略下24小时内29条线路的总网损和电动汽车充电所需功率与风电出力之间的平均匹配度如表4所示。

表4不同策略下的线路总网损和平均匹配度

比较上述两种不同的控制策略，可以发现，改进的控制策略相比基本控制策略在电动汽车充电功率与风能的匹配上有了很大的提高，同时对整个区域配电网的网损也有了大幅降低，说明本发明所提的电动汽车优化充电方法可以很大限度地利用风能，降低本区域的网损。

接下来对表示网损和匹配度所占权重大小的取不同数值时的情形进行了仿真，如表5所示。可以看出，当λ减小时，电动汽车充电与风电出力的匹配度得到了大幅提高，此时的网损相比λ较大时的网损相差并不大，说明本发明所提优化方法在提高电动汽车充电与风电出力之间匹配度的同时，也减少了整个配电***区域内的网络损耗。在实际电网优化调度中，可以根据电动汽车用户需求、风力发电量以及网损经济性等方面对两个优化目标的权重系数进行选择。

表5不同权重下模型的优化结果

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电动汽车充电站的充电调度方法，其特征在于，包括：

步骤S1、基于初始时刻的新能源发电站的有功发电功率和每个电动汽车的充电行为对应的充电量以及剩余充电时间，对充电站和新能源发电站所在的配电网区域进行潮流分析，获得配电网区域的有功网损；

步骤S2、基于当前时刻的所述新能源发电站的有功发电功率以及所有所述充电行为的总充电功率，获得充电功率和有功发电功率的匹配度；以及

步骤S3、基于所述有功网损和匹配度，获得第一充电调度模型，遍历当前时刻所有可能的充电行为，将使所述第一充电调度模型值最小的充电行为，作为当前时刻的充电策略；

步骤S4、基于蒙特卡洛模拟法和所述第一充电调度模型，获得第二充电调度模型，并基于所述第二充电调度模型，获得当前时刻的充电策略；

其中，所述步骤S4包括：

步骤S4.1、基于概率分布方法，获得一定数量的路径的初始时刻的新能源发电站的有功发电功率和每个充电行为对应的充电量以及剩余充电时间；

步骤S4.2、基于蒙特卡洛模拟法，对所述步骤S4.1获得的每条路径的新能源发电站的有功发电功率、电动汽车的充电行为对应的充电量和剩余充电时间，获得未来时刻的充电调度模型；以及

步骤S4.3、将所述未来时刻的充电调度模型和第一充电调度模型求和，作为第二充电调度模型，遍历当前时刻所有可能的充电行为，将使所述第二充电调度模型值最小的充电行为，作为当前时刻的充电策略。

2.如权利要求1所述的电动汽车充电站的充电调度方法，其特征在于，所述步骤S1包括：

步骤S1.1、基于电动汽车在前一时刻以及当前时刻的状态，获得电动汽车的充电行为对应的充电量和剩余充电时间；

步骤S1.2、获得初始时刻的新能源发电站的有功发电功率；以及

步骤S1.3、基于所述新能源发电站的有功发电功率和电动汽车的充电行为对应的充电量和剩余充电时间，在满足多个约束条件的情况下，对所述配电网区域进行潮流分析，获得配电网区域的有功网损；

其中，所述配电网区域内新能源发电站发出的有功功率不能满足该区域负荷需求时，剩余负荷消耗功率由常规发电站提供。

3.如权利要求2所述的电动汽车充电站的充电调度方法，其特征在于，基于所有电动汽车的充电行为以及充电功率，获得所述总充电功率。

4.如权利要求1所述的电动汽车充电站的充电调度方法，其特征在于，还包括：

步骤S5、分别对第二充电调度模型中的所述未来时刻的充电调度模型和第一充电调度模型进行最大最小值归一化处理，获得第三充电调度模型，基于所述第三充电调度模型，获得当前时刻的充电策略。

5.如权利要求1所述的电动汽车充电站的充电调度方法，其特征在于，所述基于所述有功网损和匹配度，获得第一充电调度模型，包括：

基于充电目标设置调整参数，所述调整参数介于0至1之间；以及

将1和调整参数的差与所述有功网损的乘积，加上所述匹配度与调整参数的乘积，获得所述第一充电调度模型。

6.如权利要求2所述的电动汽车充电站的充电调度方法，其特征在于，所述约束条件包括：常规发电站发电功率的约束、配电网区域潮流等式的约束、配电网节点电压的约束以及配电网线路的有功潮流的约束。

7.如权利要求1所述的电动汽车充电站的充电调度方法，其特征在于，所述有功网损的表达式为：

其中，P_t ⁱ和分别表示t时刻节点i的有功功率和无功功率，表示t时刻节点i的电压，R_ij表示节点i和j之间线路的电阻，X表示节点总数。

8.如权利要求1所述的电动汽车充电站的充电调度方法，其特征在于，所述未来时刻的充电调度模型的表达式为：

其中，Z表示路径个数，和分别表示第z条路径下第q时刻内的***状态变量和行为变量，表示第z条路径下第q时刻内电动汽车的充电调度模型。