CN111953023B - 一种基于macpso算法的含充电桩区域能源网管理方法 - Google Patents

Abstract

本发明提供的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法，属于能源网管理方法领域。包括如下步骤：统计地区电动汽车的出行数据，建立出行模型；统计地区内充电桩的工作数据建立电动汽车的概率分布模型，抽样计算估计量；通过出行模型、概率分布模型以及估计量建立电动汽车响应调度模型；通过电动汽车响应调度模型，建立能源网经济优化模型；通过MACPSO算法对能源网经济优化模型进行求解，使得地区的发电满足用电负荷需求的前提下，计算得到最佳的经济运行管理费用以及环境污染治理费用，对地区的电力进行经济化管理，在保障区域内负荷用电需求的前提下，实现区域能源网内可控发电单元的最佳计划出力。

Description

一种基于MACPSO算法的含充电桩区域能源网管理方法

技术领域

本发明涉及能源网管理领域，具体涉及一种基于MACPSO算法的含充电桩区域能源网管理方法。

背景技术

随着国家大力提倡清洁能源发电，分布式能源的装机容量占比越来越大，区域能源网作为管理分布式发电的有效技术方法，受到行业的持续关注。而新能源区域能源网是利用区域内的风、光、天然气等各种分布式间歇性、随机性的清洁能源发电，多种分布式能源联合运行可以实现多能互补，通过区域内的能量存储和优化分布式发电单元容量配置，以达到区域内的电源产生的电能与用能负荷达到动态平衡状态。

国际各国政府政策的推动与电动汽车性能的整体提升，电动汽车已表现出巨大的发展潜力，电动汽车的大规模接入将成为区域能源网发展的必然趋势。大规模电动汽车接入区域能源网，增加区域能源网负荷随机性和不确定性，对其安全高效运行带来巨大挑战，现有的区域能源网运行管理模式已不能有效应对。电动汽车作为可控负载和储能装置以V2G形式接入电网，可以实现充电负荷对可再生能源出力变化的跟踪，大量的电动汽车接入区域能源网，使得充电桩及电动汽车换电站在区域能源网内投入使用，如何利用充放电设施，以实现区域能源网经济运行以及对负荷有效管理，也成为区域能源项目中重要的研究目标之一。

现有的区域能源经济优化管理方法未考虑大规模的电动汽车车主的出行特征以及大规模的电动汽车作为移动储能单元和区域能源网中可控发电单元联合调度进行分析，因此对假设条件、实施方案等不确定定性因素难以评判进行综合预估，无法客观精确地优化区域能源网中各可控发电单元出力情况。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供的一种基于MACPSO算法的含充电桩区域能源网管理方法，在保障区域内负荷用电需求的前提下，实现区域能源网内可控发电单元的最佳计划出力。

本发明提供了一种基于MACPSO算法的含充电桩区域能源网管理方法，用于管理具有可控发电单元、不可控发电单元、用电负荷以及具有动力电池的电动汽车的地区，不可控发电单元包括风力发电单元以及光伏发电单元，包括如下步骤：

步骤1，统计地区电动汽车的出行数据，建立出行模型；

步骤2，统计地区内充电桩的工作数据，建立电动汽车的概率分布模型，并从该概率分布模型内进行抽样，计算估计量；

步骤3，通过出行模型、概率分布模型以及估计量建立电动汽车响应调度模型；

步骤4，通过电动汽车响应调度模型，建立能源网经济优化模型；

步骤5，通过MACPSO算法对能源网经济优化模型进行求解，使得地区的发电满足用电负荷需求的前提下，计算得到最佳的经济运行管理费用以及环境污染治理费用，根据运行管理费用以及环境污染治理费用从而对地区的电力进行经济化管理。

在本发明提供的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法中，还可以具有这样的特征：其中，电动汽车响应调度模型包括：

充电持续时间单元，用于计算电动汽车的充电时间，该充电持续时间单元通过下述公式计算得到：

放电持续时间单元，用于计算电动汽车的放电时间，该放电持续时间单元通过下述公式计算得到：

总无序充电功率单元，用于计算t时段地区内电动汽车的总无序充电负荷，总无序充电功率单元通过下述公式计算得到：

地区响应调度总的充放电功率单元，用于计算t时段地区电动汽车响应调度信息向地区的能源网进行充放电功率，地区响应调度总的充放电功率单元通过下述公式计算得到：

式中，SOC_i,max表示第i辆电动汽车动力电池的最大荷电状态；

SOC_i为电动汽车动力电池开始充电时的荷电状态；P_i,charger为连接充电桩的功率；C为电动汽车的电池容量；η_CEV为电动汽车的充电效率；η_dEV为电动汽车的放电效率；P_i,discharger为第i辆电动汽车连接充电桩的放电功率；SOC_rest,i为电动汽车其余行程的必要能耗，SOC_anx,i为综合电动汽车焦虑的荷电状态；T为调度周期；μ_c(t)为电动汽车的充电响应度；μ_dis(t)为电动汽车的放电响应度；μ(t)为电动汽车的总响应度；α_tcp,i电动汽车的停车时间t_p,i大于需要持续充电时间t_c,i；α_tdp,i电动汽车的停车时间t_p,i大于需要持续放电时间t_d,i；α_state,i充电桩工作模式。

在本发明提供的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法中，还可以具有这样的特征：其中，电动汽车的最后一次返程时刻t₀服从正态分布，即

电动汽车概率密度函数通过下述公式计算得到：

式中，μ_s为电动汽车日行驶结束时刻概率分布函数的均值；σ_s为电动汽车行驶里程的标准差，x为电动汽车的最后一次返程时刻t₀。

在本发明提供的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法中，还可以具有这样的特征：其中，电动汽车的日行驶里程满足对数正态分布，其表达式如下：

式中，d为日行驶里程；μ_d为电动汽车的日行驶里程的期望值；σ_d为电动汽车日行驶里程的标准差；

电动汽车的最大行驶距离受动力电池的安全约束条件的限制，日行驶里程达到最大行驶距离d_max的80％。

在本发明提供的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法中，还可以具有这样的特征：其中，电动汽车响应调度模型还包括运行管理费用计算单元，该运行管理费用计算单元可通过下述计算公式：

式中，N_DG为地区装设的发电单元种类；C_i(P_DG(i,t))表示第i类发电单元的发电成本；C_W,i(P_DG(i,t))表示第i类发电单元的维护费用；P_DG(i,t)表示第i类发电单元的发电功率；c_grid(t)为t时刻地区的能源管理方和电网公司协议电价；P_grid(t)为地区向大电网购电功率；C_excit(t)为激励电动汽车参与调度费用；C_dc(t)为电动汽车放电与电动汽车充电费用的差额；

式中，ρ_excit(t)表示t时段单位激励费用；Λ_i(t)为充电桩t时段的连接状态，Λ_i(t)＝1表示电动汽车连接上充电桩，Λ_i(t)＝0表示电动汽车未连接到充电桩；p(t)为电动汽车在t时刻向地区放电的上网售价；c(t)为电动汽车在t时段的充电电价；△t_c,i为第i辆电动汽车向地区的持续充电时间；△t_d,i为第i辆电动汽车用户向地区的持续放电时间。

在本发明提供的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法中，还可以具有这样的特征：其中，电动汽车响应调度模型还包括污染物治理费用单元，该污染物治理费用单元通过下述公式计算得到：

式中，M为污染物种类；C_m表示处理每千克m类污染物的费用；α_i,m表示i类发电单元产生电能时所产生第m类气体污染物的排放系数；α_grid,m为公共电网传输电能时第m类气体污染物的排放系数；P_grid(t)表示t时刻大电网向地区提供的电能。

发明的作用与效果

本发明提供的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法，首先，分析电动汽车的行驶特性及充放电行为方式，建立规模化电动汽车响应调度模型；然后，对大规模电动汽车作为移动储能单元和区域能源网中可控发电单元联合调度进行分析，建立大规模电动汽车参与区域能源网经济优化模型，该模型主要实现降低区域能源网运行管理费用，降低区域能源网环境污染治理费用两个目标；最后利用多智能体混沌粒子群优化算法中各智能体之间交互通信、协调合作优点求解建立的经济优化管理模型，以实现区域能源网内可控单元智能体通过竞争和合作的方式，在保障区域内负荷用电需求的前提下，实现区域能源网内可控发电单元的最佳计划出力。

附图说明

图1是本发明的实施例中基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法的流程图；以及

图2是本发明的实施例中基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法的具体实施示意图；

图3是未使用本发明实施例提供的管理方法前的电力管理图；

图4是使用本发明实施例提供的管理方法后的电力管理图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。

<实施例>

图1是本发明的实施例中基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法的流程图。

如图1所示，本实施例提供基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法的工作过程如下。

步骤1，统计该地区电动汽车的出行数据，建立出行模型；

步骤2，统计该地区内充电桩的工作数据，建立电动汽车的概率分布模型，并从该概率分布内进行抽样，建立估计量；

步骤3，通过出行模型、概率分布模型以及估计量建立电动汽车响应调度模型；

电动汽车响应调度模型包括：充电持续时间单元、放电持续时间单元、总无序充电功率单元以及地区响应调度总的充放电功率单元。

充电持续时间单元用于计算电动汽车的充电时间，该充电持续时间单元通过下述公式计算得到：

放电持续时间单元用于计算电动汽车的放电时间，该放电持续时间单元通过下述公式计算得到：

总无序充电功率单元用于计算t时段地区内电动汽车的总无序充电负荷，总无序充电功率单元通过下述公式计算得到：

地区响应调度总的充放电功率单元用于计算t时段地区电动汽车响应调度信息向地区的能源网进行充放电功率，地区响应调度总的充放电功率单元通过下述公式计算得到：

式中，SOC_i,max表示第i辆电动汽车动力电池的最大荷电状态；SOC_i为电动汽车动力电池开始充电时的荷电状态；P_i,charger为连接充电桩的功率；C为电动汽车的电池容量；η_CEV为电动汽车的充电效率；η_dEV为电动汽车的放电效率；P_i,discharger为第i辆电动汽车连接充电桩的放电功率；SOC_rest,i为电动汽车其余行程的必要能耗，SOC_anx,i为综合电动汽车焦虑的荷电状态；T为调度周期；μ_c(t)为电动汽车的充电响应度；μ_dis(t)为电动汽车的放电响应度；μ(t)为电动汽车的总响应度；α_tcp,i电动汽车的停车时间t_p,i大于需要持续充电时间t_c,i；α_tdp,i电动汽车的停车时间t_p,i大于需要持续放电时间t_d,i；α_state,i充电桩工作模式。

其中，电动汽车的最后一次返程时刻t₀服从正态分布，即

电动汽车概率密度函数通过下述公式计算得到：

上述公式表示电动汽车的最后一次返程时刻t₀服从正态分布，式中，μ_s为所述电动汽车日行驶结束时刻概率分布函数的均值；σ_s为所述电动汽车行驶里程的标准差，x为所述电动汽车的最后一次返程时刻t₀。

电动汽车的日行驶里程满足对数正态分布，其表达式如下：

式中，d为日行驶里程；μ_d和σ_d均为分布参数，分别为日行驶里程的期望值及其对应的标准差，电动汽车的最大行驶距离受电池的安全约束条件的限制，日行驶里程达到最大行驶距离d_max的80％，即：0≤d≤0.8d_max。

步骤4，通过电动汽车响应调度模型、***运行费、环境治理费以及电动汽车参与费，建立能源网经济优化模型；

步骤5，通过MACPSO算法对能源网经济优化模型进行求解，使得该地区的发电满足用电负荷需求的前提下，实现最佳的经济运行管理费用以及环境污染治理费用。

图2是本发明的实施例中基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法的具体实施示意图。

如图2所示，本实施例中的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法的计算过程包括：

A1、对区域能源网内的光伏、风力发电以及用电负荷预测，进入步骤A2。

A2、根据随机抽取估计量计算区域内响应调度的电动汽车总的充放电功率，进入步骤A3。

A3、对MACPSO算法进行初始化，即对算法中的粒子群的规模、最大惯性权重、最小惯性权重、学习因子、最大迭代次数进行设置，进入步骤A4。

A4、根据可控发电单元运行约束条件以及发电单元的种类，随机生成相对应的可控发电单元多智能体***网络环境及在解空间的计划出力和出力变化率，进入步骤A5。

约束条件包括：功率平衡约束、双向充电桩充放电功率约束以及电动汽车动力电池充放电状态约束。

功率平衡约束通过下述公式计算得到：

双向充电桩充放电功率约束通过下述公式计算得到：

电动汽车动力电池充放电状态约束通过下述公式计算得到：

t_i,start<t<t_i,end

式中，t_i,start和t_i,end分别表示开始充放电时间和结束充放电时间；T_φ表示用户响应调度信息向区域能源网放电时段。

可控发电单元智能体i位于展开图点(m,n)处，A_m,n表示点(m,n)在搜索空间中的向量，代表某时刻发电单元输出功率，其中，m＝1,2,…,i；n＝1,2,…,j，则可控发电单元i在展开图中的八个邻居智能体可以表示为：

N_m,n＝{A_m1,n1,A_m1,n,A_m1,n2,A_m,n1,A_m,n2,A_m2,n1,A_m2,n,A_m2,n2}

向量A_m,n的八个邻居在解空间中的最优向量为

A5、由经济优化模型的目标函数评估各可控发电单元计划出力，计算每个可控发电单元发电功率的运行管理费用和环境污染治理费用，进入步骤A6。

A5-1、目标函数为含规模化EV的区域能源网运行管理费用可表示为：

式中，N_DG为区域内装设的发电单元的种类；C_i(P_DG(i,t))表示第i类发电单元的发电成本；C_W,i(P_DG(i,t))表示第i类发电单元的维护费用；P_DG(i,t)表示第i类发电单元的发电功率；c_grid(t)、P_grid(t)分别为t时刻区域能源管理方和电网公司协议电价和区域能源网向大电网购电功率；C_excit(t)为激励电动汽车参与调度费用；C_dc(t)为管理中心从用户购电(电动汽车放电)和向电动汽车售电(电动汽车充电)的差额而需支付额外费用。

式中，ρ_excit(t)表示t时段单位激励费用；Λ_i(t)为充电桩t时段的连接状态，Λ_i(t)＝1表示电动汽车连接上充电桩，Λ_i(t)＝0表示电动汽车未连接到充电桩；p(t)表示用户在t时刻向区域能源网放电的上网售价；c(t)为用户在t时段的充电电价；△t_c,i和△t_d,i分别为第i辆电动汽车用户向区域能源网持续充、放电时间。

A5-2、区域能源网运行污染物治理费用计算如下：

式中，M为污染物种类，发电过程主要考虑NO_x、SO₂和碳排放3种污染物；C_m表示处理m类污染物的每千克费用；α_i,m表示i类发电单元产生电能时所产生第m类气体污染物的排放系数；α_grid,m为公共电网传输电能时第m类气体污染物的排放系数；P_grid(t)表示t时刻大电网向区域能源网提供的功率。

A5-3、根据可控发电单元的运行管理费用和环境污染治理费用计算出可控发电单元智能体的综合管理费用。

A6-1、令Pop＝1，Pop为粒子种群数量。

A6-2、令it＝1。it为迭代次数。

A7、根据粒子群优化算法的演化机制，更新各可控发电单元智能体在解空间中的计划出力和出力变化率，进入步骤A8。

计划出力更新公式：

出力变化率更新公式：

式中，i＝1,2,…,m，m表示粒子群数；r₁、r₂为[0,1]之间的随机分布数；c₁和c₂为学习因子；ω为惯性权重，采用线性递减惯性权重策略来增强MACPSO优化算法的局部搜索能力。

A8、根据可控发电单元智能体的行动策略，各可控发电单元智能体根据各自计划出力与周围其他的邻居可控发电单元智能体进行竞争与合作，并记录更新各自运行管理费用和环境污染治理费用，下一步下进入步骤A4，再进入步骤A9。

如果

F(A_m,n)≤F(N_m,n)

则可控发电单元智能体在解空间中的位置将保留下来，否则可控发电单元智能体会根据区域内用电负荷变化与邻居其他的可控发电单元智能体进行变化(包括竞争和合作)，可控发电单元可根据如下表达式进行更新：

式中，i＝1,2,…,D，D表示所解决问题的维度；r为[0,1]之间的随机数。

A9、各可控发电单元智能体根据各自的运行管理费用和环境污染治理费用，并与之前寻找的最佳出力的费用进行对比，以此更新各可控发电单元智能体的最优出力，进入步骤A10。

A10、利用混沌的局部搜索策略优化当前各可控发电单元智能体的最优出力，进入步骤A11。

假设优化中最佳可控发电单元智能体出力方案对应向量为

通过下式：

将向量内的元素转换为[0,1]混沌变量，通过Logistic方程

获得经过n次迭代后的混沌序列

A11、计算最优出力中每一个可控发电单元智能体的运行管理费用和环境污染治理费用，并保存运行管理费用和环境污染治理费用最小时对应的计划出力，进入步骤A12。

根据以下计算表达式，将混沌序列逆映射回原始解空间：

式中，i＝1,2,3,…,D，

为一个混沌变量可行解序列。计算可行解序列中每个可可控发电单元智能体的运行管理费用和环境污染治理费用，并在运行管理费用和环境污染治理费用最小时保留相应的可控发电单元计划出力。

A12、判断优化过程运行是否为最大迭代次数或精度要求，具体如下：

A12-1、判断Pop是否大于PopMax；

如果不是，Pop＝Pop+1，返回步骤A6-1。

如果是，则进入A10-2，

A12-2、判断It是否大于Tmax；

如果不是，It＝It+1，返回步骤A6-2。

如果是，则结束优化过程。

PopMax为最大种群数量；Tmax为最大迭代次数。

为验证本研究方法有效性，在本实施例采用多智能体混沌粒子群优化算法对建立的电动汽车参与区域能源网经济优化模型进行求解，优化可控发电单元的出力，在保障区域内负荷用电需求的前提下，降低区域能源网运行管理费用和环境污染治理费用。

本实例以园区内100辆电动汽车的充电记录数据进行预处理，提取电动汽车充电行为特征量，并进行统计拟合，可以拟合出规模化电动汽车开始充电时刻服从正态分布t_s～N(12.73,4.72²)，充电电量服从正态分布C～N(14.23,8.43²)，充电持续时长服从正态分布t_con～N(10.6,8.2²)。运用蒙特卡罗模拟算法对区域内电动汽车24小时随机充电负荷进行计算，可获得园区内电动汽车每个时段的充电日负荷曲线。

运用MACPSO算法对电动汽车参与区域能源网经济优化模型进行求解，设置优化算法相关参数：种群规模为400，最大迭代次MaxTime＝600，惯性权重上限w_max＝0.9，惯性权重下限w_min＝0.4，初始自学习因子c_1i＝2.5，终止自学习因c_1f＝0.5，初始社会学习因子c_2i＝0.5,终止社会学习c_2f＝2.5，环境大小l_size＝20，最优混沌环境的大小h_size＝3，搜索半径r＝0.5，最优混沌时的迭代次数h_cir＝10。

图3是未使用本发明实施例提供的管理方法前的电力管理图。图4是使用本发明实施例提供的管理方法后的电力管理图。

如图3、图4所示，采用MACPSO优化算法对电动汽车不响应运行管理中心的调度指令以及电动汽车响应调度两种情景下，运用所提出的经济优化模型，结合MACPSO优化算法对微型燃气轮机MT、公共大电网GRID、储能***BAS输出功率以及大规模电动汽车响应调度的充放电功率为优化变量，得到区域内可控型发电单元的计划出力。

对比图3、图4可知，电动汽车作为移动储能单元参与区域能源网的经济优化管理，有效实现降低区域能源网的峰值负荷，负荷峰值由电动汽车未参与调度的976.4KW下降为655.1KW，负荷峰谷差由900.88KW下降为534.1KW，增强区域能源网抵御大规模电动汽车随机接入所带来冲击的能力，同时降低大电网向区域能源网的供电电量，减少向大电网的购电费用。统计一个调度周期内区域能源网的综合运行管理成本如表1所示，采用本文建立电动汽车参与区域能源网经济优化模型，区域能源网的综合管理费用减少8488.661元，其中运行费用节省7643.622元，环境污染治理费用减少1788.224元。从数据可以看出，电动汽车作为移动储能装置参与区域能源网经济运行联合储能***消纳区域内风光发电过剩的电力，在区域能源网处于用电高峰期，利用区域内储能***和响应调度的电动汽车向网内供电，降低大电网向区域能源网供电电量以及微型燃机输出功率，提高区域能源网的经济和环境效益。

本实施例中的可控发电单元智能体根据约束条件和发电成本与邻居其他的可控发电单元智能体进行竞争和合作以达到最佳出力。可控发电单元智能体利用混沌局部搜索策略加强可控发电单元智能体内部信息的多样化和传递性，以实现最佳的优化结果。

表1两种案例优化结果对比

综合考虑电动汽车未参与以及参与区域能源网经济运行管理的优化结果，所建立的经济优化模型能在降低区域能源网的运行管理费用以及环境污染治理费用的同时，增强区域能源网抵御充电负荷冲击的能力，实现充电负荷有效管理，为大规模电动汽车接入区域能源网提高管理方案。

实施例的作用与效果

本实施例提供的基于MACPSO算法的含大规模充电桩区域能源网经济优化管理方法，首先，分析电动汽车的行驶特性及充放电行为方式，建立规模化电动汽车响应调度模型；然后，对大规模电动汽车作为移动储能单元和区域能源网中可控发电单元联合调度进行分析，建立大规模电动汽车参与区域能源网经济优化模型，该模型主要实现降低区域能源网运行管理费用，降低区域能源网环境污染治理费用两个目标；最后利用多智能体混沌粒子群优化算法中各智能体之间交互通信、协调合作优点求解建立的经济优化管理模型，以实现区域能源网内可控单元智能体通过竞争和合作的方式，在保障区域内负荷用电需求的前提下，实现区域能源网内可控发电单元的最佳计划出力。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (5)

1.一种基于MACPSO算法的含充电桩区域能源网管理方法，其特征在于，用于管理具有可控发电单元、不可控发电单元、用电负荷以及具有动力电池的电动汽车的地区，所述不可控发电单元包括风力发电单元以及光伏发电单元，其特征在于，包括如下步骤：

步骤1，统计所述地区电动汽车的出行数据，建立出行模型；

步骤2，统计所述地区内充电桩的工作数据，建立电动汽车的概率分布模型，并从该概率分布模型内进行抽样，计算估计量；

步骤3，通过所述出行模型、所述概率分布模型以及所述估计量建立电动汽车响应调度模型；

步骤4，通过所述电动汽车响应调度模型，建立能源网经济优化模型；

步骤5，通过MACPSO算法对所述能源网经济优化模型进行求解，使得所述地区的发电满足用电负荷需求的前提下，计算得到最佳的经济运行管理费用以及环境污染治理费用，根据所述运行管理费用以及所述环境污染治理费用从而对所述地区的电力进行经济化管理，

其中，所述电动汽车响应调度模型包括：

充电持续时间单元，用于计算所述电动汽车的充电时间，该充电持续时间单元通过下述公式计算得到：

放电持续时间单元，用于计算所述电动汽车的放电时间，该放电持续时间单元通过下述公式计算得到：

总无序充电功率单元，用于计算t时段所述地区内电动汽车的总无序充电负荷，所述总无序充电功率单元通过下述公式计算得到：

地区响应调度总的充放电功率单元，用于计算t时段所述地区电动汽车响应调度信息向所述地区的能源网进行充放电功率，所述地区响应调度总的充放电功率单元通过下述公式计算得到：

式中，SOC_i,max表示第i辆所述电动汽车动力电池的最大荷电状态；SOC_i为电动汽车动力电池开始充电时的荷电状态；P_i,charger为连接充电桩的功率；C为所述电动汽车的电池容量；η_CEV为所述电动汽车的充电效率；η_dEV为所述电动汽车的放电效率；P_i,discharger为第i辆所述电动汽车连接充电桩的放电功率；SOC_rest,i为所述电动汽车其余行程的必要能耗，SOC_anx,i为综合所述电动汽车焦虑的荷电状态；T为调度周期；μ_c(t)为所述电动汽车的充电响应度；μ_dis(t)为所述电动汽车的放电响应度；μ(t)为所述电动汽车的总响应度；α_tcp,i所述电动汽车的停车时间t_p,i大于需要持续充电时间t_c,i；α_tdp,i所述电动汽车的停车时间t_p,i大于需要持续放电时间t_d,i；α_state,i所述充电桩工作模式。

2.根据权利要求1所述的基于MACPSO算法的含充电桩区域能源网管理方法，其特征在于：

其中，所述电动汽车的最后一次返程时刻t₀服从正态分布，即

所述电动汽车概率密度函数通过下述公式计算得到：

式中，μ_s为所述电动汽车日行驶结束时刻概率分布函数的均值；σ_s为所述电动汽车日行驶里程的标准差，x为所述电动汽车的最后一次返程时刻t₀。

3.根据权利要求1所述的基于MACPSO算法的含充电桩区域能源网管理方法，其特征在于：

其中，所述电动汽车的日行驶里程满足对数正态分布，其表达式如下：

式中，d为日行驶里程；μ_d为所述电动汽车的日行驶里程的期望值；σ_d为所述电动汽车日行驶里程的标准差；

所述电动汽车的最大行驶距离受所述动力电池的安全约束条件的限制，日行驶里程达到最大行驶距离d_max的80％。

4.根据权利要求1所述的基于MACPSO算法的含充电桩区域能源网管理方法，其特征在于：

其中，所述电动汽车响应调度模型还包括运行管理费用计算单元，所述运行管理费用可通过下述计算公式得到：

式中，N_DG为所述地区装设的发电单元种类；C_i(P_DG(i,t))表示第i类所述发电单元的发电成本；C_W,i(P_DG(i,t))表示第i类所述发电单元的维护费用；P_DG(i,t)表示第i类所述发电单元的发电功率；c_grid(t)为t时刻所述地区的能源管理方和电网公司协议电价；P_grid(t)为所述地区向大电网购电功率；C_excit(t)为激励所述电动汽车参与调度费用；C_dc(t)为所述电动汽车放电与所述电动汽车充电费用的差额；

式中，ρ_excit(t)表示t时段单位激励费用；Λ_i(t)为所述充电桩t时段的连接状态，Λ_i(t)＝1表示电动汽车连接上充电桩，Λ_i(t)＝0表示电动汽车未连接到充电桩；p(t)为所述电动汽车在t时刻向所述地区放电的上网售价；c(t)为所述电动汽车在t时段的充电电价；Δt_c,i为第i辆所述电动汽车向所述地区的持续充电时间；Δt_d,i为第i辆电动汽车用户向所述地区的持续放电时间。

5.根据权利要求4所述的基于MACPSO算法的含充电桩区域能源网管理方法，其特征在于：

其中，所述电动汽车响应调度模型还包括环境污染治理费用单元，所述环境污染治理费用通过下述公式计算得到：

式中，M为污染物种类；C_m表示处理每千克m类污染物的费用；α_i,m表示i类所述发电单元产生电能时所产生第m类气体污染物的排放系数；α_grid,m为公共电网传输电能时第m类气体污染物的排放系数；P_grid(t)表示t时刻大电网向所述地区提供的电能。

Images