本发明涉及一种配电网v2g辅助服务日前调度方法，属于配电网调度领域。
背景技术：
电动汽车(electricvehicle，ev)规模的不断扩大，在促进电网发展、节能减排的同时，也对电网运行造成了负荷增长、电能质量降低和电网运行控制难度增大等负面影响。而大量电动汽车集中无序充电，可能造成电网峰值负荷激增，影响电网安全运行，甚至可能造成配电系统崩溃。
电动汽车入网技术(vehicletogrid，v2g)主要研究ev向电网提供辅助服务的价值，指ev作为储能以充、放电的形式参与电网调度，包括削峰填谷、改善网损、为电网提供电压支撑、与新能源协调互补和调频等。通常的调度方法根据电压等级、地域、配电台区，分层分区进行ev群体调度。优化目标一般包含：降低网损；减小区域负荷峰谷差；减小系统日负荷方差；提高电网、中间商和用户利益总和；降低微网运行费用等。由于信息不全面或缺乏不同系统间的数据共享基础，现有的研究大多忽略ev用户的主观参与意愿，主要从车辆的日行驶里程和充电起止时间来建立ev负荷模型，调度决策过程中忽视其自身意愿和行为规律，不利于系统安全稳定运行。
技术实现要素：
本发明提供了一种配电网v2g辅助服务日前调度方法，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种配电网v2g辅助服务日前调度方法，包括，
基于电力物联网提供的历史数据，构建ev日出行模型、充放电模型、充电站模型和ev辅助服务参与者的筛选分类模型；
基于ev日出行模型、充放电模型、充电站模型和ev辅助服务参与者的筛选分类模型，构建考虑v2g辅助服务的配电网经济调度模型；
基于电力物联网的实时数据和配电网经济调度模型，获取日前调度数据。
ev日出行模型为，
其中，x为日出行模型，ls、ld分别为出发地和目的地的二维地理坐标，ts为出发时刻，tp为到达目的地后的停车时长，
ev日出行有
其中，xu为第u次出行模型，ls,u、ld,u分别为出发地和目的地的二维地理坐标，ts,u为第u次出行出发时刻，tp,u为第u次出行到达目的地后的停车时长，
若第u次出行，在达到原先目的地之前在某地lt停留tl，则第u次出行模型的ld,u为lt、tp,u为tl、
若第u次出行，取消原有目的地，直接前往第u 1次出行目的地，则第u次出行模型的ld,u为ld,u 1、tp,u为tp,u 1、
充放电模型为，
ev＝[type,bc,pc,pdc,wc,soc]
其中，type为ev的类型，bc为ev的额定电池容量，pc、pdc分别为ev的充、放电功率，wc为ev的每公里耗电量，soc为ev电池的荷电状态；
约束条件为，
tn≤tp
ta≤t≤ta tp
其中，socn,t为第n辆ev在t时段的电池荷电状态，socn,t 1为第n辆ev在t 1时段的电池荷电状态，η为充、放电效率，δt为一个时段的时长，sn,t为第n辆ev在t时段的成功放电状态，tn为第n辆ev的充、放电时长，ta为ev接入配电网时刻，tp为到达目的地后的停车时长。
充电站模型为，
其中，
筛选分类模型将具备调度能力和用户参与意愿的ev筛选出来，将从同一充电站获电的筛选出的ev归为一类。
配电网经济调度模型包括上层模型和下层模型，
上层模型为，
其中，w1、w2、w3为权重因子，w1 w2 w3＝1，flossmax、fevmax、flvmax分别为计算周期内ev无序充电情况下floss、fev和flv的最大值，floss为网损成本，fev为筛选分类模型筛选出的ev集合充放电功率成本，flv为系统总负荷均方差；
其中，
约束条件，
a)传统配电网的功率平衡约束：
其中，pgi(t)、qgi(t)分别为t时段内节点i处电源的有功出力和无功出力，pli(t)、qli(t)分别为t时段内节点i处负荷消耗的有功和无功功率，pdgi(t)、qdgi(t)分别为t时段内节点i处分布式电源注入的有功功率和无功功率，qci(t)为t时段内节点i处无功补偿设备的无功出力，vi(t)为t时段内节点i电压值，nb为配电网中的节点数目，gij、bij分别为支路ij的电导和电纳，δij为节点i与j的电压相角差；
b)支路潮流约束：
iij(t)≤iij,max
其中，iij(t)为t时段内支路ij的电流，iij,max为支路ij的电流上限；
c)节点电压约束：
vi，min≤vi(t)≤vi，max
其中，vi，min、vi，max分别为节点i电压的下限和上限；
d)电容器投切容量约束和有载调压变压器分接头调节约束：
其中，qc(t)为t时段内第c组电容器组投切容量，
e)第m类集合ssm各时段充放电功率需满足约束：
其中，pc、pdc分别为ev的充、放电功率，η为充、放电效率，n1为筛选分类模型分类出的第m类集合ssm中的ev数量，n2为ssm中充电的ev数量；
f)充电站内车位约束：
ns-np≥0
其中，ns、np分别为充电站可容纳充放电车位总数和各时段被占据车位的数量；
g)考虑离散调压设备全天动作次数约束以及相邻时段动作次数约束；
下层模型为，
minf＝w4f1 w5f2
其中，w4、w5为权重因子，w4 w5＝1，f1为筛选分类模型筛选出的ev集合内ev的充放电转换次数，f2为ssm内ev与整体调度偏差；
其中，n为筛选分类模型筛选出的ev集合内ev的数量，m为充电站数量，sn,t为第n辆ev在t时段的成功放电状态，sn,t 1为第n辆ev在t 1时段的成功放电状态，γm,n为第n辆ev相对于第m个充电站的位置标识位；
约束条件为，
a)ev电池功率安全约束：
socmin≤socn,t≤socmax
其中，socn,t为第n辆ev在t时段的电池荷电状态，socmin、socmax分别为ev电池荷电状态的下限和上限；
b)ev电池的充放电功率约束和调度时段约束：
tn≤tp
ta≤t≤ta tp
其中，tn为第n辆ev的充、放电时长，ta为ev接入配电网时刻，tp为到达目的地后的停车时长；
c)一天内每辆ev在联网无充放电、联网充电和联网放电三种状态间的切换不超过阈值。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行配电网v2g辅助服务日前调度方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行配电网v2g辅助服务日前调度方法的指令。
本发明所达到的有益效果：本发明是一种配电网v2g辅助服务日前调度方法，实现配电网经济安全运行，解决配电网在调度过程中忽略ev自身意愿和行为规律的技术问题；相较于当前配电网v2g辅助服务日前调度方法，本发明构建ev日出行模型、充放电模型和充电站模型，描述ev时、空间特性和负荷特性；根据ev的v2g能力和ev用户的参与意愿构建ev辅助服务参与者的筛选分类模型，得到更为准确的ev出力；基于ev辅助服务参与者的筛选分类模型构建考虑v2g辅助服务的配电网经济调度模型，有利于配电系统经济安全稳定运行。
附图说明
图1为基于电力物联网的配电网v2g辅助服务框架。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种配电网v2g辅助服务日前调度方法，包括以下步骤：
步骤1，基于电力物联网提供的历史数据，构建ev日出行模型、充放电模型、充电站模型和ev辅助服务参与者的筛选分类模型。
历史数据包括用户出行历史信息、各充电站的历史使用信息、ev电池历史使用信息、配电网区域内各馈线的运行历史信息、配电网区域内各馈线的基本信息、配网供电范围内的道路交通网信息，对历史数据进行清洗和边缘计算，构建ev日出行模型、充放电模型、充电站模型和ev辅助服务参与者的筛选分类模型。
为了充分考虑道路交通网和ev的行驶特点，更好的描述ev充放电需求与出行的关系，基于出行链结构建立ev日出行模型，具体如下：
其中，x为日出行模型，ls、ld分别为出发地和目的地的二维地理坐标，ts为出发时刻，tp为到达目的地后的停车时长，单位为小时，
其中，pv＝[rv,ρv,mv,tv]，
用户通过某一路段的行驶时长tr为，
其中，mr为路段长度，单位为km，
始末点间的行驶时长tv＝∑tr。
ev日出行有
其中，xu为第u次出行模型，ls,u、ld,u分别为出发地和目的地的二维地理坐标，ts,u为第u次出行出发时刻，tp,u为第u次出行到达目的地后的停车时长，
当用户改变行程时，对ev日出行模型进行修正，具体如下：
若第u次出行，在达到原先目的地之前在某地lt停留tl，则第u次出行模型的ld,u为lt、tp,u为tl、
若第u次出行，取消原有目的地，直接前往第u 1次出行目的地，则第u次出行模型的ld,u为ld,u 1、tp,u为tp,u 1、
充放电模型用车辆类型、电池状态和充放电功率等描述，具体如下：
ev＝[type,bc,pc,pdc,wc,soc]
其中，type为ev的类型，取1表示私家车，取2表示出租车，bc为ev的额定电池容量，单位为kw·h，pc、pdc分别为ev的充、放电功率，单位为kw，wc为ev的每公里耗电量，单位为kw·h，soc为ev电池的荷电状态；
约束条件：
a)ev电池充放电等式约束：
其中，socn,t为第n辆ev在t时段的电池荷电状态，socn,t 1为第n辆ev在t 1时段的电池荷电状态，η为充、放电效率，δt为一个时段的时长，sn,t为第n辆ev在t时段的成功放电状态，取0时表示第n辆ev在第t个时段仅接入电网但无电能交互，取1时表示第n辆ev在第t个时段处于充电状态，取-1时表示第n辆ev在第t个时段处于放电状态，如ev是泊车后就接入电网，则sn,t初始值为0。
b)ev充、放电时段约束：
tn≤tp
ta≤t≤ta tp
其中，tn为第n辆ev的充、放电时长，ta为ev接入配电网时刻，tp为到达目的地后的停车时长。
充电站模型如下：
其中，
用户行为和ev行程均具有鲜明的时空规律性，基于电力物联网提供的历史数据，通过用户行为和ev行程的知识提取，筛选出参与v2g辅助服务的ev集合；根据ev接入充电站位置的历史信息，将ev进行空间分类，进一步减少计算量。筛选分类模型：将具备调度能力和用户参与意愿的ev筛选出来，将从同一充电站获电的筛选出的ev归为一类；具体过程如下：
s1)ev调度能力筛选：定义可调度系数a为ev的单次接入时长tp和最短充电时长tcmin的比值，用a值衡量ev进行有序充放电辅助服务的能力；而在实际中，a略大于1的ev进行有序充放电辅助服务的能力有限，不参与v2g，且按最大充电功率充电至满足要求，故这里设a≥1.8的ev有参与经济调度的可能性，将它们初选为具备调度能力的ev集合s1。
s2)用户参与意愿筛选：在步骤1的基础上，根据集合s1中用户参与v2g的历史情况确定其参与意愿，进一步筛选出有意愿参与有序充放电辅助服务的ev集合，即具备用户参与意愿的ev集合s2。
s3)ev接入空间分类：根据历史ev接入电网充电位置情况，将步骤2得到的集合s2进行分类，使从同一充电站获电的ev归为一类，用s2＝{{ss1}，…，{ssm}，…，{ssm}}表示，其中m为充电站数量。
步骤2，基于ev日出行模型、充放电模型、充电站模型和ev辅助服务参与者的筛选分类模型，构建考虑v2g辅助服务的配电网经济调度模型。
配电网经济调度模型包括上层模型和下层模型，上层模型从电网降损、ev用户成本削减和削峰填谷三方面出发，优化集合ssm充放电功率和各电压调节设备(如电容器组、有载调压变压器等)的工作状态，下层模型从减少ev的充放电状态转换次数出发，进一步将集合ssm的充放电功率分解至其内所有ev。
上层模型：
将电网网损成本、ev用户成本和系统总负荷均方差加权求和得到上层优化目标为：
其中，w1、w2、w3为权重因子，w1 w2 w3＝1，flossmax、fevmax、flvmax分别为计算周期内ev无序充电情况下floss、fev和flv的最大值，floss为网损成本，fev为筛选分类模型筛选出的ev集合(即ev集合s2)充放电功率成本，flv为系统总负荷均方差。
其中，
约束条件：
a)传统配电网的功率平衡约束：
其中，pgi(t)、qgi(t)分别为t时段内节点i处电源的有功出力和无功出力，pli(t)、qli(t)分别为t时段内节点i处负荷消耗的有功和无功功率，pdgi(t)、qdgi(t)分别为t时段内节点i处分布式电源注入的有功功率和无功功率，qci(t)为t时段内节点i处无功补偿设备的无功出力，vi(t)为t时段内节点i电压值，nb为配电网中的节点数目，gij、bij分别为支路ij的电导和电纳，δij为节点i与j的电压相角差；
b)支路潮流约束：
iij(t)≤iij,max
其中，iij(t)为t时段内支路ij的电流，iij,max为支路ij的电流上限；
c)节点电压约束：
vi，min≤vi(t)≤vi，max
其中，vi，min、vi，max分别为节点i电压的下限和上限；
d)电容器投切容量约束和有载调压变压器分接头调节约束：
其中，qc(t)为t时段内第c组电容器组投切容量，
e)第m类集合ssm各时段充放电功率需满足约束：
其中，pc、pdc分别为ev的充、放电功率，η为充、放电效率，n1为筛选分类模型分类出的第m类集合ssm中的ev数量，n2为ssm中充电的ev数量；
f)充电站内车位约束：
ns-np≥0
其中，ns、np分别为充电站可容纳充放电车位总数和各时段被占据车位的数量；
g)考虑离散调压设备全天动作次数约束以及相邻时段动作次数约束；
下层模型：
以ev集合s2内ev的充放电状态转换次数最少及集合ssm内ev与整体调度偏差最小为目标进行优化，目标函数如下：
minf＝w4f1 w5f2
其中，w4、w5为权重因子，w4 w5＝1，f1为筛选分类模型筛选出的ev集合内ev的充放电转换次数，f2为ssm内ev与整体调度偏差；
其中，n为筛选分类模型筛选出的ev集合内ev的数量，m为充电站数量，sn,t为第n辆ev在t时段的成功放电状态，sn,t 1为第n辆ev在t 1时段的成功放电状态，γm,n为第n辆ev相对于第m个充电站的位置标识位。
约束条件：
a)ev电池功率安全约束：
socmin≤socn,t≤socmax
其中，socn,t为第n辆ev在t时段的电池荷电状态，socmin、socmax分别为ev电池荷电状态的下限和上限；
b)ev电池的充放电功率约束和调度时段约束：
tn≤tp
ta≤t≤ta tp
其中，tn为第n辆ev的充、放电时长，ta为ev接入配电网时刻，tp为到达目的地后的停车时长；
c)为延长电池使用寿命，一天内每辆ev在联网无充放电、联网充电和联网放电三种状态间的切换不超过阈值，阈值设置为5次，即
步骤3，基于电力物联网的实时数据和配电网经济调度模型，获取日前调度数据。
ev兼具移动负荷和储能电源的特质，其合理利用可增强电网控制能力，实现电网和用户的双赢。上述方法从泛在电力物联网提供的信息中挖掘ev的v2g辅助服务能力和特征，对ev辅助服务参与者进行筛选和分类，基于此建立了以降低用户充电成本、网损成本和负荷峰谷差为目标的两层优化调度模型，考虑了ev自身意愿和行为规律，利于系统安全稳定运行。ev的v2g辅助服务可以有效降低负荷峰谷差和系统网损，缓解线路的电压越限，提高系统运行经济性，是电网控制的有效途径，且ev的参与度越大，其控制能力越强。
本发明是一种配电网v2g辅助服务日前调度方法，实现配电网经济安全运行，解决配电网在调度过程中忽略ev自身意愿和行为规律的技术问题；相较于当前配电网v2g辅助服务日前调度方法，本发明构建ev日出行模型、充放电模型和充电站模型，描述ev时、空间特性和负荷特性；根据ev的v2g能力和ev用户的参与意愿构建ev辅助服务参与者的筛选分类模型，得到更为准确的ev出力；基于ev辅助服务参与者的筛选分类模型构建考虑v2g辅助服务的配电网经济调度模型，有利于配电系统经济安全稳定运行。
如图1所示，基于电力物联网(iote)的配电网v2g辅助服务框架，iote技术架构分为感知层、网络层、平台层和应用层。感知层通过终端设备实时采集配电网运行、用户出行、交通情况和环境等数据。网络层通过有线网、无线网等基础网络设施，将感知层采集的数据进行处理并传输至平台层。平台层基于其存储的海量电网运行数据、用户侧数据和其他系统数据，实现各类数据的统一化存储、管理以及信息互联共享。上述方法设置在应用层中，基于平台层提供的数据支持，对用户出行历史信息、各充电站的历史使用信息、ev电池历史使用信息、配电网区域内各馈线的基本信息和运行历史信息、配网供电范围内的道路交通网信息等进行数据挖掘，建立ev出行模型、充放电模型、充电站模型和ev辅助服务参与者的筛选分类模型，构建考虑v2g辅助服务的配电网经济调度模型，得到日前调度数据，从而充分利用ev的双向可调节能力。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行配电网v2g辅助服务日前调度方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行配电网v2g辅助服务日前调度方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，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，均包含在申请待批的本发明的权利要求范围之内。
1.一种配电网v2g辅助服务日前调度方法，其特征在于：包括，
基于电力物联网提供的历史数据，构建ev日出行模型、充放电模型、充电站模型和ev辅助服务参与者的筛选分类模型；
基于ev日出行模型、充放电模型、充电站模型和ev辅助服务参与者的筛选分类模型，构建考虑v2g辅助服务的配电网经济调度模型；
基于电力物联网的实时数据和配电网经济调度模型，获取日前调度数据。
2.根据权利要求1所述的一种配电网v2g辅助服务日前调度方法，其特征在于：ev日出行模型为，
其中，x为日出行模型，ls、ld分别为出发地和目的地的二维地理坐标，ts为出发时刻，tp为到达目的地后的停车时长，
3.根据权利要求2所述的一种配电网v2g辅助服务日前调度方法，其特征在于：ev日出行有
其中，xu为第u次出行模型，ls,u、ld,u分别为出发地和目的地的二维地理坐标，ts,u为第u次出行出发时刻，tp,u为第u次出行到达目的地后的停车时长，
4.根据权利要求3所述的一种配电网v2g辅助服务日前调度方法，其特征在于：若第u次出行，在达到原先目的地之前在某地lt停留tl，则第u次出行模型的ld,u为lt、tp,u为tl、
若第u次出行，取消原有目的地，直接前往第u 1次出行目的地，则第u次出行模型的ld,u为ld,u 1、tp,u为tp,u 1、
5.根据权利要求1所述的一种配电网v2g辅助服务日前调度方法，其特征在于：充放电模型为，
ev＝[type,bc,pc,pdc,wc,soc]
其中，type为ev的类型，bc为ev的额定电池容量，pc、pdc分别为ev的充、放电功率，wc为ev的每公里耗电量，soc为ev电池的荷电状态；
约束条件为，
tn≤tp
ta≤t≤ta tp
其中，socn,t为第n辆ev在t时段的电池荷电状态，socn,t 1为第n辆ev在t 1时段的电池荷电状态，η为充、放电效率，δt为一个时段的时长，sn,t为第n辆ev在t时段的成功放电状态，tn为第n辆ev的充、放电时长，ta为ev接入配电网时刻，tp为到达目的地后的停车时长。
6.根据权利要求1所述的一种配电网v2g辅助服务日前调度方法，其特征在于：充电站模型为，
其中，
7.根据权利要求1所述的一种配电网v2g辅助服务日前调度方法，其特征在于：筛选分类模型将具备调度能力和用户参与意愿的ev筛选出来，将从同一充电站获电的筛选出的ev归为一类。
8.根据权利要求1所述的一种配电网v2g辅助服务日前调度方法，其特征在于：配电网经济调度模型包括上层模型和下层模型，
上层模型为，
其中，w1、w2、w3为权重因子，w1 w2 w3＝1，flossmax、fevmax、flvmax分别为计算周期内ev无序充电情况下floss、fev和flv的最大值，floss为网损成本，fev为筛选分类模型筛选出的ev集合充放电功率成本，flv为系统总负荷均方差；
其中，
约束条件，
a)传统配电网的功率平衡约束：
其中，pgi(t)、qgi(t)分别为t时段内节点i处电源的有功出力和无功出力，pli(t)、qli(t)分别为t时段内节点i处负荷消耗的有功和无功功率，pdgi(t)、qdgi(t)分别为t时段内节点i处分布式电源注入的有功功率和无功功率，qci(t)为t时段内节点i处无功补偿设备的无功出力，vi(t)为t时段内节点i电压值，nb为配电网中的节点数目，gij、bij分别为支路ij的电导和电纳，δij为节点i与j的电压相角差；
b)支路潮流约束：
iij(t)≤iij,max
其中，iij(t)为t时段内支路ij的电流，iij,max为支路ij的电流上限；
c)节点电压约束：
vi，min≤vi(t)≤vi，max
其中，vi，min、vi，max分别为节点i电压的下限和上限；
d)电容器投切容量约束和有载调压变压器分接头调节约束：
其中，qc(t)为t时段内第c组电容器组投切容量，
e)第m类集合ssm各时段充放电功率需满足约束：
其中，pc、pdc分别为ev的充、放电功率，η为充、放电效率，n1为筛选分类模型分类出的第m类集合ssm中的ev数量，n2为ssm中充电的ev数量；
f)充电站内车位约束：
ns-np≥0
其中，ns、np分别为充电站可容纳充放电车位总数和各时段被占据车位的数量；
g)考虑离散调压设备全天动作次数约束以及相邻时段动作次数约束；
下层模型为，
minf＝w4f1 w5f2
其中，w4、w5为权重因子，w4 w5＝1，f1为筛选分类模型筛选出的ev集合内ev的充放电转换次数，f2为ssm内ev与整体调度偏差；
其中，n为筛选分类模型筛选出的ev集合内ev的数量，m为充电站数量，sn,t为第n辆ev在t时段的成功放电状态，sn,t 1为第n辆ev在t 1时段的成功放电状态，γm,n为第n辆ev相对于第m个充电站的位置标识位；
约束条件为，
a)ev电池功率安全约束：
socmin≤socn,t≤socmax
其中，socn,t为第n辆ev在t时段的电池荷电状态，socmin、socmax分别为ev电池荷电状态的下限和上限；
b)ev电池的充放电功率约束和调度时段约束：
tn≤tp
ta≤t≤ta tp
其中，tn为第n辆ev的充、放电时长，ta为ev接入配电网时刻，tp为到达目的地后的停车时长；
c)一天内每辆ev在联网无充放电、联网充电和联网放电三种状态间的切换不超过阈值。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备，其特征在于：包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
技术总结