一种考虑配电网光伏接入的电动汽车充电方法与流程

本发明涉及一种考虑配电网光伏接入的电动汽车充电方法，属于配电网电动汽车接入技术领域。

背景技术：

随着城市化和工业化进程不断加快，汽车工业迅速发展，全球气候变暖日益明显。在此背景下，以节能减排为宗旨的新能源汽车技术不断取得突破，并逐步形成以能源、机电新技术为支撑，新能源为动力，包括新能源汽车整车、配套零部件、专用储能材料及相关服务在内的具有巨大市场潜力的新兴产业。

电动汽车充电基础设施的建设是加快电动汽车推广应用的重要保障，也是电动汽车发展的前提和基础。建设分布合理、安全合格的充电服务网络，才能确保电动汽车正常运行，也才能促进电动汽车产业真正形成规模。随着国家及各地有关电动汽车发展政策的陆续出台，电动汽车智能充电服务网络已初具规模。

电动汽车产业的发展带动上下游产业发展的同时也对电网安全可靠供电提出了新的要求。一方面电网为电动汽车提供必要的能量补给服务，另一方面随着电动汽车的日趋普及、保有量不断增长，电动汽车的充电需求将对电网产生影响。考虑到人们在车辆使用习惯和使用时间上的集中性，若不积极引导，势必对电网产生不利的影响，主要包括以下几个方面：

(1)电动汽车的充电服务时间、充电功率需求具有不确定性。如果大量电动汽车在峰值负荷时段集中充电，由此增加的负荷需求将会加重电力系统的负担，增加网络的损耗，甚至可能会影响正常的电力供应。

(2)电动汽车进行能量补充的地点具有不确定性。在某些区域，如果大量的充电负荷随机接入电网可能会导致局部电网电能供应紧张，这将会对电网安全稳定运行产生不利的影响，增加了维持电网正常运行的难度。

(3)充电基础设施的建设将改变配电网网络拓扑结构、增加网络节点、增加线路改造等等。原有的配电网络系统规划准则及系统运行方式可能不再适用。另外由于电动汽车充电设施中存在非线性的电力电子设备，大量接入将会对电网的电能质量带来影响。

对目前在建、正在运行的园区或者城市配电网网格区域而言，分布式光伏的出力与电动汽车的充、放电行为均具有随机性，若光伏接入与电动汽车接入的渗透率过高，将在一定时间段内引起配电网负荷急剧变化，对电网产生不可忽视的影响。在此背景下，如何协调分布式光伏的出力特性和电动汽车的负荷特性，减小分布式光伏和电动汽车的接入对配电网的影响，改善配电网的整体负荷特性，实现最大的经济和社会效益，是亟待解决的重要问题。

技术实现要素：

目的：为了克服现有技术中存在的不足，本发明公开了一种考虑配电网光伏接入的电动汽车充电方法，解决了分布式光伏和电动汽车的接入对配电网产生影响的问题。

技术方案：为解决上述技术问题，本发明采用的技术方案为：一种考虑配电网光伏接入的电动汽车充电方法，包括步骤：

步骤一，针对配电网已有的全年常规负荷时序序列与无序接入的电动汽车负荷时序序列，利用基于改进的欧式距离的k-means聚类方法，获得各个季节的迭加电动汽车负荷的典型负荷时序序列；

步骤二，利用配电网区域内已有的全年光伏出力时序序列，选取单个季节i的某个时刻d，利用该时刻的迭加电动汽车负荷的典型负荷时序序列值选取某t日的d时刻光伏出力时序序列值利用pso算法，在该光伏出力时序序列值、迭加电动汽车负荷的典型负荷时序序列值，以及区域内功率、电压的约束条件下，利用潮流计算该光伏出力时序序列值所对应的光伏最大消纳容量对于单个季节i的各个t日，重复本步骤，求解在同一时刻d不同t日光伏时序序列值所对应的光伏最大消纳容量选取其中的最小值作为时刻d的第j个场景下典型负荷时序序列值的光伏最大消纳容量

步骤三，对于单个季节i的各个时刻d，重复步骤二，求解在不同时刻d所对应的光伏最大消纳容量选取其中的最小值作为单个季节迭加电动汽车负荷的典型负荷时序序列ci,j的光伏最大消纳容量gi,j；

步骤四，对于不同场景下的迭加电动汽车负荷的典型负荷时序序列ci,j，重复步骤二至三，计算不同典型负荷时序序列ci.j下对应的配电网光伏最大消纳容量gi,j，再从中选取最小值作为该季节全天光伏可接入的最大消纳容量gi；

步骤五，针对不同季节的典型负荷时序序列，重复步骤二至四，从而获得四季各自对应的光伏可接入的最大消纳容量gi以及对应的叠加电动汽车负荷的典型日负荷时序序列，通过扣减该季节的典型日负荷时序序列ci，获得与光伏可接入最大消纳容量gi相对应的电动汽车充电曲线ei；

步骤六，将电动汽车充电曲线ei作为电动汽车目标负荷曲线，通过拟定分时电价的定价策略以及激励政策，引导电动汽车有序接入，使得该季节的电动汽车负荷曲线接近目标负荷曲线。

进一步的，获得各个季节的迭加电动汽车负荷的典型负荷时序序列，包括步骤：

1)对第i季节配电网常规负荷时序序列μi进行k-means聚类，形成k个聚类中心k为μi的聚类总数，设第个类中包含的日负荷时序序列数为则对于第个类，其聚类中心的计算公式为：

式中，代表在第个类中第τ个日负荷时序序列，为第i个季节第个类中第τ个日负荷时序序列第d个时刻的配电网负荷；

μi＝[μi,1,μi,2,…,μi,ψ,…,μi,ψ]^t，i＝1,2,3,4，为第i个季节第ψ天配电网日负荷时序序列，d为单个时刻，d为一天的总时刻数，d＝1,2,…,d，ψ为某一季中的某一天，ψ为某一季的总天数，ψ＝1,2,…,ψ，为第i个季节第ψ天第d个时刻的配电网负荷；

针对获得的各个聚类中心，计算各个聚类中心的日平均负荷率，该计算公式为：

式中，为聚类中心序列的日平均负荷率；为第i个季节的第个聚类中心序列的d时刻配电网负荷数据。

选取日平均负荷率最高的聚类中心序列作为该季节的典型日负荷时序序列，表示为；

ci表示第i个季节的典型日负荷时序序列，表示第i个季节第d个时段的典型日负荷时序序列值；

2)采用基于改进的欧氏距离的k-means算法对第i季度的电动汽车负荷时序序列evi进行聚类，形成与不同典型电动汽车充电场景相对应的典型电动汽车负荷时序序列j代表电动汽车负荷序列的不同聚类中心的序号，j＝1,2,……，s，s为电动汽车负荷时序序列聚类总数，为第i个季节第j个电动汽车负荷时序序列聚类中心的第d个时刻电动汽车的负荷值；将典型电动汽车负荷时序序列与配电网典型日负荷时序序列进行迭加，形成迭加电动汽车负荷的典型负荷时序序列ci,j，其中：

ci,j为第i个季节第j个电动汽车负荷序列聚类中心的迭加电动汽车负荷的典型负荷时序序列；为第i个季节第j个电动汽车负荷序列聚类中心的第d个时刻配电网负荷中迭加电动汽车负荷的典型负荷时序序列值；

进一步的，所述改进的欧氏距离，计算过程包括步骤：

1)将第i季的典型日负荷时序序列和第i季第ψ天的电动汽车负荷时序序列evi,ψ，转换成斜率组成的斜率典型负荷时序序列ci'与斜率电动汽车负荷时序序列evi',ψ：

式中，δt＝ttotal/d，ttotal为一天总时长，δt为数据记录时间间隔，为第i个季节第d个时刻的典型负荷时序序列的斜率值，为第i个季节第ψ天第d个时刻的电动汽车负荷时序序列的斜率值；第i季的电动汽车负荷时序序列为evi＝[evi,1,evi,2,…,evi,ψ,…,evi,ψ]^t，第i个季节第ψ天第d个时刻的电动汽车负荷；

2)将斜率典型负荷时序序列ci'与斜率电动汽车负荷时序序列ev'i,ψ依据时间序列的模式h的评估标准，形成典型负荷模式序列hci与电动汽车负荷模式序列hevi,ψ：

式中，hci为第i个季节典型负荷模式序列，hevi,ψ为第i个季节第ψ天电动汽车负荷模式序列，为第i个季节第d个时刻的典型负荷模式序列值，为第i个季节第ψ天第d个时刻的电动汽车负荷模式序列值；h＝{-3，-2，-1,0,1,2,3}分别用以表示{快速下降，保持下降，平稳下降，水平，缓慢上升，保持上升，快速上升}；

式中，εcl、εcm、εch分别为缓慢上升、保持上升、快速上升的负荷阈值；

式中，εel、εem、εeh分别为缓慢上升、保持上升、快速上升的电动汽车负荷阈值；

3)计算电动汽车负荷时序序列evi,ψ与典型日负荷时序序列ci的时序斜率距离dk(evi,ψ,ci)为：

式中，kd为分段斜率距离，其计算公式为：

4)利用式(10)修正传统的欧式距离，对于电动汽车负荷时序序列evi,ψ、evi,n，考虑时序相关性的聚类距离为：

式中，evi,n表示第i季节第n天的电动汽车负荷时序序列，n为一个季节中的某一天；λt是电动汽车与负荷相关性的权重系数。

进一步的，利用潮流计算该光伏出力时序序列值所对应的光伏最大消纳容量计算步骤包括：

1)设置评估区域内光伏最大消纳容量的目标函数，目标函数为：

式中，f为评估区域内光伏消纳容量，xl为区域内第l个电网变电站节点的接入的光伏总容量，n为区域内节点总数,l＝1,2,…,n；该目标函数的约束条件如下：

式中，ps、pl、pload、ploss分别代表区域内电源点供电有功出力、第l个节点的光伏出力，区域内的总负荷和总网损；vl为第l个节点的电压值，vlmin和vlmax分别为第l个节点的最小允许电压值和最大允许电压值，iz为第z条线路的电流值，izmax为第z条线路的最大热稳定电流限值；pst代表区域内变电站主变升压或者降压的有功功率值，smax为变电站主变容量，cosθ为主变功率因数；

2)根据目标函数，采用粒子群算法求解区域内光伏最大消纳容量。

进一步的，根据目标函数，采用粒子群算法求解区域内光伏最大消纳容量，包括步骤：

21)初始化：

设置粒子数为n，则对于第l个节点初始生成光伏接入容量的数组[xl,1,xl,2,…,xl,ξ,…,xl,n]^t，式中，xl,ξ代表第l个节点的第ξ个光伏接入容量值,ξ＝1,2,…,n；

对整个区域，形成一个光伏接入容量方案的矩阵，如下：

式中，gξ(x)为初始状态下整个区域第ξ个光伏接入方案；

针对全天的某一时刻d，利用已获得的该时刻的迭加电动汽车负荷的典型负荷时序序列选取某t日的d时刻光伏出力时序序列值对n个光伏接入方案进行潮流计算，获得目标函数所对应的全局最优光伏接入初始方案：

gbest-ini(x)＝[xbest-ini,1,…,xbest-ini,l,…,xbest-ini,n-1](15)

式中，xbest-ini,l表示第l个节点的全局最优光伏接入容量初始值；

22)依据初始方案和下述的更新公式(17、18)对区域内的第m次迭代光伏接入容量方案矩阵{g1[x(m)],…,gξ[x(m)],…,gn[x(m)]}^t进行更新，该式中，gξ[x(m)]代表第m次迭代过程整个区域第ξ个的光伏接入方案，第m次迭代光伏接入容量方案矩阵如下：

式中，代表第m次迭代过程中第l个节点第ξ个光伏接入容量；

设xl,ξ(m)和vl,ξ(m)分别为第m次迭代时第l个节点可接入的第ξ个光伏容量值以及其变化量，则第l个节点的光伏容量值及其变化量的更新公式表示为：

vl,ξ(m+1)＝χ[vl,ξ(m)+c1r1(xbest,l(m)-xl,ξ(m))+c2r2(xbest,l(m)-xl,ξ(m))](17)

xl,ξ(m+1)＝xl,ξ(m)+vl,ξ(m+1)(18)

式中，m为当前的迭代次数；c1、c2为加速常数；r1、r2为0～1均匀分布的随机数；xbest,l(m)为第m次迭代时刻的区域光伏接入最优方案gbest[x(m)]中第l个节点接入的光伏容量：

gbest[x(m)]＝[xbest,1(m),…,xbest,l(m),…,xbest,n-1(m)]；

xbest,l(m)为全局光伏接入最优方案gbest中第l个节点接入的光伏容量：

gbest＝[xbest,1(m),…,xbest,l(m),…,xbest,n-1(m)]；

χ为压缩因子，取决于加速常数，其计算公式为：

若第m次迭代后的区域光伏接入最优方案gbest[x(m)]所对应的目标函数值大于全局最优方案gbest对应的目标函数值，则将全局最优方案替代为：gbest＝gbest[x(m)]；

23)重复步骤22)，依据xl,ξ(m)和vl,ξ(m)的更新公式进行迭代计算，获得gbest[x(m)]，并与gbest比较，不断更新全局光伏接入最优方案；若迭代达到最大次数，全局光伏接入最优方案均未发生变化或者超过迭代次数上限，退出迭代，输出全局最优的光伏接入方案gbest；

则gbest的最终输出结果为：

24)该区域针对已获得的d时刻的迭加电动汽车负荷的典型负荷时序序列以及某t日的d时刻光伏出力时序序列值求解到的最大光伏消纳容量为：

式中，表示第l个节点依据第i个季节的第j个场景下典型负荷的第d个时刻的序列值以及第i个季节的t日的d时刻光伏出力时序序列值的条件下迭代获得的最大光伏消纳容量。

进一步的，基于已确定的电动汽车负荷曲线ei拟定分时电价的定价策略，包括步骤：

基于已确定的电动汽车负荷曲线ei确定充电负荷高峰时段与低谷时段，将电动汽车负荷水平的高峰区段作为低谷电价的定价时段，将电动汽车负荷水平的低谷区段作为高峰电价的定价时段，其余时段作为平段电价：

式中，为电价系数，λv为低谷系数；λ0为平段系数；λp为高峰系数，为第i个季节目标电动汽车负荷曲线t时刻的负荷水平；eh为高峰负荷水平阈值，el为低谷负荷水平阈值；

设定不同的充电电价，引导用户有序充电：

式中，p(t)为分时电价，p0为基础电价。

本发明的有益效果：本发明可以利用已有的全年常规负荷水平(也可称为时序序列)与无序接入的电动汽车负荷时序序列，利用考虑“电动汽车-负荷”时序相关性的聚类算法，得到迭加电动汽车负荷的典型负荷水平，并利用已知的地区光伏出力数据，并对区域内电网光伏最大消纳容量进行详尽的计算模拟，模拟出与最大光伏消纳容量相对应的电动汽车充电典型曲线，该曲线可以为制定分时电价引导电动汽车有序充电提供有利指导。

附图说明

图1为本发明具体实施方式中的一种充电方法流程图；

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，一种考虑配电网光伏接入的电动汽车充电方法，包括如下步骤：

步骤一：针对配电网已有的全年常规负荷时序序列与无序接入的电动汽车负荷时序序列，利用考虑“电动汽车-负荷”时序相关性的k-means聚类方法，筛选出配电网负荷中迭加电动汽车负荷的典型负荷时序序列值d为全天的某个时刻；i＝1,2,3,4，i代表四季中的某个季节；j代表电动汽车负荷时序序列的聚类结果序号；

所述步骤一中考虑“电动汽车-负荷”时序相关性的k-means聚类方法，筛选出配电网负荷中迭加电动汽车负荷的典型负荷时序序列值的具体过程为：

1)以全年为维度，将配电网全年的常规负荷数据划分为四个维度：春夏秋冬。设其中第i个季节的配电网常规负荷时序序列为μi＝[μi,1,μi,2,…,μi,ψ,…,μi,ψ]^t(i＝1,2,3,4代表一年四季，为第i季节第ψ天配电网日负荷时序序列，d为单个时刻，d为一天的总时刻数，d＝1,2,…,d，ψ为某一季中的某一天，ψ为某一季的总天数，ψ＝1,2,…,ψ，为第i个季节第ψ天第d个时刻的配电网负荷。

2)对第i季配电网常规负荷时序序列μi进k-means聚类，最终形成k个类，每个类对应一个聚类中心k为μi聚类总数，一个聚类中有多个日负荷时序序列μi,ψ，设第个类中包含的日负荷时序序列数为则对于第个类，其聚类中心的计算公式为：

式中，代表在第个类中第τ个日负荷时序序列，为第i个季节第个类中第τ个日负荷时序序列第d个时刻的配电网负荷；聚类中心是一个日负荷时序序列；

针对获得的各个聚类中心，计算各个聚类中心的日平均负荷率，该计算公式为：

式中，为聚类中心序列的日平均负荷率；为第i个季节的第个聚类中心序列的d时刻配电网负荷数据。

在计算各聚类中心的日平均负荷率后，选取日平均负荷率最高的聚类中心序列作为该季节的典型日负荷时序序列，表示为；

ci表示第i个季节的典型日负荷时序序列，表示第i个季节第d个时段的典型日负荷时序序列值；

3)与全年常规负荷时序序列的划分相对应，以全年为维度，将全年的电动汽车负荷数据划分为四个维度：春夏秋冬。设其中一季的电动汽车负荷时序序列为evi＝[evi,1,evi,2,…,evi,ψ,…,evi,ψ]^t，其中，evi,ψ为第i个季节第ψ天电动汽车负荷时序序列，第i个季节第ψ天第d个时刻的电动汽车负荷。

4)对于2)获得的第i季的典型日负荷时序序列和步骤3)获得的电动汽车负荷时序序列evi,ψ，将其转换成斜率组成的斜率典型负荷时序序列ci'与斜率电动汽车负荷时序序列ev'i,ψ，即：

式中，δt＝ttotal/d，ttotal为一天总时长，单位为分钟，δt为数据记录时间间隔，为第i个季节第d个时刻的典型负荷时序序列的斜率值，为第i个季节第ψ天第d个时刻的电动汽车负荷时序序列的斜率值。一般数据是24小时每隔5分钟记录一次，那么ttotal就是24*60，d就是288，δt就是5；

5)时间序列的模式用以描述时间序列的变化趋势，时间序列的模式h＝{-3，-2，-1,0,1,2,3}分别用以表示{快速下降，保持下降，平稳下降，水平，缓慢上升，保持上升，快速上升}。将斜率典型负荷时序序列ci'与斜率电动汽车负荷时序序列ev'i,ψ依据h的评估标准，形成典型负荷模式序列hci与电动汽车负荷模式序列hevi,ψ，即：

式中，hci为第i个季节典型负荷模式序列，hevi,ψ为第i个季节第ψ天电动汽车负荷模式序列，为第i个季节第d个时刻的典型负荷模式序列值，为第i个季节第ψ天第d个时刻的电动汽车负荷模式序列值；

式中，以及的评估过程如下：

式中，为第i个季节第d个时刻的典型负荷时序序列的斜率值，εcl、εcm、εch分别为缓慢上升、保持上升、快速上升的负荷阈值；

式中，为第i个季节第ψ天第d个时刻的电动汽车负荷时序序列的斜率值，εel、εem、εeh分别为缓慢上升、保持上升、快速上升的电动汽车负荷阈值；

6)因此电动汽车负荷时序序列evi,，ψ与典型负荷时序序列ci的时序斜率距离dk(evi,，ψ,ci)为：

式中，kd为分段斜率距离，其计算公式为：

利用式(10)修正传统的欧式距离，即对于电动汽车负荷时序序列evi,，ψ、evi,n，其考虑时序相关性的聚类距离为：

式中，evi,n表示第i季节第n天的电动汽车负荷时序序列，n为一个季节中的某一天；λt是电动汽车与负荷相关性的权重系数。

7)利用式(10)替代传统欧式距离，采用基于修正的欧氏距离的k-means算法对第i季度的电动汽车负荷时序序列evi进行聚类，形成与不同典型电动汽车充电场景相对应的典型电动汽车负荷时序序列(j代表电动汽车负荷序列的不同聚类中心的序号，也代表第j个典型电动汽车充电场景，j＝1,2,……，s，s为电动汽车负荷序列聚类总数)，为第i个季节第j个电动汽车负荷时序序列聚类中心的第d个时刻电动汽车的负荷值，聚类过程同上，在此不再赘述。并将典型电动汽车负荷时序序列与配电网典型日负荷时序序列进行迭加，形成迭加电动汽车负荷的典型负荷时序序列即：

ci,j为第i个季节第j个电动汽车负荷序列聚类中心的迭加电动汽车负荷的典型负荷时序序列；为第i个季节第j个电动汽车负荷序列聚类中心的第d个时刻配电网负荷中迭加电动汽车负荷的典型负荷时序序列值；

步骤二：利用区域内已有的全年光伏出力时序序列(其中i＝1,2,3,4代表一年四季，t代表某个季节的某日)，选取某个季节i的某个时刻d，利用在步骤一中已获得的该时刻的迭加电动汽车负荷的典型负荷时序序列选取某t日的d时刻光伏出力时序序列值利用pso(粒子群)算法，在该光伏出力时序序列值以及迭加电动汽车负荷的典型负荷时序序列值以及区域内功率、电压的约束条件下，利用潮流计算该光伏出力时序序列值所对应的光伏最大消纳容量对于单个季节i的各个t日，重复本步骤，求解在同一时刻d不同t日光伏时序序列值所对应的光伏最大消纳容量选取其中的最小值作为时刻d的第j个场景下典型负荷时序序列的光伏最大消纳容量

所述利用pso算法，在该光伏出力时序序列值以及迭加电动汽车负荷的典型负荷时序序列值，以及区域内功率、电压的约束条件下，利用潮流计算该光伏出力时序序列值所对应的光伏最大消纳容量具体步骤包括：

1)设置评估区域内光伏最大消纳容量的目标函数，目标函数为：

式中，f为评估区域内光伏消纳容量，xl为区域内第l个电网变电站(环网柜)节点的接入的光伏总容量，n为区域内节点总数(含上级电源点),l＝1,2,…,n。

该目标函数的约束条件如下：

式中，ps、pl、pload、ploss分别代表区域内电源点供电有功出力、第l个节点的光伏出力，区域内的总负荷和总网损。vl为第l个节点的电压值，vlmin和vlmax分别为第l个节点的最小允许电压值和最大允许电压值，iz为第z条线路的电流值，izmax为第z条线路的最大热稳定电流限值。pst代表区域内变电站主变升压或者降压的有功功率值，pst＞0代表变电站主变降压，pst＜0代表主变升压倒送，smax为变电站主变容量，cosθ为主变功率因数，θ为变电站电压与电流的相位差。

2)采用粒子群算法(pso)求解区域内光伏最大消纳容量。

21)初始化

设置粒子数为n，则对于第l个节点初始生成光伏接入容量的数组

[xl,1,xl,2,…,xl,ξ,…,xl,n]^t，式中，xl,ξ代表第l个节点的第ξ个光伏接入容量值,ξ＝1,2,…,n。容量就是每个光伏接入点需要接入多大的光伏，这个值一开始是初始值，是随机的，后续会通过pso算出这个值；容量乘以典型光伏出力曲线就是光伏出力。

对整个区域，形成一个的光伏接入容量方案的矩阵，如下：

式中，gξ(x)为初始状态下整个区域第ξ个光伏接入方案。

针对全天的某一时刻d，用在步骤一中已获得的该时刻的迭加电动汽车负荷的典型负荷时序序列选取某t日的d时刻光伏出力时序序列值对n个光伏接入方案进行潮流计算，获得目标函数所对应的全局最优光伏接入初始方案：

gbest-ini(x)＝[xbest-ini,1,…,xbest-ini,l,…,xbest-ini,n-1](15)

式中，xbest-ini,l表示第l个节点的全局最优光伏接入容量初始值。

22)依据初始方案和下述的更新公式(17、18)对区域内的第m次迭代光伏接入容量方案矩阵{g1[x(m)],…,gξ[x(m)],…,gn[x(m)]}^t进行更新，该式中，gξ[x(m)]代表第m次迭代过程整个区域第ξ个的光伏接入方案，第m次迭代光伏接入容量方案矩阵如下：

式中，代表第m次迭代过程中第l个节点第ξ个光伏接入容量。

设xl,ξ(m)和vl,ξ(m)分别为第m次迭代时第l个节点可接入的第ξ个光伏容量值以及其变化量，则第l个节点的光伏容量值及其变化量的更新公式可表示为：

vl,ξ(m+1)＝χ[vl,ξ(m)-c1r1(xbest,l(m)-xl,ξ(m))+c2r2(xbest,l(m)-xl,ξ(m))](17)

xl,ξ(m+1)＝xl,ξ(m)+vl,ξ(m+1)(18)

式中，m为当前的迭代次数；c1、c2为加速常数；r1、r2为0～1均匀分布的随机数；xbest,l(m)为第m次迭代时刻的区域光伏接入最优方案gbest[x(m)]中第l个节点接入的光伏容量：

gbest[x(m)]＝[xbest,1(m),…,xbest,l(m),…,xbest,n-1(m)]；

xbest,l(m)为全局光伏接入最优方案gbest中第l个节点接入的光伏容量：

gbest=[xbest,1(m),…,xbest,l(m),…,xbest,n-1(m)]；

χ为压缩因子，取决于加速常数，其计算公式为：

若发现第m次迭代后的区域光伏接入最优方案gbest[x(m)]所对应的目标函数值大于全局最优方案gbest对应的目标函数值，则将全局最优方案替代为：gbest=gbest[x(m)]。

23)重复步骤22)，依据xl,ξ(m)和vl,ξ(m)的更新公式进行迭代计算，获得gbest[x(m)]，并与gbest比较，不断更新全局光伏接入最优方案。若迭代达到最大次数(例如10次)，全局光伏接入最优方案均未发生变化或者超过迭代次数上限，退出迭代，输出全局最优的光伏接入方案gbest。

则gbest的最终输出结果为：

3)该区域针对已获得的d时刻的迭加电动汽车负荷的典型负荷时序序列以及某t日的d时刻光伏出力时序序列值求解到的最大光伏消纳容量为：

式中，表示第l个节点依据第i个季节的第j个场景下典型负荷的第d个时刻的序列值以及第i个季节的t日的d时刻光伏出力时序序列值的条件下迭代获得的最大光伏消纳容量。n代表一个区域内的节点数。

对于单个季节i的各个t日，重复本步骤，求解在同一时刻d不同t日光伏时序序列值所对应的光伏最大消纳容量选取其中的最小值作为时刻d的第j个场景下典型负荷时序序列的光伏最大消纳容量

步骤三：对于单个季节i的各个时刻d，重复步骤二，求解在不同时刻d所对应的光伏最大消纳容量选取其中的最小值作为单个季节第j个场景下典型负荷水平ci,j的光伏最大消纳容量gi,j。

步骤四：对于不同场景下的迭加电动汽车负荷的典型负荷时序序列ci,j，重复步骤二至三，计算不同典型负荷时序序列ci.j下对应的配电网光伏最大消纳容量gi,j，再从中选取最小值作为该季节全天光伏可接入的最大消纳容量gi。

步骤五：针对不同季节的典型负荷时序序列，重复步骤二至四，从而获得四季各自对应的光伏可接入的最大消纳容量gi以及对应的叠加电动汽车负荷的典型日负荷时序序列，通过扣减该季节的典型日负荷时序序列ci，获得与光伏可接入最大消纳容量gi相对应的电动汽车充电曲线ei。

步骤六：将电动汽车充电曲线ei作为电动汽车目标负荷曲线，通过拟定分时电价的定价策略以及激励政策，引导电动汽车有序接入，使得该季节的电动汽车负荷曲线接近目标负荷曲线。

所述步骤六中拟定分时电价的定价策略，具体步骤包括：

1)基于已确定的电动汽车充电负荷曲线ei确定电动汽车负荷水平的高峰时段与低谷时段，将电动汽车负荷水平的高峰区段作为低谷电价的定价时段，将电动汽车负荷水平的低谷区段作为高峰电价的定价时段，其余时段作为平段电价时段：

式中，为电价系数，λv为低谷系数，通常小于1；λ0为平段系数，通常为1；λp为高峰系数，通常大于1。为第i个季节d时刻目标电动汽车负荷时序序列值；eh为电动汽车高峰负荷水平阈值，el为电动汽车低谷负荷水平阈值。

2)设定分时电价策略，利用步骤1)中获得的高峰、低谷、平段的电价时段，设定不同的充电电价，引导用户有序充电：

式中，p(d)为d时刻的分时电价，p0为基础电价。

综上所述，本发明可以利用已有的全年常规负荷水平(也可称为时序序列)与无序接入的电动汽车负荷时序序列，利用考虑“电动汽车-负荷”时序相关性的聚类算法，得到迭加电动汽车负荷的典型负荷水平，并利用已知的地区光伏出力数据，并对区域内电网光伏最大消纳容量进行详尽的计算模拟，模拟出与最大光伏消纳容量相对应的电动汽车充电典型曲线，该曲线可以为制定分时电价引导电动汽车有序充电提供有利指导。

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。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。