1.一种基于粒子群算法的电动汽车有序充放电动态优化策略，其特征是，它包括以下步骤：

1、建立电动汽车充电负荷模型

1)根据出行数据对用户的出行规律进行高斯拟合，得到电动汽车接入/离开电网时间的概率密度函数(Probability Density Function,PDF)，见式(1)，式中a、b、c分别为高斯曲线的峰值、峰值位置和半宽度信息；

2)将一天24小时均分为96个时间段，则车辆的停车时长表示为：式中tpark,k为车辆EVk的停车时长；tin,k、tout,k分别为EVk的接入电网时间和离开电网时间，电动汽车的实际所需充电时长为：式中tc,k为车辆EVk的实际所需充电时长；SOCk,e为该EV用户的SOC期望值；SOCk,0为车辆EVk的初始SOC；Ck为车辆EVk的电池容量，单位为kW·h；ηc为充电效率；Pk为车辆EVk的充放电功率，单位为kW，乘数4代表将tc,k换算成间隔为15min的时间段；

3)引入充放电控制系数：

Xk＝zeros[xk,1,xk,2,...,xk,96]             (4)式中Xk为车辆EVk充放电控制系数的集合，其元素xk,1～xk,96为电动汽车每个时段的充放电控制系数，用来控制车辆EVk每个时段的充放电行为及充放电功率值，控制规则为式(5)；zeros表示Xk初始化为零向量，

2、建立电动汽车充放电优化算法模型

1)目标函数

电动汽车循环充放电会带来电池退化问题，表述式为式(6)，式中 为车辆EVk在t时段的电池退化成本，单位为元/kW·h；Bk为电池寿命与循环B

次数之间的线性关系系数；χk,t为车辆EVk在t时段的循环充放电电量，单位为kW·h；C为电池更换成本，单位为元；

考虑电池循环充放电成本后，以车辆EVk的充放电成本最低为目标函数1：式中fk,1为考虑电池损耗后车辆EVk的充放电成本，元；St为t时段的充放电电价，元/kW·h；Scp、Scf、Scv分别为峰时段、平时段、谷时段的充电电价，单位为元/kW·h；Sdp、Sdf、Sdv分别为峰时段、平时段、谷时段的放电电价，单位为元/kW·h；

为满足用户的出行需求，以电动汽车所充的电量最多为目标函数2：式中fk,2为车辆EVk充放电完成后的SOC；SOC0,k为车辆EVk的初始SOC，基于线性加权和法，将目标函数fk,1、fk,2进行规范化处理，见式(9)，式中fk为车辆EVk的多目标优化函数； 分别为单目标函数fk,1、fk,2的最大值；

λk,1、λk,2分别为单目标函数fk,1、fk,2的优化权重；

2)约束条件

①充放电功率约束

式中PC,k,t、PDC,k,t分别为车辆EVk在t时段的充电功率和放电功率；PCmax,t、PDCmax,t分别为电动汽车充功率和放电功率允许的最大值；

②电池可用容量约束

式中SOCk,t为车辆EVk在t时段的SOC；为保证电池的使用寿命，任意时段电池SOC可用容量的上、下限SOCmax、SOCmin，通常分别取1和0.3；

③变压器容量约束

式中N为接入电网中的EV数量；Pload,t为时段t内电网中的基础负荷，kW；ST为变压器容量限值；

④用户出行需求约束

为保证用户的出行需求，用户离开时的SOCf,k应不低于用户设置的期望值SOCk,e，且电量不超过电池容量：

SOCk,e≤SOCf,k≤1                         (13)⑤可调度时间约束

由于电动汽车的充放电行为只在其接入电网时间内进行，因此电动汽车接入电网前和退出电网后的充放电控制系数均为0，在并网时间内电动汽车方可接受调度：tin,k≤tV2G,k≤tout,k                          (14)式中tV2G,k为车辆EVk参与有序充放电的可调度时间，集合Ak中的元素为车辆EVk并网时间对应的充放电控制系数；

3、有序充放电两阶段动态优化策略

1)第一阶段充电优化

第一步：将车辆EVk接入时电网中的每个时段的负荷按大小进行升序排序：Tk＝sortLoad{t1,t2,...,t96}                         (16)式中Tk为车辆EVk接入时电网中96个时段升序排列后的集合；t1～t96为一天内离散化后的时间段；sortLoad表示每个时段按负荷大小升序排列；

第二步：为车辆EVk划分峰谷时段：k

式中 Tv分别为车辆EVk接入电网时段内峰、平、谷时段的集合；

第三步：将车辆EVk接入电网时段内所有的谷时段设置为以额定功率进行充电：式中集合 中的元素为车辆EVk并网时间内谷时段对应的充放电控制系数；

2)第二阶段充放电优化

令车辆EVk停车时间内的峰时段和平时段的数量为Nk，利用PSO对车辆EVk的峰时段和平时段的充放电控制系数进行优化时，PSO通过初始化为一群随机粒子，然后通过迭代找到最优解，设每个种群由M个粒子组成，则第i个粒子的初始位置和速度均为维数为Nk的向量：式中 分别为车辆EVk在寻优过程中第i个粒子的位置和速度；

考虑电池容量的约束，需对初始化的充放电控制系数进行修正，引入虚拟SOC变量，按照车辆EVk初始化的充放电控制系数xk,t依次计算每个时段充放电行为完成后的虚拟SOC：式中 SOCk,t‑1分别为车辆EVk本时段的虚拟SOC和上一时段的实际SOC；xk,t为车辆EVk本时段初始化的充放电控制系数，充放电控制系数的修正流程为：①当某时段虚拟SOC大于上限SOCmax时，系统对这个时段的充放电控制系数按式(21)进行修正：

②当某时段虚拟SOC小于下限SOCmin时，系统对该时段的充放电控制系数按式(22)进行修正：

充放电控制系数修正完成之后，粒子群进行迭代寻优，第i个粒子搜寻到的最优位置称为个体极值，记为：

整个种群在每一次迭代过程中迄今为止搜寻到的最优解称为全局极值，记为：当整个粒子种群找到个体极值 和全局极值 后，每个粒子将通过式(25)更新自己的位置和速度：

式中： 分布为车辆EVk充放电寻优过程中第i个粒子在第t时段的速度和位置；ω为惯性权重；c1、c2为学习因子，也称加速常数；r1、r2为两个在[0,1]之间变化的加速度权重系数，粒子的位置和速度完成更新后将进行下一次迭代，直到完成所有的迭代过程，最终得到的最佳适应度值即为充放电控制系数的最优值。