一种基于负荷裕度域的充换电站优化调度方法

摘要

本发明提供一种基于负荷裕度域的充换电站优化调度方法。所述调度方法包括如下步骤：首先，建立充换电站的经济调度模型，并基于负荷裕度域确定经济调度模型的约束条件，根据约束条件，采用带有收缩因子的粒子群优化算法求解经济模型，获得最优的充换电调度策略，对充换电进行调度。本发明通过粒子群算法获取经济模型的最优解，以提高充换电站在运行过程中的经济效益，并基于负荷裕度域确定经济调度模型的约束条件，根据约束条件进行求解，保证了充换电站在运行过程中的稳定性。

权利要求

1.一种基于负荷裕度域的充换电站优化调度方法，其特征在于，所述负荷裕度域是针对“风‑网‑车负荷”模型中的“充电电动汽车负荷”和“换电电池电荷量”两种负荷的不确定性提出“充电EV负荷裕度域”和“换电电池电荷量裕度域”两个指标，用于检测每日负荷变化，所述调度方法包括如下步骤：

建立充换电站的经济调度模型；

基于负荷裕度域，确定经济调度模型的约束条件；

根据所述约束条件，采用带收缩因子的粒子群优化算法求解所述经济调度模型，获取最优的充换电站调度策略；

基于所述最优的充换电站调度策略，进行充换电站的调度；

所述建立充换电站的经济调度模型，具体包括：建立充电站经济收益模型：

其中，F11为充电站经济收益，T为调度总时段，Csg(t)为t时段充电站向电网的售电电价；

Psg(t)表示t时段充电站向电网售电的功率；σt1为售电时段；Ccha(i,t)为第i台EVt时段的充电电价；Pcha(i,t)为第i台EVt时段的充电功率；σt2为充电时段；Cbg(t)表示t时段充电站从电网的购电电价；Pbg(t)为t时段充电站从电网购电的功率，kW；σt3为购电时段；Cdischa(i,t)为第i台EVt时段的放电电价；Pdischa(i,t)为第i台EVt时段的放电功率；σt4为放电时段，N1表示充电站中EV的台数；

建立换电站经济收益模型：F12＝f1+f2；

其中，F12为换电站经济收益，f1为换电站每次提供换电服务时向EV用户收取的服务费用， N2为用户待使用的换电站电池组数；Crent(j,t)为第j组EV车载电池在时间段t的租赁费用；Cservice(j,t)为第j组EV租赁电池在时间段t的附加服务费用；σt5为一天之内租赁服务的总次数；f2为换电站按用户车辆当前电量进行计费的收益， Csale表示EV换电零售价；SOC(j,t)为第j台EV电池组t时段需要换电需求时电池的电荷量百分比；Sj为第j台EV电池组的额定容量,kW；

建立风电场经济收益模型：

其中，F13为风电场经济收益；N3为风电场的个数；P(k,t)表示第k个风电场在t时段的发电功率；Cwind为风电上网电价；Pact(k,t)为第k个风电场t时段的实际出力；σt6表示的是风电上网时段；Ppre(k,t)为第i个风电场t时段的预测出力；Cbc为风电场减少出力的惩罚费用系数；

根据所述充电站经济收益模型、所述换电站经济收益模型和风电场经济收益模型，建立充换电站的经济调度模型maxF1＝F11+F12+F13。

2.根据权利要求1所述的基于负荷裕度域的充换电站优化调度方法，其特征在于，所述基于负荷裕度域，确定经济调度模型的约束条件，具体包括：确定EV充电功率的约束条件：0≤Pcha(i,t)≤Pchamax(i,t)，其中，Pchamax(i,t)为第i台EV在t时段的最大充电功率；

确定EV放电功率的约束条件：0≤Pdischa(i,t)≤Pdischamax(i,t)，其中，Pdischamax(i,t)为第i台EV在t时段的最大放电功率；

确定充电站购电功率的约束条件：0≤Pbg(t)≤Pbgmax(t)，其中，Pbgmax(t)为t时段充换电站最大购电量；

确定充电站售电功率的约束条件：0≤Psg(t)≤Psgmax(t)，其中，Psgmax(t)为t时段充换电站最大售电量；

确定换电电池电荷量的约束条件：SOCmin≤SOC(j,t)≤SOCmax，其中，SOCmin和SOCmax分别表示换电池电荷量的最大值和最小值；

基于负荷裕度域，确定充换电站总功率的约束条件：其中，Pmin(d)和

Pmax(d)分别表示第d天充换电站总功率的最大值和最小值；

确定风电场输出功率约束条件：0≤Pact(k,t)≤Ppre(k,t)≤PN(k)，其中，PN(k)为风电场k的装机容量。

3.根据权利要求2所述的基于负荷裕度域的充换电站优化调度方法，其特征在于，所述基于负荷裕度域，确定换电电池电荷量的约束条件，具体包括：根据第M‑1天的历史数据计算第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1)；根据第M天的历史数据计算第M天的负荷下限Pmin(M)、负荷上限Pmax(M)和充换电负荷裕度域Pλ(M)；

根据第M‑1天的负荷下限和充换电负荷裕度域，利用公式P(M‑1)＝Pmin(M‑1)+Pλ(M‑1)，计算第M‑1天的负荷裕度值P(M‑1)，根据第M天的负荷下限Pmin(M)和充换电负荷裕度域Pλ(M)，利用公式P(M)＝Pmin(M)+Pλ(M)，计算第M天的负荷裕度值P(M)；

判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值，得到第一判断结果；

若所述第一判断结果为第M天的负荷裕度值不大于第M‑1天的负荷裕度值，则利用公式Pmax(M+1)＝Pmin(M)+2K1*Pλ(M)对第M天的负荷裕度值进行填谷计算，得到第M+1天的负荷上限Pmax(M+1)，并令Pmin(M+1)＝Pmin(M)得到第M+1天的负荷下限Pmin(M+1)；其中，K1为填谷系数；

若所述第一判断结果为第M天的负荷裕度值大于第M‑1天的负荷裕度值，则利用公式Pmin(M+1)＝Pmax(M)‑2K2*Pλ(M)对第M‑1天的负荷裕度值进行削峰计算，得到第M+1天的负荷下限Pmin(M+1)，并令Pmax(M+1)＝Pmax(M)，得到第M+1天的负荷上限Pmax(M+1)；其中，K2为削峰系数；

判断M+1是否小于d，得到第二判断结果；

若所述第二判断结果为M+1小于d，则根据第M+1天的负荷上限和负荷下限，利用公式计算第M+1天的负荷裕度值P(M+1)，并将M的数值增加1，返回步骤“判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值，得到第一判断结果”，其中，K表示负荷裕度系数；

若所述第二判断结果为M+1不小于d，则将第M+1天的负荷上限和负荷下限分别设置为第d天的充换电站总功率的最大值和最小值。

4.根据权利要求3所述的基于负荷裕度域的充换电站优化调度方法，其特征在于，所述根据第M‑1天的历史数据确定第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1)，具体包括：根据第M‑1天的历史数据，利用公式确定第M‑1天的充电负荷下限Pchamin(M‑1)；其中，Pcha(i,M‑1,t)表示第M‑1天的第t时间段第i台EV的充电功率；

根据第M‑1天的历史数据，利用公式确定第M‑1天的放电负荷下限

Pchangemin(M‑1)；其中，Pchange(j,M‑1,t)表示第M‑1天的第t时间段第j组EV车载电池的换电功率；

根据第M‑1天的历史数据，利用公式确定第M‑1天的充电负荷上限Pchamax(M‑1)；

根据第M‑1天的历史数据，利用公式确定第M‑1天的放电负荷上限

Pchangemax(M‑1)；

根据第M‑1天的充电负荷下限和第M‑1天的放电负荷下限，利用公式Pmin(M‑1)＝Pchamin(M‑1)+Pchangemin(M‑1)，计算第M天的负荷下限Pmin(M‑1)；

根据第M‑1天的充电负荷上限和第M‑1天的放电负荷上限，利用公式Pmax(M‑1)＝Pchamax(M‑1)+Pchangemax(M‑1)，计算第M‑1天的负荷上限Pmax(M‑1)；

根据第M‑1天的负荷上限和第M‑1天的负荷下限，利用公式计算第M‑1天的充换电负荷裕度域Pλ(M‑1)。

5.根据权利要求3所述的基于负荷裕度域的充换电站优化调度方法，其特征在于，所述根据第M‑1天的历史数据计算第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1)，之前还包括：令第一迭代次数s＝0；

根据第M‑s天的历史数据，计算第M‑s天的负荷标准差；

判断第M‑s天的负荷标准差是否在预设区间内，得到第三判断结果；

若所述第三判断结果表示第M‑s天的负荷标准差不在预设区间内，则将第一迭代次数的数值增加1，返回步骤“根据第M‑s天的历史数据，计算第M‑s天的负荷标准差”；

若所述第三判断结果表示第M‑s天的负荷标准差在预设区间内，则将第M天的历史数据替换为第M‑s天的历史数据；

令第二迭代次数l＝0；

根据第M‑s‑l天的历史数据，计算第M‑s‑l天的负荷标准差；

判断第M‑s‑l天的负荷标准差是否在预设区间内，得到第四判断结果；

若所述第四判断结果表示第M‑s‑l天的负荷标准差不在预设区间内，则将第二迭代次数的数值增加1，返回步骤“根据第M‑s‑l天的历史数据，计算第M‑s‑l天的负荷标准差”；

若所述第四判断结果表示第M‑s‑l天的负荷标准差在预设区间内，则将第M‑1天的历史数据替换为第M‑s‑l天的历史数据。

6.根据权利要求3所述的基于负荷裕度域的充换电站优化调度方法，其特征在于，所述确定充换电站总功率的约束条件，之后还包括基于可信性理论，将充换电站总功率的约束条件转化为不确定的等价形式为：或

其中，γ为置信水平，(pt3,pt4)为EV负荷预测值，(pw3,pw4)为并网运行风电场的出力预测值，(θ3,θ4)表示比例系数，Pchange(j,t)为第j辆EVt时段的换电电池电荷量，Pwind(k,t)为第k个风电场t时段的风电出力,w表示第w个风电场，Ωw表示所有风电场集合。

7.根据权利要求1所述的基于负荷裕度域的充换电站优化调度方法，其特征在于，所述根据所述约束条件，采用带收缩因子的粒子群优化算法求解所述经济调度模型，获取最优的充换电站调度策略，具体包括：

根据约束条件，初始化粒子群中每个粒子的速度、位置和适应度函数值，及粒子群的个体最优值和群体最优值；

m+1 m m m

利用带有收缩因子的速度更新公式v(n) ＝φ{v(n) +c1r1[pbest ‑X(n) ]+c2r2m

[gbest‑X(n) ]}，更新每个粒子的速度；其中，φ为收缩因子， C＝c1m+1 m

+c2，c1和c2分别表示第一学习因子和第二学习因子；v(n) 和v(n) 表示第m+1次迭代和第mm m

次迭代的第n个粒子的速度，X(n)表示第m次迭代的第n个粒子的位置；pbest表示第m次迭代的个体最优值；gbest表示群体最优值；r1和r2分别为[0,1]范围内的第一随机数和第二随机数，C表示第一学习因子与第二学习因子的和；

m+1 m m+1 m+1

利用位置更新公式X(n) ＝X(n)+v(n) ，更新每个粒子的位置，其中，X(n) 表示第m+1次迭代的第n个粒子的位置；

根据每个粒子的速度和位置，计算所述经济调度模型，计算每个粒子的适应度函数；

将所述适应度函数值最大的粒子设置为个体最优值，判断所述个体最优值是否大于上一次迭代过程中的群体最优值，得到第五判断结果；

若所述个体最优值大于上一次迭代过程中的群体最优值，则将所述个体最优值设置为群体最优值；

判断迭第三代次数是否小于预设阈值，得到第六判断结果；

若所述第六判断结果表示第三迭代次数小于预设阈值，则第三迭代次数增加1，返回步m+1 m m m

骤“利用带有收缩因子的速度更新公式v(n) ＝φ{v(n) +c1r1[pbest ‑X(n) ]+c2r2m

[gbest‑X(n) ]}，更新每个粒子的速度”；

若所述第六判断结果表示第三迭代次数不小于所述预设阈值，则将群体最优值的位置设置为最优的充换电站调度策略。

说明书

一种基于负荷裕度域的充换电站优化调度方法

技术领域

[0001] 本发明涉及充换电站调度管理领域，特别涉及一种基于负荷裕度域的充换电站优化调度方法。

背景技术

[0002] 在如今交通市场上电动汽车已经成为了一个不可忽视的角色，进而电动汽车的电能供应也随之快速发展，现在已有两种普遍的电能供应方式：并网运行的风电场发电和通
过电网供电。然而由于人们的生活节奏加快，用户需求情况发生改变，近几年产生了“换电
站”充电形式。

[0003] 新能源电动汽车(electric vehicle，EV)因为具有高节能、低排放、清洁环保的特性，成为减少温室气体和能源紧缺问题的有效解决途径之一。因此近年来在国内外受到了
广泛的重视和大力的发展，许多国家更是将发展电动汽车提高到了国家发展的战略高度。
电动汽车作为一种交通工具开始逐渐代替传统的燃油汽车，许多学者和机构将电动汽车视
为汽车工业和未来城市交通发展的方向，但是如何对充换电的调度，以提高充换电站在运
行过程中的经济效益和稳定性，成为一个亟待解决的技术问题。

发明内容

[0004] 本发明的目的是提供一种基于负荷裕度域的充换电站优化调度方法，以提高充换电站在运行过程中的经济效益和稳定性。

[0005] 为实现上述目的，本发明提供了如下方案：

[0006] 本发明提供一种基于负荷裕度域的充换电站优化调度方法，所述调度方法包括如下步骤：

[0007] 建立充换电站的经济调度模型；

[0008] 基于负荷裕度域，确定经济调度模型的约束条件；

[0009] 根据所述约束条件，采用带收缩因子的粒子群优化算法求解所述经济模型，获取最优的充换电站调度策略；

[0010] 基于所述最优的充换电站调度策略，进行充换电站的调度。

[0011] 可选的，所述建立充电站的经济调度模型，具体包括：

[0012] 建立充电站经济收益模型：

[0013]

[0014] 其中，F11为充电站经济收益，T为调度总时段，Csg(t)为t时段充电站向电网的售电电价；Psg(t)表示t时段充电站向电网售电的功率；σt1为售电时段；Ccha(i,t)为第i台EVt时
段的充电电价；Pcha(i,t)为第i台EVt时段的充电功率；σt2为充电时段；Cbg(t)表示t时段充
电站从电网的购电电价；Pbg(t)为t时段充电站从电网购电的功率，kW；σt3为购电时段；
Cdischa(i,t)为第i台EVt时段的放电电价；Pdischa(i,t)为第i台EVt时段的放电功率；σt4为放
电时段；

[0015] 建立换电站经济收益模型：F12＝f1+f2；

[0016] 其中，F12为换电站经济收益，f1为换电站每次提供换电服务时向EV用户收取的服务费用， N2为用户待使用的换电站电池组数；Crent
(j,t)为第j组EV车载电池在时间段t的租赁费用；Cservice(j,t)为第j组EV租赁电池在时间
段t的附加服务费用；σt5为一天之内租赁服务的总次数；f2为换电站按用户车辆当前电量进
行计费的收益， Csale表示EV换电零售价；SOC(j,t)为第j台EV电
池组t时段需要换电需求时电池的电荷量百分比；Sj为第j台EV电池组的额定容量,kW；

[0017] 建立风电场经济收益模型：

[0018]

[0019] 其中，F13为风电场经济收益；N3为风电场的个数；P(k,t)表示第k个风电场在t时段的发电功率；Cwind为风电上网电价；Pact(k,t)为第k个风电场t时段的实际出力；σt6表示的是
风电上网时段；Ppre(k,t)为第i个风电场t时段的预测出力；Cbc为风电场减少出力的惩罚费
用系数；

[0020] 根据所述充电站经济收益模型、所述换电站经济收益模型和风电场经济收益模型，建立充电站的经济调度模型maxF1＝F11+F12+F13。

[0021] 可选的，所述基于负荷裕度域，确定经济调度模型的约束条件，具体包括：

[0022] 确定EV充电功率的约束条件：0≤Pcha(i,t)≤Pchamax(i,t)，其中，Pchamax(i,t)为第i台EV在t时段的最大充电功率；

[0023] 确定EV放电功率的约束条件：0≤Pdischa(i,t)≤Pdischamax(i,t)，其中，Pdischamax(i,t)为第i台EV在t时段的最大放电功率

[0024] 确定充电站购电功率的约束条件：0≤Pbg(t)≤Pbgmax(t)，其中，Pbgmax(t)为t时段充换电站最大购电量

[0025] 确定充电站售电功率的约束条件：0≤Psg(t)≤Psgmax(t)，其中，Psgmax(t)为t时段充换电站最大售电量；

[0026] 确定换电电池电荷量的约束条件：SOCmin≤SOC(j,t)≤SOCmax，其中，SOCmin和SOCmax分别表示换电池电荷量的最大值和最小值；

[0027] 基于负荷裕度域，确定充换电站总功率的约束条件：其中，Pmin(d)和Pmax
(d)分别表示第d天充换电站总功率的最大值和最小值；

[0028] 确定风电场输出功率约束条件：0≤Pact(k,t)≤Ppre(k,t)≤PN(k)，其中，PN(k)为风电场k的装机容量。

[0029] 可选的，所述基于负荷裕度域，确定换电电池电荷量的约束条件，具体包括：

[0030] 根据第M‑1天的历史数据计算第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1)；根据第M天的历史数据计算第M天的负荷下限Pmin(M)、负荷上限
Pmax(M)和充换电负荷裕度域Pλ(M)；

[0031] 根据第M‑1天的负荷下限和充换电负荷裕度域，利用公式P(M‑1)＝Pmin(M‑1)+Pλ(M‑1)，计算第M‑1天的负荷裕度值P(M‑1)，根据第M天的负荷下限Pmin(M)和充换电负荷裕度
域Pλ(M)，利用公式P(M)＝Pmin(M)+Pλ(M)，计算第M天的负荷裕度值P(M)；

[0032] 判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值，得到第一判断结果；

[0033] 若所述第一判断结果为第M天的负荷裕度值不大于第M‑1天的负荷裕度值，则利用公式Pmax(M+1)＝Pmin(M)+2K1*Pλ(M)对第M天的负荷裕度值进行填谷计算，得到第M+1天的负
荷上限Pmax(M+1)，并令Pmin(M+1)＝Pmin(M)得到第M+1天的负荷下限Pmin(M+1)；其中，K1为填
谷系数；

[0034] 若所述第一判断结果为第M天的负荷裕度值大于第M‑1天的负荷裕度值，则利用公式Pmin(M+1)＝Pmax(M)‑2K2*Pλ(M)对第M‑1天的负荷裕度值进行削峰计算，得到第M+1天的负
荷下限Pmin(M+1)，并令Pmax(M+1)＝Pmax(M)，得到第M+1天的负荷上限Pmax(M+1)；其中，K2为削
峰系数；

[0035] 判断M+1是否小于d，得到第二判断结果；

[0036] 若所述第二判断结果为M+1小于d，则根据第M+1天的负荷上限和负荷下限，利用公式 计算第M+1天的负荷裕度值P(M+1)，并
将M的数值增加1，返回步骤“判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值，得到
第一判断结果”；

[0037] 若所述第二判断结果为M+1不小于d，则将第M+1天的负荷上限和负荷下限分别设置为第d天的充换电站总功率的最大值和最小值。

[0038] 可选的，所述根据第M‑1天的历史数据确定第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1)，具体包括：

[0039] 根据第M‑1天的历史数据，利用公式确定第M‑1天的充电负荷下限Pchamin(M‑
1)；其中，Pcha(i,M‑1,t)表示第M‑1天的第t时间段第i台EV的充电功率；

[0040] 根据第M‑1天的历史数据，利用公式确定第M‑1天的放电负荷下限
Pchangemin(M‑1)；其中，Pchange(j,M‑1,t)表示第M‑1天的第t时间段第j组EV车载电池的换电功
率；

[0041] 根据第M‑1天的历史数据，利用公式确定第M‑1天的充电负荷上限Pchamax(M‑
1)；

[0042] 根据第M‑1天的历史数据，利用公式确定第M‑1天的放电负荷上限
Pchangemax(M‑1)；

[0043] 根据第M‑1天的充电负荷下限和第M‑1天的放电负荷下限，利用公式Pmin(M‑1)＝Pchamin(M‑1)+Pchangemin(M‑1)，计算第M天的负荷下限Pmin(M‑1)；

[0044] 根据第M‑1天的充电负荷上限和第M‑1天的放电负荷上限，利用公式Pmax(M‑1)＝Pchamax(M‑1)+Pchangemax(M‑1)，计算第M‑1天的负荷上限Pmax(M‑1)；

[0045] 根 据第 M‑ 1天 的 负荷 上限 和 第M ‑1 天的 负 荷下限 ，利 用公式计算第M‑1天的充换电负荷裕度域Pλ(M‑1)

[0046] 可选的，所述根据第M‑1天的历史数据计算第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1)，之前还包括：

[0047] 令第一迭代次数s＝0；

[0048] 根据第M‑s天的历史数据，计算第M‑s天的负荷标准差；

[0049] 判断第M‑s天的负荷标准差是否在预设区间内，得到第三判断结果；

[0050] 若所述第三判断结果表示第M‑s天的负荷标准差不在预设区间内，则将第一迭代次数的数值增加1，返回步骤“根据第M‑s天的历史数据，计算第M‑s天的负荷标准差”；

[0051] 若所述第三判断结果表示第M‑s天的负荷标准差在预设区间内，则将第M天的历史数据替换为第M‑s天的历史数据；

[0052] 令第二迭代次数l＝0；

[0053] 根据第M‑s‑l天的历史数据，计算第M‑s‑l天的负荷标准差；

[0054] 判断第M‑s‑l天的负荷标准差是否在预设区间内，得到第四判断结果；

[0055] 若所述第四判断结果表示第M‑s‑l天的负荷标准差不在预设区间内，则将第二迭代次数的数值增加1，返回步骤“根据第M‑s‑l天的历史数据，计算第M‑s‑l天的负荷标准
差”；

[0056] 若所述第四判断结果表示第M‑s‑l天的负荷标准差在预设区间内，则将第M‑1天的历史数据替换为第M‑s‑l天的历史数据。

[0057] 可选的，所述确定充换电站总功率的约束条件，之后还包括

[0058] 基于可信性理论，将充换电站总功率的约束条件转化为不确定的等价形式为：

[0059]

[0060] 或

[0061]

[0062] 其中，γ为置信水平，(pt1,pt2,pt3,pt4)为EV负荷预测值，(pw1,pw2,pw3,pw4)为并网运行风电场的出力预测值，(θ1,θ2,θ3,θ4)表示比例系数，Pchange(j,t)为第j辆EVt时段的换
电电池电荷量，Pwind(k,t)为第k个风电场t时段的风电出力,w表示第w个风电场，Ωw表示所
有风电场集合。

[0063] 可选的，所述根据所述约束条件，采用带收缩因子的粒子群优化算法求解所述经济模型，获取最优的充换电站调度策略，具体包括：

[0064] 根据约束条件，初始化粒子群中每个粒子的速度、位置和适应度函数值，及粒子群的个体最优值和群体最优值；

[0065] 利用带有收缩因子的速度更新公式v(n)m+1＝φ{v(n)m+c1r1[pbestm‑X(n)m]+c2r2m
[gbest‑X(n)]}，更新每个粒子的速度；其中，φ为收缩因子，
m+1 m
c1和c2分别表示第一学习因子和第二学习因子；v(t) 和v(n) 表示第m+1次迭代和第m次迭
m m
代的第n个粒子的速度，X(n) 表示第m次迭代的第n个粒子的位置；pbest 表示第m次迭代的
个体最优值；gbest表示群体最优值；r1和r2分别为[0,1]范围内的第一随机数和第二随机
数。

[0066] 利用位置更新公式X(n)m+1＝X(n)m+v(n)m+1，更新每个粒子的位置，其中，X(n)m+1表示第m+1次迭代的第n个粒子的位置；

[0067] 根据每个粒子的速度和位置，计算所述经济模型，计算每个粒子的适应度函数；

[0068] 将所述适应度函数值最大的粒子设置为个体最优值，判断所述个体最优值是否大于上一次迭代过程中的群体最优值，得到第五判断结果；

[0069] 若所述个体最优值大于上一次迭代过程中的群体最优值，则将所述个体最优值设置为群体最优值；

[0070] 判断迭第三代次数是否小于预设阈值，得到第六判断结果；

[0071] 若所述第六判断结果表示第三迭代次数小于预设阈值，则第三迭代次数增加1，返m+1 m m m
回步骤“利用带有收缩因子的速度更新公式v(n) ＝φ{v(n) +c1r1[pbest‑X(n) ]+c2r2
m
[gbest‑X(n) ]}，更新每个粒子的速度”；

[0072] 若所述第六判断结果表示第三迭代次数不小于所述预设阈值，则将群体最优值的位置设置为最优的充换电站调度策略。

[0073] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0074] 本发明提供一种基于负荷裕度域的充换电站优化调度方法。所述调度方法包括如下步骤：首先，建立充换电站的经济调度模型，并基于负荷裕度域确定经济调度模型的约束
条件，根据约束条件，采用带有收缩因子的粒子群优化算法求解经济模型，获得最优的充换
电调度策略，对充换电进行调度。本发明通过粒子群算法获取经济模型的最优解，以提高充
换电站在运行过程中的经济效益，并基于负荷裕度域确定经济调度模型的约束条件，根据
约束条件进行求解，保证了充换电站在运行过程中的稳定性。

附图说明

[0075] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。

[0076] 图1为本发明提供的一种基于负荷裕度域的充换电站优化调度方法的流程图；

[0077] 图2为本发明提供的充换电站的组成图；

[0078] 图3为本发明提供的确定充换电站总功率的约束条件的流程图；

[0079] 图4为本发明提供的模糊变量的可信性分布图；

[0080] 图5为本发明提供的采用带收缩因子的粒子群优化算法求解所述经济模型的流程图；

[0081] 图6为本发明提供的EV充放电电价曲线图；

[0082] 图7为本发明提供的风电预测出力曲线图

[0083] 图8为本发明提供的不考虑负荷裕度域的调度策略获得的经济效益分布图；

[0084] 图9为本发明提供的考虑负荷裕度域的调度策略获得的经济效益分布图；

[0085] 图10为本发明提供的经济性指标曲线图。

具体实施方式

[0086] 本发明的目的是提供一种基于负荷裕度域的充换电站优化调度方法，以提高充换电站在运行过程中的经济效益和稳定性。

[0087] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对发明作进一步详细的说明。

[0088] 在发明中有两方面不确定因素：其一是充电EV负荷，其二是换电电池电荷量。这是因为电动汽车在充电时是作为负荷角色，在EV用户用车时是作为电源角色，但EV用户用车
又是随机且难以预测的，所以这两种负荷的稳定性问题有待解决。

[0089] 本发明提出来一种‘负荷裕度域’指标，即“充电EV负荷裕度域”和“换电电池电荷量裕度域”来描述上述两种不确定负荷。通过某日的负荷使用情况，推算出次日的负荷裕度
域，并考虑到特殊情况，采用负荷方差来解决。在模型中将利用负荷裕度域进一步约束次日
的负荷，实现经济性最优，同时还有助于削峰填谷。所以，对这两方面的不确定性问题分析
具有重要意义。

[0090] 图1为本发明提供的一种基于负荷裕度域的充换电站优化调度方法的流程图，如图1所示，所述调度方法包括如下步骤：

[0091] 步骤101，建立充换电站的经济调度模型。

[0092] 考虑风电接入的充换电站建立了以EV为电网系统用电终端的“风‑网‑车负荷”模型，如图2所示，包含并网运行的风电场、对EV进行统一调度的电网系统；含有两部分不确定
负荷的EV。三部分EV中包括：对动力电池进行整车充电的充电EV的负荷；及在充电架上完成
电池快速更换的换电电池的电荷量。

[0093] 步骤101所述建立充换电站的经济调度模型，具体包括：

[0094] 建立充电站经济收益模型： 其中，F11为充电站经济收益，T为调度总时段，Csg(t)为t时段充电站向电网的售电电价；Psg(t)表
示t时段充电站向电网售电的功率；σt1为售电时段；Ccha(i,t)为第i台EVt时段的充电电价；
Pcha(i,t)为第i台EVt时段的充电功率；σt2为充电时段；Cbg(t)表示t时段充电站从电网的购
电电价；Pbg(t)为t时段充电站从电网购电的功率，kW；σt3为购电时段；Cdischa(i,t)为第i台
EVt时段的放电电价；Pdischa(i,t)为第i台EVt时段的放电功率；σt4为放电时段。

[0095] 建立换电站经济收益模型：F12＝f1+f2；其中，F12为换电站经济收益，f1为换电站每次提供换电服务时向EV用户收取的服务费用， N2为
用户待使用的换电站电池组数；Crent(j,t)为第j组EV车载电池在时间段t的租赁费用；
Cservice(j,t)为第j组EV租赁电池在时间段t的附加服务费用；σt5为一天之内租赁服务的总
次数；f2为换电站按用户车辆当前电量进行计费的收益，
Csale表示EV换电零售价；SOC(j,t)为第j台EV电池组t时段需要换电需求时电池的电荷量百
分比；Sj为第j台EV电池组的额定容量。

[0096] 建立风电场经济收益模型：其中，F13为风电场经济
收益；N3为风电场的个数；P(k,t)表示第k个风电场在t时段的发电功率；Cwind为风电上网电
价；Pact(k,t)为第k个风电场t时段的实际出力；σt6表示的是风电上网时段；Ppre(k,t)为第i
个风电场t时段的预测出力；Cbc为风电场减少出力的惩罚费用系数。

[0097] 根据所述充电站经济收益模型、所述换电站经济收益模型和风电场经济收益模型，建立充电站的经济调度模型maxF1＝F11+F12+F13。

[0098] 步骤102，基于负荷裕度域，确定经济调度模型的约束条件。

[0099] 确定EV充电功率的约束条件：0≤Pcha(i,t)≤Pchamax(i,t)，其中，Pchamax(i,t)为第i台EV在t时段的最大充电功率；确定EV放电功率的约束条件：0≤Pdischa(i,t)≤Pdischamax(i,
t)，其中，Pdischamax(i,t)为第i台EV在t时段的最大放电功率；确定充电站购电功率的约束条
件：0≤Pbg(t)≤Pbgmax(t)，其中，Pbgmax(t)为t时段充换电站最大购电量；确定充电站售电功
率的约束条件：0≤Psg(t)≤Psgmax(t)，其中，Psgmax(t)为t时段充换电站最大售电量；确定风
电场输出功率约束条件：0≤Pact(k,t)≤Ppre(k,t)≤PN(k)，其中，PN(k)为风电场k的装机容
量；确定换电电池电荷量的约束条件：SOCmin≤SOC(j,t)≤SOCmax，其中，SOCmin和SOCmax分别
表示换电池电荷量的最大值和最小值；

[0100] 基于负荷裕度域，确定充换电站总功率的约束条件：其中，Pmin(d)和
Pmax(d)分别表示第d‑1天充换电站总功率的最大值和最小值。

[0101] 负荷裕度域指标：针对“风‑网‑车负荷”模型中的“充电电动汽车负荷”和“换电电池电荷量”两种负荷的不确定性提出“充电EV负荷裕度域”和“换电电池电荷量裕度域”两个
指标，来检测每日负荷变化。

[0102] 如图3所示，基于负荷裕度域，确定充换电站总功率的约束条件，具体包括：

[0103] 首先，输入历史数据，并根据历史数据计算裕度域，根据第M‑1天的历史数据计算第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1)；根据第M天
的历史数据计算第M天的负荷下限Pmin(M)、负荷上限Pmax(M)和充换电负荷裕度域Pλ(M)。

[0104] 其中，根据第M‑1天的历史数据计算第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1)，具体包括，根据第M‑1天的历史数据，利用公式
确定第M‑1天的充电负荷下限Pchamin(M‑
1)；其中，Pcha(i,M‑1,t)表示第M‑1天的第t时间段第i台EV的充电功率，具体的，根据第M‑1
天的历史数据，利用公式 确定第M‑1
天的放电负荷下限Pchangemin(M‑1)；其中，Pchange(j,M‑1,t)表示第M‑1天的第t时间段第j组EV
车载电池的换电功率；根据第M‑1天的历史数据，利用公式
确定第M‑1天的充电负荷上限Pchamax(M‑
1)；根据第M‑1天的历史数据，利用公式
确定第M‑1天的放电负荷上限
Pchangemax(M‑1)；根据第M‑1天的充电负荷下限和第M‑1天的放电负荷下限，利用公式Pmin(M‑
1)＝Pchamin(M‑1)+Pchangemin(M‑1)，计算第M天的负荷下限Pmin(M‑1)；根据第M‑1天的充电负荷
上限和第M‑1天的放电负荷上限，利用公式Pmax(M‑1)＝Pchamax(M‑1)+Pchangemax(M‑1)，计算第
M‑1天的负荷上限Pmax(M‑1)；根据第M‑1天的负荷上限和第M‑1天的负荷下限，利用公式
计算第M‑1天的充换电负荷裕度域Pλ(M‑1)。根据第M
天的历史数据计算第M天的负荷下限Pmin(M)、负荷上限Pmax(M)和充换电负荷裕度域Pλ(M)的
方法与上述方法相同，在此不再累赘。

[0105] 然后，根据第M‑1天的负荷下限和充换电负荷裕度域，利用公式P(M‑1)＝Pmin(M‑1)+Pλ(M‑1)，计算第M‑1天的负荷裕度值P(M‑1)，根据第M天的负荷下限Pmin(M)和充换电负荷
裕度域Pλ(M)，利用公式P(M)＝Pmin(M)+Pλ(M)，计算第M天的负荷裕度值P(M)。

[0106] 然后，判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值，得到第一判断结果；若所述第一判断结果为第M天的负荷裕度值不大于第M‑1天的负荷裕度值，则利用公式
Pmax(M+1)＝Pmin(M)+2K1*Pλ(M)对第M天的负荷裕度值进行填谷计算，得到第M+1天的负荷上
限Pmax(M+1)，并令Pmin(M+1)＝Pmin(M)得到第M+1天的负荷下限Pmin(M+1)；其中，K1为填谷系
数；若所述第一判断结果为第M天的负荷裕度值大于第M‑1天的负荷裕度值，则利用公式Pmin
(M+1)＝Pmax(M)‑2K2*Pλ(M)对第M‑1天的负荷裕度值进行削峰计算，得到第M+1天的负荷下限
Pmin(M+1)，并令Pmax(M+1)＝Pmax(M)，得到第M+1天的负荷上限Pmax(M+1)；其中，K2为削峰系
数。

[0107] 最后，判断M+1是否小于d，得到第二判断结果；步骤307，若所述第二判断结果为M+1小于d，则根据第M+1天的负荷上限和负荷下限，利用公式
计算第M+1天的负荷裕度值P(M+1)，并将M
的数值增加1，返回步骤“判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值，得到第
一判断结果”；若所述第二判断结果为M+1不小于d，则将第M+1天的负荷上限和负荷下限分
别设置为第d天的充换电站总功率的最大值和最小值。

[0108] 由于不能保证“风‑网‑车负荷”优化调度模型的两种不确定负荷每天都处于正常范围，难免会有某些意外情况发生。因此为保证负荷裕度域预测的合理性，将用标准差σ描
述一天的负荷数据的离散程度，当充换电站遇到意外情况时，其负荷(电荷量)标准差易过
大，即说明负荷峰谷差过大，属于不良数据，作剔除处理。如果前一日的负荷不在合理范围
之内，则取前一日的前一日，以此类推，直至合理值，再进行次日的调度。具体包括：

[0109] 令第一迭代次数s＝0；根据第M‑s天的历史数据，计算第M‑s天的负荷标准差；判断第M‑s天的负荷标准差是否在预设区间内，得到第三判断结果；若所述第三判断结果表示第
M‑s天的负荷标准差不在预设区间内，则将第一迭代次数的数值增加1，返回步骤“根据第M‑
s天的历史数据，计算第M‑s天的负荷标准差”；若所述第三判断结果表示第M‑s天的负荷标
准差在预设区间内，则将第M天的历史数据替换为第M‑s天的历史数据；令第二迭代次数l＝
0；根据第M‑s‑l天的历史数据，计算第M‑s‑l天的负荷标准差；判断第M‑s‑l天的负荷标准差
是否在预设区间内，得到第四判断结果；若所述第四判断结果表示第M‑s‑l天的负荷标准差
不在预设区间内，则将第二迭代次数的数值增加1，返回步骤“根据第M‑s‑l天的历史数据，
计算第M‑s‑l天的负荷标准差”；若所述第四判断结果表示第M‑s‑l天的负荷标准差在预设
区间内，则将第M‑1天的历史数据替换为第M‑s‑l天的历史数据。

[0110] 可信性理论是研究模糊现象数量规律的一个新的数学分支，并建立在严密的公理化基础之上，可以定义可信性测度，进一步可以引出模糊变量、隶属度函数、可信性分布、期
望值、方差等重要概念。

[0111] 可信性测度：公理化定义的可信性测度就是论域上满足正规性、单调性、自对偶性和极大化可加性四条公理的集函数。

[0112] 为了保证集函数Cr{A}具有人们直观上期望具备的某些数学性质，可以考虑如下五条公理：

[0113] 公理1：Cr{Θ}＝1；

[0114] 公理2：Cr是单调增加的，即：当 时有Cr{A}≤Cr{B}；

[0115] 公理3：Cr是自对偶的，即：对任意的A∈P(Θ)有Cr{A}+Cr{Ac}＝1；

[0116] 公理4：对任意满足Cr{Ai}≤0.5的{Ai}有Cr{∪iAi}∧0.5＝supiCr{Ai}；

[0117] 公理5：设Θk是非空集合，Crk在其上分别满足前四条公理，k＝1,2,…n，并且Θ＝Θ1×Θ2×…×Θn，则对每个(θ1,θ2,…,θn)∈Θ成立

[0118] 满足：

[0119] Cr{(θ1,θ2,…θn)}＝Cr1{θ1}∧Cr2{θ2}∧…Crn{θn}

[0120] 综合上述五条定理，则可定义：如果集函数Cr满足前四条公理，则称之为可信性测度。

[0121] 模糊机会约束：基于可信性理论的模糊机会约束规划模型可表示为：

[0122] minf(X)

[0123] s.t.Cr(gj(X,ξ)≤0)≥γj＝1,2,...n

[0124] 式中，Cr{.}表示{.}发生的可信性，γ表示预先设定的置信水平，gj(X,ξ)≤0为约束条件，其中X为决策变量，ξ表示模糊变量。

[0125] 不确定变量及其可信性分布：本发明中的不确定变量，也即模糊变量，为风电场的出力以及日负荷预测值。风电场的出力可由梯形模糊数(Pw1,Pw2,Pw3,Pw4)表示，日负荷预测
值可用梯形模糊数 表示，则模糊变量的可信性分布图如图4所示和分布函数
为：

[0126]

[0127] 式中， 可根据预测数据得到，i＝t或者i＝w。设预测数据为且设比例系数为θk，由数据可得：

[0128]

[0129] 由于充换电站中含有并网运行风电场，因此需要考虑风电出力的不确定问题，同时也要考虑EV负荷预测的不确定问题。故本发明采用可信性理论解决这两个不确定性问
题，对该约束条件进行不确定性处理，针对削峰填谷两个过程分别建立基于可信性测度的
不等式约束条件：

[0130]

[0131]

[0132] 式中，Cr表示可信性测度；μ为模糊变量；Pact(i,t)为第i个风电场t时段的出力；γ为置信水平。

[0133] 清晰化等价处理：在模糊机会规划过程中，最重要的步骤就是模糊约束条件的处理。即将约束条件进行清晰化处理。

[0134] 若函数gj(X,ξ)有如下的形式：

[0135] gj(X,ξ)＝h1(X)ξ1+h2(X)ξ2+...+hm(X)ξm+h0(X)  (40)

[0136] 式中，ξk表示为梯形模糊变量(ξk1,ξk2,ξk3,ξk4)，k＝1,2,…,m m∈R，ξk1‑ξk4表示隶属度参量。

[0137] 构造两个函数：

[0138]

[0139]

[0140] 上述的 需要满足下式条件：

[0141]

[0142] 当 时， 当 时，

[0143] 对式(38)、式(39)描述的实际问题，其置信水平一般需要大于0.5，因此

[0144] Cr{g(X,ξ)≤0}≥γ就等价为：

[0145]

[0146] 为了便于计算，将EV负荷和风电负荷进一步处理。根据式(38)、式(39)，EV负荷预测值如式(45)所示，风电出力的预测值如(46)所示：

[0147]

[0148]

[0149] 将式(45)和(46)带入到式(44)，并将其展开合并同类项，将式(38)转化得到EV负荷、并网运行风电场的出力不确定等价形式：

[0150]

[0151] 同理，可将(39)等价为如式(48)所示：

[0152]

[0153] w表示第w个风电场，Ωw表示所有风电场集合，求和的过程中，分别令w1和w2等于所有风电场集合Ωw中的w进行求和。

[0154] 步骤103，根据所述约束条件，采用带收缩因子的粒子群优化算法求解所述经济模型，获取最优的充换电站调度策略。

[0155] 粒子群优化算法是一种模拟鸟群觅食过程中迁徙和群聚行为的智能算法。结合本文，EV粒子从随机解出发，迭代寻找最优解，具有收敛速度快、算法易实现等优点。

[0156] 如图5所示，步骤103所述根据所述约束条件，采用带收缩因子的粒子群优化算法求解所述经济模型，获取最优的充换电站调度策略，具体包括：

[0157] 根据约束条件，初始化粒子群中每个粒子的速度、位置和适应度函数值，及粒子群的个体最优值和群体最优值。每个粒子根据给定约束条件给定初值，将每个EV的用电功率
作为控制变量，将一天分为T(T＝24)个时间断面，生成初始粒子群种群数量为50，且每个粒
子为T×(N1+N2)×2矩阵，T为一天24小时：

[0158]

[0159] 上式X1表示某一天某一时段充电的初始化粒子，Pcha1,1与Pchange1,1分别表示为第一个时段的第1个EV的充电功率和第一个EV电池组的换电功率。

[0160] 利用带有收缩因子的速度更新公式v(n)m+1＝φ{v(n)m+c1r1[pbestm‑X(n)m]+c2r2m
[gbest‑X(n)]}，更新每个粒子的速度；其中，φ为收缩因子，
m+1 m
c1和c2分别表示第一学习因子和第二学习因子；v(t) 和v(n) 表示第m+1次迭代和第m次迭
m m
代的第n个粒子的速度，X(n) 表示第m次迭代的第n个粒子的位置；pbest 表示第m次迭代的
个体最优值；gbest表示群体最优值。在速度更新公式中，学习因子c1和c2分别代表了粒子自
身经验信息和其它粒子经验信息对粒子运行轨迹的影响。当学习因子c1较大时，会使粒子
过多地在局部范围内徘徊；而学习因子c2较大时，又会使粒子过早收敛到局部最小值。为了
有效地控制粒子的飞行速度使算法达到全局探测和局部开发两者之间的平衡，本发明在速
度更新公式中添加了收缩因子；r1和r2为[0,1]范围内的均匀随机数。

[0161] 利用位置更新公式X(n)m+1＝X(n)m+v(n)m+1，更新每个粒子的位置。

[0162] 根据每个粒子的速度和位置，计算所述经济模型，计算每个粒子的适应度函数。

[0163] 将所述适应度函数值最大的粒子设置为个体最优值，判断所述个体最优值是否大于上一次迭代过程中的群体最优值，得到第五判断结果。

[0164] 若所述个体最优值大于上一次迭代过程中的群体最优值，则将所述个体最优值设置为群体最优值。

[0165] 判断迭第三代次数是否小于预设阈值，得到第六判断结果。

[0166] 若所述第六判断结果表示第三迭代次数小于预设阈值，则第三迭代次数增加1，返m+1 m m m
回步骤“利用带有收缩因子的速度更新公式v(n) ＝φ{v(n) +c1r1[pbest‑X(n) ]+c2r2
m
[gbest‑X(n) ]}，更新每个粒子的速度”。

[0167] 若所述第六判断结果表示第三迭代次数不小于所述预设阈值，则将群体最优值的位置设置为最优的充换电站调度策略。

[0168] 步骤104，基于所述最优的充换电站调度策略，进行充换电站的调度。

[0169] 为了验证本发明的基于负荷裕度域的充换电站优化调度方法的有效性，对本发明方法进行了仿真验证：

[0170] 以上述模型为基础，某一EV充换电站共有1000辆EV、400个换电池需要调度，并网运行四个风电场：假设每辆EV具有相同的电池容量和充放电功率，其中每辆EV的电池容量
为12KWh，充电功率为3KW，放电功率1.5KW，SOCNmin＝20％，SOCNmax＝90％，每台换电装置每进
行一次换电操作，都要付给电池所有者10元的租赁费用、10元服务费用。该充换电站内共设
有80台充电桩，每台充电桩的充电功率在50kW范围内可调，其中并网运行的每个风电场总
容量为40MW(20台单机容量为2MW的双馈风力发电机)。EV充放电电价曲线见附图6所示，风
电预测出力曲线见附图7所示。

[0171] 为进一步讨论充换电站对“风‑网‑车负荷”模型经济性的影响，以及强调负荷裕度域的重要性，本文提出以下两类模型进行对比分析，结果见附图8附图9所示：

[0172] 表1不考虑负荷裕度域的模型结果比较

[0173]模型 经济收益(104元) 联合负荷方差(10^8kW2)
1.考虑充电站 3.2978 1.1814
2.考虑换电站 32.8220 1.1803
3.考虑充换电站 33.1990 0.3771

[0174] 表2考虑负荷裕度域的模型结果比较

[0175]模型 经济收益(104元) 联合负荷方差(10^8kW2)
4.考虑充电站 6.3573 0.1417
5.考虑换电站 32.9920 0.1084
6.考虑充换电站 33.6990 0.1115

[0176] 综上所述，通过6个模型的对比分析可以得出，将负荷裕度域引入到考虑换电站的充换电站模型时，在联合负荷方差略高于换电站2.9％基础之上仍保持了最高的经济收益，
约达33.7万元。

[0177] 并考虑不同置信水平下的EV充换电站优化结果。经济性指标曲线如附图10所示，可以得出置信水平取0.8—0.9之间，经济性最好，约为33.70万元。

[0178] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0179] 本发明提供一种基于负荷裕度域的充换电站优化调度方法。所述调度方法包括如下步骤：首先，建立充换电站的经济调度模型，并基于负荷裕度域确定经济调度模型的约束
条件，根据约束条件，采用带有收缩因子的粒子群优化算法求解经济模型，获得最优的充换
电调度策略，对充换电进行调度。本发明通过粒子群算法获取经济模型的最优解，以提高充
换电站在运行过程中的经济效益，并基于负荷裕度域确定经济调度模型的约束条件，根据
约束条件进行求解，保证了充换电站在运行过程中的稳定性。

[0180] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说
明即可。

[0181] 本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实
施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造
性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。