本发明公开了一种考虑绿电计费方式的电动汽车、光伏协同优化方法及装置，涉及光伏出力优化技术领域。确定优化周期每时刻电动汽车充电总负荷与光伏出力预测值的差值，根据所述差值，设置对应时刻电动汽车充电价格；根据优化周期内全部时刻电动汽车充电价格，将优化周期分为多档时段，分别根据每档全部时刻电动汽车充电价格，确定对应档充电价格；根据每档充电价格，确定负荷聚集商售电收益；根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立并求解以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，得到调度数据。能够提高光伏发电消纳量，降低电动汽车用(56)对比文件朱琼锋 等.人工智能技术在新能源功率预测的应用及展望《.中国电机工程学报》.2023,第43卷(第8期),第3027-3047页.赵洪山 等.无气象信息条件下基于AGCRN的分布式光伏出力超短期预测方法《.高电压技术》.第1-9页.
1.一种考虑绿电计费方式的电动汽车、光伏协同优化方法，其特征在于，包括以下步骤：
收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；根据日辐照曲线，确定t时刻辐照预测值；
收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；根据光伏出力曲线，确定t时刻光伏出力拟合值；
将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；根据辐照出力比值曲线，确定t时刻辐照出力比预测值；
将辐照预测数据输入辐照预测修正模型 ，得到辐照预测修
正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；
根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；
根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值；
确定优化周期每时刻电动汽车充电总负荷与光伏出力预测值的差值，根据所述差值，设置对应时刻电动汽车充电价格；
根据优化周期内全部时刻电动汽车充电价格，将优化周期分为多档时段，分别根据每档全部时刻电动汽车充电价格，确定对应档充电价格；
根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立并求解以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，得到调度数据。
2.如权利要求1所述的方法，其特征在于，确定优化周期每时刻电动汽车充电总负荷，包括以下步骤：建立电动汽车充电负荷模型，
其中，fl表示电动汽车日行驶里程概率密度函数，l代表电动汽车的日行驶里程，μl代表日行驶里程l的对数lnl的期望值，σl代表日行驶里程l的对数lnl的标准差，fqs,t表示电动汽车充电起始时间概率密度函数，t代表电动汽车起始充电时间，μt代表t的期望值，σt代表t的标准差，Tj代表第j辆电动汽车的充电时长，lj代表第j辆电动汽车的日行驶里程， ωl代表电动汽车单位公里的平均能耗，Pev,j为第j辆电动汽车的充电功率；
利用蒙特卡洛法随机抽取电动汽车起始充电时间和日行驶里程，并由电动汽车日行驶里程计算出对应的充电时长，根据 ，确定第j辆电动汽车的充电功率Pev,j，其中，Tj代表第j辆电动汽车的充电时长，lj代表第j辆电动汽车的日行驶里程， ωl代表电动汽车单位公里的平均能耗；
汇总起始充电时间为t的电动汽车充电功率，得到t时电动汽车充电总负荷，其中，Pev,t代表t时刻电动汽车充电总负荷，J代表电动汽车的总数量，λj,t代表第j辆电动汽车在t时刻是否充电的相关系数，若第j辆电动汽车在t时刻进行充电，则其数值为1，否则其数值为0，tqs,j代表第j辆电动汽车的起始充电时间，Tj代表第j辆电动汽车的充电时长。
3.如权利要求1所述的方法，其特征在于，根据日辐照曲线，确定t时刻辐照预测值，包括以下步骤：从日辐照曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻辐照向量；
将多个时刻辐照向量输入第一生成对抗网络的生成器，得到多个第一生成向量，将多个时刻辐照向量和多个第一生成向量输入第一生成对抗网络的判别器进行识别，将识别情况反馈第一生成对抗网络的生成器，进行迭代训练，得到训练好的第一生成对抗网络；
将多个时刻辐照向量的日时刻和t相同的辐照数据进行聚类，将每个聚类中心所在的时刻辐照向量，输入训练好的第一生成对抗网络的生成器，得到一个或多个第一生成向量；
当新生成的第一生成向量和上次生成的第一生成向量之间的差值收敛时，根据新生成的第一生成向量，确定t时刻辐照预测值。
4.如权利要求3所述的方法，其特征在于，当聚类中心不处于任一时刻辐照向量时，将聚类中心对应的全部时刻辐照向量进行新的聚类，直到每个聚类中心的辐照数据分别存在于对应的一个时刻辐照向量中。
5.如权利要求3所述的方法，其特征在于，根据新生成的第一生成向量，确定t时刻辐照预测值，包括以下步骤：将新生成的第一生成向量的辐照数据进行聚为一类，根据聚类中心的辐照数据，确定t时刻辐照预测值。
6.如权利要求1所述的方法，其特征在于，根据光伏出力曲线，确定t时刻光伏出力拟合值，包括以下步骤：从光伏出力曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻出力向量；
将多个时刻出力向量输入第二生成对抗网络的生成器，得到多个第二生成向量，将多个时刻出力向量和多个第二生成向量输入第二生成对抗网络的判别器进行识别，将识别情况反馈第二生成对抗网络的生成器，进行迭代训练，得到训练好的第二生成对抗网络；
将多个时刻出力向量的日时刻和t相同的出力数据进行聚类，将每个聚类中心所在的时刻出力向量，输入训练好的第二生成对抗网络的生成器，得到一个或多个第二生成向量；
当新生成的第二生成向量和上次生成的第二生成向量之间的差值收敛时，根据新生成的第二生成向量，确定t时刻光伏出力拟合值。
7.如权利要求1所述的方法，其特征在于，根据辐照出力比值曲线，确定t时刻辐照出力比预测值，包括以下步骤：从辐照出力比值曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻比值向量；
将多个时刻比值向量输入第三生成对抗网络的生成器，得到多个第三生成向量，将多个时刻比值向量和多个第三生成向量输入第三生成对抗网络的判别器进行识别，将识别情况反馈第三生成对抗网络的生成器，进行迭代训练，得到训练好的第三生成对抗网络；
将多个时刻比值向量的日时刻和t相同的辐照出力比值进行聚类，将每个聚类中心所在的时刻比值向量，输入训练好的第三生成对抗网络的生成器，得到一个或多个第三生成向量；
当新生成的第三生成向量和上次生成的第三生成向量之间的差值收敛时，根据新生成的第三生成向量，确定t时刻辐照出力比预测值。
8.如权利要求1所述的方法，其特征在于，根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值，包括以下步骤：当t时刻光伏出力拟合值和光伏出力计算值的差值超过第一阈值时，将t时刻光伏出力计算值输入出力预测修正模型 ，得到t时刻光伏出力预测值，其中，PPV,t为t时刻光伏出力预测值，PcPV,t为t时刻光伏出力计算值，Dt为t时刻光伏电站空气颗粒物浓度预测值，θ为出力修正参数，erf表示高斯误差函数，根据预测误差对出力预测修正模型中的出力修正参数进行更新；
当t时刻光伏出力拟合值和光伏出力计算值的差值不超过第一阈值时，将t时刻光伏出力拟合值和光伏出力计算值的均值确定为t时刻光伏出力预测值。
9.如权利要求1所述的方法，其特征在于，根据所述差值，设置对应时刻电动汽车充电价格，包括以下步骤：当光伏出力预测值超过电动汽车充电总负荷时，设置与光伏出力预测值反相关的电动汽车充电价格，当光伏出力预测值不超过电动汽车充电总负荷时，设置与光伏出力预测值正相关的电动汽车充电价格。
10.如权利要求1所述的方法，其特征在于，根据所述差值，设置对应时刻电动汽车充电价格，包括以下步骤：当光伏出力预测值超过电动汽车充电总负荷时，根据 ，确定t
时刻电动汽车充电价格，当光伏出力预测值不超过电动汽车充电总负荷时，根据，确定t时刻电动汽车充电价格，其中，cev,t表示t时刻电动汽车充电价格，PPV,t代表t时刻光伏出力预测值，PPV_ max代表一天中光伏出力的峰值，c1代表负荷聚集商谷时电价；c2为负荷聚集商峰时电价。
11.如权利要求1所述的方法，其特征在于，根据每档充电价格，确定负荷聚集商售电收益，包括以下步骤：通过下式确定负荷聚集商售电收益，
其中，P1表示负荷聚集商售电收益，α代表一天中没有光伏出力的时间段集合，β代表光伏出力预测值超过电动汽车充电总负荷的时间段集合，γ 代表光伏出力预测值不超过电动汽车充电总负荷的时间段集合，ctou,t代表负荷聚集商t时刻分时电价，chd,t代表t时刻燃煤标杆电价，Pev,t代表t时刻电动汽车充电总负荷，cxyz,t代表负荷聚集商t时刻分档电价，Δt代表时间段长度，PPV,t为t时刻光伏出力预测值，PB_dis,t代表t时刻储能系统的放电功率。
12.如权利要求1所述的方法，其特征在于，根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，包括以下步骤：建立电动汽车与光伏协同优化模型，如下所示：
其中，f表示负荷聚集商总收益，P1表示负荷聚集商售电收益，P2表示负荷聚集商碳减排收益，C表示光储系统运维成本，k代表碳排放综合价格系数，v代表碳排放系数，β代表光伏出力预测值超过电动汽车充电总负荷的时间段集合，γ 代表光伏出力预测值不超过电动汽车充电总负荷的时间段集合，Pev,t代表t时刻电动汽车充电总负荷，Δt代表时间段长度，PPV,t为t时刻光伏出力预测值，T代表时刻总数，cPV代表光伏发电系统单位功率运维成本，cB代表储能系统单位功率运维成本，PB_ch,t代表t时刻储能系统充电功率，PB_dis,t代表t时刻储能系统放电功率，a, b分别代表储能系统的充电状态和放电状态，a和b取值0或1，Phd,t代表t时刻负荷聚集商向电网购电功率，PPV,max代表光伏发电系统出力最大值，PB_ch,max代表储能系统充电功率最大值，PB_dis,max代表储能系统放电功率最大值。
13.一种考虑绿电计费方式的电动汽车、光伏协同优化装置，其特征在于，包括：
EV充电总负荷确定模块，用于确定优化周期每时刻电动汽车充电总负荷；
光伏出力预测模块，用于确定优化周期每时刻光伏出力预测值，包括：日辐照曲线绘制单元，用于收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；辐照预测单元，用于根据日辐照曲线，确定t时刻辐照预测值；光伏出力曲线绘制单元，用于收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；光伏出力拟合单元，用于根据光伏出力曲线，确定t时刻光伏出力拟合值；比值曲线绘制单元，用于将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；辐照出力比预测单元，用于根据辐照出力比值曲线，确定t时刻辐照出力比预测值；辐照修正单元，用于将辐照预测数据输入辐照预测修正模型，得到辐照预测修正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；光伏出力预测单元，用于根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值；
EV充电价格确定模块，用于根据优化周期每时刻电动汽车充电总负荷与光伏出力预测值的差值，设置对应时刻电动汽车充电价格；
每档充电价格确定模块，用于根据优化周期内全部时刻电动汽车充电价格，将优化周期分为多档时段，分别根据每档全部时刻电动汽车充电价格，确定对应档充电价格；
售电收益确定模块，用于根据每档充电价格，确定负荷聚集商售电收益；
调度数据确定模块，用于根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立并求解以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，得到调度数据。
14.如权利要求13所述的装置，其特征在于，所述EV充电总负荷确定模块，具体用于：建立电动汽车充电负荷模型，
其中，fl表示电动汽车日行驶里程概率密度函数，l代表电动汽车的日行驶里程，μl代表日行驶里程l的对数lnl的期望值，σl代表日行驶里程l的对数lnl的标准差，fqs,t表示电动汽车充电起始时间概率密度函数，t代表电动汽车起始充电时间，μt代表t的期望值，σt代表t的标准差，Tj代表第j辆电动汽车的充电时长，lj代表第j辆电动汽车的日行驶里程， ωl代表电动汽车单位公里的平均能耗，Pev,j为第j辆电动汽车的充电功率；
利用蒙特卡洛法随机抽取电动汽车起始充电时间和日行驶里程，并由电动汽车日行驶里程计算出对应的充电时长，根据 ，确定第j辆电动汽车的充电功率Pev,j，其中，Tj代表第j辆电动汽车的充电时长，lj代表第j辆电动汽车的日行驶里程， ωl代表电动汽车单位公里的平均能耗；
汇总起始充电时间为t的电动汽车充电功率，得到t时电动汽车充电总负荷，其中，Pev,t代表t时刻电动汽车充电总负荷，J代表电动汽车的总数量，λj,t代表第j辆电动汽车在t时刻是否充电的相关系数，若第j辆电动汽车在t时刻进行充电，则其数值为1，否则其数值为0，tqs,j代表第j辆电动汽车的起始充电时间，Tj代表第j辆电动汽车的充电时长。
15.如权利要求13所述的装置，其特征在于，所述辐照预测单元，具体用于：
从日辐照曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻辐照向量；将多个时刻辐照向量输入第一生成对抗网络的生成器，得到多个第一生成向量，将多个时刻辐照向量和多个第一生成向量输入第一生成对抗网络的判别器进行识别，将识别情况反馈第一生成对抗网络的生成器，进行迭代训练，得到训练好的第一生成对抗网络；将多个时刻辐照向量的日时刻和t相同的辐照数据进行聚类，将每个聚类中心所在的时刻辐照向量，输入训练好的第一生成对抗网络的生成器，得到一个或多个第一生成向量；当新生成的第一生成向量和上次生成的第一生成向量之间的差值收敛时，根据新生成的第一生成向量，确定t时刻辐照预测值。
16.如权利要求15所述的装置，其特征在于，所述辐照预测单元，还具体用于：
当聚类中心不处于任一时刻辐照向量时，将聚类中心对应的全部时刻辐照向量进行新的聚类，直到每个聚类中心的辐照数据分别存在于对应的一个时刻辐照向量中。
17.如权利要求15所述的装置，其特征在于，所述辐照预测单元，还具体用于：
将新生成的第一生成向量的辐照数据进行聚为一类，根据聚类中心的辐照数据，确定t时刻辐照预测值。
18.如权利要求13所述的装置，其特征在于，所述光伏出力拟合单元，具体用于：
从光伏出力曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻出力向量；将多个时刻出力向量输入第二生成对抗网络的生成器，得到多个第二生成向量，将多个时刻出力向量和多个第二生成向量输入第二生成对抗网络的判别器进行识别，将识别情况反馈第二生成对抗网络的生成器，进行迭代训练，得到训练好的第二生成对抗网络；将多个时刻出力向量的日时刻和t相同的出力数据进行聚类，将每个聚类中心所在的时刻出力向量，输入训练好的第二生成对抗网络的生成器，得到一个或多个第二生成向量；当新生成的第二生成向量和上次生成的第二生成向量之间的差值收敛时，根据新生成的第二生成向量，确定t时刻光伏出力拟合值。
19.如权利要求13所述的装置，其特征在于，所述辐照出力比预测单元，具体用于：
从辐照出力比值曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻比值向量；将多个时刻比值向量输入第三生成对抗网络的生成器，得到多个第三生成向量，将多个时刻比值向量和多个第三生成向量输入第三生成对抗网络的判别器进行识别，将识别情况反馈第三生成对抗网络的生成器，进行迭代训练，得到训练好的第三生成对抗网络；将多个时刻比值向量的日时刻和t相同的辐照出力比值进行聚类，将每个聚类中心所在的时刻比值向量，输入训练好的第三生成对抗网络的生成器，得到一个或多个第三生成向量；当新生成的第三生成向量和上次生成的第三生成向量之间的差值收敛时，根据新生成的第三生成向量，确定t时刻辐照出力比预测值。
20.如权利要求13所述的装置，其特征在于，所述光伏出力预测单元，具体用于：
当t时刻光伏出力拟合值和光伏出力计算值的差值超过第一阈值时，将t时刻光伏出力计算值输入出力预测修正模型 ，得到t时刻光伏出力预测值，其中，PPV,t为t时刻光伏出力预测值，PcPV,t为t时刻光伏出力计算值，Dt为t时刻光伏电站空气颗粒物浓度预测值，θ为出力修正参数，erf表示高斯误差函数，根据预测误差对出力预测修正模型中的出力修正参数进行更新；当t时刻光伏出力拟合值和光伏出力计算值的差值不超过第一阈值时，将t时刻光伏出力拟合值和光伏出力计算值的均值确定为t时刻光伏出力预测值。
21.如权利要求13所述的装置，其特征在于，所述EV充电价格确定模块，具体用于：
当光伏出力预测值超过电动汽车充电总负荷时，设置与光伏出力预测值反相关的电动汽车充电价格，当光伏出力预测值不超过电动汽车充电总负荷时，设置与光伏出力预测值正相关的电动汽车充电价格。
22.如权利要求13所述的装置，其特征在于，所述EV充电价格确定模块，具体用于：
当光伏出力预测值超过电动汽车充电总负荷时，根据 ，确定t
时刻电动汽车充电价格，当光伏出力预测值不超过电动汽车充电总负荷时，根据，确定t时刻电动汽车充电价格，其中，cev,t表示t时刻电动汽车充电价格，PPV,t代表t时刻光伏出力预测值，PPV_ max代表一天中光伏出力的峰值，c1代表负荷聚集商谷时电价；c2为负荷聚集商峰时电价。
23.如权利要求13所述的装置，其特征在于，所述售电收益确定模块，具体用于：
其中，P1表示负荷聚集商售电收益，α代表一天中没有光伏出力的时间段集合，β代表光伏出力预测值超过电动汽车充电总负荷的时间段集合，γ 代表光伏出力预测值不超过电动汽车充电总负荷的时间段集合，ctou,t代表负荷聚集商t时刻分时电价，chd,t代表t时刻燃煤标杆电价，Pev,t代表t时刻电动汽车充电总负荷，cxyz,t代表负荷聚集商t时刻分档电价，Δt代表时间段长度，PPV,t为t时刻光伏出力预测值，PB_dis,t代表t时刻储能系统的放电功率。
24.如权利要求13所述的装置，其特征在于，所述调度数据确定模块，具体用于：
其中，f表示负荷聚集商总收益，P1表示负荷聚集商售电收益，P2表示负荷聚集商碳减排收益，C表示光储系统运维成本，k代表碳排放综合价格系数，v代表碳排放系数，β代表光伏出力预测值超过电动汽车充电总负荷的时间段集合，γ 代表光伏出力预测值不超过电动汽车充电总负荷的时间段集合，Pev,t代表t时刻电动汽车充电总负荷，Δt代表时间段长度，PPV,t为t时刻光伏出力预测值，T代表时刻总数，cPV代表光伏发电系统单位功率运维成本，cB代表储能系统单位功率运维成本，PB_ch,t代表t时刻储能系统充电功率，PB_dis,t代表t时刻储能系统放电功率，a, b分别代表储能系统的充电状态和放电状态，a和b取值0或1，Phd,t代表t时刻负荷聚集商向电网购电功率，PPV,max代表光伏发电系统出力最大值，PB_ch,max代表储能系统充电功率最大值，PB_dis,max代表储能系统放电功率最大值；
25.一种光伏出力预测方法，其特征在于，包括以下步骤：
收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；根据日辐照曲线，确定t时刻辐照预测值；
收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；根据光伏出力曲线，确定t时刻光伏出力拟合值；
将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；根据辐照出力比值曲线，确定t时刻辐照出力比预测值；
将辐照预测数据输入辐照预测修正模型 ，得到辐照预测修
正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；
根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；
根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值。
26.如权利要求25所述的方法，其特征在于，根据日辐照曲线，确定t时刻辐照预测值，包括以下步骤：从日辐照曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻辐照向量；
将多个时刻辐照向量输入第一生成对抗网络的生成器，得到多个第一生成向量，将多个时刻辐照向量和多个第一生成向量输入第一生成对抗网络的判别器进行识别，将识别情况反馈第一生成对抗网络的生成器，进行迭代训练，得到训练好的第一生成对抗网络；
将多个时刻辐照向量的日时刻和t相同的辐照数据进行聚类，将每个聚类中心所在的时刻辐照向量，输入训练好的第一生成对抗网络的生成器，得到一个或多个第一生成向量；
当新生成的第一生成向量和上次生成的第一生成向量之间的差值收敛时，根据新生成的第一生成向量，确定t时刻辐照预测值。
27.如权利要求26所述的方法，其特征在于，当聚类中心不处于任一时刻辐照向量时，将聚类中心对应的全部时刻辐照向量进行新的聚类，直到每个聚类中心的辐照数据分别存在于对应的一个时刻辐照向量中。
28.如权利要求26所述的方法，其特征在于，根据新生成的第一生成向量，确定t时刻辐照预测值，包括以下步骤：将新生成的第一生成向量的辐照数据进行聚为一类，根据聚类中心的辐照数据，确定t时刻辐照预测值。
29.如权利要求25所述的方法，其特征在于，根据光伏出力曲线，确定t时刻光伏出力拟合值，包括以下步骤：从光伏出力曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻出力向量；
将多个时刻出力向量输入第二生成对抗网络的生成器，得到多个第二生成向量，将多个时刻出力向量和多个第二生成向量输入第二生成对抗网络的判别器进行识别，将识别情况反馈第二生成对抗网络的生成器，进行迭代训练，得到训练好的第二生成对抗网络；
将多个时刻出力向量的日时刻和t相同的出力数据进行聚类，将每个聚类中心所在的时刻出力向量，输入训练好的第二生成对抗网络的生成器，得到一个或多个第二生成向量；
当新生成的第二生成向量和上次生成的第二生成向量之间的差值收敛时，根据新生成的第二生成向量，确定t时刻光伏出力拟合值。
30.如权利要求25所述的方法，其特征在于，根据辐照出力比值曲线，确定t时刻辐照出力比预测值，包括以下步骤：从辐照出力比值曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻比值向量；
将多个时刻比值向量输入第三生成对抗网络的生成器，得到多个第三生成向量，将多个时刻比值向量和多个第三生成向量输入第三生成对抗网络的判别器进行识别，将识别情况反馈第三生成对抗网络的生成器，进行迭代训练，得到训练好的第三生成对抗网络；
将多个时刻比值向量的日时刻和t相同的辐照出力比值进行聚类，将每个聚类中心所在的时刻比值向量，输入训练好的第三生成对抗网络的生成器，得到一个或多个第三生成向量；
当新生成的第三生成向量和上次生成的第三生成向量之间的差值收敛时，根据新生成的第三生成向量，确定t时刻辐照出力比预测值。
31.如权利要求25所述的方法，其特征在于，根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值，包括以下步骤：当t时刻光伏出力拟合值和光伏出力计算值的差值超过第一阈值时，将t时刻光伏出力计算值输入出力预测修正模型 ，得到t时刻光伏出力预测值，其中，PPV,t为t时刻光伏出力预测值，PcPV,t为t时刻光伏出力计算值，Dt为t时刻光伏电站空气颗粒物浓度预测值，θ为出力修正参数，erf表示高斯误差函数，根据预测误差对出力预测修正模型中的出力修正参数进行更新；
当t时刻光伏出力拟合值和光伏出力计算值的差值不超过第一阈值时，将t时刻光伏出力拟合值和光伏出力计算值的均值确定为t时刻光伏出力预测值。
日辐照曲线绘制模块，用于收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；
辐照预测模块，用于根据日辐照曲线，确定t时刻辐照预测值；
辐照修正模块，用于将辐照预测数据输入辐照预测修正模型
，得到辐照预测修正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t
为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；
光伏出力曲线绘制模块，用于收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；
光伏出力拟合模块，用于根据光伏出力曲线，确定t时刻光伏出力拟合值；
辐照出力比值曲线绘制模块，用于将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；
辐照出力比预测模块，用于根据辐照出力比值曲线，确定t时刻辐照出力比预测值；
光伏出力预测模块，用于根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值。
33.如权利要求32所述的装置，其特征在于，所述辐照预测模块，具体用于：
从日辐照曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻辐照向量；将多个时刻辐照向量输入第一生成对抗网络的生成器，得到多个第一生成向量，将多个时刻辐照向量和多个第一生成向量输入第一生成对抗网络的判别器进行识别，将识别情况反馈第一生成对抗网络的生成器，进行迭代训练，得到训练好的第一生成对抗网络；将多个时刻辐照向量的日时刻和t相同的辐照数据进行聚类，将每个聚类中心所在的时刻辐照向量，输入训练好的第一生成对抗网络的生成器，得到一个或多个第一生成向量；当新生成的第一生成向量和上次生成的第一生成向量之间的差值收敛时，根据新生成的第一生成向量，确定t时刻辐照预测值。
34.如权利要求33所述的装置，其特征在于，所述辐照预测模块，还具体用于：
当聚类中心不处于任一时刻辐照向量时，将聚类中心对应的全部时刻辐照向量进行新的聚类，直到每个聚类中心的辐照数据分别存在于对应的一个时刻辐照向量中。
35.如权利要求33所述的装置，其特征在于，所述辐照预测模块，还具体用于：
将新生成的第一生成向量的辐照数据进行聚为一类，根据聚类中心的辐照数据，确定t时刻辐照预测值。
36.如权利要求32所述的装置，其特征在于，所述光伏出力拟合模块，具体用于：
从光伏出力曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻出力向量；将多个时刻出力向量输入第二生成对抗网络的生成器，得到多个第二生成向量，将多个时刻出力向量和多个第二生成向量输入第二生成对抗网络的判别器进行识别，将识别情况反馈第二生成对抗网络的生成器，进行迭代训练，得到训练好的第二生成对抗网络；将多个时刻出力向量的日时刻和t相同的出力数据进行聚类，将每个聚类中心所在的时刻出力向量，输入训练好的第二生成对抗网络的生成器，得到一个或多个第二生成向量；当新生成的第二生成向量和上次生成的第二生成向量之间的差值收敛时，根据新生成的第二生成向量，确定t时刻光伏出力拟合值。
37.如权利要求32所述的装置，其特征在于，所述辐照出力比预测模块，具体用于：
从辐照出力比值曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻比值向量；将多个时刻比值向量输入第三生成对抗网络的生成器，得到多个第三生成向量，将多个时刻比值向量和多个第三生成向量输入第三生成对抗网络的判别器进行识别，将识别情况反馈第三生成对抗网络的生成器，进行迭代训练，得到训练好的第三生成对抗网络；将多个时刻比值向量的日时刻和t相同的辐照出力比值进行聚类，将每个聚类中心所在的时刻比值向量，输入训练好的第三生成对抗网络的生成器，得到一个或多个第三生成向量；当新生成的第三生成向量和上次生成的第三生成向量之间的差值收敛时，根据新生成的第三生成向量，确定t时刻辐照出力比预测值。
38.如权利要求32所述的装置，其特征在于，所述光伏出力预测模块，具体用于：
当t时刻光伏出力拟合值和光伏出力计算值的差值超过第一阈值时，将t时刻光伏出力计算值输入出力预测修正模型 ，得到t时刻光伏出力预测值，其中，PPV,t为t时刻光伏出力预测值，PcPV,t为t时刻光伏出力计算值，Dt为t时刻光伏电站空气颗粒物浓度预测值，θ为出力修正参数，erf表示高斯误差函数，根据预测误差对出力预测修正模型中的出力修正参数进行更新；
当t时刻光伏出力拟合值和光伏出力计算值的差值不超过第一阈值时，将t时刻光伏出力拟合值和光伏出力计算值的均值确定为t时刻光伏出力预测值。
39.一种考虑绿电计费方式的电动汽车、光伏协同优化设备，其特征在于，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至12任一所述的考虑绿电计费方式的电动汽车、光伏协同优化方法。
40.一种光伏出力预测设备，其特征在于，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求25至31任一所述的光伏出力预测方法。
41.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现权利要求1至12任一所述的考虑绿电计费方式的电动汽车、光伏协同优化方法，或实现权利要求25至31任一所述的光伏出力预测方法。
考虑绿电计费方式的电动汽车、光伏协同优化方法及装置
技术领域
[0001] 本发明涉及光伏出力优化技术领域，特别涉及一种考虑绿电计费方式的电动汽车、光伏协同优化方法及装置。
背景技术
[0002] 电动汽车、小型光伏发电装置在居民配电系统获得日益广泛的应用，改变了居民的负荷需求特征，给现有系统带来了一系列问题。光伏出力集中在白天中午时段，并非居民负荷高峰期，无约束向电网反送电力也可能造成电力系统的运行稳定性问题。现有的光伏、电动汽车协同调度技术，缺乏考虑电动汽车消纳可再生能源的同时所体现出来的减碳效果，致使可再生能源的消纳效果欠佳，另外，在采取需求响应方法来引导用户充电行为的过程中，并未注重电动汽车和光伏发电系统的有效结合，造成系统的经济性并非最优，电力调度效果有待提高。
发明内容
[0003] 为了解决上述问题，发明人做出本发明，通过具体实施方式，提供一种考虑绿电计费方式的电动汽车、光伏协同优化方法及装置。
[0004] 第一方面，本发明实施例提供一种考虑绿电计费方式的电动汽车、光伏协同优化方法，包括以下步骤：
[0005] 确定优化周期每时刻电动汽车充电总负荷与光伏出力预测值的差值，根据所述差值，设置对应时刻电动汽车充电价格；
[0006] 根据优化周期内全部时刻电动汽车充电价格，将优化周期分为多档时段，分别根据每档全部时刻电动汽车充电价格，确定对应档充电价格；
[0007] 根据每档充电价格，确定负荷聚集商售电收益；
[0008] 根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立并求解以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，得到调度数据。
[0009] 第二方面，本发明实施例提供一种考虑绿电计费方式的电动汽车、光伏协同优化装置，包括：
[0010] EV充电总负荷确定模块，用于确定优化周期每时刻电动汽车充电总负荷；
[0011] 光伏出力预测模块，用于确定优化周期每时刻光伏出力预测值；
[0012] EV充电价格确定模块，用于根据优化周期每时刻电动汽车充电总负荷与光伏出力预测值的差值，设置对应时刻电动汽车充电价格；
[0013] 每档充电价格确定模块，用于根据优化周期内全部时刻电动汽车充电价格，将优化周期分为多档时段，分别根据每档全部时刻电动汽车充电价格，确定对应档充电价格；
[0014] 售电收益确定模块，用于根据每档充电价格，确定负荷聚集商售电收益；
[0015] 调度数据确定模块，用于根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立并求解以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，得到调度数据。
[0016] 第三方面，本发明实施例提供一种光伏出力预测方法，包括以下步骤：
[0017] 收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；根据日辐照曲线，确定t时刻辐照预测值；
[0018] 收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；根据光伏出力曲线，确定t时刻光伏出力拟合值；
[0019] 将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；根据辐照出力比值曲线，确定t时刻辐照出力比预测值；
[0020] 将辐照预测数据输入辐照预测修正模型 ，得到辐照预测修正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；
[0021] 根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；
[0022] 根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值。
[0023] 第四方面，本发明实施例提供一种光伏出力预测装置，包括：
[0024] 日辐照曲线绘制模块，用于收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；
[0025] 辐照预测模块，用于根据日辐照曲线，确定t时刻辐照预测值；
[0026] 辐照 修正 模块 ，用 于将 辐照预 测数 据输 入辐 照预 测修 正模 型，得到辐照预测修正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；
[0027] 光伏出力曲线绘制模块，用于收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；
[0028] 光伏出力拟合模块，用于根据光伏出力曲线，确定t时刻光伏出力拟合值；
[0029] 辐照出力比值曲线绘制模块，用于将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；
[0030] 辐照出力比预测模块，用于根据辐照出力比值曲线，确定t时刻辐照出力比预测值；
[0031] 光伏出力预测模块，用于根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值。
[0032] 基于同一发明构思，本发明实施例还提供一种考虑绿电计费方式的电动汽车、光伏协同优化设备，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的考虑绿电计费方式的电动汽车、光伏协同优化方法。
[0033] 基于同一发明构思，本发明实施例还提供一种光伏出力预测设备，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的光伏出力预测方法。
[0034] 基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的考虑绿电计费方式的电动汽车、光伏协同优化方法，或实现前述的光伏出力预测方法。
[0035] 本发明实施例提供的上述技术方案的有益效果至少包括：
[0036] 本优化方案通过使电动汽车充电负荷和光伏发电系统出力有效结合，能够提高光伏发电消纳量，降低电动汽车用户充电成本，提高负荷聚集商收益，提升电网调度优化能力，采取与光伏发电系统出力相协同的分档电价，能够对电动汽车充电负荷进行有效转移，充分调动了源荷之间的互动性，有效提升了系统的运行经济性，在采取“绿电”计费方式的有序充电模式后，系统的光伏消纳量以及碳减排量得到了显著提升。
[0037] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0038] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0039] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0040] 图1为本发明实施例中考虑绿电计费方式的电动汽车、光伏协同优化方法流程图；
[0041] 图2为本发明实施例中电动汽车有序充电流程图；
[0042] 图3为本发明实施例中园区夏季典型日光伏出力曲线图；
[0043] 图4为本发明实施例中负荷聚集商分时电价与分档电价图；
[0044] 图5为本发明实施例中两类场景下电动汽车充电负荷曲线图；
[0045] 图6为本发明实施例中两类场景下光伏消纳量以及碳排减少量对比图；
[0046] 图7为本发明实施例中考虑绿电计费方式的电动汽车、光伏协同优化装置框图；
[0047] 图8为本发明实施例中光伏出力预测方法流程图；
[0048] 图9为本发明实施例中光伏出力预测装置框图。
具体实施方式
[0049] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0050] 为了解决现有技术中存在的问题，本发明实施例提供一种考虑绿电计费方式的电动汽车、光伏协同优化方法及装置。
[0051] 本发明实施例提供一种考虑绿电计费方式的电动汽车、光伏协同优化方法，其流程如图1所示，包括如下步骤：
[0052] 步骤S1：确定优化周期每时刻电动汽车充电总负荷与光伏出力预测值的差值，根据所述差值，设置对应时刻电动汽车充电价格。由于人类活动以天为运行周期，包括电动汽车充电在内的各种活动的用电高峰期、低谷期固定在一天中某些时段，具有规律性，所以电动汽车、光伏协同优化周期通常是一天。
[0053] 在一些具体的实施例中，确定优化周期每时刻电动汽车充电总负荷，包括以下步骤：
[0054] 建立电动汽车充电负荷模型，
[0055]
[0056] 其中，fl表示电动汽车日行驶里程概率密度函数，l代表电动汽车的日行驶里程，μl代表日行驶里程l的对数lnl的期望值，σl代表日行驶里程l的对数lnl的标准差，fqs,t表示电动汽车充电起始时间概率密度函数，t代表电动汽车起始充电时间，μt代表t的期望值，σt代表t的标准差，Tj代表第j辆电动汽车的充电时长，lj代表第j辆电动汽车的日行驶里程，ω l代表电动汽车单位公里的平均能耗，Pev,j为第j辆电动汽车的充电功率；
[0057] 利用蒙特卡洛法随机抽取电动汽车起始充电时间和日行驶里程，并由电动汽车日行驶里程计算出对应的充电时长，根据 ，确定第j辆电动汽车的充电功率Pev,j，其中，Tj代表第j辆电动汽车的充电时长，lj代表第j辆电动汽车的日行驶里程，ωl代表电动汽车单位公里的平均能耗；
[0058] 汇总起始充电时间为t的电动汽车充电功率，得到t时电动汽车充电总负荷，[0059]
[0060] 其中，Pev,t代表t时刻电动汽车充电总负荷，J代表电动汽车的总数量，λj,t代表第j辆电动汽车在t时刻是否充电的相关系数，若第j辆电动汽车在t时刻进行充电，则其数值为1，否则其数值为0，tqs,j代表第j辆电动汽车的起始充电时间，Tj代表第j辆电动汽车的充电时长。
[0061] 在一些具体的实施例中，确定优化周期每时刻光伏出力预测值，包括以下步骤：
[0062] 收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；根据日辐照曲线，确定t时刻辐照预测值；
[0063] 收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；根据光伏出力曲线，确定t时刻光伏出力拟合值；
[0064] 将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；根据辐照出力比值曲线，确定t时刻辐照出力比预测值；
[0065] 将辐照预测数据输入辐照预测修正模型 ，得到辐照预测修正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；
[0066] 根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；
[0067] 根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值。
[0068] 在一些具体的实施例中，根据日辐照曲线，确定t时刻辐照预测值，包括以下步骤：
[0069] 从日辐照曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻辐照向量；
[0070] 将多个时刻辐照向量输入第一生成对抗网络的生成器，得到多个第一生成向量，将多个时刻辐照向量和多个第一生成向量输入第一生成对抗网络的判别器进行识别，将识别情况反馈第一生成对抗网络的生成器，进行迭代训练，得到训练好的第一生成对抗网络；生成对抗网络（Generative Adversarial Network）是一种通过两个神经网络相互博弈的方式进行学习的生成模型，由一个生成器（生成网络）和一个判别器（判别网络）组成。生成网络生成时刻辐照向量的模拟数据，判别网络判断输入的数据是真实的时刻辐照向量还是生成的时刻辐照向量，通过反向传播，生成网络生成更加真实的时刻辐照向量，同时判别网络判断得更准确，二者相互对抗、学习，当损失函数收敛时，训练完成，得到一个模仿能力强大的时刻辐照向量生成器。
[0071] 将多个时刻辐照向量的日时刻和t相同的辐照数据进行聚类，将每个聚类中心所在的时刻辐照向量，输入训练好的第一生成对抗网络的生成器，得到一个或多个第一生成向量；
[0072] 当新生成的第一生成向量和上次生成的第一生成向量之间的差值收敛时，根据新生成的第一生成向量，确定t时刻辐照预测值。
[0073] 在一些具体的实施例中，当聚类中心不处于任一时刻辐照向量时，将聚类中心对应的全部时刻辐照向量进行新的聚类，直到每个聚类中心的辐照数据分别存在于对应的一个时刻辐照向量中。
[0074] 在一些具体的实施例中，根据新生成的第一生成向量，确定t时刻辐照预测值，包括以下步骤：将新生成的第一生成向量的辐照数据进行聚为一类，根据聚类中心的辐照数据，确定t时刻辐照预测值。
[0075] 在一些具体的实施例中，根据光伏出力曲线，确定t时刻光伏出力拟合值，包括以下步骤：
[0076] 从光伏出力曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻出力向量；
[0077] 将多个时刻出力向量输入第二生成对抗网络的生成器，得到多个第二生成向量，将多个时刻出力向量和多个第二生成向量输入第二生成对抗网络的判别器进行识别，将识别情况反馈第二生成对抗网络的生成器，进行迭代训练，得到训练好的第二生成对抗网络；
[0078] 将多个时刻出力向量的日时刻和t相同的出力数据进行聚类，将每个聚类中心所在的时刻出力向量，输入训练好的第二生成对抗网络的生成器，得到一个或多个第二生成向量；
[0079] 当新生成的第二生成向量和上次生成的第二生成向量之间的差值收敛时，根据新生成的第二生成向量，确定t时刻光伏出力拟合值。
[0080] 在一些具体的实施例中，根据辐照出力比值曲线，确定t时刻辐照出力比预测值，包括以下步骤：
[0081] 从辐照出力比值曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻比值向量；
[0082] 将多个时刻比值向量输入第三生成对抗网络的生成器，得到多个第三生成向量，将多个时刻比值向量和多个第三生成向量输入第三生成对抗网络的判别器进行识别，将识别情况反馈第三生成对抗网络的生成器，进行迭代训练，得到训练好的第三生成对抗网络；
[0083] 将多个时刻比值向量的日时刻和t相同的辐照出力比值进行聚类，将每个聚类中心所在的时刻比值向量，输入训练好的第三生成对抗网络的生成器，得到一个或多个第三生成向量；
[0084] 当新生成的第三生成向量和上次生成的第三生成向量之间的差值收敛时，根据新生成的第三生成向量，确定t时刻辐照出力比预测值。
[0085] 在一些具体的实施例中，根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值，包括以下步骤：
[0086] 当t时刻光伏出力拟合值和光伏出力计算值的差值超过第一阈值时，将t时刻光伏出力计算值输入出力预测修正模型 ，得到t时刻光伏出力预测值，其中，PPV,t为t时刻光伏出力预测值，PcPV,t为t时刻光伏出力计算值，Dt为t时刻光伏电站空气颗粒物浓度预测值，θ为出力修正参数，erf表示高斯误差函数，根据预测误差对出力预测修正模型中的出力修正参数进行更新；
[0087] 当t时刻光伏出力拟合值和光伏出力计算值的差值不超过第一阈值时，将t时刻光伏出力拟合值和光伏出力计算值的均值确定为t时刻光伏出力预测值。
[0088] 在一些具体的实施例中，根据所述差值，设置对应时刻电动汽车充电价格，包括以下步骤：
[0089] 当光伏出力预测值超过电动汽车充电总负荷时，设置与光伏出力预测值反相关的电动汽车充电价格。此时，光伏出力越大，充电价格越低，电动汽车充电负荷增加越快，能够大幅增加光伏发电消纳量，避免过多的绿电涌入电网带来的频繁随机扰动，保护了电网安全，同时也降低了电动汽车充电成本。
[0090] 当光伏出力预测值不超过电动汽车充电总负荷时，设置与光伏出力预测值正相关的电动汽车充电价格。此时，光伏出力不足，需要储能放电，或从电网购电满足电动汽车充电需求。此时，光伏出力增加，可能造成储能频繁切换充电放电状态，加剧了储能设备损耗。因此通过同步提升充电价格，降低充电负荷，减少电网购电量和储能设备的损耗，降低负荷聚集商的储能维护成本和电网购电成本。
[0091] 负荷聚集商（简称LA）是指将客户侧的用电负荷进行聚合，以实现更高效的电力运营和利用的服务提供商。其主要包括负荷预测、调度、控制等功能，通过技术手段将分散的小额用电负荷聚合起来，实现大规模电力交易，并协助用户参与电力市场竞争。向中小型用户提供了一个参与市场调节的机会。中小型用户负荷弹性水平达不到参与需求响应的最低水平，很难找到电力交易的入口。负荷聚集商可以整合用户需求响应资源并将它们引入市场交易，使得闲置的负荷资源发挥作用。同时也为其他电力系统参与者带来利益。另一方面， LA通过专业的技术手段充分发掘负荷的需求响应潜力，在 LA的帮助和指导下，可以形成科学的用电方式，提高终端用电设备的用电效率。
[0092] 在一些具体的实施例中，根据每时刻电动汽车充电总负荷与光伏出力预测值的差值，设置对应时刻电动汽车充电价格，包括以下步骤：当光伏出力预测值超过电动汽车充电总负荷时，根据 ，确定t时刻电动汽车充电价格，此时，电动汽车充电价格在负荷聚集商谷时电价和峰时电价之间变动，光伏出力越大，电动汽车充电价格越低，但不会低于负荷聚集商谷时电价，保障了负荷聚集商的收益，也促进了光伏消纳。当光伏出力预测值不超过电动汽车充电总负荷时，根据 ，
确定t时刻电动汽车充电价格，此时，电动汽车充电价格在负荷聚集商谷时电价和峰时电价之间变动，光伏出力越大，电动汽车充电价格越高，抑制充电负荷，减少电网购电量和储能设备的损耗，降低负荷聚集商的储能维护成本和电网购电成本。其中，cev,t表示t时刻电动汽车充电价格，PPV,t代表t时刻光伏出力预测值，PPV_ max代表一天中光伏出力的峰值，c1代表负荷聚集商谷时电价；c2为负荷聚集商峰时电价。
[0093] 步骤S2：根据优化周期内全部时刻电动汽车充电价格，将优化周期分为多档时段，分别根据每档全部时刻电动汽车充电价格，确定对应档充电价格。
[0094] 为了便于充电计费，将按时刻确定的充电价格进行整理，划分为分档价格。例如，制定基于高、中、低三档的电动汽车充电计费标准，如下式所示：
[0095]
[0096] 式中：cx、cy、cz分别代表电动汽车充电计费时的高档电价、中档电价以及低档电价，取对应时段各时刻充电价格最大值，x、y、z分别代表三档电价所对应的充电时段，分别为高档时段、中档时段以及低档时段。
[0097] 电动汽车用户通过“绿电”计费方式与光伏建立实时动态匹配关系，并由三档计费电价来引导用户进行有序充电。如图2所示，建立电动汽车有序充电模型如下：
[0098] 1）若电动汽车抵达时刻系统没有光伏出力，则此时应继续判断系统处于分时电价中哪个时段，否则执行步骤4）。
[0099] 2）若电动汽车抵达时刻系统没有光伏出力，同时该时刻为电价的谷时段，则电动汽车应立即进行充电。
[0100] 3）若电动汽车抵达时刻系统没有光伏出力，同时该时刻为电价的平时段或峰时段，则应继续判断此时段后是否仍存在充电计费低档时段；若系统存在充电计费低档时段，那么用户需等待至低档时段进行充电，否则应转移至第二天的低档时段内进行充电。
[0101] 4）若电动汽车抵达时刻系统中存在光伏出力，则应分析此时段位于充电计费分档电价中哪个时段。
[0102] 5）若电动汽车抵达时刻系统中存在光伏出力，同时抵达时刻为低档时段，则电动汽车应立即充电。
[0103] 6）若电动汽车抵达时刻系统中存在光伏出力，并且抵达时刻为充电计费中档时段，则需继续分析此时段后是否仍存在充电计费低档时段；若系统存在充电计费低档时段，那么用户需等待至低档时段进行择机充电，否则用户需转移至第二天的低档时段内进行充电。
[0104] 7）若电动汽车抵达时刻系统中存在光伏出力，并且抵达时刻为充电计费高档时段，则需继续分析高档时段后是否仍存在充电计费中档时段；若系统存在充电计费中档时段，那么用户需等待至充电计费中档时段进行充电，否则用户需转移至第二天的低档时段内进行充电。
[0105] 根据上述充电步骤来绘制基于“绿电”计费方式的电动汽车有序充电模型。根据上述基于“绿电”计费方式的电动汽车有序充电模型，对于负荷聚集商来说，其售电收益与光伏系统出力息息相关。假设某时刻系统无光伏出力，则负荷聚集商从火电厂购电来满足电动汽车用户的充电需求。
[0106] 步骤S3：根据每档充电价格，确定负荷聚集商售电收益。
[0107] 在一些具体的实施例中，根据每档充电价格，确定负荷聚集商售电收益，包括以下步骤：通过下式确定负荷聚集商售电收益，
[0108]
[0109] 其中，P1表示负荷聚集商售电收益，α代表一天中没有光伏出力的时间段集合，β代表光伏出力预测值超过电动汽车充电总负荷的时间段集合，γ 代表光伏出力预测值不超过电动汽车充电总负荷的时间段集合，ctou,t代表负荷聚集商t时刻分时电价，chd,t代表t时刻燃煤标杆电价，Pev,t代表t时刻电动汽车充电总负荷，cxyz,t代表负荷聚集商t时刻分档电价，Δt代表时间段长度，PPV,t为t时刻光伏出力预测值，PB_dis,t代表t时刻储能系统的放电功率。
[0110] 能量交易系统主要涵盖了居住区的光伏发电系统、公共电力系统、储能系统、电动汽车充电用户以及能量管理平台。光伏发电系统发出的电能，并网后经公共电力系统输送给用户。光伏发电系统以及储能系统均归属负荷聚集商进行运行维护，其中储能装置仅在系统存在弃光现象或者光伏出力全部被用完的情况运行。电动汽车充电用户则是负荷聚集商的最终服务对象。上述负荷聚集商售电收益模型，能够在多种时段的调度策略下，确定负荷聚集商收益，同时根据上述负荷聚集商售电收益模型确定的优化调度策略，也能减少电动汽车用户充电成本，并促进光伏出力的消纳。
[0111] 步骤S4：根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立并求解以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，得到调度数据。
[0112] 在一些具体的实施例中，根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，包括以下步骤：
[0113] 建立电动汽车与光伏协同优化模型，如下所示：
[0114]
[0115] 其中，f表示负荷聚集商总收益，P1表示负荷聚集商售电收益，P2表示负荷聚集商碳减排收益，C表示光储系统运维成本，k代表碳排放综合价格系数，v代表碳排放系数，β代表光伏出力预测值超过电动汽车充电总负荷的时间段集合，γ 代表光伏出力预测值不超过电动汽车充电总负荷的时间段集合，Pev,t代表t时刻电动汽车充电总负荷，Δt代表时间段长度，PPV,t为t时刻光伏出力预测值，T代表时刻总数，cPV代表光伏发电系统单位功率运维成本，cB代表储能系统单位功率运维成本，PB_ch,t代表t时刻储能系统充电功率，PB_dis,t代表t时刻储能系统放电功率，a,b分别代表储能系统的充电状态和放电状态，a和b取值0或1，Phd,t代表t时刻负荷聚集商向电网购电功率，PPV,max代表光伏发电系统出力最大值，PB_ch,max代表储能系统充电功率最大值，PB_dis,max代表储能系统放电功率最大值。
[0116] 其中，负荷聚集商售电收益P1可通过下式确定，
[0117]
[0118] 为了保证系统的安全稳定运行，在电动汽车与光伏协同优化模型中设置了电功率平衡约束、光伏发电系统出力约束以及储能系统的充放电功率约束，如下所示：
[0119]
[0120] 在一些具体的实施例中，针对园区内电动汽车与光伏发电系统的协同调度问题，从负荷聚集商的角度出发，提出了一种考虑“绿电”计费方式的电动汽车、光伏协同优化调度模型。以某园区夏季典型日为例进行仿真分析，在仿真软件上对所建立的模型进行搭建及求解。设置园区内分布式光伏发电系统的额定容量为2MW，电动汽车的总数量为1500辆，且电动汽车均采用慢充形式进行充电，充电功率为7kW。根据国内发电行业相关规定，燃煤标杆电价设置为0.32元/kWh，光伏发电系统的单位功率运维成本为0.5元/kWh，储能系统的单位功率运维成本为0.08元/kWh。该园区夏季典型日光伏出力曲线如图3所示，依据“绿电”计费方式的描述，则负荷聚集商的分时电价与分档电价如图4所示。由图3和图4可知，由于夏季典型日光伏出力曲线形状类似于开口向下的抛物线，因而负荷聚集商的分档电价曲线整体呈凹状形式，可以看出该类电价分布进一步体现了电动汽车与光伏之间的协同匹配关系。
[0121] 设置两类场景进行对比分析，其中场景1：园区内有光伏发电系统，电动汽车采用无序充电；场景2：园区内有光伏发电系统，电动汽车采用“绿电”计费方式的有序充电。两类场景下所得的电动汽车充电负荷曲线如图5所示。由图5可以明显看出，当电动汽车采取无序充电模式时，此时电动汽车用户的充电行为并无较大规律。充电高峰期集中在下班时间17:00‑18:00，这时光伏发电系统的出力较小，负荷聚集商主要向发电厂购买电能来满足电动汽车用户的充电需求，因此负荷聚集商的经济性较差。另外，从图5中场景1所得充电负荷曲线来看，此场景下电动汽车充电负荷与光伏出力之间的协同性相较一般。当电动汽车采取“绿电”计费方式的有序充电模式后，电动汽车充电负荷开始向光伏发电充裕阶段进行转移，例如10:00‑15:00时段，此阶段电动汽车充电负荷曲线与光伏出力曲线的趋势相较一致，有助于进一步促进光伏发电的消纳。在17:00‑20:00时段，此时光伏发电系统的出力较低，为了转移该时段下原有的电动汽车充电负荷，将该阶段的分档电价设置为高档电价，从而削减了此阶段下电动汽车用户的充电欲望，实现了电动汽车充电负荷的时空转移。从总体来看，与场景1所得充电负荷曲线相比，场景2下所得的电动汽车充电负荷与光伏出力之间的协同性得到了显著提升，在保障负荷聚集商利益的同时最大化提升了系统的光伏消纳率。采用“绿电”计费方式的有序充电模式后，系统采取与光伏发电系统出力曲线相协同的分档电价，能够对电动汽车充电负荷进行有效转移，充分调动了源荷之间的互动性。
[0122] 表1为两类场景下负荷聚集商的收益对比情况。图6为两类场景下光伏消纳量以及碳排减少量的对比情况。由表1可以看出，当电动汽车采取无序充电模式时，此时负荷聚集商的售电收益为3.98万元，因消纳光伏出力所带来的碳排收益是1.92万元，光伏发电系统以及储能系统的运维成本为0.98万元，系统总收益为4.94万元。当电动汽车采取“绿电”计费方式的有序充电模式后，负荷聚集商采用“分档电价+分时电价”的形式对电动汽车充电用户进行收费，虽然负荷聚集商的售电收益减少了0.68万元，约为17.1%，但因为分档电价的采用致使光伏发电系统的出力被大大消纳，从而使得系统的碳收益得到了大幅的提升，约增长了57.2%，同时负荷聚集商的总收益也由原来的4.94万元增长至5.29万元，约增长了7.1%，有效提升了系统的运行经济性。结合图6中两类场景下的光伏消纳量和碳排减少量对比情况可以看出，考虑“绿电”计费方式后，系统的光伏消纳量以及碳排减少量得到了显著提升，分别增加了204.19%、198.23%，进一步说明了本发明所提出的考虑“绿电”计费方式的电动汽车、光伏协同优化调度模型的经济性、环保性与实用性。
[0123] 本实施例的上述方法中，本优化方案通过使电动汽车充电负荷和光伏发电系统出力有效结合，能够提高光伏发电消纳量，降低电动汽车用户充电成本，提高负荷聚集商收益，提升电网调度优化能力，采取与光伏发电系统出力相协同的分档电价，能够对电动汽车充电负荷进行有效转移，充分调动了源荷之间的互动性，有效提升了系统的运行经济性，在采取“绿电”计费方式的有序充电模式后，系统的光伏消纳量以及碳减排量得到了显著提升。本领域技术人员能够对上述顺序进行变换而并不离开本公开的保护范围。
[0124] 本发明另一实施例提供一种考虑绿电计费方式的电动汽车、光伏协同优化装置，其结构如图7所示，包括：
[0125] EV充电总负荷确定模块，用于确定优化周期每时刻电动汽车充电总负荷；
[0126] 光伏出力预测模块，用于确定优化周期每时刻光伏出力预测值；
[0127] EV充电价格确定模块，用于根据优化周期每时刻电动汽车充电总负荷与光伏出力预测值的差值，设置对应时刻电动汽车充电价格；
[0128] 每档充电价格确定模块，用于根据优化周期内全部时刻电动汽车充电价格，将优化周期分为多档时段，分别根据每档全部时刻电动汽车充电价格，确定对应档充电价格；
[0129] 售电收益确定模块，用于根据每档充电价格，确定负荷聚集商售电收益；
[0130] 调度数据确定模块，用于根据负荷聚集商售电收益、碳减排收益和光储系统运维成本，建立并求解以负荷聚集商总收益最大为目标的电动汽车与光伏协同优化模型，得到调度数据。
[0131] 在一些具体的实施例中，所述EV充电总负荷确定模块，具体用于：
[0132] 建立电动汽车充电负荷模型，
[0133]
[0134] 其中，fl表示电动汽车日行驶里程概率密度函数，l代表电动汽车的日行驶里程，μl代表日行驶里程l的对数lnl的期望值，σl代表日行驶里程l的对数lnl的标准差，fqs,t表示电动汽车充电起始时间概率密度函数，t代表电动汽车起始充电时间，μt代表t的期望值，σt代表t的标准差，Tj代表第j辆电动汽车的充电时长，lj代表第j辆电动汽车的日行驶里程，ω l代表电动汽车单位公里的平均能耗，Pev,j为第j辆电动汽车的充电功率；
[0135] 利用蒙特卡洛法随机抽取电动汽车起始充电时间和日行驶里程，并由电动汽车日行驶里程计算出对应的充电时长，根据 ，确定第j辆电动汽车的充电功率Pev,j，其中，Tj代表第j辆电动汽车的充电时长，lj代表第j辆电动汽车的日行驶里程，ωl代表电动汽车单位公里的平均能耗；
[0136] 汇总起始充电时间为t的电动汽车充电功率，得到t时电动汽车充电总负荷，[0137]
[0138] 其中，Pev,t代表t时刻电动汽车充电总负荷，J代表电动汽车的总数量，λj,t代表第j辆电动汽车在t时刻是否充电的相关系数，若第j辆电动汽车在t时刻进行充电，则其数值为1，否则其数值为0，tqs,j代表第j辆电动汽车的起始充电时间，Tj代表第j辆电动汽车的充电时长。
[0139] 在一些具体的实施例中，所述光伏出力预测模块，包括：
[0140] 日辐照曲线绘制单元，用于收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；
[0141] 辐照预测单元，用于根据日辐照曲线，确定t时刻辐照预测值；
[0142] 光伏出力曲线绘制单元，用于收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；
[0143] 光伏出力拟合单元，用于根据光伏出力曲线，确定t时刻光伏出力拟合值；
[0144] 比值曲线绘制单元，用于将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；
[0145] 辐照出力比预测单元，用于根据辐照出力比值曲线，确定t时刻辐照出力比预测值；
[0146] 辐照 修正 单元 ，用 于将 辐照预 测数 据输 入辐 照预 测修 正模 型，得到辐照预测修正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；
[0147] 光伏出力预测单元，用于根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值。
[0148] 在一些具体的实施例中，所述辐照预测单元，具体用于：
[0149] 从日辐照曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻辐照向量；将多个时刻辐照向量输入第一生成对抗网络的生成器，得到多个第一生成向量，将多个时刻辐照向量和多个第一生成向量输入第一生成对抗网络的判别器进行识别，将识别情况反馈第一生成对抗网络的生成器，进行迭代训练，得到训练好的第一生成对抗网络；将多个时刻辐照向量的日时刻和t相同的辐照数据进行聚类，将每个聚类中心所在的时刻辐照向量，输入训练好的第一生成对抗网络的生成器，得到一个或多个第一生成向量；当新生成的第一生成向量和上次生成的第一生成向量之间的差值收敛时，根据新生成的第一生成向量，确定t时刻辐照预测值。
[0150] 在一些具体的实施例中，所述辐照预测单元，还具体用于：
[0151] 当聚类中心不处于任一时刻辐照向量时，将聚类中心对应的全部时刻辐照向量进行新的聚类，直到每个聚类中心的辐照数据分别存在于对应的一个时刻辐照向量中。
[0152] 在一些具体的实施例中，所述辐照预测单元，还具体用于：
[0153] 将新生成的第一生成向量的辐照数据进行聚为一类，根据聚类中心的辐照数据，确定t时刻辐照预测值。
[0154] 在一些具体的实施例中，所述光伏出力拟合单元，具体用于：
[0155] 从光伏出力曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻出力向量；将多个时刻出力向量输入第二生成对抗网络的生成器，得到多个第二生成向量，将多个时刻出力向量和多个第二生成向量输入第二生成对抗网络的判别器进行识别，将识别情况反馈第二生成对抗网络的生成器，进行迭代训练，得到训练好的第二生成对抗网络；将多个时刻出力向量的日时刻和t相同的出力数据进行聚类，将每个聚类中心所在的时刻出力向量，输入训练好的第二生成对抗网络的生成器，得到一个或多个第二生成向量；当新生成的第二生成向量和上次生成的第二生成向量之间的差值收敛时，根据新生成的第二生成向量，确定t时刻光伏出力拟合值。
[0156] 在一些具体的实施例中，所述辐照出力比预测单元，具体用于：
[0157] 从辐照出力比值曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻比值向量；将多个时刻比值向量输入第三生成对抗网络的生成器，得到多个第三生成向量，将多个时刻比值向量和多个第三生成向量输入第三生成对抗网络的判别器进行识别，将识别情况反馈第三生成对抗网络的生成器，进行迭代训练，得到训练好的第三生成对抗网络；将多个时刻比值向量的日时刻和t相同的辐照出力比值进行聚类，将每个聚类中心所在的时刻比值向量，输入训练好的第三生成对抗网络的生成器，得到一个或多个第三生成向量；当新生成的第三生成向量和上次生成的第三生成向量之间的差值收敛时，根据新生成的第三生成向量，确定t时刻辐照出力比预测值。
[0158] 在一些具体的实施例中，所述光伏出力预测单元，具体用于：
[0159] 当t时刻光伏出力拟合值和光伏出力计算值的差值超过第一阈值时，将t时刻光伏出力计算值输入出力预测修正模型 ，得到t时刻光伏出力预测值，其中，PPV,t为t时刻光伏出力预测值，PcPV,t为t时刻光伏出力计算值，Dt为t时刻光伏电站空气颗粒物浓度预测值，θ为出力修正参数，erf表示高斯误差函数，根据预测误差对出力预测修正模型中的出力修正参数进行更新；当t时刻光伏出力拟合值和光伏出力计算值的差值不超过第一阈值时，将t时刻光伏出力拟合值和光伏出力计算值的均值确定为t时刻光伏出力预测值。
[0160] 在一些具体的实施例中，所述EV充电价格确定模块，具体用于：
[0161] 当光伏出力预测值超过电动汽车充电总负荷时，设置与光伏出力预测值反相关的电动汽车充电价格，当光伏出力预测值不超过电动汽车充电总负荷时，设置与光伏出力预测值正相关的电动汽车充电价格。
[0162] 在一些具体的实施例中，所述EV充电价格确定模块，具体用于：
[0163] 当光伏出力预测值超过电动汽车充电总负荷时，根据 ，确定t时刻电动汽车充电价格，当光伏出力预测值不超过电动汽车充电总负荷时，根据，确定t时刻电动汽车充电价格，
[0164] 其中，cev,t表示t时刻电动汽车充电价格，PPV,t代表t时刻光伏出力预测值，PPV_ max代表一天中光伏出力的峰值，c1代表负荷聚集商谷时电价；c2为负荷聚集商峰时电价。
[0165] 在一些具体的实施例中，所述售电收益确定模块，具体用于：
[0166] 通过下式确定负荷聚集商售电收益，
[0167]
[0168] 其中，P1表示负荷聚集商售电收益，α代表一天中没有光伏出力的时间段集合，β代表光伏出力预测值超过电动汽车充电总负荷的时间段集合，γ 代表光伏出力预测值不超过电动汽车充电总负荷的时间段集合，ctou,t代表负荷聚集商t时刻分时电价，chd,t代表t时刻燃煤标杆电价，Pev,t代表t时刻电动汽车充电总负荷，cxyz,t代表负荷聚集商t时刻分档电价，Δt代表时间段长度，PPV,t为t时刻光伏出力预测值，PB_dis,t代表t时刻储能系统的放电功率。
[0169] 在一些具体的实施例中，所述调度数据确定模块，具体用于：
[0170] 建立电动汽车与光伏协同优化模型，如下所示：
[0171]
[0172] 其中，f表示负荷聚集商总收益，P1表示负荷聚集商售电收益，P2表示负荷聚集商碳减排收益，C表示光储系统运维成本，k代表碳排放综合价格系数，v代表碳排放系数，β代表光伏出力预测值超过电动汽车充电总负荷的时间段集合，γ 代表光伏出力预测值不超过电动汽车充电总负荷的时间段集合，Pev,t代表t时刻电动汽车充电总负荷，Δt代表时间段长度，PPV,t为t时刻光伏出力预测值，T代表时刻总数，cPV代表光伏发电系统单位功率运维成本，cB代表储能系统单位功率运维成本，PB_ch,t代表t时刻储能系统充电功率，PB_dis,t代表t时刻储能系统放电功率，a,b分别代表储能系统的充电状态和放电状态，a和b取值0或1，Phd,t代表t时刻负荷聚集商向电网购电功率，PPV,max代表光伏发电系统出力最大值，PB_ch,max代表储能系统充电功率最大值，PB_dis,max代表储能系统放电功率最大值；
[0173] 求解电动汽车与光伏协同优化模型，得到调度数据。
[0174] 关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0175] 本实施例中，本优化方案通过使电动汽车充电负荷和光伏发电系统出力有效结合，能够提高光伏发电消纳量，降低电动汽车用户充电成本，提高负荷聚集商收益，提升电网调度优化能力，采取与光伏发电系统出力相协同的分档电价，能够对电动汽车充电负荷进行有效转移，充分调动了源荷之间的互动性，有效提升了系统的运行经济性，在采取“绿电”计费方式的有序充电模式后，系统的光伏消纳量以及碳减排量得到了显著提升。
[0176] 本发明另一实施例提供一种光伏出力预测方法，其流程如图8所示，包括以下步骤：
[0177] 步骤P1：收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；根据日辐照曲线，确定t时刻辐照预测值；收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；根据光伏出力曲线，确定t时刻光伏出力拟合值；将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；根据辐照出力比值曲线，确定t时刻辐照出力比预测值。
[0178] 在一些具体的实施例中，根据日辐照曲线，确定t时刻辐照预测值，包括以下步骤：从日辐照曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻辐照向量；将多个时刻辐照向量输入第一生成对抗网络的生成器，得到多个第一生成向量，将多个时刻辐照向量和多个第一生成向量输入第一生成对抗网络的判别器进行识别，将识别情况反馈第一生成对抗网络的生成器，进行迭代训练，得到训练好的第一生成对抗网络；将多个时刻辐照向量的日时刻和t相同的辐照数据进行聚类，将每个聚类中心所在的时刻辐照向量，输入训练好的第一生成对抗网络的生成器，得到一个或多个第一生成向量；当新生成的第一生成向量和上次生成的第一生成向量之间的差值收敛时，根据新生成的第一生成向量，确定t时刻辐照预测值。
[0179] 在一些具体的实施例中，当聚类中心不处于任一时刻辐照向量时，将聚类中心对应的全部时刻辐照向量进行新的聚类，直到每个聚类中心的辐照数据分别存在于对应的一个时刻辐照向量中。
[0180] 在一些具体的实施例中，根据新生成的第一生成向量，确定t时刻辐照预测值，包括以下步骤：将新生成的第一生成向量的辐照数据进行聚为一类，根据聚类中心的辐照数据，确定t时刻辐照预测值。
[0181] 在一些具体的实施例中，根据光伏出力曲线，确定t时刻光伏出力拟合值，包括以下步骤：从光伏出力曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻出力向量；将多个时刻出力向量输入第二生成对抗网络的生成器，得到多个第二生成向量，将多个时刻出力向量和多个第二生成向量输入第二生成对抗网络的判别器进行识别，将识别情况反馈第二生成对抗网络的生成器，进行迭代训练，得到训练好的第二生成对抗网络；将多个时刻出力向量的日时刻和t相同的出力数据进行聚类，将每个聚类中心所在的时刻出力向量，输入训练好的第二生成对抗网络的生成器，得到一个或多个第二生成向量；当新生成的第二生成向量和上次生成的第二生成向量之间的差值收敛时，根据新生成的第二生成向量，确定t时刻光伏出力拟合值。
[0182] 在一些具体的实施例中，根据辐照出力比值曲线，确定t时刻辐照出力比预测值，包括以下步骤：从辐照出力比值曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻比值向量；将多个时刻比值向量输入第三生成对抗网络的生成器，得到多个第三生成向量，将多个时刻比值向量和多个第三生成向量输入第三生成对抗网络的判别器进行识别，将识别情况反馈第三生成对抗网络的生成器，进行迭代训练，得到训练好的第三生成对抗网络；将多个时刻比值向量的日时刻和t相同的辐照出力比值进行聚类，将每个聚类中心所在的时刻比值向量，输入训练好的第三生成对抗网络的生成器，得到一个或多个第三生成向量；当新生成的第三生成向量和上次生成的第三生成向量之间的差值收敛时，根据新生成的第三生成向量，确定t时刻辐照出力比预测值。
[0183] 步骤P2：将辐照预测数据输入辐照预测修正模型 ，得到辐照预测修正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新。
[0184] 步骤P3：根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值。
[0185] 在一些具体的实施例中，根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值，包括以下步骤：当t时刻光伏出力拟合值和光伏出力计算值的差值超过第一阈值时，将t时刻光伏出力计算值输入出力预测修正模型，得到t时刻光伏出力预测值，其中，PPV,t为t时刻光伏出力预
测值，PcPV,t为t时刻光伏出力计算值，Dt为t时刻光伏电站空气颗粒物浓度预测值，θ为出力修正参数，erf表示高斯误差函数，根据预测误差对出力预测修正模型中的出力修正参数进行更新；当t时刻光伏出力拟合值和光伏出力计算值的差值不超过第一阈值时，将t时刻光伏出力拟合值和光伏出力计算值的均值确定为t时刻光伏出力预测值。
[0186] 本实施例中，通过比较由历史数据得到的光伏出力拟合值，和由辐照计算得到的光伏出力计算值，能够得到更准确的光伏出力预测值，并且根据空气颗粒物浓度对辐照进行修正，使计算得到的光伏出力计算值更符合实际情况，准确性更好。
[0187] 本发明另一实施例提供一种光伏出力预测装置，其结构如图9所示，包括：
[0188] 日辐照曲线绘制模块，用于收集光伏电站所在地辐照历史数据，根据辐照历史数据，绘制以时刻和时刻对应辐照量为坐标系的日辐照曲线；
[0189] 辐照预测模块，用于根据日辐照曲线，确定t时刻辐照预测值；
[0190] 辐照 修正 模块 ，用 于将 辐照预 测数 据输 入辐 照预 测修 正模 型，得到辐照预测修正值，其中，Ir,t为t时刻辐照预测修正值，Ipr,t为t时刻辐照预测值，Dt为t时刻光伏电站空气颗粒物浓度预测值，τ为辐照修正参数，erf表示高斯误差函数，根据预测误差对辐照预测修正模型中的辐照修正参数进行更新；根据t时刻辐照预测修正值和辐照出力比预测值，确定t时刻光伏出力计算值；
[0191] 光伏出力曲线绘制模块，用于收集光伏电站相同光伏组件的历史出力数据，根据历史出力数据，绘制以时刻和时刻对应出力为坐标系的光伏出力曲线；
[0192] 光伏出力拟合模块，用于根据光伏出力曲线，确定t时刻光伏出力拟合值；
[0193] 辐照出力比值曲线绘制模块，用于将日辐照曲线和光伏出力曲线置于相同时刻轴的坐标系上，分别确定每时刻的辐照出力比值，绘制辐照出力比值曲线；
[0194] 辐照出力比预测模块，用于根据辐照出力比值曲线，确定t时刻辐照出力比预测值；
[0195] 光伏出力预测模块，用于根据t时刻光伏出力拟合值和光伏出力计算值，确定t时刻光伏出力预测值。
[0196] 在一些具体的实施例中，所述辐照预测模块，具体用于：
[0197] 从日辐照曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻辐照向量；将多个时刻辐照向量输入第一生成对抗网络的生成器，得到多个第一生成向量，将多个时刻辐照向量和多个第一生成向量输入第一生成对抗网络的判别器进行识别，将识别情况反馈第一生成对抗网络的生成器，进行迭代训练，得到训练好的第一生成对抗网络；将多个时刻辐照向量的日时刻和t相同的辐照数据进行聚类，将每个聚类中心所在的时刻辐照向量，输入训练好的第一生成对抗网络的生成器，得到一个或多个第一生成向量；当新生成的第一生成向量和上次生成的第一生成向量之间的差值收敛时，根据新生成的第一生成向量，确定t时刻辐照预测值。
[0198] 在一些具体的实施例中，所述辐照预测模块，还具体用于：
[0199] 当聚类中心不处于任一时刻辐照向量时，将聚类中心对应的全部时刻辐照向量进行新的聚类，直到每个聚类中心的辐照数据分别存在于对应的一个时刻辐照向量中。
[0200] 在一些具体的实施例中，所述辐照预测模块，还具体用于：
[0201] 将新生成的第一生成向量的辐照数据进行聚为一类，根据聚类中心的辐照数据，确定t时刻辐照预测值。
[0202] 在一些具体的实施例中，所述光伏出力拟合模块，具体用于：
[0203] 从光伏出力曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻出力向量；将多个时刻出力向量输入第二生成对抗网络的生成器，得到多个第二生成向量，将多个时刻出力向量和多个第二生成向量输入第二生成对抗网络的判别器进行识别，将识别情况反馈第二生成对抗网络的生成器，进行迭代训练，得到训练好的第二生成对抗网络；将多个时刻出力向量的日时刻和t相同的出力数据进行聚类，将每个聚类中心所在的时刻出力向量，输入训练好的第二生成对抗网络的生成器，得到一个或多个第二生成向量；当新生成的第二生成向量和上次生成的第二生成向量之间的差值收敛时，根据新生成的第二生成向量，确定t时刻光伏出力拟合值。
[0204] 在一些具体的实施例中，所述辐照出力比预测模块，具体用于：
[0205] 从辐照出力比值曲线中各截取多段等时间长度的曲线，根据每段截取曲线对应的数据，得到多个时刻比值向量；将多个时刻比值向量输入第三生成对抗网络的生成器，得到多个第三生成向量，将多个时刻比值向量和多个第三生成向量输入第三生成对抗网络的判别器进行识别，将识别情况反馈第三生成对抗网络的生成器，进行迭代训练，得到训练好的第三生成对抗网络；将多个时刻比值向量的日时刻和t相同的辐照出力比值进行聚类，将每个聚类中心所在的时刻比值向量，输入训练好的第三生成对抗网络的生成器，得到一个或多个第三生成向量；当新生成的第三生成向量和上次生成的第三生成向量之间的差值收敛时，根据新生成的第三生成向量，确定t时刻辐照出力比预测值。
[0206] 在一些具体的实施例中，所述光伏出力预测模块，具体用于：
[0207] 当t时刻光伏出力拟合值和光伏出力计算值的差值超过第一阈值时，将t时刻光伏出力计算值输入出力预测修正模型 ，得到t时刻光伏出力预测值，其中，PPV,t为t时刻光伏出力预测值，PcPV,t为t时刻光伏出力计算值，Dt为t时刻光伏电站空气颗粒物浓度预测值，θ为出力修正参数，erf表示高斯误差函数，根据预测误差对出力预测修正模型中的出力修正参数进行更新；当t时刻光伏出力拟合值和光伏出力计算值的差值不超过第一阈值时，将t时刻光伏出力拟合值和光伏出力计算值的均值确定为t时刻光伏出力预测值。
[0208] 关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。本实施例中，通过比较由历史数据得到的光伏出力拟合值，和由辐照计算得到的光伏出力计算值，能够得到更准确的光伏出力预测值，并且根据空气颗粒物浓度对辐照进行修正，使计算得到的光伏出力计算值更符合实际情况，准确性更好。
[0209] 基于同一发明构思，本发明实施例还提供一种考虑绿电计费方式的电动汽车、光伏协同优化设备，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的考虑绿电计费方式的电动汽车、光伏协同优化方法。
[0210] 基于同一发明构思，本发明实施例还提供一种光伏出力预测设备，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的光伏出力预测方法。
[0211] 基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的考虑绿电计费方式的电动汽车、光伏协同优化方法，或实现前述的光伏出力预测方法。
[0212] 凡在本发明的原则范围内做的任何修改、补充和等同替换等，均应仍归属于本发明的专利涵盖范围内。
