本发明属于电力检测技术领域，特别涉及基于ev车主意愿的电力交通耦合系统协调博弈调度方法。
背景技术：
为了减少对即将枯竭的化石能源的依赖并降低温室气体的排放，交通运输领域电气化已经得到各国的政策支持，成为近年来的研究热点。2017年，英国政府宣布截至2040年将禁止销售新的汽油车和柴油车。近年来，挪威是全球电动汽车(electricvehicle,ev)普及率最高的国家，电动汽车占2019年第一季度新车销量的48％。美国，特别是加利福尼亚州，正在积极制定激励措施，以提升电动汽车的市场占比和促进对充电基础设施的投资。一些亚洲国家，例如中国和日本，也设定了雄心勃勃的电动汽车市场份额目标。
与传统汽车相比，电动汽车具有更多样化的能量来源，尤其是可再生能源发电，且其内部的电气化系统动作速度更快也更可控。此外，先进的通信技术(如5g蜂窝网络)，gps设施和智能量测设施，使得交通网络和ev车主之间的双向数据交换成为可能。在此背景下，ev作为灵活的动态负荷和能源缓冲载体，正在加强电力网络和交通网络之间的耦合。大量的电动汽车的渗透可能会降低电网的稳定性，但如果管理得当，它们也能够增加电网的灵活性并促进可再生能源消纳。通过对ev采用高效合理的充电策略，电网和交通网络有望实现优良的合作，从而形成电网、交通网络以及ev车主多赢的局面。
目前，各国学者已经开展了针对ev的实用有效的充电策略的探索研究。其中，集中式策略能够从系统层级做出调度策略，以协调所有ev的充电行为。尽管就全局最优性和电网稳定性而言，分布式策略不及集中式策略，但分布式策略确实保护了用户隐私和权限，并且降低了计算和通信成本。
充电价格是影响充电站和ev用户效益的最主要原因之一。根据文献，近年来不少学者都开展了针对不同电价机制对配电系统稳定性以及电气化交通系统运行效率影响的研究，并逐步将目光投向了动态价格策略的制定，比如基于ev车主停留时间的计费方式，联合调度电动汽车和储能的定价方式，但总体来说，现有动态价格策略的研究一般研究对象较为理想，距离实际应用距离尚远。
在充电行为建模方面，已有部分研究考虑了技术、环境和经济因素。大体上看，主要是从运输、车辆技术和电力系统三个角度研究影响电动汽车充电行为和驾驶方式的主要原因。也有研究综合考虑充电服务费用、用户等待的时间成本和电池寿命相关的成本等因素对ev车主充电决策的影响。此外，不同类型的ev用户(如商业用户和私人用户)在不同的典型日(工作日和周末)，充电意愿都是有区别的。但是现有研究大多数都忽略了影响充电行为的各种因素，特别是在集中调度中，这些因素随着ev车主的权限剥夺而被忽略。
电力网络和交通网络的耦合使得电动汽车相关的规划和调度成为多利益主体问题，大多基于博弈理论来建模，通常考虑为电力网络和交通网络之间，充电站之间，充电站和ev车主之间，采用启发式或解析优化的方法进行求解，协调电力网络与交通网络的经济运行。
然而，上述研究很少同时考虑价格策略和电力交通网络的耦合关系，这在一定程度上会导致较弱的实际可行性。
技术实现要素：
本发明提供一种基于ev车主意愿的电力交通耦合系统协调博弈调度方法，利用非合作博弈方法平衡充电站之间收益和充电设施使用率，促进当地的可再生能源消纳，从而推动电力交通耦合系统的和谐发展。
本发明具体为一种基于ev车主意愿的电力交通耦合系统协调博弈调度方法，所述电力交通耦合系统协调博弈调度方法包括以下步骤：
步骤(1)：建立交通网络的模型，包括基于图论建立的交通网络拓扑模型和ev车主充电行为模型；
步骤(2)：建立电力交通耦合网络双层协调博弈调度模型，上层电力网络以配电成本最低为优化目标，考虑网络约束建立优化模型，下层交通网络中各充电站以自身收益最大化为目标，建立非合作博弈模型；
步骤(3)：求解双层优化模型，采用二阶锥规划方法求解上层电网最优潮流问题，并通过潮流追踪法获取电网节点电价，针对下层交通网络中充电站的非合作博弈问题，采用贪心算法求解，上下层子问题的优化变量交替迭代，直至问题收敛，实现系统的统一调度和优化运行。
步骤(1)中建立所述交通网络的模型的过程为：
(1)建立所述交通网络的拓扑模型，基于图论知识，用图g(v,e)(t)表征所述交通网络拓扑，其中节点集合v表示所有的交叉路口，边的集合e表示所有的路段；考虑到道路长度和阻塞情况，t时刻的交通网络g被认为是有向赋权图，每个路段的权重为：weighte,t＝lre(1 bse,t)，lre表示路段e的长度，bse,t示路段e在t时刻的阻塞信号；
(2)ev车主充电行为模型包括充电概率模型和充电意愿模型：
所述ev车主充电概率模型为
所述充电意愿模型：
采用dijkstra算法确定距离参数：d＝dijkstra(g(v,e),weight,source,target)；
首先，计算前往充电站k充电的绕行距离为dm,k＝dspm,k dk,tpm-dspm,tpm，dspm,k,dk,tpm和dspm,tpm分别表示从起始点spm到充电站k，从充电站k到目的地tpm，以及从起始点spm到目的地tpm的最短行驶里程数；
其次，基于dspm,k，计算得到evm行驶至充电站k时的电池荷电状态：
再次，判断是否满足dspm,k＜dspm,tpm，dk,tpm＜dspm,tpm，
再次，计算evm选择充电站k的充电意愿
再次，充电意愿与充电价格的关系为
最后，ev车主选择充电站的充电意愿综合表示为
建双层协调博弈调度模型的具体步骤为：
首先，为了保证所提调度策略的效果，在构建双层协调博弈调度模型前，做出以下六项基本假设：
假设1：ev车主和充电站之间的数据交互借助于先进的无线通信技术和gps设施实现；
假设2：认为交通流和可再生能源发电的历史数据可分别从当地的气象局和交通部门获得；获得的数据将在一个高级数据聚合器中处理并应于预测，这个数据聚合器部署在云计算机服务器上；
假设3：基于道路上的车辆情况和实时播报的充电站运行状态，数据聚合器处理交通流信息并向交通网络上的所有ev播报道路阻塞信息；
假设4：所有的充电站和ev都被认为是理智的参与者，即追求自我利益或效用最大化；
假设5：本发明中所涉及的可再生能源发电量指的是充电站附近消纳不掉的风电或光电，被认为是免费或是成本很低；
假设6：认为ev充电过程完成后，充电站会向ev车主收取超时费用，因此ev抵达充电站之后的等待时间忽略不计；
其次，搭建上层电力网络中的电力潮流优化模型，包括
(1)上层电力系统的目标函数为发、配电总成本最低：
(2)上层模型需要满足电力潮流等式约束
(3)电压电流约束ui,min≤ui,t≤ui,max，|iij,t|≤iij,max，ui,min与ui,max为节点电压的最小值与最大值；iij,max为线路电流的最大值；
再次，下层交通网络中各充电站以自身收益最大化为目标，建立非合作博弈模型：
(1)构建充电站优化策略：
下层交通网络中每个充电站的收益等于向ev提供充电服务的收入减去向上层电网购电的费用，maxpk,t＝pk,t·dk,t-lmpk,t·max(dk,t-rek,t,0)；
充电站的充电价格还需满足：
(2)构建非合作博弈模型：
定义如下所示：
参与者：所有共计k个充电站；
策略：对于每个充电站k，选取一个充电价格策略
收益：第k个充电站获得的收益为pk,t(pk,t,p-k,t)，p-k,t指的是除去充电站k之外所有其他充电站的价格策略；
若找到非合作博弈模型
对上层电网最优潮流问题和下层交通网络非合作博弈问题的求解过程为：
首先，上层电网的潮流等式约束中，电流、电压和有功无功之间为非线性关系，需要进行线性化处理，根据优化结果，需要采用潮流追踪法计算节点电价，具体过程为：
(1)采用二阶锥松弛的方法处理式
通过商业求解器求解：引入两个变量对潮流约束中的平方项进行松弛，令αij,t＝i2ij,t，βi,t＝u2i,t；从而等式i2ij,t＝(p2ij,t q2ij,t)/u2i,t转化为
(2)采用潮流追踪法计算上层电网节点电价：
基于最优潮流的结果，每个充电站节点的节点边际价格通过潮流追踪法获得：
其次，采用贪心算法求解下层交通网络的非合作博弈，具体过程为：
(1)为了找到广义纳什均衡解，提出了一个等价定义：
定义：如果pt*是优化问题minf(pt)的最优解f(pt*)，且最优解等于0，那么pt*也是非合作博弈问题
f(pt)的优化问题定义为：
必要性证明：如果pt*是非合作博弈问题
充分性证明：对于任意k属于k，显然有pk,t(pk,t)大于或等于minpk,t(·,p-k,t)；因此如果pt*是优化问题minf(pt)的最优解，且
(2)采用贪心算法求解下层交通网络非合作博弈问题。
与现有技术相比，有益效果是：本发明提出的基于ev车主意愿的电力交通耦合系统协调博弈调度方法，首先基于图论理论构建交通网络拓扑模型，并综合考虑绕行距离、充电价格和充电等级等三方面因素，构建ev车主充电意愿模型，相对于已有研究，更全面真实地刻画了ev车主的充电决策行为；接着建立了电力交通耦合系统的双层协调博弈调度模型，上层电网建立以发、配电费用最低为优化目标的优化调度模型，并采用二阶锥松弛转化为稳态线性潮流进行求解，并采用潮流追踪法获得节点边际电价，下层构建以充电站为主体的非合作博弈模型，各个充电站通过调整自身的价格策略影响ev车主的充电行为，从而产生充电需求的分配结果，并将之反馈至上层电网，如此反复迭代，直至系统平衡，得到统一调度策略。
其次，本发明考虑了可再生能源在电力系统中的渗透，并借助于交通网络中的充电站帮助促进风电和光电的消纳，适用于可再生能源消纳不足的地区；此外，本发明能够均衡交通网络中充电站的收益，平衡充电站充电设施的利用情况，且能够明显提高位置占劣势但附近有富余风电的充电站的日收益，在一定程度上疏导交通流，缓解早晚交通阻塞情况。
最后，本发明具有良好的求解效率，适用于较大规模电力交通耦合系统的优化调度，调度间隔可为一小时或更小，对于高比例可再生能源渗透，数据处理和通信技术发达的未来能源交通场景，极具应用前景。
附图说明
图1为本发明一种基于ev车主意愿的电力交通耦合系统协调博弈调度方法的结构示意图。
图2为本发明实施例中的都柏林地区电力交通耦合系统结构图。
具体实施方式
下面结合附图对本发明一种基于ev车主意愿的电力交通耦合系统协调博弈调度方法的具体实施方式做详细阐述。
本发明实施例中的都柏林地区电力交通耦合系统结构如图2所示，系统由上层配电网、海上风电场、陆上风电场、光伏电站、充电站和电动汽车等组成。各充电站的参数见表1，各风电场和光伏电站的参数见表2。算例中的电力网络采用的是ieee33节点测试系统，具体参数见表3。基于都柏林交通署和气象部门的历史数据，采用人工神经网络进行数据预测，获得的交通流和可再生能源出力数据见表4和表5。为了对比分析本发明调度策略在实施例中的表现，构建了两个对比价格机制，分别为分时电价和统一电价，具体参数见表6。
表1算例中的各充电站参数
表2算例中各风电场和光伏电站参数
表3算例中的电力网络参数
表4算例中交通流预测值
表5算例中光伏、风机出力预测值
表6算例中用于对比的价格机制
如图1所示，本发明的电力交通耦合系统协调博弈调度方法包括以下步骤：
步骤s1，建立交通网络的模型，包括基于图论建立的交通网络拓扑模型和ev车主充电行为模型；
步骤s2，建立电力交通耦合网络双层协调博弈调度模型，上层电力网络以配电成本最低为优化目标，考虑网络约束建立优化模型，下层交通网络中各充电站以自身收益最大化为目标，建立非合作博弈模型；
步骤s3，求解双层优化模型，采用二阶锥规划方法求解上层电网最优潮流问题，并通过潮流追踪法获取电网节点电价，针对下层交通网络中充电站的非合作博弈问题，采用贪心算法求解，上下层子问题的优化变量交替迭代，直至问题收敛，实现系统的统一调度和优化运行。
在上述实施例中，作为优选例，所述步骤s1中，建立区域内冷热电联供系统模型的过程包括步骤s11～s12，选取调度时间δt为1h：
步骤s11，建立交通网络的拓扑模型，基于图论知识，用图g(v,e)(t)表征交通网络拓扑，其中节点集合v表示所有的交叉路口，边的集合e表示所有的路段。考虑到道路长度和阻塞情况，t时刻的交通网络g被认为是有向赋权图，每个路段的权重为：
weighte,t＝lre(1 bse,t)(1)
式中，lre表示路段e的长度，bse,t示路段e在t时刻的阻塞信号；
步骤s12，ev车主充电行为可从充电概率和充电意愿两个角度刻画；ev车主充电概率模型搭建过程为：
步骤s121，考虑ev电池的荷电状态，依据荷电状态最低值将充电概率分为两个区间考虑：
式中，socm表示evm的荷电状态，
步骤s122，不同的ev车主有不同的充电偏好，部分看重时间成本，偏向选择最近的充电站，部分看重充电费用，偏向选择收费较低的充电站。此外，对于充电站的充电等级，ev车主也有不同的偏好。不失一般性，将上述三个因素整合，并认为，ev车主的充电意愿在空间属性上受绕行距离影响，非空间属性上受充电价格和充电等级影响。
如式(3)所示，所有距离相关的参数均由dijkstra算法确定：
d＝dijkstra(g(v,e),weight,source,target)(3)
对于行程起始点为spm，目的地为tpm的evm，其前往充电站k充电的绕行距离定义如式(4)所示：
dm,k＝dspm,k dk,tpm-dspm,tpm(4)
式中，dspm,k,dk,tpm和dspm,tpm分别表示从起始点spm到充电站k，从充电站k到目的地tpm，以及从起始点spm到目的地tpm的最短行驶里程数。
基于dspm,k，可以获得evm行驶至充电站k时的电池荷电状态：
为了避免无意义的偏离原始路线，绕行距离还受式(6)至(8)的约束：
dspm,k＜dspm,tpm(6)
dk,tpm＜dspm,tpm(7)
在计算一位ev车主对于某一充电站的充电意愿之前，需要先判断是否满足式(6)至(8)的约束。从而充电站候选集可削减至ev抵达时电量充足的充电站。否则，ev抵达时荷电状态过低会损害电池健康。
仅考虑绕行距离，evm选择充电站k的充电意愿
f(dm,k)＝α1·(1-(α2·dm,k α3)-1)(10)
式中，α0,α1,α2,α3表示
充电价格指的是充电站为ev提供充电服务时的收费标准。充电意愿与充电价格的关系由式(11)和式(12)表征：
式中，
标准saej1772基于功率传输类型，最大功率，对ev充电等级进行了标准化，包括ac充电和dc充电。考虑到充电等级对于充电时长及电池健康的影响。不同的ev车主有不同的偏好。用
综合上述三个因素的影响，ev车主选择充电站的充电意愿综合表示为：
需要注意的是，简单起见，ev特性建模中的参数和变量的时间下标t都被省略。
作为优选例，所述的步骤s2中，构建双层协调博弈调度模型具体包括步骤s21～s23：
步骤s21，为了保证所提调度策略的效果，在构建双层协调博弈调度模型前，做出以下六项基本假设：
假设1：ev车主和充电站之间的数据交互借助于先进的无线通信技术和gps设施实现。
假设2：认为交通流和可再生能源发电的历史数据可分别从当地的气象局和交通部门获得。获得的数据将在一个高级数据聚合器中处理并应于预测，这个数据聚合器部署在云计算机服务器上。
假设3：基于道路上的车辆情况和实时播报的充电站运行状态，数据聚合器处理交通流信息并向交通网络上的所有ev播报道路阻塞信息，也就是式(1)中的bse,t。
假设4：所有的充电站和ev都被认为是理智的参与者，即追求自我利益或效用最大化。
假设5：本发明中所涉及的可再生能源发电量指的是充电站附近消纳不掉的风电或光电，被认为是免费或是成本很低。
假设6：认为ev充电过程完成后，充电站会向ev车主收取超时费用，因此ev抵达充电站之后的等待时间忽略不计。
步骤s22，上层电力网络中的电力潮流优化模型搭建过程为：
上层电力系统的目标函数为发、配电总成本最低：
上层模型需要满足电力潮流等式约束，如式(10)所示：
式中，ju表示电力潮流方向流入j的节点集合；jd表示电力潮流方向从j流出的节点集合；plj,t与qlj,t表示节点j消耗的有功和无功电功率；pij,t与qij,t表示节点i与j之间的潮流；rij与xij表示节点i与j之间线路的阻抗参数；ui,t与uj,t表示节点i与j的电压；iij,t表示节点i与j之间的电流；
电压电流约束：
0.9*12.66≤ui,t≤1.1*12.66(16)
|iij,t|≤500(17)
步骤s23，下层交通网络中的各个充电站认为是不同的利益主体，它们之间存在利益冲突，均追求自身利益最大化：
步骤s231，构建充电站优化策略：
下层交通网络中每个充电站的收益等于向ev提供充电服务的收入减去向上层电网购电的费用，如式(18)所示：
maxpk,t＝pk,t·dk,t-lmpk,t·max(dk,t-rek,t,0)(18)
充电站的充电价格还需满足式(19)的约束：
0.2≤pk,t≤2(19)
步骤s232，构建非合作博弈模型：
每个充电站通过调整充电价格，追求自身收益最大化，且充电站之间不存在从属关系，彼此利益冲突。因此，本发明将下层各个充电站的价格调整行为建模为一个非合作博弈模型
参与者：所有共计k＝13个充电站。
策略：对于每个充电站k，选取一个充电价格策略
收益：第k个充电站获得的收益为
需要指出的是，p-k,t指的是除去充电站k之外所有其他充电站的价格策略。
如果找到非合作博弈模型
作为优选例，所述的步骤s3中，进行压缩机线性化建模的过程包括步骤s31～s32：
本发明所提出的基于ev车主意愿的电力交通耦合系统协调博弈调度方法，在步骤s3中，对上层电网最优潮流问题和下层交通网络非合作博弈问题的求解过程为：
步骤s31，上层电网的潮流等式约束中，电流、电压和有功无功之间为非线性关系，需要进行线性化处理，根据优化结果，需要采用潮流追踪法计算节点电价，具体过程为：
步骤s311，采用二阶锥松弛的方法处理式(15)中的平方项，将非线性问题转化为凸优化线性问题，可通过商业求解器(如cplex)求解：
引入两个变量对潮流约束中的平方项进行松弛，令
从而式(15)可以转化为式(22)的形式：
步骤s312，采用潮流追踪法计算上层电网节点电价：
基于最优潮流的结果，每个充电站节点的节点边际价格可通过潮流追踪法获得：
式中，右边的第一项表示发电部分的费用组成，第二项表示配电部分的费用组成，au表示电网的上溯矩阵，ad表示电网的下溯矩阵，具体表达如式(24)和(25)所示。
步骤s32，下层交通网络的非合作博弈采用贪心算法求解，具体过程为：
步骤s321，为了找到广义纳什均衡解，提出了一个等价定义：
定义：如果pt*是优化问题minf(pt)的最优解f(pt*)，且最优解等于0，那么pt*也是非合作博弈问题
f(pt)的优化问题定义为：
必要性证明：如果pt*是非合作博弈问题
充分性证明：对于任意k属于k，显然有
步骤s322，采用贪心算法求解下层交通网络非合作博弈问题：
广义纳什均衡的某一子决策是其他子决策固定时的最优解，因此广义纳什均衡问题具有最优子结构。考虑到贪心算法适用于具有最优子结构的优化问题的求解，下层交通网络的广义纳什均衡选择贪心算法进行求解。
算例结果如表7所示：
表7不同案例下所有充电站日累计收益对比分析
由表9可知，在三种价格机制下，附近有富余可再生能源的c3，c6，c8和c13的日累计收益显著高于其他普通充电站。由于这些充电站优先使用附近的风电或光电，从上层电网购买电的成本得以降低。但是，同样位于风电场附近的c4和c14的日累计收益明显低于其他充电站。一方面，这两个充电站附近的风电装机容量相对较小，并且交通早高峰时段与风机出力的谷值恰好吻合，这导致风电的利用受到限制。另一方面，c4位于交通稀疏的道路上，而c14离都柏林市中心很远。就绕行距离而言，它们地理位置的劣势对ev车主来说没有吸引力。相反，普通充电站c9和c10可以通过良好的位置获得良好的收益。
横向比较表明，采用本发明中的动态博弈策略时，与其他两种价格机制相比，在风能丰富的地区，c4，c6和c14的日累计收益明显提高。当采用统一电价时，ev车主的充电意愿只会受到绕行距离的影响，而这些位于轻载道路上的充电站对于ev车主不具备吸引力。特别是位于配电网络末端的c14，其需要支付较高的电力传输成本，因此其日累计收益将更加低于其他充电站。相比之下，动态博弈策略通过调整充电站的充电价格，在一定程度上平衡了所有充电站的利益，特别是提高了风电场附近但地理位置较差的充电站的利益。本实施例中，c4，c6和c14都降低了各自的充电价格，从而提高了ev车主选择它们的意愿，它们的日累计收益也因此提升。从表7还可以看出，与分时电价和统一电价相比，c4的利润分别增长了19.72％和18.77％，c6的利润分别增长了6.17％和5.45％，c14的利润分别增长了26.75％和26.88％。同时，其他充电站的日累计收益波动程度在可接受的范围内，这表明动态博弈策略可以在不过度降低其他充电站的收益的情况下提高这些充电站的收益。
表8动态博弈策略下可再生能源消纳情况
表9分时电价机制下可再生能源消纳情况
表10统一电价机制下可再生能源消纳情况
表8至表10展示的是三种价格机制下的可再生能源消纳情况。针对风电消纳情况，从0:00到7:00，风能输出处于低谷期，道路上要充电的ev很少，因此c4，c6和c14的风电消耗率较低。当交通早高峰时段(7:00到9:00)到来时，风电消纳率全部上升，在某些情况下甚至可以达到100％。随后，随着风能输出的增加和交通流的减少，消纳率逐步下降。在交通晚高峰时段(16:00至18:00)，风能消纳略有增加。此后，交通流迅速减少，风电输出呈下降趋势，风电消纳率进一步降低。
针对光电消纳情况，日落之后没有光电消耗。在交通早晚高峰时段，c3，c8和c13的太阳能消耗都可以达到100％。虽然9:00至16:00是太阳能输出的高峰期，但由于道路上要充电的ev数量少，因此消纳率受到限制。其中，c13由于风机的装机容量相对较小，总体上消纳率表现得比其他两个充电站高。
整体来看，动态博弈策略下，可再生能源的总体消纳水平要优于其他两种价格机制。风能或太阳能丰富地区的充电站可以利用免费的可再生能源发电优势，通过调整充电价格来吸引更多的ev车主，从而促进可再生能源的消耗。
表11不同价格机制下充电站充电位置利用情况
表11列出了三种价格机制下富含可再生能源的充电站中充电设施的平均利用率。可以看出，在动态博弈策略下，风能丰富地区充电站的利用率总体上有所提高，而太阳能资源丰富地区充电站的利用率总体下降。在另外两种定价机制下，与光电相关的充电站凭借其地理优势在充电设施的使用率具有更好的表现，而与风电相关的充电站的利用率要低得多。通过调整充电价格，动态博弈策略不仅可以促进可再生能源的消耗，而且可以平衡风电富余和光电富余的充电站的使用率。
综上所述，本发明实施例首先基于图论理论构建交通网络拓扑模型，并综合考虑绕行距离、充电价格和充电等级等三方面因素，构建ev车主充电意愿模型，相对于已有研究，更全面真实地刻画了ev车主的充电决策。接着建立了电力交通耦合系统的双层协调博弈调度模型，上层电网建立以发、配电费用最低为优化目标的优化调度模型，并采用二阶锥松弛转化为稳态线性潮流进行求解，并采用潮流追踪法获得节点边际电价，下层构建以充电站为主体的非合作博弈模型，各个通过调整自身的价格策略影响ev车主的充电行为，从而产生充电需求的分配结果，并将之反馈至上层电网，如此反复迭代，直至系统平衡，得到统一调度策略。设置了两个对比案例用于比较分析，结果表明，本发明中的策略能够平衡充电站的收益和使用率，有效促进周围可再生能源消纳。特别是对于风电场附近但位置较差的充电站，其各方面性能可以得到显着改善。
最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。
1.基于ev车主意愿的电力交通耦合系统协调博弈调度方法，其特征在于，所述电力交通耦合系统协调博弈调度方法包括以下步骤：
步骤(1)：建立交通网络的模型，包括基于图论建立的交通网络拓扑模型和ev车主充电行为模型；
步骤(2)：建立电力交通耦合网络双层协调博弈调度模型，上层电力网络以配电成本最低为优化目标，考虑网络约束建立优化模型，下层交通网络中各充电站以自身收益最大化为目标，建立非合作博弈模型；
步骤(3)：求解双层优化模型，采用二阶锥规划方法求解上层电网最优潮流问题，并通过潮流追踪法获取电网节点电价，针对下层交通网络中充电站的非合作博弈问题，采用贪心算法求解，上下层子问题的优化变量交替迭代，直至问题收敛，实现系统的统一调度和优化运行。
2.根据权利要求1所述的基于ev车主意愿的电力交通耦合系统协调博弈调度方法，其特征在于，步骤(1)中建立所述交通网络的模型的过程为：
(1)建立所述交通网络的拓扑模型，基于图论知识，用图g(v,e)(t)表征所述交通网络拓扑，其中节点集合v表示所有的交叉路口，边的集合e表示所有的路段；考虑到道路长度和阻塞情况，t时刻的交通网络g被认为是有向赋权图，每个路段的权重为：weighte,t＝lre(1 bse,t)，lre表示路段e的长度，bse,t示路段e在t时刻的阻塞信号；
(2)ev车主充电行为模型包括充电概率模型和充电意愿模型：
所述ev车主充电概率模型为
所述充电意愿模型：
采用dijkstra算法确定距离参数：d＝dijkstra(g(v,e),weight,source,target)；
首先，计算前往充电站k充电的绕行距离为dm,k＝dspm,k dk,tpm-dspm,tpm，dspm,k,dk,tpm和dspm,tpm分别表示从起始点spm到充电站k，从充电站k到目的地tpm，以及从起始点spm到目的地tpm的最短行驶里程数；
其次，基于dspm,k，计算得到evm行驶至充电站k时的电池荷电状态：
再次，判断是否满足dspm,k＜dspm,tpm，dk,tpm＜dspm,tpm，
再次，计算evm选择充电站k的充电意愿
再次，充电意愿与充电价格的关系为
最后，ev车主选择充电站的充电意愿综合表示为
3.根据权利要求2所述的基于ev车主意愿的电力交通耦合系统协调博弈调度方法，其特征在于，建双层协调博弈调度模型的具体步骤为：
首先，为了保证所提调度策略的效果，在构建双层协调博弈调度模型前，做出以下六项基本假设：
假设1：ev车主和充电站之间的数据交互借助于先进的无线通信技术和gps设施实现；
假设2：认为交通流和可再生能源发电的历史数据可分别从当地的气象局和交通部门获得；获得的数据将在一个高级数据聚合器中处理并应于预测，这个数据聚合器部署在云计算机服务器上；
假设3：基于道路上的车辆情况和实时播报的充电站运行状态，数据聚合器处理交通流信息并向交通网络上的所有ev播报道路阻塞信息；
假设4：所有的充电站和ev都被认为是理智的参与者，即追求自我利益或效用最大化；
假设5：本发明中所涉及的可再生能源发电量指的是充电站附近消纳不掉的风电或光电，被认为是免费或是成本很低；
假设6：认为ev充电过程完成后，充电站会向ev车主收取超时费用，因此ev抵达充电站之后的等待时间忽略不计；
其次，搭建上层电力网络中的电力潮流优化模型，包括
(1)上层电力系统的目标函数为发、配电总成本最低：
(2)上层模型需要满足电力潮流等式约束
(3)电压电流约束ui,min≤ui,t≤ui,max，|iij,t|≤iij,max，ui,min与ui,max为节点电压的最小值与最大值；iij,max为线路电流的最大值；
再次，下层交通网络中各充电站以自身收益最大化为目标，建立非合作博弈模型：
(1)构建充电站优化策略：
下层交通网络中每个充电站的收益等于向ev提供充电服务的收入减去向上层电网购电的费用，maxpk,t＝pk,t·dk,t-lmpk,t·max(dk,t-rek,t,0)；
充电站的充电价格还需满足：
(2)构建非合作博弈模型：
定义如下所示：
参与者：所有共计k个充电站；
策略：对于每个充电站k，选取一个充电价格策略pk,t,
收益：第k个充电站获得的收益为pk,t(pk,t,p-k,t)，p-k,t指的是除去充电站k之外所有其他充电站的价格策略；
若找到非合作博弈模型
4.根据权利要求3所述的基于ev车主意愿的电力交通耦合系统协调博弈调度方法，其特征在于，对上层电网最优潮流问题和下层交通网络非合作博弈问题的求解过程为：
首先，上层电网的潮流等式约束中，电流、电压和有功无功之间为非线性关系，需要进行线性化处理，根据优化结果，需要采用潮流追踪法计算节点电价，具体过程为：
(1)采用二阶锥松弛的方法处理式
通过商业求解器求解：引入两个变量对潮流约束中的平方项进行松弛，令αij,t＝i2ij,t，βi,t＝u2i,t；从而等式i2ij,t＝(p2ij,t q2ij,t)/u2i,t转化为
将
(2)采用潮流追踪法计算上层电网节点电价：
基于最优潮流的结果，每个充电站节点的节点边际价格通过潮流追踪法获得：
其次，采用贪心算法求解下层交通网络的非合作博弈，具体过程为：
(1)为了找到广义纳什均衡解，提出了一个等价定义：
定义：如果pt*是优化问题minf(pt)的最优解f(pt*)，且最优解等于0，那么pt*也是非合作博弈问题
f(pt)的优化问题定义为：
必要性证明：如果pt*是非合作博弈问题
充分性证明：对于任意k属于k，显然有pk,t(pk,t)大于或等于minpk,t(·,p-k,t)；因此如果pt*是优化问题minf(pt)的最优解，且
(2)采用贪心算法求解下层交通网络非合作博弈问题。
技术总结