电网调度方法、装置、计算机设备和存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及电力系统优化调度领域，特别是涉及一种电动汽车聚类集群参与电网调度的方法、装置、计算机设备、存储介质。背景技术：2.随着计算机技术的发展，越来越多的对象得到了广泛的应用。大量电动汽车的无序充电加大了电网调度的压力，利用基于电动汽车资源进行聚类聚合参与电网调度优化的研究方案受到各国能源部门广泛关注。3.现有技术在对电动汽车资源进行聚类聚合时不能充分利用电动汽车资源，不能有效地降低电网节点负荷峰谷差和节省电网运营成本。技术实现要素：4.基于此，有必要针对上述技术问题，提供一种电网调度的方法、装置、计算机设备、计算机可读存储介质，能够有效降低电网节点负荷峰谷差和节省电网运营成本。5.一种电网调度方法，所述方法包括：6.获取各个分布式充电站上传的电动汽车充电需求数据，充电需求数据包括至少以下的多维度数据：电动汽车的到达时间、电动汽车未来的离开时间、电动汽车到达时的汽车电量以及用户期望的充电量；7.分别对各个分布式充电站对应的电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集，聚类对象差异数据集内包括各个维度数据对应的聚类对象差异项；8.基于聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数；9.将聚类对象差异数据集内的聚类对象差异项基于动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项，同一个分布式充电站对应的各个融合对象差异项组成分布式充电站对应的电动汽车数据距离矩阵；10.基于分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群；11.基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息；12.基于聚合信息生成电动汽车的充电调度计划。13.一种电网调度装置，所述装置包括：14.充电需求数据获取模块，用于获取各个分布式充电站上传的电动汽车充电需求数据，充电需求数据包括至少以下的多维度数据：电动汽车的到达时间、电动汽车未来的离开时间、电动汽车到达时的汽车电量以及用户期望的充电量；15.电动汽车差异确定模块，用于分别对各个分布式充电站对应的电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集，聚类对象差异数据集内包括各个维度数据对应的聚类对象差异项；16.动态参数确定模块，用于基于聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数；17.距离矩阵确定模块，用于将聚类对象差异数据集内的聚类对象差异项基于动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项，同一个分布式充电站对应的各个融合对象差异项组成分布式充电站对应的电动汽车数据距离矩阵；18.电动汽车聚类模块，用于基于分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群；19.聚合信息确定模块，用于基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息；20.信号处理模块，用于将聚合信息发送给城市电网以及用于将电动汽车充电调度计划发送给各个电动汽车充电站。21.在一个实施例中，电动汽车差异确定模块还用于基于同一充电站内电动汽车间的充电需求数据，分别计算所述多维度数据中各维度对应的差异距离，得到各个电动汽车间在各维度对应的聚类对象差异项；由聚类对象差异项组成对应的充电站内各个电动汽车间对应的聚类对象差异数据集。22.在一个实施例中，动态参数确定模块还用于将各个聚类对象差异项进行融合得到差异融合项；分别将各个维度数据的对应的聚类对象差异项与差异融合项进行比例计算，得到各个维度数据的对应的动态可调节参数。23.在一个实施例中，距离矩阵确定模块还用于获取聚类差异因子与参数因子，聚类差异因子包含各个维度数据的对应的聚类对象差异项，参数因子包含各个维度数据的对应的动态可调节参数；将聚类差异因子与参数因子进行加权融合，得到各个聚类对象差异数据集对应的融合对象差异项。24.在一个实施例中，电动汽车聚类模块还用于将电动汽车数据距离矩阵中的各个融合对象差异项进行归一化处理得到邻接差异项；将邻接差异项组成邻接矩阵；计算邻接矩阵的特征值得到特征值对应的特征向量；将特征向量按照对应的特征值从大到小的顺序进行排列组成特征向量矩阵；对特征向量矩阵的行向量用聚类算法进行聚类生成电动汽车充电聚类群。25.在一个实施例中，聚合信息确定模块还用于获取电动汽车电量约束，电动汽车电量约束包括电动汽车最大电量、电动汽车原有电量、上一时刻的调度潜力上界、所述上一时刻的调度潜力下界、电动汽车最小电量、用户所期望能达到的充电量、电动汽车的耗电量、电动汽车的充电量，上一时刻的调度潜力上界和上一时刻的调度潜力下界初始值都为电动汽车原有电量；基于电动汽车电量约束得到电动汽车调度潜力模型，电动汽车调度潜力模型包括调度潜力上界与调度潜力下界，调度潜力上界取上界约束项中的最小值，上界约束项包括电动汽车最大电量、电动汽车的充电量与所述上一时刻的调度潜力上界的融合，调度潜力下界取下界约束项中的最大值，下界约束项包括上一时刻的调度潜力下界扣除电动汽车的耗电量、电动汽车最小电量、用户所期望能达到的充电量扣除电动汽车的耗电量；对电动汽车充电聚类群中各个集群的电动汽车的调度潜力上界进行融合，得到电动汽车充电聚类群中各个集群的调度潜力上界；对电动汽车充电聚类群中各个集群的电动汽车的调度潜力下界进行融合，得到电动汽车充电聚类群中各个集群的调度潜力下界；将电动汽车充电聚类群中各个集群的调度潜力上界与调度潜力上界组合成各个电动汽车充电聚类群对应的聚合信息。26.在一个实施例中，信号处理模块还用于获取电动汽车的充电功率；将聚合信息发送给城市电网得到城市电网返回的基于聚合信息生成的调度信号；将调度信号与电动汽车的充电功率进行融合得到信号分解目标函数；计算信号分解目标函数最小值得到电动汽车的充电调度计划，电动汽车的充电调度计划包括电动汽车的充电曲线。27.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：28.获取各个分布式充电站上传的电动汽车充电需求数据，充电需求数据包括至少以下的多维度数据：电动汽车的到达时间、电动汽车未来的离开时间、电动汽车到达时的汽车电量以及用户期望的充电量；29.分别对各个分布式充电站对应的电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集，聚类对象差异数据集内包括各个维度数据对应的聚类对象差异项；30.基于聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数；31.将聚类对象差异数据集内的聚类对象差异项基于动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项，同一个分布式充电站对应的各个融合对象差异项组成分布式充电站对应的电动汽车数据距离矩阵；32.基于分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群；33.基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息；34.基于聚合信息生成电动汽车的充电调度计划。35.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：36.获取各个分布式充电站上传的电动汽车充电需求数据，充电需求数据包括至少以下的多维度数据：电动汽车的到达时间、电动汽车未来的离开时间、电动汽车到达时的汽车电量以及用户期望的充电量；37.分别对各个分布式充电站对应的电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集，聚类对象差异数据集内包括各个维度数据对应的聚类对象差异项；38.基于聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数；39.将聚类对象差异数据集内的聚类对象差异项基于动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项，同一个分布式充电站对应的各个融合对象差异项组成分布式充电站对应的电动汽车数据距离矩阵；40.基于分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群；41.基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息；42.基于聚合信息生成电动汽车的充电调度计划。43.上述电网调度方法、装置、计算机设备和存储介质，通过获取各个分布式充电站上传的电动汽车充电需求数据，充电需求数据包括至少以下的多维度数据：电动汽车的到达时间、电动汽车未来的离开时间、电动汽车到达时的汽车电量以及用户期望的充电量；分别对各个分布式充电站对应的电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集，聚类对象差异数据集内包括各个维度数据对应的聚类对象差异项；基于聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数；将聚类对象差异数据集内的聚类对象差异项基于动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项，同一个分布式充电站对应的各个融合对象差异项组成分布式充电站对应的电动汽车数据距离矩阵；基于分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群；基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息；基于聚合信息生成电动汽车的充电调度计划。这样，通过设立多维度充电需求数据和动态可调节参数来对电动汽车充电行为的时间差异和电量差异进行针对性地调节，使得在充电时间和充电量上更加接近的电动汽车聚合为一个聚类群，再结合电动汽车充电需求所构建的电动汽车调度潜力模型所生成的电动汽车聚合信息更加能反映电动汽车充电行为的时间特性和电量特性，从而达到有效降低电网节点负荷峰谷差和节省电网运营成本。附图说明44.图1为一个实施例中电网调度方法的应用环境图；45.图2为一个实施例中电网调度方法的流程示意图；46.图3为一个实施例中确定聚类对象差异数据集的流程示意图；47.图4为一个实施例中确定动态可调节参数的流程示意图；48.图5为一个实施例中确定融合对象差异项的流程示意图；49.图6为一个实施例中确定电动汽车充电聚类群的流程示意图；50.图7为一个实施例中确定聚合信息的流程示意图；51.图8为一个实施例中确定电动汽车的充电调度计划的流程示意图；52.图9为一个实施例中单个电动汽车调度潜力模型的上界与下界曲线变化示意图；53.图10为一个实施例中电动汽车充电聚类群调度潜力模型的上界与下界曲线变化示意图；54.图11为一个实施例中不同方案电网调度结果对比示意图；55.图12为一个实施例中电网调度装置结构框图；56.图13为一个实施例中计算机设备的内部结构图；57.图14为一个实施例中计算机设备的内部结构图。具体实施方式58.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。59.本技术实施例提供的电网调度方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括终端102、服务器104以及城市电网106。终端102通过网络与服务器104进行通信，服务器104通过网络与城市电网106进行通信。终端102可以将电动汽车充电需求数据发送给服务器104,，服务器104可以对电动汽车充电需求数据进行聚类聚合处理生成电动汽车聚合信息，再将电动汽车聚合信息发送给城市电网106，城市电网106根据电动汽车聚合信息生成调度信号，再将调度信号发送回服务器104，服务器104将调度信号进行分解得到电动汽车充电调度计划，再发送给终端102。60.终端102可以但不限于是各种电动汽车、充电桩、个人计算机、笔记本电脑、智能手机、平板电脑、智能摄像机和便携式可穿戴设备，服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。61.在一个实施例中，如图2所示，提供了一种电网调度方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：62.步骤s202，获取各个分布式充电站上传的电动汽车充电需求数据，所述充电需求数据包括至少以下的多维度数据：电动汽车的到达时间、电动汽车未来的离开时间、电动汽车到达时的汽车电量以及用户期望的充电量。63.其中，电动汽车充电需求数据是表征电动汽车充电需求的量化体现，电动汽车的到达时间表示电动汽车到达充电站时的时间，电动汽车未来的离开时间是电动汽车完成充电后离开充电站时的时间，电动汽车到达时的汽车电量是电动汽车到达充电站时的汽车剩余电量，用户期望的充电量是电动汽车在充电站需要充的电量。64.具体地，当电动汽车到达充电站时，电动汽车或充电桩等多种终端的各种传感器会实时采集得到电动汽车充电需求数据各维度的数据，处理服务器以有线或无线的方式通过通信网络传输对充电需求数据进行接收和存储。65.步骤s204，分别对各个分布式充电站对应的电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集。66.其中，各个分布式充电站是指每个电动汽车所到达的那个充电站，聚类对象差异计算是指同一个充电站内的电动汽车进行充电需求数据各个维度上的两两比较进行差异计算。67.具体地，处理服务器将同一个充电站内的两辆电动汽车在充电需求数据各个维度上的数据进行差异计算，再将计算结果作为聚类对象差异数据集内各个维度数据对应的聚类对象差异项。68.步骤s206，基于聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数。69.其中，动态可调节参数是与聚类对象差异数据集的各个维度数据相对应的，每个聚类对象差异数据集都对应一组动态可调节参数，每组动态可调节参数的个数等于对应的聚类对象差异数据集的维数，每个动态可调节参数都能根据所对应的聚类对象差异数据集里的聚类对象差异项的数值大小来确定自身相对于同一组中其他可调节参数所占的权重大小。70.具体地，处理服务器将聚类对象差异数据集中的各维度数据进行融合得到与之相对应的一组动态可调节参数，而每一组中的动态可调节参数的数量与相对应的聚类对象差异数据集的维度数相等。71.步骤s208，将聚类对象差异数据集内的聚类对象差异项基于动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项。72.其中，每个融合对象差异项与同一个充电站内的聚类对象差异数据集一一对应，也就是每个聚类对象差异数据集都对应一个融合对象差异项，同理每个融合对象差异项也都与同一个充电站内的一组动态可调节参数一一对应，每个融合对象差异项是用来表征每两辆电动汽车在充电需求上的差异程度。73.具体地，处理服务器将每个融合对象差异项是由相对应的聚类对象差异数据集各维度数据与相对应的一组动态可调节参数进行融合计算得到。74.举例说明，处理服务器将同一个充电站内有n个聚类对象差异数据集(n1,n2,…,nn)和与之对应的n组动态可调节参数(v1,v2,…,vn)，则将n个聚类对象差异数据集(n1,n2,…,nn)与对应的n组动态可调节参数(v1,v2,…,vn)进行融合生成n个融合对象差异项(d1,d2,…,dn)，而d1由n1和v1融合得到，d2由n2和v2融合得到，以此类推而dn由nn和vn融合得到。75.步骤s210，由同一个分布式充电站对应的各个融合对象差异项组成分布式充电站对应的电动汽车数据距离矩阵。76.其中，电动汽车数据距离矩阵是与分布式充电站相对应的，也就是，每一个充电站对应一个自己的电动汽车数据距离矩阵，电动汽车数据距离矩阵是用来表征同一个充电站内各个电动汽车在充电需求上的差异程度，它内部的各项表征同一个充电站内两辆汽车间在充电需求上的差异程度。77.具体地，处理服务器将同一个充电站内的n辆电动汽车赋予一个整数序号，序号从1到n，将第i辆电动汽车与第j辆电动汽车的融合对象差异项作为电动汽车数据距离矩阵中的第i行和第j列的矩阵元素，将电动汽车数据距离矩阵的对角线元素(即行数与列数相同的元素)统一设定为0，第i行和第j列的矩阵元素与第j行和第i列的矩阵元素相同。78.举例说明，计算机设备将第i辆电动汽车与第j辆电动汽车的融合对象差异项d(i,j)作为电动汽车数据距离矩阵d中的第i行和第j列的矩阵元素，即：79.其中d(i,j)是表示第i辆电动汽车与第j辆电动汽车的融合对象差异项，d(n,1)＝d(1,n)，都表示第1辆电动汽车与第n辆电动汽车在充电需求上的差异程度(即：融合对象差异项)。80.步骤s212，基于分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群。81.其中，聚类是指按照预定的判据与规则将众多研究个体进行类别的划分，使得众多个体在预定的判据与规则条件下，属性相近的个体能够划分为一类，此处根据电动汽车数据距离矩阵进行聚类生成电动汽车充电聚类群是指把在充电时间和充电量需求属性上更相近的电动汽车划定在一个统计类别中，作为一个整体的研究对象，每个充电站对应一个电动汽车数据距离矩阵，而根据每个充电站对应电动汽车数据距离矩阵可以析出多个电动汽车充电聚类群。82.具体地，处理服务器分别对每个充电站对应的电动汽车数据距离矩阵进行聚类计算，分别生成各个充电站对应的电动汽车充电聚类群。83.步骤s214，基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息。84.其中，电动汽车调度潜力模型是基于单个电动汽车充电需求所构建的，用来表征电动汽车从到达时刻至离开时刻这段时间所能够允许的电量约束范围，如图9所示；而聚合信息反映的是各个电动汽车充电聚类群从到达时刻至离开时刻这段时间所能够允许的电量约束范围，如图10所示。85.具体地，处理服务器根据单个电动汽车充电需求所构建的电动汽车调度潜力模型，对电动汽车充电聚类群中的每辆电动汽车进行调度潜力的融合生成各个电动汽车充电聚类群对应的聚合信息。86.步骤s216，基于聚合信息生成电动汽车的充电调度计划。87.其中，电动汽车的充电调度计划包含各个充电站内各个电动汽车的充电曲线。88.具体地，处理服务器将聚合信息发送给城市电网106，得到城市电网106返回的调度信号，处理服务器再将调度信号按照电动汽车充电功率约束进行分解生成单个电动汽车的充电调度计划。89.上述电网调度方法中，通过获取各个分布式充电站上传的电动汽车充电需求数据，充电需求数据包括至少以下的多维度数据：电动汽车的到达时间、电动汽车未来的离开时间、电动汽车到达时的汽车电量以及用户期望的充电量；分别对各个分布式充电站对应的电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集，聚类对象差异数据集内包括各个维度数据对应的聚类对象差异项；基于聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数；将聚类对象差异数据集内的聚类对象差异项基于动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项，同一个分布式充电站对应的各个融合对象差异项组成分布式充电站对应的电动汽车数据距离矩阵；基于分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群；基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息；基于聚合信息生成电动汽车的充电调度计划。这样，通过设立多维度充电需求数据和动态可调节参数来对电动汽车充电行为的时间差异和电量差异进行针对性地调节，使得在充电时间和充电量上更加接近的电动汽车聚合为一个聚类群，再结合电动汽车充电需求所构建的电动汽车调度潜力模型所生成的电动汽车聚合信息更加能反映电动汽车充电行为的时间特性和电量特性，从而达到有效降低电网节点负荷峰谷差和节省电网运营成本，如图11所示。90.在一个实施例中，如图3所示，分别对各个分布式充电站对应的所述电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集，包括：91.步骤s302，基于同一充电站内电动汽车间的充电需求数据，分别计算多维度数据中各维度对应的差异距离，得到各个电动汽车间在各维度对应的聚类对象差异项。92.具体地，处理服务器将同一个充电站内的两辆电动汽车在充电需求数据各个维度上的数据进行二范数计算，其中，二范数是指空间上两个向量矩阵的直线距离，再将计算结果作为聚类对象差异数据集内各个维度数据对应的聚类对象差异项。93.举例说明，某一个充电站内有电动汽车i与电动汽车j：电动汽车i的充电需求数据为cr＝{ta,i,td,i,soca,i,socdesire,i}，其中ta,i是电动汽车i到达充电站时的时间，td,i是电动汽车i未来的离开时间，soca,i是电动汽车i到达时的汽车电量，socdesire,i是电动汽车i用户期望的充电量；电动汽车j的充电需求数据为cr＝{ta,j,td,j,soca,j,socdesire,j}，其中ta,j是电动汽车j到达充电站时的时间，td,j是电动汽车j未来的离开时间，soca,j是电动汽车j到达时的汽车电量，socdesire,j是电动汽车j用户期望的充电量；对电动汽车i与电动汽车j进行聚类对象差异计算，则n＝{||ta,i-ta,j||2,||td,i-td,j||2,||soca,i-soca,j||2,||socdesire,i-socdesire,j||2}，其中n为聚类对象差异数据集，而||ta,i-ta,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车到达时间维度上的聚类对象差异项；||td,i-td,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车未来的离开时间维度上的聚类对象差异项；||soca,i-soca,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车到达时的汽车电量维度上的聚类对象差异项；||socdesire,i-socdesire,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在用户期望的充电量维度上的聚类对象差异项。94.步骤s304，聚类对象差异项组成对应的充电站内各个电动汽车间对应的聚类对象差异数据集。95.本实施例中，将电动汽车间充电需求数据各个维度数据对应的的二范数作为充电需求数据差异距离，再将这些基于二范数计算的差异距离作为聚类对象差异数据集中各个维度对应的聚类对象差异项，能够直观反映出不同电动汽车在充电需求数据各个维度数据上的差异情况。96.在一个实施例中，如图4所示，基于所述聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数，包括：97.步骤s402，将各个聚类对象差异项进行融合得到差异融合项。98.具体地，将聚类对象差异数据集对应的各维度的聚类对象差异项进行相加得到差异融合项。99.举例说明，聚类对象差异数据集n＝{||ta,i-ta,j||2,||td,i-td,j||2,||soca,i-soca,j||2,||socdesire,i-socdesire,j||2}，其中n为聚类对象差异数据集，而||ta,i-ta,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车到达时间维度上的聚类对象差异项；||td,i-td,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车未来的离开时间维度上的聚类对象差异项；||soca,i-soca,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车到达时的汽车电量维度上的聚类对象差异项；||socdesire,i-socdesire,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在用户期望的充电量维度上的聚类对象差异项，处理服务器将聚类对象差异数据集n中的||ta,i-ta,j||2和||td,i-td,j||2和||soca,i-soca,j||2和||socdesire,i-socdesire,j||2进行求和得到差异融合项s，其中s的表达式为s＝||ta,i-ta,j||2+||td,i-td,j||2+||soca,i-soca,j||2+||socdesire,i-socdesire,j||2；100.步骤s404，分别将各个维度数据的对应的聚类对象差异项与差异融合项进行比例计算，得到各个维度数据的对应的动态可调节参数。101.具体地，处理服务器分别将各个维度数据的对应的聚类对象差异项与差异融合项的比值作为各个对应的动态可调节参数的值。102.举例说明，差异融合项s＝||ta,i-ta,j||2+||td,i-td,j||2+||soca,i-soca,j||2+||socdesire,i-socdesire,j||2，其中||ta,i-ta,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车到达时间维度上的聚类对象差异项，其所对应的动态可调节参数为v1；||td,i-td,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车未来的离开时间维度上的聚类对象差异项，其所对应的动态可调节参数为v2；||soca,i-soca,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在电动汽车到达时的汽车电量维度上的聚类对象差异项，其所对应的动态可调节参数为v3；||socdesire,i-socdesire,j||2是电动汽车i与电动汽车j对应的聚类对象差异数据集n中在用户期望的充电量维度上的聚类对象差异项，其所对应的动态可调节参数为v4，则v1,v2,v3,v4的表达式为：v1＝||ta,i-ta,j||2/s；v2＝||td,i-td,j||2/s；v3＝||soca,i-soca,j||2/s；v4＝||socdesire,i-socdesire,j||2/s。103.本实施例中，通过分别将各个维度数据的对应的聚类对象差异项与差异融合项的比值作为各个对应的动态可调节参数的值的这种动态可调节参数的构建方式，使得当电动汽车时间特征(ta,td)差异更大时，依据上述v1,v2,v3,v4公式，v1和v2的权重就更大，所以就会让聚类对象中时间差异大的点相互排斥，不会聚为一类。当电动汽车电量特征(soca,socdesire)差异更大时，依据上述公式，v3和v4的权重就更大，所以就会让聚类对象中电量差异大的点相互排斥，不会聚为一类。因此这种动态可调节参数的设定相比于固定不变的静态参数设定来说，在对电动汽车进行聚类的时候，可以依据具体情况进行动态权值调节，把聚类对象中ta,td,soca,socdesire各项差距大的样本通过权值设置，而进一步拉开距离，使之不会聚为一类，最后把时间特征和电荷特征都更相近的点聚为一类，这样的聚类方式得到的电动汽车集群更接近于一种稳定的用电负荷，因此这种动态可调节参数的设定使得后续这种动态可调节参数的聚类算法对于电动汽车充电行为的时间特性和电量特性能更具灵活性和针对性。104.在一个实施例中，如图5所示，聚类对象差异数据集内的聚类对象差异项基于所述动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项，包括：105.步骤s502，获取聚类差异因子与参数因子。106.其中，聚类差异因子包含各个维度数据的对应的聚类对象差异项，参数因子包含各个维度数据的对应的动态可调节参数。107.步骤s504，将聚类差异因子与参数因子进行加权融合，得到各个聚类对象差异数据集对应的融合对象差异项。108.其中，每一个聚类对象差异数据集都对应一个融合对象差异项，融合对象差异项是直接反映两辆电动汽车充电需求数据的差异情况，也是组成后续电动汽车数据距离矩阵的元素。109.具体地，处理服务器获取到聚类差异因子与参数因子后，对聚类差异因子的各个维度数据与对应的动态可调节参数进行加权后再求和，生成对应的融合对象差异项。110.举例说明，在计算电动汽车i与电动汽车j之间的融合对象差异项时，处理服务器将聚类对象差异数据集n＝{||ta,i-ta,j||2,||td,i-td,j||2,||soca,i-soca,j||2,||socdesire,i-socdesire,j||2}中的各维度聚类对象差异项与对应的v1,v2,v3,v4进行加权后再求和，即：v1与||ta,i-ta,j||2对应，其中v1＝||ta,i-ta,j||2/s；v2与||td,i-td,j||2对应，其中v2＝||td,i-td,j||2/s；v3与||soca,i-soca,j||2对应，其中v3＝||soca,i-soca,j||2/s；v4与||socdesire,i-socdesire,j||2对应，其中v4＝||socdesire,i-socdesire,j||2/s；其中s为差异融合项，s＝||ta,i-ta,j||2+||td,i-td,j||2+||soca,i-soca,j||2+||socdesire,i-socdesire,j||2；则电动汽车i与电动汽车j之间的融合对象差异项d(i,j)＝v1·||ta,i-ta,j||2+v2·||td,i-td,j||2+v3·||soca,i-soca,j||2+v4·||socdesire,i-socdesire,j||2。111.本实施例中，将差异因子与参数因子进行加权求和得到各个聚类对象差异数据集对应的融合对象差异项，将每一个差异因子与其相对应的参数因子进行加权再求和，这种融合方式使得融合对象差异项能够根据动态可调节参数依据电动汽车充电需求数据的时间特征和电量特征后有针对性地调整各部分聚类对象差异项权重，其得出的结果更能反映电动汽车充电行为的时间特性和电量特性，从而达到充分利用电动汽车资源的效果。112.在一个实施例中，如图6所示，基于所述分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群，包括：113.步骤s602，将电动汽车数据距离矩阵中的各个融合对象差异项进行归一化处理得到邻接差异项。114.其中，归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量，这里是将电动汽车数据距离矩阵中的各个融合对象差异项的数值映射到[0,1]的范围之中。[0115]具体地，处理服务器将电动汽车数据距离矩阵中的各个融合对象差异项按照如下公式进行归一化转换得到邻接差异项s(i,j)具体公式为：其中，ξ是gaussian-kernel function系数，exp是指数函数，d(i,j)是电动汽车数据距离矩阵中的融合对象差异项，其中s(i,j)∈[0,1],s(i,j)的数值越大，说明两辆电动汽车之间的物理特征越接近。[0116]步骤s604，由所述邻接差异项组成邻接矩阵。[0117]步骤s606，计算所述邻接矩阵的特征值得到特征值对应的特征向量。[0118]具体地，处理服务器计算出邻接矩阵的特征值及对应的特征向量。[0119]步骤s608，将所述特征向量按照对应的特征值从大到小的顺序进行排列组成特征向量矩阵。[0120]具体地，处理服务器将特征值按照从大到小的顺序排序λ1≥λ2≥…≥λk，并将特征向量按照其对应特征值从大到小的顺序排列成一个新矩阵u＝[u1,u2,…,uk]。[0121]步骤s610，对所述特征向量矩阵的行向量用聚类算法进行聚类生成所述电动汽车充电聚类群。[0122]具体地，处理服务器对矩阵u的行向量采用k-means算法进行聚类，获得k个电动汽车集群：c1,c2,…,ck。[0123]本实施例中，基于前述步骤确定的电动汽车数据距离矩阵进行归一化处理，再对由特征向量按对应的特征值从大到小顺序排列所构成的新的特征向量矩阵进行k-means算法聚类处理，所得到的多个电动汽车充电聚类群在时间特征与电量特征都更为相近，都更加具有相似的物理特征，提高电动汽车充电聚类群中电动汽车在充电行为上的相似性。[0124]在一个实施例中，如图7所示，基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息，包括：[0125]步骤s702，获取电动汽车电量约束。[0126]其中，电动汽车电量约束包括电动汽车最大电量b·socmax、电动汽车原有电量b·soca，上一时刻的调度潜力上界所述上一时刻的调度潜力下界et-1、电动汽车最小电量b·socmin、用户所期望能达到的充电量edesire、电动汽车的耗电量电动汽车的充电量上一时刻的调度潜力上界和上一时刻的调度潜力下界et-1初始值都为电动汽车原有电量b·soca；电动汽车电量约束表达式为：；电动汽车电量约束表达式为：socmin≤soct≤socmax，socdesired≤socd，其中，τ是指示当前电动汽车充放电状态的标志变量，取值范围是0或1，soct是t时刻电动汽车的电量，socmax和socmin分别表示电动汽车电量的上限和下限，socdesired用户期望的充电量，socd是离开时电动汽车的电量，和分别为t时刻电动汽车充放电功率，ηc和ηd分别是充放电效率，b是电池容量。[0127]步骤s704，基于电动汽车电量约束得到电动汽车调度潜力模型，电动汽车调度潜力模型包括调度潜力上界与调度潜力下界。[0128]其中，调度潜力上界取上界约束项中的最小值，上界约束项包括电动汽车最大电量、所述电动汽车的充电量与上一时刻的调度潜力上界的融合；调度潜力下界取下界约束项中的最大值，下界约束项包括上一时刻的调度潜力下界扣除电动汽车的耗电量、电动汽车最小电量、用户所期望能达到的充电量扣除电动汽车的耗电量；[0129]具体地，调度潜力上界其中为上一时刻的调度潜力上界，当t＝ta时，bj·socmax是电动汽车最大电量，是电动汽车最大电量，是电动汽车的充电量与上一时刻的调度潜力上界之和；调度潜力下界是电动汽车的充电量与上一时刻的调度潜力上界之和；调度潜力下界其中et-1是上一时刻的调度潜力下界，当t＝ta时，et-1＝b·soca；socminbj是电动汽车最小电量，是用户所期望能达到的充电量扣除电动汽车的耗电量；是上一时刻的调度潜力下界扣除电动汽车的耗电量。[0130]步骤s706，对电动汽车充电聚类群中各个集群的电动汽车的调度潜力上界进行融合，得到电动汽车充电聚类群中各个集群的调度潜力上界。[0131]具体地，处理服务器对电动汽车充电聚类群中各个集群的电动汽车的调度潜力上界进行相加求和，得到电动汽车充电聚类群中各个集群的调度潜力上界。[0132]举例说明，电动汽车充电聚类群中各个集群的调度潜力上界其中表示集群ci中单个电动汽车j的聚合能量上界，ci表示电动汽车集群样本数据的第i个集群。[0133]步骤s708，对电动汽车充电聚类群中各个集群的电动汽车的调度潜力下界进行融合，得到电动汽车充电聚类群中各个集群的调度潜力下界。[0134]具体地，处理服务器对电动汽车充电聚类群中各个集群的电动汽车的调度潜力下界进行相加求和，得到电动汽车充电聚类群中各个集群的调度潜力下界。[0135]举例说明，电动汽车充电聚类群中各个集群的调度潜力下界其中ej表示集群ci中单个电动汽车j的聚合能量下界，ci表示电动汽车集群样本数据的第i个集群。[0136]步骤s710，由电动汽车充电聚类群中各个集群的调度潜力上界与调度潜力上界组合成各个电动汽车充电聚类群对应的聚合信息。[0137]其中，聚合信息是电动汽车充电聚类群中各个集群的调度潜力上界与调度潜力上界共同组成的电动汽车集群调度潜力约束。[0138]本实施例中，根据单个电动汽车电量约束结合电动汽车充电需求来构建电动汽车的调度潜力模型，能反映出电动汽车从到达充电站到离开充电站的这段时间内的调度潜力约束和充电需求随时间的变化情况，如图9所示反映的是单个电动汽车调度潜力约束范围的变化，如图10所示反映的是电动汽车充电聚类群的调度潜力约束范围的变化，这种电动汽车充电聚类群调度潜力约束范围的明确提高了电动汽车聚合信息反映电动汽车充电聚类群作为单一稳定的充电负荷的负荷特性的准确性，为后续城市电网根据聚合信息生成的调度信号更精准应对大规模电动汽车接入电网所造成的冲击。[0139]在一个实施例中，如图8所示，基于聚合信息生成电动汽车的充电调度计划，包括：[0140]步骤s802，获取电动汽车的充电功率。[0141]步骤s804，将聚合信息发送给城市电网得到城市电网返回的基于聚合信息生成的调度信号。[0142]其中，调度信号包含各个充电站所有电动汽车的充电曲线。[0143]具体地，城市电网基于聚合信息构建电网调度目标函数，电网调度目标函数公式为：式中：和eai,t分别是位于节点i的发电机t时刻的有功出力和充电站在t时刻的有功出力，pai,t是本地电网与批发市场的有功功率交换量，αi和βi为发电机i的燃料费用系数，λt是预测的t时刻的日前市场电价，ρt是批发市场在t时刻的电价，vd是城市电网的节点集合，t是总的调度计划时刻数量；在电网物理模型的基本约束之下求解电网调度目标函数的最小值解出eai,t的最优解作为调度信号，处理服务器求解决策变量该问题为凸问题，由商业软件cplex求解，其中电网物理模型的基本约束为：[0144]电网物理模型的基本约束的功率平衡约束：[0145][0146][0147]式中：pi和qi是节点i的注入有功和注入无功，是位于节点i的新能源发电出力，与是节点i的有功传统负荷与无功传统负荷，qai是从批发市场的无功功率交换量；[0148]电网物理模型的基本约束的线性潮流方程：[0149][0150][0151]式中：vi和θi是节点i的电压幅值与相角，lij是连接节点i与节点j的线路，l是电力线路的集合，pij和qij分别是线路lij上的有功潮流和无功潮流，rij和xij分别是线路lij电阻与电抗；电网物理模型的基本约束的系统安全约束：[0152][0153][0154][0155][0156]式中：sl表示线路容量，vi和分别是节点i的电压幅值的下界与上界，pij和分别是线路lij上有功潮流的下界与上界，qij和分别是线路lij上无功潮流的下界与上界，和分别是发电机有功出力的下界与上界，和分别是发电机无功出力的下界与上界，是i节点新能源发电功率上界。[0157]步骤s806，将调度信号与所述电动汽车的充电功率进行融合得到信号分解目标函数。[0158]具体地，处理服务器基于从城市电网发回的调度信号与电动汽车的充电功率进行融合构建分解过程目标函数，具体构建方式如下公式所示：[0159][0160]其中，是实际充电功率与调度曲线在数值上的差距，是所有车辆两个时刻之间的功率变化，即降低连续时刻之间的充电功率波动，m是用于调节信号分解的准确度的系数，是电动汽车j在t时刻的充电功率，是调度信号，是聚合的车辆数。[0161]步骤s808，计算信号分解目标函数最小值得到电动汽车的充电调度计划，电动汽车的充电调度计划包括电动汽车的充电曲线。[0162]具体地，处理服务器对分解目标函数求解最小值，该问题是二次凸优化问题，决策变量为由商业软件cplex求解。[0163]本实施例中，根据聚合信息构建电网调度目标函数，并且在各种电网物理模型的基本约束的条件下求解电网调度目标函数的最小值，得到调度信号，再基于调度信号和电动汽车充电功率构建分解过程目标函数，再次求解分解过程目标函数最小值，得到电动汽车充电调度计划，所述充电调度计划为电动汽车充电曲线，降低了电动汽车实际充电功率与调度信号之间的差异性，同时降低了连续时刻之间电动汽车充电功率变化的波动性，提高了电动汽车充电功率的稳定性。[0164]本技术还提供一种应用场景，该应用场景应用上述的电网调度方法，该方法应用于城市电网调度场景。具体地，该电网调度方法在该应用场景的应用如下：[0165]计算机设备获取电动汽车充电站内各个电动汽车充电需求数据cr＝{ta,td,soca,socdesire}，根据充电需求数据得到聚类对象差异数据集n＝{||ta,i-ta,j||2,||td,i-td,j||2,||soca,i-soca,j||2,||socdesire,i-socdesire,j||2}，其中每个充电站内的聚类对象差异数据集都等于对应充电站内电动汽车两两比较的数量，再基于每个充电站内的聚类对象差异数据集得到对应的动态可调节参数组数，而每组动态可调节参数中参数的维度都是与对应的聚类对象差异数据集的维度相等，基于动态可调节参数与聚类对象差异数据集加权融合得到充电站内每两辆电动汽车间的相似度，即融合对象差异项，再将由融合对象差异项所构成的各个充电站电动汽车数据距离矩阵d进行k-means聚类生成电动汽车充电聚类群c1,c2,…,ck，根据充电聚类群与电动汽车调度潜力模型得到聚合信息，这时的聚合信息包含各个充电站电动汽车充电聚类群的调度潜力上界与下界(这一调度潜力范围约定了后续所生成的电动汽车充电调度计划中的电量约束范围)，计算机设备将聚合信息通过网络传输发送给城市电网调度系统，城市电网调度系统再将聚合信息纳入到电网系统的基本约束框架生成调度信号后再通过网络传输发回给计算机设备，计算机设备再对调度信号进行分解处理，生成电动汽车充电调度计划，再发回给各个对应的充电站，再由各个充电站按照电动汽车充电调度计划进行电网配置调节发电机出力功率等，实现对每辆电动汽车的充电。[0166]上述电网调度方法中，可以根据各个充电站电动汽车的充电需求自动生成各个充电站内每辆电动汽车的充电调度计划，能充分利用电动汽车资源的时间特性与电量特性，充电调度计划生成速度快且合理，如图11和表1所示，上述电网调度方法能有效降低电网节点负荷峰谷差，节省电网运营成本。[0167]表1[0168]放电方式峰谷差(mw)电网运营成本($)有序放电(本专利所提方法)7.935645.4无序放电(没有充电规划方法参与)14.3615325.65[0169]应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。[0170]在一个实施例中，如图12所示，提供了一种电网调度装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：充电需求数据获取模块1202、电动汽车差异确定模块1204、动态参数确定模块1206、距离矩阵确定模块1208、电动汽车聚类模块1210、聚合信息确定模块1212、信号处理模块1214，其中：[0171]充电需求数据获取模块1202，用于获取各个分布式充电站上传的电动汽车充电需求数据，充电需求数据包括至少以下的多维度数据：电动汽车的到达时间、电动汽车未来的离开时间、电动汽车到达时的汽车电量以及用户期望的充电量；[0172]电动汽车差异确定模块1204，用于分别对各个分布式充电站对应的电动汽车充电需求数据进行聚类对象差异计算，得到各个分布式充电站内各个电动汽车间对应的聚类对象差异数据集，聚类对象差异数据集内包括各个维度数据对应的聚类对象差异项；[0173]动态参数确定模块1206，用于基于聚类对象差异数据集计算得到对应的各个维度数据的对应的动态可调节参数；[0174]距离矩阵确定模块1208，用于将聚类对象差异数据集内的聚类对象差异项基于动态可调节参数进行融合得到各个聚类对象差异数据集对应的融合对象差异项，同一个分布式充电站对应的各个融合对象差异项组成分布式充电站对应的电动汽车数据距离矩阵；[0175]电动汽车聚类模块1210，用于基于分布式充电站对应的电动汽车数据距离矩阵对各个分布式充电站对应的电动汽车进行聚类，得到各个分布式充电站对应的电动汽车充电聚类群；[0176]聚合信息确定模块1212，用于基于各个电动汽车充电聚类群和电动汽车调度潜力模型计算得到各个电动汽车充电聚类群对应的聚合信息；[0177]信号处理模块1214，用于将聚合信息发送给城市电网以及用于将电动汽车充电调度计划发送给各个电动汽车充电站。[0178]在一个实施例中，电动汽车差异确定模块1204还用于基于同一充电站内电动汽车间的充电需求数据，分别计算所述多维度数据中各维度对应的差异距离，得到各个电动汽车间在各维度对应的聚类对象差异项；由聚类对象差异项组成对应的充电站内各个电动汽车间对应的聚类对象差异数据集。[0179]在一个实施例中，动态参数确定模块1206还用于将各个聚类对象差异项进行融合得到差异融合项；分别将各个维度数据的对应的聚类对象差异项与差异融合项进行比例计算，得到各个维度数据的对应的动态可调节参数。[0180]在一个实施例中，距离矩阵确定模块1208还用于获取聚类差异因子与参数因子，聚类差异因子包含各个维度数据的对应的聚类对象差异项，参数因子包含各个维度数据的对应的动态可调节参数；将聚类差异因子与参数因子进行加权融合，得到各个聚类对象差异数据集对应的融合对象差异项。[0181]在一个实施例中，电动汽车聚类模块1210还用于将电动汽车数据距离矩阵中的各个融合对象差异项进行归一化处理得到邻接差异项；将邻接差异项组成邻接矩阵；计算邻接矩阵的特征值得到特征值对应的特征向量；将特征向量按照对应的特征值从大到小的顺序进行排列组成特征向量矩阵；对特征向量矩阵的行向量用聚类算法进行聚类生成电动汽车充电聚类群。[0182]在一个实施例中，聚合信息确定模块1212还用于获取电动汽车电量约束，电动汽车电量约束包括电动汽车最大电量、电动汽车原有电量、上一时刻的调度潜力上界、所述上一时刻的调度潜力下界、电动汽车最小电量、用户所期望能达到的充电量、电动汽车的耗电量、电动汽车的充电量，上一时刻的调度潜力上界和上一时刻的调度潜力下界初始值都为电动汽车原有电量；基于电动汽车电量约束得到电动汽车调度潜力模型，电动汽车调度潜力模型包括调度潜力上界与调度潜力下界，调度潜力上界取上界约束项中的最小值，上界约束项包括电动汽车最大电量、电动汽车的充电量与所述上一时刻的调度潜力上界的融合，调度潜力下界取下界约束项中的最大值，下界约束项包括上一时刻的调度潜力下界扣除电动汽车的耗电量、电动汽车最小电量、用户所期望能达到的充电量扣除电动汽车的耗电量；对电动汽车充电聚类群中各个集群的电动汽车的调度潜力上界进行融合，得到电动汽车充电聚类群中各个集群的调度潜力上界；对电动汽车充电聚类群中各个集群的电动汽车的调度潜力下界进行融合，得到电动汽车充电聚类群中各个集群的调度潜力下界；将电动汽车充电聚类群中各个集群的调度潜力上界与调度潜力上界组合成各个电动汽车充电聚类群对应的聚合信息。[0183]在一个实施例中，信号处理模块1214还用于获取电动汽车的充电功率；将聚合信息发送给城市电网得到城市电网返回的基于聚合信息生成的调度信号；将调度信号与电动汽车的充电功率进行融合得到信号分解目标函数；计算信号分解目标函数最小值得到电动汽车的充电调度计划，电动汽车的充电调度计划包括电动汽车的充电曲线。[0184]关于电网调度装置的具体限定可以参见上文中对于电网调度方法的限定，在此不再赘述。上述电网调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。[0185]在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电动汽车充电需求数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电网调度方法。[0186]在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电网调度方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。[0187]本领域技术人员可以理解，图13、14中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[0188]在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。[0189]在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。[0190]在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。[0191]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。[0192]以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。[0193]以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!