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。