1.一种风‑网‑站‑车体系的调度方法，其特征在于，所述方法包括：获取充电站的充电时间段信息和若干个支持调度的电动汽车充电时间信息及状态信息；所述充电时间段信息包括快充充电时间段和慢充充电时间段；所述充电时间信息包括实际充电起始时刻和预测充电起始时刻；所述状态信息包括插电状态、未插电状态、当前的电荷量状态、快充状态和慢充状态；

根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群；

根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数；

以充电站作为收益方，建立经济收益最大化的目标函数；

根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数；所述社会福利为电动汽车未能按照预测进行充电的概率和充电站的收益无量纲化后的数值之和；

以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风‑网‑站‑车体系调度的综合约束条件；

采用带收缩因子的粒子群算法对所述综合约束条件进行求解，得到风‑网‑站‑车体系优化调度结果。

2.根据权利要求1所述的一种风‑网‑站‑车体系的调度方法，其特征在于，所述根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群具体包括：

用各所述电动汽车的实际充电起始时刻减去预测充电起始时刻所得的时间差值分别与所述快充充电时间段和所述慢充充电时间段做对比，根据对比结果将各所述电动汽车标记为快充、慢充或超时，得到充电时间分群结果；

根据各所述电动汽车所处的插电状态、未插电状态、快充状态或慢充状态将各所述电动汽车标记为快充、慢充或断电得到充电功率分群结果；所述断电包括等待和行驶中。

3.根据权利要求2所述的一种风‑网‑站‑车体系的调度方法，其特征在于，所述用各所述电动汽车的实际充电起始时刻减去预测充电起始时刻所得的时间差值分别与所述快充充电时间段和所述慢充充电时间段做对比，根据对比结果将各所述电动汽车标记为快充、慢充或超时，得到充电时间分群结果具体包括：判断所述时间差值是否小于0，得到第一判断结果；

若所述第一判断结果为是，则将对应的所述电动汽车标记为超时；

若所述第一判断结果为否，则判断所述时间差值是否小于所述快充充电时间段与充电时刻预测偏差之和，得到第二判断结果；

若所述第二判断结果为是，则将对应的所述电动汽车标记为快充；

若所述第二判断结果为否，则判断所述时间差值是否小于所述慢充充电时间段与所述充电时刻预测偏差之和，得到第三判断结果；

若所述第三判断结果为是，则将对应的所述电动汽车标记为慢充；

若所述第三判断结果为否，则将对应的所述电动汽车标记为超时。

4.根据权利要求2所述的一种风‑网‑站‑车体系的调度方法，其特征在于，所述根据各所述电动汽车所处的插电状态、未插电状态、快充状态或慢充状态将各所述电动汽车标记为快充、慢充或断电得到充电功率分群结果具体包括：分别判断各所述电动汽车是否处于充电状态，得到第四判断结果；

若所述第四判断结果为否，则将对应的所述电动汽车标记为断电；

若所述第四判断结果为是，则判断各所述电动汽车是否处于快充状态，得到第五判断结果；

若所述第五判断结果为是，则将对应的所述电动汽车标记为快充；

若所述第五判断结果为否，则将对应的所述电动汽车标记为慢充。

5.根据权利要求2所述的一种风‑网‑站‑车体系的调度方法，其特征在于，所述根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数具体包括：

根据公式 计算得到电动汽车实际未能准时充电的概率；其中σT为所述电动汽车实际未能准时充电的概率，Nontime为电动汽车期望准时充电次数，Nact,ontime为电动汽车实际准时充电次数，且 T表示各电动汽车的一个调度周期，I(t,n)表示在充电时间分群结果中电动汽车充电是否准时的变量，当电动汽车被标记为快充或慢充时，I(t,n)取1，当电动汽车被标记为超时时，I(t,n)取0，n1表示在充电时间分群中被标记为快充的电动汽车个数，n2表示在充电时间分群中被标记为慢充的电动汽车个数；

根据公式 计算功率不满足电动汽车实际需求的概率；其中，σP为功率不满足电动汽车实际需求的概率，Pneed为电动汽车功率期望值，Pact为电动汽车实际功率值，N1表示在充电功率分群中被标

记为快充的电动汽车数量， 为电动汽车快速充电功率； 为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量， 表示在充电功率分群结果中被标记为快充的第i1辆电动汽车；N2表示在充电功率分群中被标记为慢充的电动汽车数量， 为电动汽车慢速充电功率； 为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量， 表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车；

根据公式F1＝ωPσP+ωTσT得到所述概率函数；其中F1表示概率函数；ωP为功率不满足电动汽车实际需求的概率系数；ωT为电动汽车实际未能准时充电的概率系数。

6.根据权利要求2所述的一种风‑网‑站‑车体系的调度方法，其特征在于，所述以充电站作为收益方，建立经济收益最大化的目标函数具体包括：根据公式 计算得到风电厂经济

收益；其中，T表示各电动汽车的一个调度周期，t表示一个调度周期内的某一时段，W为风电场的个数，j表示某一个风电厂，Cwind为风电上网电价，Pwind,act(j,t)为第j个风电场t时段的实际出力，σt1表示的是风电上网时段，Ppre(j,t)为第j个风电场t时段的预测出力，Cjc为风电场出力变化的奖惩费用系数；

根据公式

计算得到电动汽车充放电收益；其中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，σt2为充电站的售电时段，Cbg(t)表示t时段充电站从电网的购电电价，Pbg(t)为t时段充电站从电网的购电功率，σt3为充电站的购电时段，N1为充电功率分群中被标记为快充的电动汽车数量； 为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量， 表示在充电功率分群结果中被标记为快充的第i1辆电动汽车，Ccha(i1,t,n＝1)为第i1辆电动汽车t时段处于快充状态的充电电价，ηc为电动汽车的充电效率，N2为充电功率分群中被标记为慢充的电动汽车数量；Ccha(i2,t,n＝

2)为第i2辆电动汽车t时段处于慢充状态的充电电价，N4为处于放电状态的电动汽车数量；

Cdischa(i4,t)为第i4辆电动汽车t时段处于放电状态的充电电价，ηd为第i4辆电动汽车t时段处于放电状态的放电功率， 为电动汽车快速充电功率， 为电动汽车慢速充电功率，为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量， 表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车， 为电动汽车将放电功率中的多余电量反馈回电网的电量， 为充电功率分群中处于放电状态的第i4辆电动汽车在t时刻的电池荷电量；

根据公式maxF2(t)＝F21(t)+F22(t)得到经济收益最大化的目标函数。

7.根据权利要求1所述的一种风‑网‑站‑车体系的调度方法，其特征在于，所述根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数具体包括：

根据公式 将充电站的收益做无量纲化处理；其中，F2(t)为经济收益，F2max(t)为经济预测最大值，F2max(t)＝Powmax(t)*Cmax，其中Powmax(t)是t时段的最大功率值，Cmax为调度周期内所有时段中的最高电价；

根据公式maxF3(t)＝λ1F1(t)+λ2F2'(t)得到社会福利最大化目标函数；其中，F3(t)为社会福利，F1(t)为概率函数，λ1为概率函数系数，F2'(t)为充电站的收益做无量纲化处理后的函数，λ2为充电站的收益做无量纲化处理后的函数系数。

8.根据权利要求1所述的一种风‑网‑站‑车体系的调度方法，其特征在于，所述以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风‑网‑站‑车体系调度的综合约束条件具体包括：以所述社会福利最大化的目标函数为目标分别建立风电机组约束条件、充电站总功率约束条件和电动汽车约束条件；

对所述充电站总功率约束条件中的风电出力和电动汽车负荷进行不确定性处理，得到清晰化约束条件

γ为置信水平，梯形模糊数 表示电动汽车负荷，θ1、θ2、θ3、θ4分别表示预测比例系数， 分别表示电动汽车负荷预测数据，梯形模糊数(Pw1,Pw2,Pw3,Pw4)表示电动汽车负荷，分别表示并网运行的风电场出力；Ωw表示为风电场的集合，T表示一个调度周期，Psg(t)表示t时段充电站向电网售电的功率；Pcha(i,t)表示为第i辆电动汽车t时段的充电功率；Pdischa(j,t)表示为第j辆电动汽车t时段的放电功率，ηc为电动汽车的充电效率，σt2为充电站的售电时段，Pbg(t)为t时段充电站从电网的购电功率，σt3为充电站的购电时段，ηd为第i4辆电动汽车t时段处于放电状态的放电功率，σt4表示为充电站的售电时段，σt5表示为电动汽车的放电时段；

根据所述清晰 化约束条件建立基于可信性测度的 不等式 约束条件其中，Cr表示可

信性测度，λ为模糊变量，Pact(j,t)为第j个风电场t时段的出力， 为电动汽车快速充电功率， 为电动汽车慢速充电功率， 为电动汽车将放电功率中的多余电量反馈回电网的电量， 为在充电功率分群结果中被标记为快充的第i1辆电动汽车在t时刻的电池荷电量， 为在充电功率分群结果中被标记为慢充的在第i2辆电动汽车在t时刻的电池荷电量， 为充电功率分群中处于放电状态的第i4辆电动汽车在t时刻的电池荷电量， 表示在充电功率分群结果中被标记为快充的第i1辆电动汽车， 表示在充电功率分群结果中被标记为慢充的在第i2辆电动汽车， 为调度周期内充电站最大功率；

联立所述风电机组约束条件、电动汽车约束条件和基于可信性测度的不等式约束条件得到所述综合约束条件。

9.根据权利要求8所述的一种风‑网‑站‑车体系的调度方法，其特征在于，所述以所述社会福利最大化的目标函数为目标分别建立风电机组约束条件、充电站总功率约束条件和电动汽车约束条件具体包括：根据公式 建立所述风电机组约束条件；其中，PN(j)为第j个风电机组的装机容量；Pwind,act(j,t)为第j个风电场t时段的实际出力；

根据公式 建

立所述充电站总功率约束条件；其中 为调度周期内充电站最大功率，Psg(t)表示t时段充电站向电网售电的功率，Pbg(t)为t时段充电站从电网的购电功率，N1为在充电功率分群中被标记为快充的电动汽车数量，N2为在充电功率分群中被标记为慢充的电动汽车数量，N4为处于放电状态的电动汽车数量，ηc为电动汽车的充电效率，ηd为第i4辆电动汽车t时段处于放电状态的放电功率；

根据公式 建立所述电动汽车约束条件；其中式中：Psgmax(t)为t时段充电站最大售电量；Pbgmax(t)为t时段充电站最大购电量；Δt为电动汽车时间满意度的充电时刻预测偏差；ΔtN为电动汽车时间满意度的充电时刻预测最大偏差。

10.一种风‑网‑站‑车体系的调度系统，其特征在于，所述系统包括：数据获取模块，用于获取充电站的充电时间段信息和若干个支持调度的电动汽车充电时间信息及状态信息；所述充电时间段信息包括快充充电时间段和慢充充电时间段；所述充电时间信息包括实际充电起始时刻和预测充电起始时刻；所述状态信息包括插电状态、未插电状态、当前的电荷量状态、快充状态和慢充状态；

分群模块，用于根据所述充电时间段信息、所述充电时间信息和所述状态信息分别进行充电时间分群和充电功率分群；

概率函数生成模块，用于根据充电时间分群结果和充电功率分群结果计算得到电动汽车未能按照预测进行充电的概率函数；

收益最大化目标函数生成模块，用于以充电站作为收益方，建立经济收益最大化的目标函数；

社会福利最大化目标函数生成模块，用于根据所述概率函数和所述经济收益最大化的目标函数建立社会福利最大化的目标函数；所述社会福利为电动汽车未能按照预测进行充电的概率和充电站的收益无量纲化后的数值之和；

综合约束条件生成模块，用于以所述社会福利最大化的目标函数为目标，建立约束条件并基于可信性理论进行不确定性处理得到风‑网‑站‑车体系调度的综合约束条件；

优化调度结果计算模块，用于采用带收缩因子的粒子群算法对所述综合约束条件进行求解，得到风‑网‑站‑车体系优化调度结果。