1.一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，包括如下步骤：建立移动充电桩集群的调度模型；

通过约束条件和DQN算法对所述调度模型进行求解，得到智能调度策略；

根据所述智能调度策略对移动充电桩进行调度。

2.根据权利要求1所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述调度模型的代价函数包括：min J＝Bagg+EBat   (7)其中，J为移动充电桩集群调度的代价函数，EBat为特定工况中锂电池的使用成本，Bagg为聚合商的总体收益。

3.根据权利要求2所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述聚合商的总体收益为：Bagg＝Bc·wc+Be·we                      (1)式中，Bagg为聚合商的总体收益；Bc为聚合商主动参与电力市场辅助服务所获利益；wc是聚合商主动参与电力市场辅助服务的分成系数；Be为由能量套利所获利润；we为聚合商以能量套利方式获利的分成系数。

4.根据权利要求3所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述聚合商主动参与电力市场辅助服务所获利益为：其中，rp和rv分别为峰谷的补偿电价，Pp和Pv分别为峰谷时聚合商能够提供的总功率；

所述能量套利所获利润为：

其中，Qi,t为控制周期内可提供的充放电电量。

5.根据权利要求2所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述特定工况中锂电池的使用成本为：其中，EBat为特定工况中锂电池的使用成本，NBat为涉及的锂电池总数量，EBat_ini为锂电池的初试投资成本， 为锂电池衰减的百分比。

6.根据权利要求5所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述锂电池衰减的百分比为：其中，CBat为当前电池的容量，CEol为电池寿命截止时对应的容量，Cinit为电池的初始容量。

7.根据权利要求6所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述当前电池的容量为：b

CBat＝a·nc+c    (4)

其中，CBat为电池的当前容量，nc为循环次数，a为幂函数的系数，b为幂函数的次数，c为偏置量。

8.根据权利要求1所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述约束条件包括移动范围约束：其中， 为当前移动充电桩的移动距离，Lmax为移动充电桩的最大许可移动距离；

移动充电桩数目约束：

其中， 为参与聚合商统一调度的移动充电桩数目，Nmax为可参与统一调度的移动充电桩最大许可数目；

移动充电桩的功率约束：

式中，Pch和Pdis分别为电池储能单元许可充、放电功率； 和 分别为电池储能单元许可充、放电功率的最大值；

移动充电桩的容量约束：

其中， 与 分别为电池储能单元荷电状态的上下限值。

9.根据权利要求1所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述DQN算法包括：初始化观测值Q(st,at)、 与折扣因子γ；

以ε为概率选择调度策略at，观察系统的收益rt以及状态st+1；

存储(st,at,rt,st+1)到回放记忆单元D中；

随机从D中抽取适量学习经历(st,at,rt,st+1)对目标神经网络进行训练；

采用梯度下降法，通过最小化损失函数训练当前神经网络；

每隔N个时间窗口，将当前神经网络参数复制给目标神经网络；

重复上述步骤直到状态st到达目标期望值 结束算法。

10.根据权利要求9所述的一种大数据场景下的移动充电桩群体智能调度方法，其特征在于，所述神经网络训练输出结果为：所述最小化损失函数为：

(yj-Q(sj,aj|θ))2，

其中，rj为第j次奖励，γ为折扣因子，Q为观测值，θ为神经网络的参数，sj为第j个状态，aj为第j次行动。