基于多目标优化的充电站分时电价动态调整方法与流程

本发明涉及电力系统的，具体涉及基于多目标优化的充电站分时电价动态调整方法。

背景技术：

1、随着全球能源结构转型的持续推进以及碳中和目标的日益明确，电动汽车作为清洁交通的核心载体，其市场规模呈现出爆发式增长态势。在这一产业背景下，充电基础设施作为电动汽车推广应用的关键环节，其规划建设与运营管理的优化已成为学术界与产业界共同关注的重点课题。充电站作为连接电网与电动汽车用户的核心枢纽，其运营效率不仅直接关系到电动汽车用户的充电体验与成本，更在深层次上影响着用电负荷的时空分布特性以及配电网的安全稳定运行。在充电站的运营成本构成中，电能成本占据了相当大的比重，因此，电价机制的合理性便成为影响充电站经济效益与负荷调控能力的核心变量。

2、在电动汽车产业发展的早期阶段，充电站普遍采用固定电价模式进行运营定价，即在全部时段内执行统一的充电服务价格。这种定价方式的显著优势在于其操作简单、管理成本低，用户无需关注时段差异即可完成充电决策。然而，随着电动汽车渗透率的不断提升以及充电负荷规模的持续扩大，固定电价模式的内在缺陷日益凸显。由于缺乏价格信号对用户充电行为的引导机制，电动汽车充电负荷在时间维度上呈现出高度集中化的特征，大量用户倾向于在下班后的晚间时段集中充电，这使得配电网的峰谷差进一步加大，加剧了负荷曲线波动对电力系统运行安全带来的压力。与此同时，固定电价模式也无法反映电力供需关系的时变特性，在电网负荷低谷时段往往造成充电能力的闲置与资源浪费，而在负荷高峰时段则可能引发局部变压器过载等安全隐患。

3、为有效缓解上述矛盾，分时电价机制（time-of-usepricing，简称toupricing）作为一种需求侧管理工具被引入电动汽车充电领域。分时电价的基本原理在于根据电网负荷的峰谷分布特征，将一天划分为多个时段，并为各时段设定差异化的电价水平，从而通过经济激励手段引导用户调整充电行为，实现削峰填谷的调控目标。在实践层面，典型的分时电价方案通常包含高峰电价、平段电价和低谷电价三个层级，高峰时段电价显著高于低谷时段电价，价差幅度可达数倍之巨。从理论效果而言，分时电价机制确实在一定程度上改善了充电负荷的时空分布，多项实证研究表明，合理设计的分时电价方案能够有效降低负荷峰值约百分之十五至二十五，并相应提升低谷时段的充电利用率。

4、然而，随着可再生能源发电装机容量的快速增长以及电力市场改革的深入推进，上述传统分时电价方案的局限性愈发显现。从技术层面分析，当前主流的分时电价方案普遍采用静态固定的分时段划分与电价设定方式，其时段划分方案通常以历史负荷数据进行经验性确定，电价水平则基于上一周期的成本核算或参考性价差予以设定。这种静态调整机制存在一个根本性的内在矛盾：其无法适应新能源出力波动、负荷特性变化、市场电价浮动等多重因素的动态演化。具体而言，当光伏、风电等可再生能源在电网中的渗透率持续提升时，其出力具有显著的随机性和间歇性特征，这导致电网净负荷曲线（即可再生能源出力后的负荷曲线）呈现出更为复杂的波动形态，传统基于固定时段划分的分时电价方案难以对这种动态变化做出及时响应。另一方面，电动汽车用户群体的行为模式本身亦处于持续演变之中，不同区域、不同时段的充电需求分布存在显著差异，静态电价方案难以实现精准化的负荷调控。

5、从系统优化层面审视，现有分时电价方案在目标函数的设定上同样存在片面性。充电站的运营涉及多方利益主体的协调与平衡：运营商追求收益最大化与设备利用率提升，电网侧关注负荷曲线平滑与系统运行安全，用户侧则期望充电成本降低与服务便捷性提升。然而，传统分时电价方案往往侧重于单一目标的实现，缺乏对多方利益的统筹考量。例如，单纯追求负荷均衡可能导致低谷时段电价过低而侵蚀运营商利润，而过度倾向于运营商收益最大化则又可能削弱价格信号对用户行为的引导效果。这种多目标之间的内在冲突与制约关系，构成了当前分时电价方案设计所面临的核心技术挑战。

6、综上所述，如何构建一种能够综合考量多方利益诉求、适应电力系统动态变化、实现负荷曲线优化调控的分时电价动态调整机制，已成为本领域技术人员当前面临的关键挑战和亟待解决的技术难题。

技术实现思路

1、本发明针对现有技术中存在的上述缺陷，提供基于多目标优化的充电站分时电价动态调整方法，该方法能够综合考量充电站运营商收益、配电网负荷曲线平滑度以及电动汽车用户充电成本等多方利益诉求，通过建立多目标优化模型并结合实时数据驱动机制，实现分时电价的动态自适应调整，从而有效解决传统静态分时电价方案无法适应电力系统动态变化以及难以平衡多方利益的技术问题。

2、为实现上述发明目的，本发明采用以下技术方案：

3、基于多目标优化的充电站分时电价动态调整方法，包括以下步骤：获取电动汽车充电需求预测数据、配电网实时负荷数据以及市场电价数据；基于所述充电需求预测数据、实时负荷数据及市场电价数据，构建以充电站运营商收益、配电网负荷曲线平滑度以及用户充电成本为优化目标的多目标优化模型；采用加权求和法将所述多目标优化模型转化为单目标优化问题，并基于非支配排序遗传算法求解获得初始电价调整方案；对所述初始电价调整方案进行可行性校验，若通过则将所述电价调整方案下发至充电站运营管理系统执行，若未通过则返回优化模型进行迭代求解；实时监测所述电价调整方案执行后的实际效果数据，并根据实际效果数据与预期目标的偏差对优化模型参数进行自适应修正。

4、在所述获取电动汽车充电需求预测数据的步骤中，首先通过充电站运营管理系统采集历史充电订单数据，所述历史充电订单数据包括充电起始时间、充电终止时间、充电电量、充电功率以及用户类型信息；然后基于所述历史充电订单数据构建充电需求时间序列，并采用长短期记忆网络模型对充电需求进行短期预测，生成未来多个时间窗口的充电需求预测数据；其中，所述长短期记忆网络模型的结构包含输入层、双层长短期记忆单元、注意力机制层以及全连接输出层，所述输入层的输入维度为时间序列特征维度，所述双层长短期记忆单元的隐藏层节点数设置为128，注意力机制层用于对不同时间步的隐藏状态进行加权处理，全连接输出层输出未来设定时段的充电需求预测值。

5、在所述获取配电网实时负荷数据的步骤中，通过部署在配电网关键节点的智能电表和传感器采集实时负荷数据，所述关键节点包括主变压器、各馈线出口以及重要负荷接入点；采集的实时负荷数据包括有功功率、无功功率、电压幅值以及频率偏差值；数据采集的采样周期设置为15分钟，数据传输采用iec61850通信协议，数据格式符合iec61970通用信息模型标准；采集的实时负荷数据经过数据预处理模块进行异常值剔除、缺失值填补以及平滑滤波处理后，存储至实时数据库供优化算法调用。

6、在所述获取市场电价数据的步骤中，从电力交易中心获取日前市场出清价格数据作为市场电价基准值，同时从电网调度系统获取实时平衡市场的辅助服务价格数据；市场电价数据的时间分辨率与分时电价调整的时间窗口相匹配，市场电价数据包括各时段的价格期望值和价格波动范围；此外，根据可再生能源出力预测数据计算新能源受阻容量对应的机会成本，并将其纳入市场电价数据的修正因子。

7、在所述构建多目标优化模型的步骤中，第一优化目标为充电站运营商收益最大化，其目标函数表达式为：

8、；

9、其中，表示第辆电动汽车在第时段的充电功率，表示第时段的充电服务销售电价，表示第时段向电网购电的购电电价，表示时段长度，表示优化周期内的时段总数，表示优化周期内的充电车辆总数。

10、第二优化目标为配电网负荷曲线平滑度最大化，其目标函数表达式为：

11、；

12、其中，表示第时段配电网的总负荷值，表示配电网平均负荷值，表示时段总数；所述负荷曲线平滑度通过负荷曲线方差进行量化，方差值越小表示负荷曲线越平滑。

13、第三优化目标为用户充电成本最小化，其目标函数表达式为：

14、；

15、其中，各变量含义与第一目标函数中的变量含义相同；用户充电成本定义为用户在优化周期内支付的总充电费用。

16、在所述采用加权求和法将多目标优化模型转化为单目标优化问题的步骤中，首先根据充电站运营商、配电网调度部门和用户三方利益主体的权重偏好设置各目标的权重系数，记为，且满足；然后构造加权目标函数：

17、；

18、其中，分别为三个目标函数在各自单目标优化时的最大值，用于对各目标函数进行归一化处理；运营商收益目标采用正方向优化，负荷平滑度目标和用户成本目标采用负方向优化。

19、在所述基于非支配排序遗传算法求解获得初始电价调整方案的步骤中，算法采用实数编码方式对电价决策变量进行编码，每个决策变量对应一个时段的电价调整系数；初始种群通过在电价可行域内随机生成的方式产生，种群规模设置为100；适应度函数即为所述加权目标函数f；选择操作采用二进制锦标赛选择策略，交叉操作采用模拟二进制交叉算子，交叉概率设置为0.9，变异操作采用多项式变异算子，变异概率设置为0.1；算法的最大迭代次数设置为500次，当连续三代最优个体的适应度值变化小于设定阈值azvzc8ev43fmzz0v.answertext0^{-6}$时，算法收敛并输出当前最优解作为初始电价调整方案。

20、在所述对初始电价调整方案进行可行性校验的步骤中，校验内容包括电价约束校验、负荷约束校验以及设备安全约束校验；电价约束要求各时段电价不低于电价下限且不超过电价上限，电价下限设置为购电电价的1.05倍，电价上限设置为购电电价的3倍；负荷约束要求充电负荷叠加后的配电网总负荷不超过变压器额定容量且不低于最小技术出力；设备安全约束要求充电功率不超过充电桩额定功率且充电电流不超过电缆载流量；任一约束条件不满足时，将该方案标记为不可行并返回优化模型进行迭代求解。

21、在所述将电价调整方案下发至充电站运营管理系统执行的步骤中，首先将优化得到的最优电价方案按照时间顺序生成电价调整指令集，所述指令集包含每个时段的起始时间、终止时间以及对应的电价值；然后通过充电站运营管理系统的数据接口将电价调整指令集下发至充电站运营管理系统，充电站运营管理系统根据接收到的电价调整指令更新各时段的充电服务价格，并通过用户信息发布系统将价格变更信息推送至电动汽车用户。

22、在所述实时监测电价调整方案执行后的实际效果数据的步骤中，通过部署在充电站侧的能量管理终端采集实际充电数据，所述实际充电数据包括各时段的实际充电电量、实际充电功率、实际充电费用以及用户响应行为数据；同时通过配电网监控系统采集实际负荷数据，计算实际负荷曲线方差；将采集的实际效果数据与优化模型预期的目标值进行对比，计算偏差率。

23、在所述根据实际效果数据与预期目标的偏差对优化模型参数进行自适应修正的步骤中，采用模型预测控制框架下的滚动优化策略，每经过一个优化周期后，根据上一周期的实际效果数据调整下一周期的优化模型参数；参数修正采用梯度下降法，修正方向为减小实际效果与预期目标的偏差方向，学习率设置为0.01；同时，每经过若干个优化周期后，采用累积的历史数据对长短期记忆网络预测模型进行增量训练，更新网络权重以提高充电需求预测的准确度。

24、进一步地，在本发明的一种优选实施方式中，所述多目标优化模型还包括第四优化目标，即充电站设备利用率最大化，其目标函数表达式为：

25、；

26、其中，表示第时段充电站实际充电电量，表示第时段充电站额定可充电电量，表示时段总数；设备利用率定义为实际充电电量与额定可充电电量的比值。

27、进一步地，在本发明的另一种优选实施方式中，所述非支配排序遗传算法在求解过程中引入精英保留策略，将每一代种群中最优的前10个个体直接复制到下一代种群中，以防止最优解在进化过程中丢失；同时，在交叉操作后增加可行性修复操作，对交叉产生的不可行个体进行修复，使其满足约束条件。

28、进一步地，在本发明的另一种优选实施方式中，所述电价调整方案的下发时机采用滚动优化策略，每15分钟执行一次优化计算，每次优化计算生成未来4小时的电价调整方案，每次优化计算完成后将最新的电价调整方案下发执行，同时取消上一次优化计算生成的尚未执行完的指令。

29、进一步地，在本发明的另一种优选实施方式中，当检测到配电网负荷出现突变或可再生能源出力出现大幅波动时，触发紧急优化模式，在该模式下缩短优化周期的时间窗口至5分钟，同时增加负荷平滑度目标的权重系数至0.5以上，以快速响应系统状态变化。

30、进一步地，在本发明的另一种优选实施方式中，用户响应行为数据的采集通过在充电桩侧部署的通信模块实现，所述通信模块记录用户对电价调整的响应行为，包括用户收到价格变更通知后的充电行为是否发生变化以及变化的具体形式；基于采集的用户响应行为数据构建用户价格敏感度模型，用于预测用户对不同电价调整方案的响应程度。

31、进一步地，在本发明的另一种优选实施方式中，所述长短期记忆网络模型的输入特征还包括日期类型特征、天气特征以及温度特征；日期类型特征包括工作日、周末以及节假日标签；天气特征包括晴天、多云、阴天以及雨雪天气标签；温度特征包括最高温度、最低温度以及平均温度数值；这些特征通过独热编码或归一化处理后与充电需求历史数据一同输入网络模型。

32、进一步地，在本发明的另一种优选实施方式中，所述多目标优化模型中各目标函数的权重系数采用模糊层次分析法进行确定，首先通过专家打分构建判断矩阵，然后计算判断矩阵的特征向量作为各目标的主观权重，最后结合客观权重进行组合赋权得到最终的权重系数。

33、进一步地，在本发明的另一种优选实施方式中，所述可行性校验模块还包含充电需求满足度校验，要求优化后的电价方案导致的用户充电需求满足率不低于设定阈值，用户充电需求满足率定义为用户能够在期望时间内完成充电的比率。

34、进一步地，在本发明的另一种优选实施方式中，当多个优化目标之间存在冲突导致无法找到同时满足所有目标最优解时，采用pareto最优解集进行描述，通过非支配排序遗传算法求解获得pareto前沿，并将pareto前沿上的最优解集呈现给运营决策人员，由决策人员根据实际运营需求选择最终的电价调整方案。

35、进一步地，在本发明的另一种优选实施方式中，所述系统还包括电价预发布模块，该模块在电价调整方案正式执行前一定时间将未来时段的电价信息提前发布给用户，以便用户提前规划充电行为；预发布时间根据用户平均响应时间确定，预发布时长设置为30分钟至2小时可调。

36、进一步地，在本发明的另一种优选实施方式中，所述数据预处理模块中采用的异常值剔除方法为基于箱线图的3σ原则，缺失值填补方法为基于同类型历史数据的线性插值法，平滑滤波采用savitzky-golay滤波器，滤波器窗口长度设置为5，多项式阶数设置为2。

37、进一步地，在本发明的另一种优选实施方式中，所述系统还包括历史数据库，用于存储历史充电数据、历史负荷数据、历史电价数据以及历史优化结果数据；历史数据库采用关系型数据库与时序数据库相结合的混合存储架构，关系型数据库存储用户信息和设备信息，时序数据库存储时序性的运行数据。

38、进一步地，在本发明的另一种优选实施方式中，所述充电需求预测模型还集成有在线学习机制，能够根据新采集的实际充电数据实时更新模型参数，实现在线学习的方法采用基于滑动窗口的增量学习方法，窗口长度设置为一周的数据量。

39、进一步地，在本发明的另一种优选实施方式中，所述非支配排序遗传算法在进化过程中采用自适应交叉概率和变异概率，交叉概率和变异概率根据种群多样性指标进行动态调整，当种群多样性低于设定阈值时适当增大变异概率以增加种群多样性，当种群多样性高于设定阈值时适当增大交叉概率以加快收敛速度。

40、进一步地，在本发明的另一种优选实施方式中，所述优化模型的目标函数中引入惩罚因子以处理约束违反情况，惩罚因子的设置采用动态惩罚因子策略，惩罚因子初始值设置为10，随迭代次数增加按指数方式增长至设定上限。

41、进一步地，在本发明的另一种优选实施方式中，所述系统还包括可视化展示模块，用于实时展示当前电价方案、优化目标达成情况、负荷曲线对比以及用户响应情况；可视化展示模块支持web端和移动端访问，展示界面采用响应式设计。

42、进一步地，在本发明的另一种优选实施方式中，当充电站参与电力辅助服务市场时，所述优化模型的目标函数中还需增加辅助服务收益项，该收益项包括调峰收益、调频收益以及备用容量收益，辅助服务收益通过计算参与辅助服务获得的调用费用与放弃的充电收益之间的差值确定。

43、进一步地，在本发明的另一种优选实施方式中，所述市场电价数据的获取还包括从可再生能源功率预测系统获取新能源出力预测数据，根据新能源出力预测结果计算新能源消纳空间，并将该空间作为约束条件纳入优化模型，当新能源出力过剩时适当降低低谷时段电价以激励充电负荷消纳新能源。

44、进一步地，在本发明的另一种优选实施方式中，所述充电站分时电价动态调整系统包括数据采集层、数据处理层、优化决策层和执行控制层；数据采集层负责采集电动汽车充电需求数据、配电网负荷数据、市场电价数据以及用户行为数据；数据处理层负责对采集的原始数据进行预处理、特征提取和需求预测；优化决策层负责构建多目标优化模型、求解优化问题并生成电价调整方案；执行控制层负责将电价调整方案下发至充电站运营管理系统并监测执行效果。

45、进一步地，在本发明的另一种优选实施方式中，所述数据采集层与数据处理层之间采用消息队列进行数据通信，所述消息队列采用kafka分布式消息中间件，消息主题包括充电需求数据主题、负荷数据主题、电价数据主题和行为数据主题，各主题的数据生产者与消费者之间采用发布订阅模式实现解耦。

46、进一步地，在本发明的另一种优选实施方式中，所述优化决策层的优化算法部署采用容器化部署方式，每个优化任务运行在独立的docker容器中，容器的资源配置根据优化问题的规模动态调整，计算资源包括cpu核心数和内存大小，容器之间通过分布式协调服务实现任务调度和结果汇总。

47、进一步地，在本发明的另一种优选实施方式中，所述执行控制层与充电站运营管理系统之间的接口采用openadr2.0标准协议，实现电价信号的双向交互，充电站运营管理系统根据接收到的电价信号调整充电服务价格，同时将用户的充电响应行为反馈至优化决策层以实现闭环控制。

48、进一步地，在本发明的另一种优选实施方式中，当充电站同时管理多个分布式充电站点时，所述优化模型采用分布式优化架构进行求解，每个充电站点设置本地优化器，本地优化器基于本地数据和局部优化目标进行初步优化计算，然后将局部优化结果上传至全局优化器进行协调，全局优化器在综合各局部优化结果后生成全局最优的电价调整方案。

49、进一步地，在本发明的另一种优选实施方式中，所述分布式优化架构采用交替方向乘子法实现各充电站点之间的协调优化，各充电站点的本地优化器在本地约束条件下最小化本地成本函数，全局约束通过引入拉格朗日乘子进行协同，迭代过程中各本地优化器与全局优化器之间通过加密通信链路交换拉格朗日乘子信息和局部梯度信息。

50、进一步地，在本发明的另一种优选实施方式中，所述系统还包括安全保障模块，用于对电价数据的传输和存储进行加密保护，数据传输采用tls1.3协议，数据存储采用aes-256加密算法；同时设置异常检测机制，当检测到电价数据异常或系统遭受攻击时自动触发安全告警并启动应急响应流程。

51、进一步地，在本发明的另一种优选实施方式中，所述多目标优化模型的求解结果以结构化数据格式输出，输出内容包括每个时段的起始时间、终止时间、电价调整系数、电价绝对值以及优化目标达成度预测值，数据格式采用json格式并包含完整的元数据信息。

52、进一步地，在本发明的另一种优选实施方式中，当电网调度部门发布负荷控制指令时，所述优化决策层在接收到负荷控制指令后自动对优化模型进行修正，在模型中增加负荷控制约束条件，约束条件包括最大负荷值和负荷削减持续时间，优化模型在满足负荷控制约束的前提下重新求解电价调整方案。

53、进一步地，在本发明的另一种优选实施方式中，用户充电行为响应模型的构建采用基于用户的协同过滤算法，该算法根据历史充电数据计算用户之间的行为相似度，然后基于相似用户的历史响应行为预测目标用户对新电价的响应概率，响应概率作为参数输入多目标优化模型以提高优化结果的准确性。

54、进一步地，在本发明的另一种优选实施方式中，所述长短期记忆网络模型的超参数采用贝叶斯优化方法进行自动调优，超参数包括隐藏层节点数、学习率、dropout比例以及批量大小，贝叶斯优化的目标函数为模型在验证集上的均方根误差，通过高斯过程代理模型对超参数空间进行建模并迭代更新。

55、进一步地，在本发明的另一种优选实施方式中，所述系统还包括数据质量监控模块，该模块对数据采集层采集的原始数据进行实时质量检测，数据质量指标包括数据完整性、数据一致性、数据时效性以及数据准确性，当数据质量指标低于设定阈值时自动触发数据修复或数据源切换流程。

56、进一步地，在本发明的另一种优选实施方式中，所述优化模型的求解算法还可以采用基于强化学习的深度神经网络方法，该方法构建深度q网络作为策略网络，网络输入为当前系统状态包括负荷数据、电价数据以及充电需求数据，网络输出为各时段的电价调整动作，通过与环境的持续交互更新网络权重以实现长期累积收益最大化。

57、进一步地，在本发明的另一种优选实施方式中，当采用基于强化学习的优化方法时，奖励函数的设计综合考量运营商收益、负荷平滑度和用户成本三个维度，奖励函数表达式为：

58、；

59、其中，为运营商收益相关的奖励项，为负荷平滑度相关的奖励项，为用户成本相关的奖励项，为各奖励项的权重系数；强化学习训练过程采用经验回放机制和目标网络技术以提高训练稳定性和收敛速度。

60、进一步地，在本发明的另一种优选实施方式中，所述系统还集成了区块链技术用于电价数据的可信存证，电价调整方案在生成后被封装为数据区块并添加时间戳和数字签名，各区块之间通过哈希值链接形成不可篡改的区块链账本，为电价争议处理和审计追溯提供可信的技术支撑。

61、进一步地，在本发明的另一种优选实施方式中，当充电站所在区域存在多个相互竞争的充电站运营商时，所述优化模型引入竞争因素构建博弈模型，各运营商的电价决策视为博弈参与者的策略选择，各参与者在理性条件下寻求自身收益最大化，博弈的均衡解作为最终的电价调整方案。

62、进一步地，在本发明的另一种优选实施方式中，所述博弈模型采用古诺竞争模型进行建模，各充电站以各自利润最大化为目标进行产量竞争，在本发明中产量竞争转化为电价竞争，通过求解古诺均衡获得各充电站的最优电价策略，古诺均衡的求解采用基于梯度上升的迭代算法。

63、进一步地，在本发明的另一种优选实施方式中，所述电价动态调整方法还可以扩展应用于其他需求侧管理场景，包括工商业用户负荷管理、分布式储能调度以及空调负荷调控等，在这些应用场景中只需将优化模型的目标函数和约束条件进行相应调整，保持多目标优化和动态调整的核心框架不变。

64、进一步地，在本发明的另一种优选实施方式中，当电动汽车采用换电模式时，所述优化模型的目标函数中需要增加电池库存平衡约束和电池充放电效率约束，电池库存平衡约束要求各换电站的电池库存数量维持在设定范围内，电池充放电效率约束考虑电池充放电过程中的能量损耗。

65、进一步地，在本发明的另一种优选实施方式中，所述系统还支持与电网调度系统的双向交互，当电网侧出现紧急情况需要快速调整负荷时，电网调度系统向充电站发送负荷调控请求，充电站在接收到请求后优先响应调控请求调整电价以实现负荷快速响应，响应过程中产生的经济损失由电网侧根据事先签订的辅助服务协议进行补偿。

66、进一步地，在本发明的另一种优选实施方式中，所述多目标优化模型的求解结果还可以作为充电站投资规划决策的参考依据，通过分析不同电价方案下的设备利用率和收益情况，为充电站的容量配置和站点布局提供数据支撑。

67、进一步地，在本发明的另一种优选实施方式中，所述电价动态调整系统支持与上级能源管理平台的数据对接，能源管理平台可以向充电站下发聚合优化目标，充电站根据收到的聚合目标调整本地优化模型的参数，实现多能互补和源网荷储协同优化。

68、进一步地，在本发明的另一种优选实施方式中，当充电站配备分布式光伏和储能设施时，所述优化模型需要增加光伏出力预测和储能充放电策略优化，光伏出力预测采用与充电需求预测类似的长短期记忆网络方法，储能充放电策略优化采用动态规划算法以实现储能设备的经济最优运行。

69、进一步地，在本发明的另一种优选实施方式中，所述储能充放电策略优化的目标函数包括储能充放电收益最大化，收益包括电价套利收益和辅助服务收益，约束条件包括储能容量约束、充放电功率约束以及充放电循环次数约束，优化周期内储能充放电循环次数不超过设定上限以延长储能设备寿命。

70、进一步地，在本发明的另一种优选实施方式中，所述光伏出力预测模型与充电需求预测模型采用共享特征提取层的双塔架构，两个模型共享底层特征提取网络参数，仅在顶层输出层各自独立输出光伏出力预测值和充电需求预测值，这种参数共享方式能够在减少模型参数总量的同时提高预测精度。

71、进一步地，在本发明的另一种优选实施方式中，当充电站同时配备光伏和储能时，电价优化与储能调度的联合优化采用双层优化框架，上层优化确定分时电价方案，下层优化根据上层确定的电价方案优化储能充放电策略，上下层之间通过迭代方式求解直到上下层目标均收敛至最优。

72、与现有技术相比，本发明具有以下有益效果：

73、第一，通过建立多目标优化模型综合考量充电站运营商收益、配电网负荷曲线平滑度以及用户充电成本三方利益诉求，有效解决了传统静态分时电价方案片面性决策的问题，实现了多方利益的统筹平衡与协调优化。

74、第二，通过采用非支配排序遗传算法结合加权求和法进行多目标优化求解，能够在pareto前沿上获得一组最优解集，为运营决策人员提供了灵活的选择空间，可以根据实际运营需求选择最合适的电价调整方案。

75、第三，通过引入实时数据驱动机制和滚动优化策略，使电价调整方案能够根据电力系统状态的动态变化进行自适应调整，有效克服了传统静态分时电价方案无法响应新能源出力波动和负荷特性变化的缺陷。

76、第四，通过将长短期记忆网络应用于电动汽车充电需求预测，提高了短期充电需求预测的准确度，为优化模型的构建提供了可靠的数据基础，从而显著提升了电价调整方案的精准性和有效性。

77、第五，通过引入设备利用率目标并将其纳入多目标优化模型，在保障运营商收益和负荷调控效果的同时，提高了充电站设备的利用效率，实现了经济效益与社会效益的统一。

78、第六，通过构建用户价格敏感度模型并将其作为参数输入优化模型，提高了对用户响应行为的预测准确度，使电价调整方案能够更好地引导用户充电行为，实现预期的削峰填谷效果。

79、第七，通过集成区块链技术实现电价数据的可信存证，为电价争议处理和审计追溯提供了技术保障，增强了系统的可信度和透明度。

80、第八，通过支持分布式优化架构，实现了多充电站点电价方案的协同优化，在保障各站点局部利益的同时实现全局最优，提升了系统的可扩展性和适用性。