[發明專利]一種大數據場景下的移動充電樁群體智能調度方法

有效

• 申請號: 202010583700.3
• 申請日: 2020-06-23
• 公開（公告）號: CN111833205B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 彭紀昌;孟錦豪;劉海濤;劉凱龍
• 申請（專利權）人: 南京工程學院
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06Q10/0631;G06N3/092;G06N3/02
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 馬進

本發明公開了一種大數據場景下的移動充電樁群體智能調度方法，包括如下步驟：建立移動充電樁集群的調度模型；通過約束條件和DQN算法對所述調度模型進行求解，得到智能調度策略；根據所述智能調度策略對移動充電樁進行調度。通過移動充電樁集群的調度模型統一調度區域內所有移動充電樁參與電力市場輔助服務，增加了移動充電樁的贏利方法，也為電網提供服務，緩解了區域電力系統調頻、新能源消納等問題。

技術領域

本發明屬于充電裝置應用領域，涉及一種大數據場景下的移動充電樁群體智能調度方法。

背景技術

使用移動充電樁實現電動汽車充電，具備高的機動靈活性，解決了固定式充電樁使用率低的問題。此外，隨著新能源汽車的爆發式增長，會產生大規模的退役動力鋰電池。移動充電樁也成為了發揮退役動力鋰電池剩余價值的重要方式。而以聚合商云平臺的方式，運營閑置的移動充電樁參與電力市場輔助服務，對于最大化移動充電樁的價值具有重要意義。

要參與電力市場輔助服務，必須將較多數目的移動充電樁聯合起來，形成一定規模，才能夠有效為區域電網提供服務。這時候就需要聚合商收集各個移動充電樁的狀態信息，通過云平臺計算，統一調度所有充電樁參與電力輔助服務，以獲得利益的最大化。若特定區域內包含較多數量的移動充電樁，由于存在多種不確定因素，系統的物理模型將難以精確建立，基于確定性模型的優化調度方法，如模型預測控制(Model?PredictiveControl,MPC)，將難以有效實現系統調度。而傳統強化學習算法Q-learning、Sarsa等，由于無法處理連續狀態變量，將制約調度策略的精確性。

發明內容

針對現有技術的不足，本發明的目的在于提供一種大數據場景下的移動充電樁群體智能調度方法，以解決現有技術中存在的系統調度較難的問題。

為解決上述技術問題，本發明采用的技術方案為：

一種大數據場景下的移動充電樁群體智能調度方法，包括如下步驟：

建立移動充電樁集群的調度模型；

通過約束條件和DQN算法對所述調度模型進行求解，得到智能調度策略；

根據所述智能調度策略對移動充電樁進行調度。

進一步的，所述調度模型的代價函數包括：

min?J＝B_agg+E_Bat(7)

其中，J為移動充電樁集群調度的代價函數，E_Bat為特定工況中鋰電池的使用成本，B_agg為聚合商的總體收益。

進一步的，所述聚合商的總體收益為：

B_agg＝B_c·w_c+B_e·w_e?????????????????????????(1)

式中，B_agg為聚合商的總體收益；B_c為聚合商主動參與電力市場輔助服務所獲利益；w_c是聚合商主動參與電力市場輔助服務的分成系數；B_e為由能量套利所獲利潤；w_e為聚合商以能量套利方式獲利的分成系數。

進一步的，所述聚合商主動參與電力市場輔助服務所獲利益為：

其中，r_p和r_v分別為峰谷的補償電價，P_p和P_v分別為峰谷時聚合商能夠提供的總功率；

所述能量套利所獲利潤為：