[發明專利]基于EV負荷參與度的低碳園區優化調度方法及系統

有效

• 申請號: 202210274193.4
• 申請日: 2022-03-21
• 公開（公告）號: CN114611811B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 張海濱
• 申請（專利權）人: 特斯聯科技集團有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F30/27;G06N3/04;G06N3/08;G06N7/00;G06F111/08;G06F113/04
• 代理公司: 北京春江專利商標代理事務所(普通合伙) 11835
• 代理人: 曹潔

1.一種基于EV負荷參與度的低碳園區優化調度方法，其特征在于，包括以下步驟：

采樣電動汽車接入園區充放電配電網的入網樣本數據，所述入網樣本數據包括多組在預設剩余電量范圍內的電池剩余電量和此時電動汽車與以其為中心的預設半徑的圓形輻射范圍內的可選入網地點之間的距離的最小的個值，及對應的電動汽車與實際選擇入網地點之間的距離；

根據所述入網樣本數據，采用神經網絡算法，推演獲得個可能的先后接入園區充放電配電網的估計入網地點；

基于個所述估計入網地點，采用馬爾科夫決策方法建立電動汽車的行駛路徑最優策略，并確定出最佳入網地點；

根據所述最佳入網地點，以能耗、配電網負荷和充放電成本最小化為優化目標，建立目標函數優化模型；

對所述目標函數優化模型進行最優求解，獲得基于EV負荷參與度的園區最優調度策略，其中，推演獲得個可能的先后接入園區充放電配電網的估計入網地點的步驟包括：

對所述入網樣本數據歸一化處理；

構建具有依次連接的一個輸入層、一個隱含層和一個輸出層的BP神經網絡模型，每一層的輸出作為下一層的輸入；

所述輸入層具有個神經元，用于一一對應地接收各組在預設剩余電量范圍內的電池剩余電量和此時電動汽車與以其為中心的預設半徑的圓形輻射范圍內的可選入網地點之間的距離的最小的個值的歸一化值；

所述輸出層具有1個神經元，用于輸出電動汽車與預測選擇入網地點之間的距離；

將歸一化處理后的入網樣本數據輸入所述BP神經網絡模型，獲得模型輸出的電動汽車與預測選擇入網地點之間的距離，并計算適應度函數值，所述適應度函數值為電動汽車與預測選擇入網地點之間的距離與電動汽車與實際選擇入網地點之間的距離的均方根誤差；

按BP神經網絡模型連接權值的負梯度方向搜索調整適應度函數值，直至適應度函數值達到預設閾值或迭代次數達到預設值為止，獲得訓練好的BP神經網絡模型；

將當前在預設剩余電量范圍內的電池剩余電量和此時電動汽車與以其為中心的預設半徑的圓形輻射范圍內的可選入網地點之間的距離的最小的個值輸入所述訓練好的BP神經網絡模型，獲得模型輸出的當前電動汽車與預測選擇入網地點之間的距離；

以當前電動汽車為中心，以所述當前電動汽車與預測選擇入網地點之間的距離為半徑，劃定估計范圍，將所述估計范圍內所有的可選入網地點作為個可能的先后接入園區充放電配電網的估計入網地點。

2.根據權利要求1所述的方法，其特征在于，所述基于個所述估計入網地點，采用馬爾科夫決策方法建立電動汽車的行駛路徑最優策略，并確定出最佳入網地點的步驟包括：

獲取園區交通網絡有向圖，其中的每一條公路為邊，交叉路口為節點，公路長度為邊的權重；

將園區所有節點集合視為，從起點到個估計入網地點中的任一個和從個估計入網地點中的任一個到終點所行駛經過的每個節點時刻視為決策時刻，在每個節點決定行駛的下一條路徑視為行動，將要行駛的路徑長度視為回報，進行馬爾科夫決策過程，獲得條行駛路徑預選最優策略，每條行駛路徑預選最優策略中包含個估計入網地點中的一個；

選取所述條行駛路徑預選最優策略中最佳的一條，作為電動汽車的行駛路徑最優策略，其對應的估計入網地點為最佳入網地點。

3.根據權利要求2所述的方法，其特征在于，所述優化目標包括：

電動汽車以最佳入網地點對應的行駛路徑最優策略行駛至最佳入網地點所產生的能耗、電動汽車在最佳入網地點入網后的充放電負荷和充放電成本的最小化。

4.根據權利要求1-3任一項所述的方法，其特征在于，所述對所述目標函數優化模型進行最優求解，獲得基于EV負荷參與度的園區最優調度策略的步驟包括：

采用擴展蟻群算法對所述目標函數優化模型進行最優求解，獲得基于EV負荷參與度的園區最優調度策略。