[發(fā)明專利]基于EV負(fù)荷參與度的低碳園區(qū)優(yōu)化調(diào)度方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202210274193.4
• 申請(qǐng)日: 2022-03-21
• 公開（公告）號(hào): CN114611811B
• 公開（公告）日: 2022-10-25
• 發(fā)明（設(shè)計(jì)）人: 張海濱
• 申請(qǐng)（專利權(quán)）人: 特斯聯(lián)科技集團(tuán)有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): 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(biāo)代理事務(wù)所(普通合伙) 11835
• 代理人: 曹潔

本發(fā)明公開了一種基于EV負(fù)荷參與度的低碳園區(qū)優(yōu)化調(diào)度方法及系統(tǒng)，涉及儲(chǔ)能智能優(yōu)化調(diào)度技術(shù)領(lǐng)域，其中該方法包括采樣電動(dòng)汽車接入園區(qū)充放電配電網(wǎng)的入網(wǎng)樣本數(shù)據(jù)；采用神經(jīng)網(wǎng)絡(luò)算法，推演獲得N個(gè)可能的先后接入園區(qū)充放電配電網(wǎng)的估計(jì)入網(wǎng)地點(diǎn)；基于N個(gè)估計(jì)入網(wǎng)地點(diǎn)，采用馬爾科夫決策方法建立電動(dòng)汽車的行駛路徑最優(yōu)策略，并確定出最佳入網(wǎng)地點(diǎn)；根據(jù)最佳入網(wǎng)地點(diǎn)，以能耗、配電網(wǎng)負(fù)荷和充放電成本最小化為優(yōu)化目標(biāo)，建立目標(biāo)函數(shù)優(yōu)化模型，并進(jìn)行最優(yōu)求解，獲得基于EV負(fù)荷參與度的園區(qū)最優(yōu)調(diào)度策略。本發(fā)明加入時(shí)空分布、環(huán)境因素對(duì)能耗預(yù)測(cè)的影響，并結(jié)合EV負(fù)荷分析，實(shí)現(xiàn)了成本最優(yōu)的園區(qū)低碳目標(biāo)下的最優(yōu)調(diào)度。

技術(shù)領(lǐng)域

本發(fā)明涉及儲(chǔ)能智能優(yōu)化調(diào)度技術(shù)領(lǐng)域，具體涉及一種基于EV負(fù)荷參與度的低碳園區(qū)優(yōu)化調(diào)度方法及系統(tǒng)。

背景技術(shù)

目前，電動(dòng)汽車(EV)是新能源汽車的主要發(fā)展方向，大規(guī)模電動(dòng)汽車接入，將給電力系統(tǒng)規(guī)劃和運(yùn)行帶來不可忽視的影響，包括負(fù)荷的增長、電網(wǎng)運(yùn)行優(yōu)化控制難度的增加、影響電能質(zhì)量、對(duì)配電網(wǎng)規(guī)劃提出新的要求等。

因而，國內(nèi)外學(xué)者開始對(duì)電動(dòng)汽車充電負(fù)荷預(yù)測(cè)進(jìn)行研究。例如，有些學(xué)者使用概率統(tǒng)計(jì)的隨機(jī)方法對(duì)負(fù)荷時(shí)間分布進(jìn)行建模，通過分析出租車、公交車、私家車等的充電特點(diǎn)，采用蒙特卡洛方法預(yù)測(cè)未來電動(dòng)汽車的充電總負(fù)荷。但上述研究對(duì)負(fù)荷種類、參與度等產(chǎn)生的負(fù)荷預(yù)測(cè)影響分析不夠充分，不能夠達(dá)到低碳園區(qū)對(duì)電網(wǎng)規(guī)劃運(yùn)行的精度要求。

發(fā)明內(nèi)容

因此，為了克服上述缺陷，本發(fā)明實(shí)施例提供一種基于EV負(fù)荷參與度的低碳園區(qū)優(yōu)化調(diào)度方法及系統(tǒng)，通過充分分析時(shí)空分布、環(huán)境因素對(duì)能耗預(yù)測(cè)的影響，實(shí)現(xiàn)了園區(qū)低碳目標(biāo)下的最優(yōu)調(diào)度。

為此，本發(fā)明實(shí)施例的一種基于EV負(fù)荷參與度的低碳園區(qū)優(yōu)化調(diào)度方法，包括以下步驟：

采樣電動(dòng)汽車接入園區(qū)充放電配電網(wǎng)的入網(wǎng)樣本數(shù)據(jù)；

根據(jù)所述入網(wǎng)樣本數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)算法，推演獲得N個(gè)可能的先后接入園區(qū)充放電配電網(wǎng)的估計(jì)入網(wǎng)地點(diǎn)；

基于N個(gè)所述估計(jì)入網(wǎng)地點(diǎn)，采用馬爾科夫決策方法建立電動(dòng)汽車的行駛路徑最優(yōu)策略，并確定出最佳入網(wǎng)地點(diǎn)；

根據(jù)所述最佳入網(wǎng)地點(diǎn)，以能耗、配電網(wǎng)負(fù)荷和充放電成本最小化為優(yōu)化目標(biāo)，建立目標(biāo)函數(shù)優(yōu)化模型；

對(duì)所述目標(biāo)函數(shù)優(yōu)化模型進(jìn)行最優(yōu)求解，獲得基于EV負(fù)荷參與度的園區(qū)最優(yōu)調(diào)度策略。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)算法采用BP神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型具有依次連接的一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層，每一層的輸出作為下一層的輸入；以歸一化處理后的入網(wǎng)樣本數(shù)據(jù)為所述BP神經(jīng)網(wǎng)絡(luò)模型的輸入，模型的輸出為電動(dòng)汽車與預(yù)測(cè)選擇入網(wǎng)地點(diǎn)之間的距離；適應(yīng)度函數(shù)值為電動(dòng)汽車與預(yù)測(cè)選擇入網(wǎng)地點(diǎn)之間的距離與電動(dòng)汽車與實(shí)際選擇入網(wǎng)地點(diǎn)之間的距離的均方根誤差；按BP神經(jīng)網(wǎng)絡(luò)模型連接權(quán)值的負(fù)梯度方向搜索調(diào)整適應(yīng)度函數(shù)值；

以當(dāng)前電動(dòng)汽車為中心，以當(dāng)前電動(dòng)汽車與預(yù)測(cè)選擇入網(wǎng)地點(diǎn)之間的距離為半徑，劃定估計(jì)范圍，將所述估計(jì)范圍內(nèi)所有的可選入網(wǎng)地點(diǎn)作為N個(gè)可能的先后接入園區(qū)充放電配電網(wǎng)的估計(jì)入網(wǎng)地點(diǎn)。

優(yōu)選地，所述根據(jù)所述入網(wǎng)樣本數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)算法，推演獲得N個(gè)可能的先后接入園區(qū)充放電配電網(wǎng)的估計(jì)入網(wǎng)地點(diǎn)的步驟包括：

獲取園區(qū)交通網(wǎng)絡(luò)有向圖，其中的每一條公路為邊，交叉路口為節(jié)點(diǎn)，公路長度為邊的權(quán)重；

將園區(qū)所有節(jié)點(diǎn)集合視為S，從起點(diǎn)到N個(gè)估計(jì)入網(wǎng)地點(diǎn)中的任一個(gè)和從N個(gè)估計(jì)入網(wǎng)地點(diǎn)中的任一個(gè)到終點(diǎn)所行駛經(jīng)過的每個(gè)節(jié)點(diǎn)時(shí)刻視為決策時(shí)刻t，在每個(gè)節(jié)點(diǎn)決定行駛的下一條路徑視為行動(dòng)a，將要行駛的路徑長度視為回報(bào)R，進(jìn)行馬爾科夫決策過程，獲得N條行駛路徑預(yù)選最優(yōu)策略，每條行駛路徑預(yù)選最優(yōu)策略中包含N個(gè)估計(jì)入網(wǎng)地點(diǎn)中的一個(gè)；