CN110190653B - 一种用于多机器人协同充电的优化方法和装置 - Google Patents

一种用于多机器人协同充电的优化方法和装置 Download PDF

Info

Publication number
CN110190653B
CN110190653B CN201910560850.XA CN201910560850A CN110190653B CN 110190653 B CN110190653 B CN 110190653B CN 201910560850 A CN201910560850 A CN 201910560850A CN 110190653 B CN110190653 B CN 110190653B
Authority
CN
China
Prior art keywords
robot
charging
time slot
charging power
upper limit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910560850.XA
Other languages
English (en)
Other versions
CN110190653A (zh
Inventor
吴新开
霍向
马亚龙
么子瀛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Lobby Technology Co ltd
Original Assignee
Beijing Lobby Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Lobby Technology Co ltd filed Critical Beijing Lobby Technology Co ltd
Priority to CN201910560850.XA priority Critical patent/CN110190653B/zh
Publication of CN110190653A publication Critical patent/CN110190653A/zh
Application granted granted Critical
Publication of CN110190653B publication Critical patent/CN110190653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种用于多机器人协同充电的优化方法和装置。方法包括：设置多机器协同优化决策时长区间，初始化充电功率上限矩阵；根据单位电量成本系数确定各个机器人在协同优化决策时长区间内的最优充电功率序列，计算机器人的总充电负荷值，并根据变压器容量识别负荷超限时隙，计算超限时隙内各机器人的充电功率上限，判断充电功率上限矩阵是否发生改变，若发生改变，则重新确定各个机器人在协同优化决策时长区间内的最优充电功率序列；若未发生改变，则识别负荷不超限时隙，按比例关系给各机器人分配对应时隙的充电容量，调度协同优化决策时长区间内的各机器人按最优充电功率序列进行充电，可避免由各机器人独自优化决策导致的电力系统过载问题。

Description

一种用于多机器人协同充电的优化方法和装置
技术领域
本发明涉及机器人路径规划技术领域，特别涉及一种用于多机器人协同充电的优化方法和装置。
背景技术
目前智能机器人技术已得到快速发展，机器人的应用领域越来越广泛，应用数量也越来越大，通常存在多个机器人同时进行充电的情况。
多机器人通过充电源接入电网进行充电时，若各机器人独自对充电过程进行优化，容易造成充电负荷集中的问题，不但影响电力系统的稳定运行，且充电效率低，耗电多。
发明内容
针对现有技术存在的上述问题，本发明的实施例提供一种用于多机器人协同充电的优化方法和装置。
第一方面，本发明实施例提供一种用于多机器人协同充电的优化方法，包括：
S1、设置多机器协同优化决策时长区间，初始化充电功率上限矩阵；
S2、根据单位电量成本系数确定各个机器人在协同优化决策时长区间内的最优充电功率序列，并上报给电力管理模块；所述单位电量成本系数根据应用场景设置；
S3、电力管理模块计算机器人的总充电负荷值，并根据变压器容量识别负荷超限时隙，计算超限时隙内各机器人的充电功率上限，并更新充电功率上限矩阵；
S4、判断充电功率上限矩阵是否发生改变，若为是，则执行S5，若为否，则执行S6；
S5、发布新的充电功率上限矩阵，然后执行S2；
S6、电力管理模块识别负荷不超限时隙，按比例关系给各机器人分配对应时隙的充电容量，并发布新的充电功率上限矩阵；
S7、调度协同优化决策时长区间内的各机器人按最优充电功率序列进行充电。
如上所述的方法中，在S1中所述设置多机器协同优化决策时长区间，初始化充电功率上限矩阵，包括：
设定多机器协同优化决策时长区间的长度，记为T，将该时间长度T平均划分为长度为
Figure BDA0002108239680000021
的N个时隙；
将充电功率上限矩阵初始化为：
Figure BDA0002108239680000022
式中，M为所有机器人构成的集合，机器人的总数为|M|；矩阵中每个行向量表示一个机器人在协同优化决策时长区间内的充电功率上限，每个时隙内的充电功率上限初始化为该机器人的最大允许充电功率，即
Figure BDA0002108239680000023
机器人的总数为|M|，m∈M为集合中的一个机器人。
如上所述的方法中，根据下式确定充电状态下的机器人m的电量状态；
Figure BDA0002108239680000024
式中，
Figure BDA0002108239680000025
分别为时隙t和t+1内机器人的电量状态，
Figure BDA0002108239680000026
为时隙t内机器人m的充电功率，Δt为一个单位时隙的时间长度，ηm为机器人m的充电效率，Cm为机器人的电池额定容量。
如上所述的方法中，在整个协同优化决策时长区间内，根据下式确定机器人m的总充电成本：
Figure BDA0002108239680000027
式中，
Figure BDA0002108239680000028
为整个协同优化决策时间周期内机器人m的总充电成本，t为时间时隙，协同优化决策时长区间平均划分的时隙个数为N，
Figure BDA0002108239680000029
为时隙t内机器人m的充电功率，ct为时隙t内的单位电量成本系数；每个时隙t内每个机器人m的充电功率值
Figure BDA0002108239680000031
基于最小化机器人的总充电成本确定。
如上所述的方法中，时隙t内机器人m的充电功率
Figure BDA0002108239680000032
不能超过机器人m的最大允许充电功率
Figure BDA0002108239680000033
和电力管理系统中负荷管理系统模块设定的最大允许充电功率
Figure BDA0002108239680000034
即
Figure BDA0002108239680000035
充电状态下的时隙t内机器人m的电量状态
Figure BDA0002108239680000036
不小于最小允许的电量状态
Figure BDA0002108239680000037
以及不大于最大允许的电量状态
Figure BDA0002108239680000038
即
Figure BDA0002108239680000039
如上所述的方法中，在S3中各机器人的充电功率上限的计算方法为：
Figure BDA00021082396800000310
式中，
Figure BDA00021082396800000311
为电力管理系统中负荷管理系统模块针对时隙t内机器人m设定的最大允许充电功率，
Figure BDA00021082396800000312
为时隙t内机器人m的充电功率，
Figure BDA00021082396800000313
为时隙t内机器人m的最大允许充电功率，Pcharging，t为时隙t内机器人的总充电负荷超过允许的充电容量。
如上所述的方法中，在S3中电力管理模块计算机器人的总充电负荷值，具体为：
设置各个时间时隙的总充电负荷为Ptotal＝[Ptotal，1，…，Ptotal，t，…，Ptotal，N]，利用下式计算协同优化决策时间区间内的机器人的总充电负荷；
Figure BDA00021082396800000314
式中，Ptotal，t为时隙t内的所有机器人的总充电负荷，同一电力管理系统中的所有机器人的个数为M，
Figure BDA00021082396800000315
为时隙t内机器人m的充电功率值。
如上所述的方法中，利用下式判断某一时隙t内机器人的总充电负荷是否超过允许的充电容量：
Figure BDA00021082396800000316
式中，Pcharging，t为时隙t内机器人的允许的总充电容量，Ctransformer为电力管理系统中的变压器容量，
Figure BDA00021082396800000317
为时隙t内除去机器人充电功率外所有其他用电设备的总负荷预测值，k为处理预测算法误差引入的不确定性而采用的因子，k≥1，k值越大，则计算结果越保守；
若利用判断到某一时隙t内机器人的总充电负荷超过允许的充电容量Pcharging，t，则利用优化分配方法重新计算各个机器人在该时隙t内的最大充电功率上限值，更新充电功率上限矩阵。
如上所述的方法中，协同优化决策时长区间时间结束时，各个机器人电池电量状态满足下式要求；
Figure BDA0002108239680000041
式中，
Figure BDA0002108239680000042
为预设的协同优化决策时间结束后机器人m的电池电量状态，
Figure BDA0002108239680000043
为协同优化决策时间结束后机器人m的实际的电池电量状态，
Figure BDA0002108239680000044
为机器人m设置的最大允许的电量状态。
第二方面，本发明实施例提供一种用于多机器人协同充电的优化装置，包括：
初始化模块，用于设置多机器协同优化决策时长区间，初始化充电功率上限矩阵；
处理模块，用于根据单位电量成本系数确定各个机器人在协同优化决策时长区间内的最优充电功率序列，并上报给电力管理模块；所述单位电量成本系数根据应用场景设置；
电力管理模块，用于计算机器人的总充电负荷值，并根据变压器容量识别负荷超限时隙，计算超限时隙内各机器人的充电功率上限，并更新充电功率上限矩阵；
判断模块，用于判断充电功率上限矩阵是否发生改变；
所述处理模块还用于发布新的充电功率上限矩阵；
所述电力管理模块还用于识别负荷不超限时隙，按比例关系给各机器人分配对应时隙的充电容量，并发布新的充电功率上限矩阵；
调度模块，用于调度协同优化决策时长区间内的各机器人按最优充电功率序列进行充电。
本发明实施例提供的技术方案，可有效避免由各移动机器人独自优化决策导致的充电负荷集中，进而造成电力系统过载的问题，同时还可以节约用电量，降低机器人的充电成本。另外，本发明实施例提供的技术方案方法简单，易于实施，充电效率高的特点，在复杂的环境下也能够较为高效地使多机器人快速执行协同充电的工作任务，科学且可靠。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的用于多机器人协同充电的优化方法的流程图；
图2为本发明提供的用于多机器人协同充电的优化方法实施例的应用场景示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明提供的用于多机器人协同充电的优化方法的流程图，该方法可以由用于多机器人协同充电的优化装置来执行，该规划装置可以通过软件方式实现，配置于对多机器人进行充电管理的设备中。图2为本发明提供的用于多机器人协同充电的优化方法实施例的应用场景示意图。参考图1和图2所示，本实施例的方法可以包括以下内容。
S1、设置多机器协同优化决策时长区间，初始化充电功率上限矩阵。
S2、根据单位电量成本系数确定各个机器人在协同优化决策时长区间内的最优充电功率序列，并上报给电力管理模块；所述单位电量成本系数根据应用场景设置。
S3、电力管理模块计算机器人的总充电负荷值，并根据变压器容量识别负荷超限时隙，计算超限时隙内各机器人的充电功率上限，并更新充电功率上限矩阵。
S4、判断充电功率上限矩阵是否发生改变，若为是，则执行S5，若为否，则执行S6。
S5、发布新的充电功率上限矩阵，然后执行S2。
S6、电力管理模块识别负荷不超限时隙，按比例关系给各机器人分配对应时隙的充电容量，并发布新的充电功率上限矩阵。
S7、调度协同优化决策时长区间内的各机器人按最优充电功率序列进行充电。
如上所述的方法中，在S1中所述设置多机器协同优化决策时长区间，初始化充电功率上限矩阵，包括：
设定多机器协同优化决策时长区间的长度，记为T，将该时间长度T平均划分为长度为
Figure BDA0002108239680000061
的N个时隙；
将充电功率上限矩阵初始化为：
Figure BDA0002108239680000062
式中，M为所有机器人构成的集合，机器人的总数为|M|；矩阵中每个行向量表示一个机器人在协同优化决策时长区间内的充电功率上限，每个时隙内的充电功率上限初始化为该机器人的最大允许充电功率，即
Figure BDA0002108239680000063
机器人的总数为|M|，m∈M为集合中的一个机器人。
如上所述的方法中，根据下式确定充电状态下的机器人m的电量状态；
Figure BDA0002108239680000064
式中，
Figure BDA0002108239680000065
分别为时隙t和t+1内机器人的电量状态，
Figure BDA0002108239680000066
为时隙t内机器人m的充电功率，Δt为一个单位时隙的时间长度，ηm为机器人m的充电效率，Cm为机器人的电池额定容量。
如上所述的方法中，在整个协同优化决策时长区间内，根据下式确定机器人m的总充电成本：
Figure BDA0002108239680000071
式中，
Figure BDA0002108239680000072
为整个协同优化决策时间周期内机器人m的总充电成本，t为时间时隙，协同优化决策时长区间平均划分的时隙个数为N，
Figure BDA0002108239680000073
为时隙t内机器人m的充电功率，ct为时隙t内的单位电量成本系数；每个时隙t内每个机器人m的充电功率值
Figure BDA0002108239680000074
基于最小化机器人的总充电成本确定。
如上所述的方法中，时隙t内机器人m的充电功率
Figure BDA0002108239680000075
不能超过机器人m的最大允许充电功率
Figure BDA0002108239680000076
和电力管理系统中负荷管理系统模块设定的最大允许充电功率
Figure BDA0002108239680000077
即
Figure BDA0002108239680000078
充电状态下的时隙t内机器人m的电量状态
Figure BDA0002108239680000079
不小于最小允许的电量状态
Figure BDA00021082396800000710
以及不大于最大允许的电量状态
Figure BDA00021082396800000711
即
Figure BDA00021082396800000712
如上所述的方法中，在S3中各机器人的充电功率上限的计算方法为：
Figure BDA00021082396800000713
式中，
Figure BDA00021082396800000714
为电力管理系统中负荷管理系统模块针对时隙t内机器人m设定的最大允许充电功率，
Figure BDA00021082396800000715
为时隙t内机器人m的充电功率，
Figure BDA00021082396800000716
为时隙t内机器人m的最大允许充电功率，Pcharging，t为时隙t内机器人的总充电负荷超过允许的充电容量。
如上所述的方法中，在S3中电力管理模块计算机器人的总充电负荷值，具体为：
设置各个时间时隙的总充电负荷为Ptotal＝[Ptotal，1，…，Ptotal，t，…，Ptotal，N]，利用下式计算协同优化决策时间区间内的机器人的总充电负荷；
Figure BDA00021082396800000717
式中，Ptotal，t为时隙t内的所有机器人的总充电负荷，同一电力管理系统中的所有机器人的个数为M，
Figure BDA00021082396800000718
为时隙t内机器人m的充电功率值。
如上所述的方法中，利用下式判断某一时隙t内机器人的总充电负荷是否超过允许的充电容量：
Figure BDA0002108239680000081
式中，Pcharging，t为时隙t内机器人的允许的总充电容量，Ctransformer为电力管理系统中的变压器容量，
Figure BDA0002108239680000082
为时隙t内除去机器人充电功率外所有其他用电设备的总负荷预测值，k为处理预测算法误差引入的不确定性而采用的因子，k≥1，k值越大，则计算结果越保守；
若利用判断到某一时隙t内机器人的总充电负荷超过允许的充电容量Pcharging，t，则利用优化分配方法重新计算各个机器人在该时隙t内的最大充电功率上限值，更新充电功率上限矩阵。
如上所述的方法中，协同优化决策时长区间时间结束时，各个机器人电池电量状态满足下式要求；
Figure BDA0002108239680000083
式中，
Figure BDA0002108239680000084
为预设的协同优化决策时间结束后机器人m的电池电量状态，
Figure BDA0002108239680000085
为协同优化决策时间结束后机器人m的实际的电池电量状态，
Figure BDA0002108239680000086
为机器人m设置的最大允许的电量状态。
本发明实施提供的用于多机器人协同充电的优化方法，可以对同一电力管理系统下的多机器人充电过程进行协同控制，避免了同一配电变压器因多机器人充电负荷造成过载，进而增强了电力管理系统的稳定性，并且同时降低了机器人的充电成本。
下面给出的是本发明实施例提供的技术方案的一个应用实施例。
1、该应用实施例的用于多机器人协同充电的优化方法具体可以包括如下步骤：
步骤一，进行系统环境初始化，包括初始化机器人充电功率上限矩阵；
步骤二，系统根据实际应用场景中的情况设置当前时间段内的单位电量成本系数，考虑一些实际情况比如用电高峰时段相应地提高相关电量成本系数，通过综合考虑实际场景合理地设置单位电量成本系数可以使得机器人尽量避免多机器人充电进程在某些时段过于集中的现象；
步骤三，系统根据单位电量成本系数确定各个机器人在协同优化决策时长区间内的各自最优充电功率序列；
步骤四，把各个机器人的充电功率序列上传至电力管理系统的负荷管理系统模块；
步骤五，负荷管理系统模块计算机器人的总充电负荷值，并根据变压器容量识别超限时段，计算超限时段内各机器人的充电功率上限，并将上限值下发给机器人；
步骤六，机器人接受到新的充电功率上限值后，重新启动优化决策算法，计算最优充电功率序列，并再次将该信息上传至系统中的负荷管理系统模块；
步骤七，系统进行判断优化决策时长区间内各机器人的充电功率上限矩阵是否有变化，当优化决策时长区间内各机器人的充电功率上限矩阵又有变化时，执行步骤六；当优化决策时长区间内各机器人的充电功率上限不再变化时，结束上述循环优化过程，各机器人得到最优的充电序列，即在优化决策时长区间内保证变压器负荷不超限条件下的最优充电功率序列；
步骤八，得到优化决策时长区间内各个机器人的最优充电功率序列，实际充电过程中，系统中各个机器人根据最优序列进行充电，结束；
2、如上所述的实施例中，计算最优充电功率序列的机器人优化决策方法，具体可以为：
2.1系统设定优化决策时长区间的长度，记为T，将该时间长度T平均划分为长度为
Figure BDA0002108239680000091
均N个时隙，相关参数根据实际情况合理设定；
2.2在同一电力管理系统中管理的所有机器人构成的集合为M，机器人的总数为|M|，m∈M为集合中的一个机器人；
2.3根据下式确定充电状态下的机器人m的电量状态；
Figure BDA0002108239680000092
式中，
Figure BDA0002108239680000093
分别为时隙t和t+1内机器人的电量状态，
Figure BDA0002108239680000094
为时隙t内机器人m的充电功率，Δt为一个单位时隙的时间长度，ηm为机器人m的充电效率，Cm为机器人的电池额定容量；
2.4在整个优化决策时长区间内，根据下式确定机器人m的总充电成本；
Figure BDA0002108239680000101
式中，
Figure BDA0002108239680000102
为整个优化决策时间周期内机器人m的总充电成本，t为时间时隙，优化决策时长区间平均划分的时隙个数为N，
Figure BDA0002108239680000103
为时隙t内机器人m的充电功率，ct为时隙t内的单位电量成本系数；
2.5在充电过程中要保证运行的安全，时隙t内机器人m的充电功率
Figure BDA0002108239680000104
不能超过机器人m的最大允许充电功率(设置为
Figure BDA0002108239680000105
)和电力管理系统中负荷管理系统模块设定的最大允许充电功率(设置为
Figure BDA0002108239680000106
)，即
Figure BDA0002108239680000107
充电状态下的时隙t内机器人m的电量状态
Figure BDA0002108239680000108
不小于最小允许的电量状态(设置为
Figure BDA0002108239680000109
)以及不大于最大允许的电量状态(设置为
Figure BDA00021082396800001010
)，即
Figure BDA00021082396800001011
为了预防机器人实际充电过程中，因不按上述最优充电序列充电而导致在原本不超限的时隙内引起超限，电力管理系统中的负荷管理系统模块按下式计算各个机器人的充电功率上限值；
Figure BDA00021082396800001012
式中，
Figure BDA00021082396800001013
为电力管理系统中负荷管理系统模块针对时隙t内机器人m设定的最大允许充电功率，
Figure BDA00021082396800001014
为时隙t内机器人m的充电功率，
Figure BDA00021082396800001015
为时隙t内机器人m的最大允许充电功率，Pcharging，t为时隙t内机器人的总充电负荷超过允许的充电容量。
2.6优化决策时长区间时间结束时，机器人m的电量状态要达到系统指定的电量状态，即满足下式要求；
Figure BDA00021082396800001016
式中，
Figure BDA00021082396800001017
为系统指定的优化决策时间结束后机器人m的电池电量状态，
Figure BDA0002108239680000111
为优化决策时间结束后机器人m的实际的电池电量状态，
Figure BDA0002108239680000112
为系统为机器人m设置的最大允许的电量状态；
2.7系统以最小化机器人的总充电成本为目标，确定每个时隙t内每个机器人m的充电功率值
Figure BDA0002108239680000113
3、如上所述的实施例中，步骤一中所述的机器人充电功率上限矩阵初始化，具体可以为：
3.1系统初始化各机器人的充电功率上限矩阵，本发明以下式表示方法表示该矩阵；
Figure BDA0002108239680000114
矩阵中每个行向量表示一个机器人在优化决策时长区间内的充电功率上限，每个时隙内的充电功率上限初始化为该机器人的最大允许充电功率，即
Figure BDA0002108239680000115
各机器人根据单位电量成本系数、机器人的充电功率上限值等信息，求解最优充电功率序列值
Figure BDA0002108239680000116
并将该数据信息上传至给电力管理系统的负荷管理系统模块；
4、如上所述的实施例中，步骤五中所述的负荷管理系统模块计算机器人的总充电负荷值的方法，具体可以为：
4.1系统利用下式计算优化决策时间区间内的机器人的总充电负荷(设置各个时间时隙的总充电负荷为Ptotal＝[Ptotal.1，…，Ptotal，t，…，Ptotal，N])；
Figure BDA0002108239680000117
式中，Ptotal，t为时隙t内的所有机器人的总充电负荷，同一电力管理系统中管理的所有机器人的个数为M，
Figure BDA0002108239680000118
为时隙t内机器人m的充电功率值；
5、如上所述的实施例中，步骤五中所述的变压器容量识别超限时段后，计算超限时段内各机器人的充电功率上限的方法，具体可以为：
5.1若利用下式判断到某一时隙t内机器人的总充电负荷超过允许的充电容量(设置为Pcharging，t)，则电力系统中的负荷管理系统模块利用优化分配方法重新计算各个机器人在该时隙t内的最大充电功率上限值，更新充电功率上限矩阵。
Figure BDA0002108239680000121
式中，Pcharging，t为时隙t内机器人的允许的总充电容量，Ctransformer为电力管理系统中的变压器容量，
Figure BDA0002108239680000122
为时隙t内除去机器人充电功率外所有其他用电设备的总负荷预测值，采用因子k≥1处理预测算法误差引入的不确定性，该值越大，则结果越保守。
6如上所述的实施例中，电力系统中的负荷管理系统模块利用的优化分配方法，具体可以为：
6.1系统按下式计算时隙t内分配给各个用户的平均充电功率上限；Paverage，t＝Pcharging，t/M
式中，Paverage，t为时隙t内分配给各个用户的平均充电功率上限，Pcharging，t为时隙t内机器人的允许的总充电容量，同一电力管理系统中管理的所有机器人的个数为M。
6.2系统建立优化分配的决策子集合1(设置为集合Λ)，建立优化分配的决策子集合2(设置为集合Ω)，两个集合中的元素的个数分别记为|Λ|和|Ω|，其中
Figure BDA0002108239680000123
6.3系统按照下式设置集合Λ中用户充电功率上限值；
Figure BDA0002108239680000124
式中，
Figure BDA0002108239680000125
为集合Λ中系统针对时隙t内机器人m设定的最大允许充电功率，
Figure BDA0002108239680000126
为时隙t内机器人m的充电功率值；
6.4.系统按照下式计算新的充电功率上限平均值，并建立集合Λ*，其中
Figure BDA0002108239680000127
集合Λ*中的元素的个数记为|Λ*|；
Figure BDA0002108239680000131
式中，
Figure BDA0002108239680000132
为新的充电功率上限平均值，Pcharging，t为时隙t内机器人的允许的总充电容量，
Figure BDA0002108239680000133
为时隙t内机器人m的充电功率值；
6.5系统判断决策子集合Λ内的元素的个数|Λ|和集合Λ*内的元素的个数|Λ*|，如果|Λ|＜|Λ*|，循环执行以下步骤，直到|Λ|＝|Λ*|，算法结束。
6.5.1系统令Λ＝Λ*，|Λ|＝|Λ*|，
Figure BDA0002108239680000134
6.5.2系统按照
Figure BDA0002108239680000135
重新建立决策子集合Ω；
6.5.3执行步骤6.3。
在具体应用中，为避免多机器人在部分时段的集中充电需求，可根据实际应用场景中的情况设置不同时间段内的单位电量成本系数，根据该系数的设定确定各个机器人在协同优化决策时长区间内的各自最优充电功率序列，并通过双向通信网络上报给电力管理系统，系统根据变压器的容量和其他设备的负荷预测值确定各个机器人的充电上限。这样该方法可有效的避免了由各移动机器人独自优化决策导致的充电负荷集中，进而造成电力系统过载的情况，同时减低机器人的充电成本。本发明实施例的优点是模型简单、效率高。
本发明实施例提供的用于多机器人协同充电的优化装置包括：初始化模块、处理模块、电力管理模块、判断模块和调度模块。其中，初始化模块用于设置多机器协同优化决策时长区间，初始化充电功率上限矩阵；处理模块用于根据单位电量成本系数确定各个机器人在协同优化决策时长区间内的最优充电功率序列，并上报给电力管理模块；所述单位电量成本系数根据应用场景设置；电力管理模块用于计算机器人的总充电负荷值，并根据变压器容量识别负荷超限时隙，计算超限时隙内各机器人的充电功率上限，并更新充电功率上限矩阵；判断模块用于判断充电功率上限矩阵是否发生改变；处理模块还可以用于发布新的充电功率上限矩阵；电力管理模块还可以用于识别负荷不超限时隙，按比例关系给各机器人分配对应时隙的充电容量，并发布新的充电功率上限矩阵；调度模块用于调度协同优化决策时长区间内的各机器人按最优充电功率序列进行充电。
本实施例的用于多机器人协同充电的优化可以用于执行图1所示方法实施例的方法，其实现原理和所要达到的技术效果类似，在此不再赘述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用于多机器人协同充电的优化方法，其特征在于，包括：
S1、设置多机器协同优化决策时长区间，初始化充电功率上限矩阵；
S2、根据单位电量成本系数确定各个机器人在协同优化决策时长区间内的最优充电功率序列，并上报给电力管理系统；所述单位电量成本系数根据应用场景设置；
S3、电力管理系统计算机器人的总充电负荷值，并根据变压器容量识别负荷超限时隙，计算超限时隙内各机器人的充电功率上限，并更新充电功率上限矩阵；
S4、判断充电功率上限矩阵是否发生改变，若为是，则执行S5，若为否，则执行S6；
S5、发布新的充电功率上限矩阵，然后执行S2；
S6、电力管理系统识别负荷不超限时隙，按比例关系给各机器人分配对应时隙的充电容量，并发布新的充电功率上限矩阵；
S7、调度协同优化决策时长区间内的各机器人按最优充电功率序列进行充电。
2.如权利要求1所述的方法，其特征在于，在S1中所述设置多机器协同优化决策时长区间，初始化充电功率上限矩阵，包括：
设定多机器协同优化决策时长区间的长度，记为T，将该时长区间的长度T平均划分为长度为Δt的N个时隙；
将充电功率上限矩阵初始化为：
Figure FDA0002359027110000011
式中，M为所有机器人构成的集合，机器人的总数为|M|；矩阵中每个行向量表示一个机器人在协同优化决策时长区间内的充电功率上限，每个时隙内的充电功率上限初始化为该机器人的最大允许充电功率，即
Figure FDA0002359027110000012
其中i＝1，2，...，N；机器人的总数为|M|，m∈M为集合中的一个机器人。
3.如权利要求2所述的方法，其特征在于，根据下式确定充电状态下的机器人m的电量状态；
Figure FDA0002359027110000021
式中，
Figure FDA0002359027110000022
分别为时隙t和t+1内机器人的电量状态，
Figure FDA0002359027110000023
为时隙t内机器人m的充电功率，Δt为一个单位时隙的时间长度，ηm为机器人m的充电效率，Cm为机器人m的电池额定容量。
4.如权利要求3所述的方法，其特征在于，在整个协同优化决策时长区间内，根据下式确定机器人m的总充电成本：
Figure FDA0002359027110000024
式中，
Figure FDA0002359027110000025
为整个协同优化决策时间周期内机器人m的总充电成本，t为时间时隙，协同优化决策时长区间平均划分的时隙个数为N，
Figure FDA0002359027110000026
为时隙t内机器人m的充电功率，ct为时隙t内的单位电量成本系数；
Figure FDA0002359027110000027
基于最小化机器人的总充电成本确定。
5.如权利要求4所述的方法，其特征在于，时隙t内机器人m的充电功率
Figure FDA0002359027110000028
不能超过机器人m的最大允许充电功率
Figure FDA0002359027110000029
和电力管理系统中负荷管理系统模块设定的最大允许充电功率
Figure FDA00023590271100000210
即
Figure FDA00023590271100000211
充电状态下的时隙t内机器人m的电量状态
Figure FDA00023590271100000212
不小于最小允许的电量状态
Figure FDA00023590271100000213
以及不大于最大允许的电量状态
Figure FDA00023590271100000214
即
Figure FDA00023590271100000215
6.如权利要求5所述的方法，其特征在于，在S3中各机器人的充电功率上限的计算公式为：
Figure FDA00023590271100000216
式中，
Figure FDA00023590271100000217
为电力管理系统中负荷管理系统模块针对时隙t内机器人m设定的最大允许充电功率，
Figure FDA00023590271100000218
为时隙t内机器人m的充电功率，
Figure FDA00023590271100000219
为时隙t内机器人m的最大允许充电功率，Pcharging，t为时隙t内机器人的总充电负荷超过允许的充电容量。
7.如权利要求6所述的方法，其特征在于，在S3中电力管理系统计算机器人的总充电负荷值，具体为：
设置各个时间时隙的总充电负荷为Ptotal＝[Ptotal，1，…，Ptotal，t，…，Ptotal，N]，利用下式计算协同优化决策时间区间内的机器人的总充电负荷；
Figure FDA0002359027110000031
式中，Ptotal，t为时隙t内的所有机器人的总充电负荷，M为所有机器人构成的集合，机器人的总数为|M|，
Figure FDA0002359027110000032
为时隙t内机器人m的充电功率。
8.如权利要求7所述的方法，其特征在于，利用下式判断某一时隙t内机器人的总充电负荷是否超过允许的充电容量：
Figure FDA0002359027110000033
式中，Pcharging，t为时隙t内机器人的总充电负荷超过允许的充电容量，Ctransformer为电力管理系统中的变压器容量，
Figure FDA0002359027110000034
为时隙t内除去机器人充电功率外所有其他用电设备的总负荷预测值，k为处理预测算法误差引入的不确定性而采用的因子，k≥1，k值越大，则计算结果越保守；
若利用判断到某一时隙t内机器人的总充电负荷超过允许的充电容量Pcharging，t，则利用优化方法重新计算各个机器人在该时隙t内的充电功率上限，更新充电功率上限矩阵。
9.如权利要求1-8任一项所述的方法，其特征在于，协同优化决策时长区间时间结束时，各个机器人电池电量状态满足下式要求；
Figure FDA0002359027110000035
式中，
Figure FDA0002359027110000036
为预设的协同优化决策时间结束后机器人m的电池电量状态，
Figure FDA0002359027110000037
为协同优化决策时间结束后机器人m的实际的电池电量状态，
Figure FDA0002359027110000038
为机器人m设置的最大允许的电量状态。
10.一种用于多机器人协同充电的优化装置，其特征在于，包括：
初始化模块，用于设置多机器协同优化决策时长区间，初始化充电功率上限矩阵；
处理模块，用于根据单位电量成本系数确定各个机器人在协同优化决策时长区间内的最优充电功率序列，并上报给电力管理模块；所述单位电量成本系数根据应用场景设置；
电力管理模块，用于计算机器人的总充电负荷值，并根据变压器容量识别负荷超限时隙，计算超限时隙内各机器人的充电功率上限，并更新充电功率上限矩阵；
判断模块，用于判断充电功率上限矩阵是否发生改变；
所述处理模块还用于发布新的充电功率上限矩阵；
所述电力管理模块还用于识别负荷不超限时隙，按比例关系给各机器人分配对应时隙的充电容量，并发布新的充电功率上限矩阵；
调度模块，用于调度协同优化决策时长区间内的各机器人按最优充电功率序列进行充电。
CN201910560850.XA 2019-06-26 2019-06-26 一种用于多机器人协同充电的优化方法和装置 Active CN110190653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910560850.XA CN110190653B (zh) 2019-06-26 2019-06-26 一种用于多机器人协同充电的优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910560850.XA CN110190653B (zh) 2019-06-26 2019-06-26 一种用于多机器人协同充电的优化方法和装置

Publications (2)

Publication Number Publication Date
CN110190653A CN110190653A (zh) 2019-08-30
CN110190653B true CN110190653B (zh) 2020-03-10

Family

ID=67723579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910560850.XA Active CN110190653B (zh) 2019-06-26 2019-06-26 一种用于多机器人协同充电的优化方法和装置

Country Status (1)

Country Link
CN (1) CN110190653B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861424B (zh) * 2021-01-11 2023-07-18 中山大学 一种基于博弈论的在线协同无线充电方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8212533B2 (en) * 2009-12-23 2012-07-03 Toyota Motor Engineering & Manufacturing North America, Inc. Robot battery charging apparatuses and methods
CN105244947B (zh) * 2015-10-14 2017-12-12 奇瑞汽车股份有限公司 一种电动汽车电池充放电功率保护方法
CN107154664A (zh) * 2017-07-13 2017-09-12 湖南万为智能机器人技术有限公司 多机器人自动充电调度方法
CN109886578A (zh) * 2019-02-25 2019-06-14 电子科技大学 一种停车场内电动汽车充电调度方法
CN109802470B (zh) * 2019-03-27 2020-11-10 广州高新兴机器人有限公司 一种多机器人自主充电方法

Also Published As

Publication number Publication date
CN110190653A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
Sun et al. Optimal scheduling for electric vehicle charging with discrete charging levels in distribution grid
CN111045828B (zh) 基于配电网台区终端的分布式边缘计算方法和相关装置
CN109041130B (zh) 基于移动边缘计算的资源分配方法
CN110519783B (zh) 基于增强学习的5g网络切片资源分配方法
CN111182570A (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN108108224A (zh) 基于蚁群优化算法的云数据中心中虚拟机放置方法
CN107423133B (zh) 一种降低电网网损的数据中心间数据网络负载分配方法
CN113036843B (zh) 一种超大规模电池储能电站功率分配方法及系统
CN115334084A (zh) 一种基于云计算和互联网的云平台
CN110190653B (zh) 一种用于多机器人协同充电的优化方法和装置
US20230138636A1 (en) Resource scheduling method and apparatus for energy storage device pool, device, system, and medium
CN112953007A (zh) 配电网调度方法、装置及系统、处理器、电子设备
CN110601194A (zh) 能源的分配方法及装置、系统、能源路由器
JP6269675B2 (ja) 電力管理システムおよび電力管理方法
CN108664318A (zh) 计算迁移方法及用于计算迁移的服务端、边界服务端
CN114172558B (zh) 一种车辆网络中基于边缘计算和无人机集群协同的任务卸载方法
CN115940166A (zh) 基站调度方法、装置、电子设备及可读存储介质
EP3983258A1 (en) Real-time control of an electric vehicle charging station while tracking an aggregated power-setpoint
CN108539799A (zh) 一种电网中风电的调度方法及装置
CN113630733A (zh) 网络切片的分配方法、装置、计算机设备和存储介质
KR101364242B1 (ko) 직접부하제어 시스템 및 이를 이용한 직접부하제어량 배분 방법
CN114418232A (zh) 储能系统运行优化方法、系统、服务器及存储介质
CN113595195A (zh) 功率调度方法、能量路由器、功率调度系统及存储介质
TW202215746A (zh) 能源調度系統、裝置及方法
CN116544998B (zh) 储能电站功率分配方法、存储介质、系统及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant