CN113869713A - 一种移动充电车的优化调度方法和系统 - Google Patents
一种移动充电车的优化调度方法和系统 Download PDFInfo
- Publication number
- CN113869713A CN113869713A CN202111127671.0A CN202111127671A CN113869713A CN 113869713 A CN113869713 A CN 113869713A CN 202111127671 A CN202111127671 A CN 202111127671A CN 113869713 A CN113869713 A CN 113869713A
- Authority
- CN
- China
- Prior art keywords
- day
- data
- power
- model
- charging
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 22
- 238000007599 discharging Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000000243 solution Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004304 visual acuity Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 6
- 230000000903 blocking effect Effects 0.000 abstract description 3
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种移动充电车的优化调度方法和系统,该优化调度方法利用多领域多维的量测数据,对交通、充电负荷、电力调度需求进行多维动态感知预测;同时,本发明的优化调度方法通过将移动充电车纳入电力调度的对象范畴之中,可以实现移动充电车的余量利用,将移动充电车的获利途径拓展为充电服务和电力调度两个维度,该优化调度方法包含电力系统中的阻塞管理调控需求及交通系统中的电动汽车充电需求两个目标维度在内的两阶段,基于所述感知预测信息,可以实现对移动充电车的多目标优化调度以及高效利用。
Description
技术领域
本发明属于能源互联网领域,具体涉及一种移动充电车的优化调度方法和系统。
背景技术
目前在配电网等局部电力领域,电动汽车充电需求波动较大,移动充电车面临着布设容量和利用效率之间的矛盾;同时,电力系统也面临着越来越频繁的阻塞问题,需要某种能够跨越传统电力线路的能量传输方式。移动充电车是调解电动汽车飞速增长和充电桩建设不充分之间的一个可行途径,传统移动充电车规划及调度面向电动汽车需求,通常只考虑移动充电车参与电动汽车充电需求,规划及调度单一。并且传统移动充电车规划及调度缺少多维度的精确数据决策支撑,难以应对多目标的运行环境决策需求。
发明内容
为解决现有技术中存在的问题,本发明提出了一种移动充电车的优化调度方法和一种移动充电车的优化调度系统,本发明的技术方案如下:
一种移动充电车的优化调度方法,包括如下步骤:
获取城市规划数据以及历史多源量测数据,基于城市规划数据创建电力-交通双流融合图的加权图模型,进而对历史多源量测数据进行预处理;
基于所述城市规划数据以及预处理后的历史多源量测数据,建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型和日内预测模型;
以移动充电车日内解决电力阻塞以及提供充电服务所获的收益最大为调度目标构建优化调度模型,再将所述优化调度模型分为包含日前规划模型和日内调度模型的two-stage求解模型;其中,日前规划模型对应的决策变量包括移动充电车的行驶路线;日内调度模型对应的决策变量包括移动充电车为电网提供的充放电电量、为电动汽车提供的充放电电量和移动充电车的行驶路段;
4)获取实时多源量测数据并进行预处理,基于预处理后的实时多源量测数据以及历史多源量测数据,交替迭代求解所述two-stage求解模型,输出日内调度模型对应的决策变量的解,作为移动充电车的优化调度方案。
优选地,所述城市规划数据包括电力系统网架拓扑、交通网主干道拓扑、停车场节点位置;多源量测数据包括电力负荷数据、交通出行数据、固定充电桩充电负荷数据、节假日数据和气象数据;其中,电力负荷数据包括每个电力节点的发电量和用电量两类数据;交通出行数据包括交通节点的注入交通流量及输出交通流量两类数据;固定充电桩充电负荷数据为充电桩的耗电量数据;气象数据包括温度、湿度、风速及光照四类数据。
优选地,所述创建电力-交通双流融合图的加权图模型包括如下具体步骤
基于城市规划数据中的电力系统网架拓扑、交通网主干道拓扑、停车场节点位置,创建电力-交通双流融合图的加权图模型G,其数学模型为:
G={V,E}
其中,V为节点,包括作为电力-交通双流融合图中节点的停车场节点、作为道路节点的交通网主干道拓扑中除去与停车场相连的有车辆进出的交通道路节点、作为电力节点的电力系统网架拓扑中除去与停车场相连的有电力消耗及输入的电力节点;E为节点间连接关系,在交通流中为道路,电力流中为电力线路。
优选地,所述预处理包括如下具体步骤
首先对多源量测数据进行再采样:将多源量测数据作为节点的标签信息,按照统一步长的时间序列对原始多源量测数据进行再采样,实现小时级的时标对齐;
再对再采样后的多源量测数据进行归一化处理:气象数据、交通出行数据、电力负荷数据及固定充电桩充电负荷数据按照每类数据中的最大值进行归一化;节假日数据采用二元变量{0,1}进行表示,其中1表示该样本属于节假日,0表示其属于工作日。
优选地,所述电桩负荷、O-D交通流量、电力节点负荷日前预测模型的时间尺度为一天;所述电桩负荷、O-D交通流量、电力节点负荷日内预测模型的时间尺度为一小时。
所述建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型包括如下具体步骤:
选取预处理后的历史多源量测数据,按照一日的时间长度,对其进行日内平均,得到以日为时标的多源量测数据,记其时标序列为d={1,2,3…,N};N为历史多源量测数据的天数总和;
基于图神经网络建立充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型的图神经网络训练模型,其中图神经网络训练模型的顶点和边与电力-交通双流融合图的V和E相同;
将以日为时标的多源量测数据分为输入变量和输出变量,并将输入变量与输出变量按照时标{d-n,d-n+1…,d-1}与d进行配对,其中输出变量为第d日内的充电桩充电负荷,其余数据全部作为输入变量;分为训练组和测试组后输入图神经网络训练模型中进行训练,得到充电桩负荷的日前预测模型;n为用户设定的日期偏置超参数,表示基于n日的量测数据来对某日的充电桩负荷、O-D交通流量、电力节点负荷的日前量值数据进行预测;
分别将输出变量分别替换为d日内的O-D交通流量和d日内的电力节点负荷,对应得到O-D交通流量的日前预测模型和电力节点负荷的日前预测模型;
所述建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型包括如下具体步骤:
选取预处理后的多源量测数据,记其时标为;(t,d)={(1,1),(2,1),(3,1),…(M,N)},其中t为小时级的时标,d为相对应的日时标,得到小时为时标的多源量测数据;M为每日的量测数据的时刻最大值;
取以日为时标的多源量测数据,该多源量测数据的时标为{d-n,d-n+1…,d-1},将其输入所述的充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型,得到第d日内充电桩负荷、O-D交通流量、电力节点负荷的日前量值预测信息;
将以小时为时标的多源量测数据分为输入变量和输出变量,将输入变量和输出变量按照时标t进行对应,其中输入变量的时标为{t-1,t-2,…t-m};此外,每时标输入变量增加维度,为t对应d的日前量值预测信息,输出变量的时标为t,其中输出变量分别取充电桩负荷、O-D交通流量、电力节点负荷;m为用户设定的小时偏置超参数,表示基于m时刻的量测数据来对某时刻的充电桩负荷、O-D交通流量、电力节点负荷的日内曲线数据进行预测;
基于图神经网络建立充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型的图神经网络训练模型,其中图神经网络训练模型的顶点和边与电力-交通双流融合图的节点V和节点间连接关系E相同;
将输入变量和输出变量输入图神经网路中进行训练,分别得到充电桩负荷、O-D交通流量、电力节点负荷日内预测模型。
优选地,所述移动充电车的调度目标为
所述日前规划模型的目标为:
所述日内调度模型的目标为:
式中,f为移动充电车日内所获总收益,cxi,t、cyi,t分别为第i辆移动充电车于t调度时段分别从解决电力阻塞及提供充电服务所获的收益,czi,t为第i辆移动充电车于t调度时段的调度成本,I为移动充电车集合,T为总调度时间段,分别为第i辆移动充电车于t调度时段的为电网和为电动汽车提供的充放电电量,为第i辆移动充电车于t调度时段的行驶路段。
优选地,步骤4)包括如下具体步骤:
开始预测:设定当前的调度时刻为t=1,记当前调度时刻及当前调度日为(t,d),对当前调度日d之前n日的历史多源量测数据进行预处理,得到预处理后的数据;
对预处理后的数据,按照一日的时间长度,对其进行日内平均;取当前调度日d之前n日内的数据,输入充电桩负荷、O-D交通流量、电力节点负荷日前量值预测模型,得到当前调度日d的充电桩负荷、O-D交通流量、及电力节点负荷的日前量值预测信息;
获取以小时为时标的预处理后的数据;取当前调度时刻t之前m时刻内的数据,输入充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型中,得到当前调度日d的充电桩负荷、O-D交通流量、及电力节点负荷的日内曲线预测信息;
交替迭代求解:
如果修正后的收益等于设定的初始收益,则输出此时每辆移动充电车每个调度时段的为电网提供的充放电电量为电动汽车提供的充放电电量和行驶路段并作为每辆移动充电车的向电网的充放电计划、提供电动汽车充电服务的充放电计划及行驶路线,即得到移动充电车t时刻下的日内调度方案,替换原有的日前规划方案;否则将修正后的收益作为初始收益,并按该初始收益重新计算修正后的收益;
当前时刻到达t+1时刻:若t=max(T),当前调度日结束,得到当前调度日的移动充电车的日内调度方案。
优选地,所述城市规划数据、历史多源量测数据和实时多源量测数据均通过能源综合服务站调取。
数据获取模块,用于获取城市规划数据以及历史多源量测数据;其中,所述城市规划数据包括电力系统网架拓扑、交通网主干道拓扑、停车场节点位置;多源量测数据包括电力负荷数据、交通出行数据、固定充电桩充电负荷数据、节假日数据和气象数据;其中,电力负荷数据包括每个电力节点的发电量和用电量两类数据;交通出行数据包括交通节点的注入交通流量及输出交通流量两类数据;固定充电桩充电负荷数据为充电桩的耗电量数据;气象数据包括温度、湿度、风速及光照四类数据;
第一模型建立模块,用于基于城市规划数据创建电力-交通双流融合图的加权图模型,进而对历史多源量测数据进行预处理;
第二模型建立模块,用于基于所述城市规划数据以及预处理后的历史多源量测数据,建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型和日内预测模型;
第三模型建立模块,用于以移动充电车日内解决电力阻塞以及提供充电服务所获的收益最大为调度目标构建优化调度模型,再将所述优化调度模型分为包含日前规划模型和日内调度模型的two-stage求解模型;
求解模块,用于获取实时多源量测数据并进行预处理,基于预处理后的实时多源量测数据以及历史多源量测数据,交替迭代求解所述two-stage求解模型,输出日内调度模型的,作为移动充电车的优化调度方案。
本发明相比于现有技术具有如下有益效果:
本发明提出了一种移动充电车的优化调度方法和系统,该优化调度方法利用多领域多维的量测数据,对交通、充电负荷、电力调度需求进行多维动态感知预测;同时,本发明的优化调度方法通过将移动充电车纳入电力调度的对象范畴之中,可以实现移动充电车的余量利用,将移动充电车的获利途径拓展为充电服务和电力调度两个维度,该优化调度方法包含电力系统中的阻塞管理调控需求及交通系统中的电动汽车充电需求两个目标维度在内的两阶段,,基于所述感知预测信息,可以实现对移动充电车的多目标优化调度以及高效利用。
附图说明
图1为本发明优化调度方法的流程图;
图2为实施例中多源量测数据融合数据格式图。
具体实施方案
下面结合附图和实施例,对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一:
本例提供一种移动充电车的优化调度方法,该方法利用基于能源综合服务站所提供的多领域多维量测数据,对交通、充电负荷、电力调度需求进行多维动态感知预测;同时,该调度方法包含电力系统中的阻塞管理调控需求及交通系统中的电动汽车充电需求两个目标维度在内的两阶段,基于感知预测信息,可以实现对移动充电车的多目标优化调度,如图1和图2所示,该优化调度方法包括如下步骤:
1)获取城市规划数据以及历史多源量测数据,基于城市规划数据创建电力-交通双流融合图的加权图模型,进而对历史多源量测数据进行预处理;其中,城市规划数据以及历史多源量测数据均通过能源综合服务站调取。城市规划数据包括电力系统网架拓扑、交通网主干道拓扑、停车场节点位置;多源量测数据包括电力负荷数据、交通出行数据、固定充电桩充电负荷数据、节假日数据和气象数据;电力负荷数据包括每个电力节点的发电量和用电量两类数据;交通出行数据包括交通节点的注入交通流量及输出交通流量两类数据;固定充电桩充电负荷数据为充电桩的耗电量数据;气象数据包括温度、湿度、风速及光照四类数据。
该步骤中创建电力-交通双流融合图的加权图模型包括如下具体步骤
基于城市规划数据中的电力系统网架拓扑、交通网主干道拓扑、停车场节点位置,创建电力-交通双流融合图的加权图模型G,其数学模型为:
G={V,E}
其中,V为节点,包括作为电力-交通双流融合图中节点的停车场节点、作为道路节点的交通网主干道拓扑中除去与停车场相连的有车辆进出的交通道路节点、作为电力节点的电力系统网架拓扑中除去与停车场相连的有电力消耗及输入的电力节点;E为节点间连接关系,在交通流中为道路,电力流中为电力线路。
2)基于城市规划数据以及预处理后的历史多源量测数据,建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型和日内调度模型;其中,电桩负荷、O-D交通流量、电力节点负荷日前预测模型的时间尺度为一天;其中,建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型包括如下具体步骤:
步骤2-1,选取预处理后的历史多源量测数据,按照一日的时间长度,对其进行日内平均,得到以日为时标的多源量测数据,记其时标序列为d={1,2,3…,N};N为历史多源量测数据的天数总和;
步骤2-2,基于图神经网络建立充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型的图神经网络训练模型,其中图神经网络训练模型的顶点和边与电力-交通双流融合图的V和E相同;
步骤2-3,将以日为时标的多源量测数据分为输入变量和输出变量,并将输入变量与输出变量按照时标{d-n,d-n+1…,d-1}与d进行配对,本例中可取n为一个月长度30,其中输出变量为第d日内的充电桩充电负荷,其余数据全部作为输入变量;分为训练组和测试组后输入图神经网络训练模型中进行训练,得到充电桩负荷的日前预测模型;n为用户设定的日期偏置超参数,表示基于n日的量测数据来对某日的充电桩负荷、O-D交通流量、电力节点负荷的日前量值数据进行预测;
步骤2-4,分别将输出变量分别替换为d日内的O-D交通流量和d日内的电力节点负荷,按步骤2-3中方法,对应得到O-D交通流量的日前预测模型和电力节点负荷的日前预测模型。其中,充电桩负荷、O-D交通流量、电力节点负荷日内预测模型的时间尺度为一小时。
其中,建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型包括如下具体步骤:
步骤3-1,选取预处理后的多源量测数据,记其时标为;(t,d)={(1,1),(2,1),(3,1),…(M,N)},M取一日时刻24,其中t为小时级的时标,d为相对应的日时标,得到小时为时标的多源量测数据;M为每日的量测数据的时刻最大值;
步骤3-2,取步骤2-1处理后的以日为时标的,时标为{d-n,d-n+1…,d-1}的多源量测数据,将其输入步骤2所得的充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型,得到第d日内充电桩负荷、O-D交通流量、电力节点负荷的日前量值预测信息;
步骤3-3,将以小时为时标的多源量测数据分为输入变量和输出变量,将输入变量和输出变量按照时标t进行对应,其中输入变量的时标为{t-1,t-2,…t-m};设定m=24;此外,每时标输入变量增加维度,为t对应d的日前量值预测信息,输出变量的时标为t,其中输出变量分别取充电桩负荷、O-D交通流量、电力节点负荷;m为用户设定的小时偏置超参数,表示基于m时刻的量测数据来对某时刻的充电桩负荷、O-D交通流量、电力节点负荷的日内曲线数据进行预测;
步骤3-4,基于图神经网络建立充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型的图神经网络训练模型,其中图神经网络训练模型的顶点和边与电力-交通双流融合图的节点V和节点间连接关系E相同;
步骤3-5,将输入变量和输出变量输入图神经网路中进行训练,分别得到充电桩负荷、O-D交通流量、电力节点负荷日内预测模型。
3)以移动充电车日内解决电力阻塞以及提供充电服务所获的收益最大为调度目标构建优化调度模型,再基于Bender解耦法将优化调度模型分为包含日前规划模型和日内调度模型的two-stage求解模型(两阶段求解模型);其中,
移动充电车的调度目标为
日前规划模型的目标为:
日内调度模型的目标为:
式中,f为移动充电车日内所获总收益,cxi,t、cyi,t分别为第i辆移动充电车于t调度时段分别从解决电力阻塞及提供充电服务所获的收益,czi,t为第i辆移动充电车于t调度时段的调度成本,I为移动充电车集合,T为总调度时间段,分别为第i辆移动充电车于t调度时段的为电网和为电动汽车提供的充放电电量,为第i辆移动充电车于t调度时段的行驶路段;
4)获取实时多源量测数据,基于实时多源量测数据以及历史多源量测数据,交替迭代求解two-stage求解模型,输出移动充电车的日内调度方案,其中,实时多源量测数据通过能源综合服务站调取。该步骤包括如下具体步骤:
步骤4-1,开始预测:设定当前的调度时刻为t=1,记当前调度时刻及当前调度日为(t,d),对当前调度日d之前n日的历史多源量测数据进行预处理,得到预处理后的数据;
对预处理后的数据,按照步骤2-1中方法进行处理,按照一日的时间长度,对其进行日内平均;取当前调度日d之前n日内的数据,输入充电桩负荷、O-D交通流量、电力节点负荷日前量值预测模型,得到当前调度日d的充电桩负荷、O-D交通流量、及电力节点负荷的日前量值预测信息;
步骤4-2,对预处理后的数据,按照步骤3-1中方法进行处理,获取以小时为时标的预处理后的数据;取当前调度时刻t之前m时刻内的数据,输入充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型中,得到当前调度日d的充电桩负荷、O-D交通流量、及电力节点负荷的日内曲线预测信息;
步骤4-3,交替迭代求解:
步骤4-3-1,设定移动充电车解决电力阻塞和提供充电服务的初始收益,基于步骤4-1中的日前量值预测信息对步骤3中的two-stage求解模型中的日前规划模型进行求解,得到移动充电车行驶路线li tra,即日前规划方案。
步骤4-3-2,将日前规划方案,输入步骤3中的two-stage求解模型中的日内调度模型进行求解,得到该日前规划方案得到相应的日内规划方案的决策变量的最优值与同时得到对应的移动充电车解决电力阻塞、提供充电服务的修正后的收益;
步骤4-3-3,如果步骤4-3-2中修正后的收益等于步骤4-3-1中设定的初始收益,则输出此时每辆移动充电车每个调度时段的为电网提供的充放电电量为电动汽车提供的充放电电量和行驶路段并作为每辆移动充电车的向电网的充放电计划、提供电动汽车充电服务的充放电计划及行驶路线,即得到移动充电车t时刻下的日内调度方案,替换原有的日前规划方案;否则,返回步骤4-3-1,并将步骤4-3-2中修正后的收益替换步骤4-3-1中设定收益;
步骤4-4,当前时刻到达t+1时刻:若t=max(T),当前调度日结束,得到当前调度日的移动充电车的日内调度方案;否则,t=t+1,返回步骤4-2。实施例二:
一种移动充电车的优化调度系统,包括
数据获取模块,用于获取城市规划数据以及历史多源量测数据;其中,所述城市规划数据包括电力系统网架拓扑、交通网主干道拓扑、停车场节点位置;多源量测数据包括电力负荷数据、交通出行数据、固定充电桩充电负荷数据、节假日数据和气象数据;其中,电力负荷数据包括每个电力节点的发电量和用电量两类数据;交通出行数据包括交通节点的注入交通流量及输出交通流量两类数据;固定充电桩充电负荷数据为充电桩的耗电量数据;气象数据包括温度、湿度、风速及光照四类数据;
第一模型建立模块,用于基于城市规划数据创建电力-交通双流融合图的加权图模型,进而对历史多源量测数据进行预处理;
第二模型建立模块,用于基于所述城市规划数据以及预处理后的历史多源量测数据,建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型和日内预测模型;
第三模型建立模块,用于以移动充电车日内解决电力阻塞以及提供充电服务所获的收益最大为调度目标构建优化调度模型,再将所述优化调度模型分为包含日前规划模型和日内调度模型的two-stage求解模型;
求解模块,用于获取实时多源量测数据并进行预处理,基于预处理后的实时多源量测数据以及历史多源量测数据,交替迭代求解所述two-stage求解模型,输出日内调度模型的日内调度模型对应的决策变量的解,作为移动充电车的优化调度方案。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种移动充电车的优化调度方法,其特征在于:包括如下步骤:
获取城市规划数据以及历史多源量测数据;
基于城市规划数据创建电力-交通双流融合图的加权图模型,进而对历史多源量测数据进行预处理;
基于所述城市规划数据以及预处理后的历史多源量测数据,建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型和日内预测模型;
以移动充电车日内解决电力阻塞以及提供充电服务所获的收益最大为调度目标构建优化调度模型,再将所述优化调度模型分为包含日前规划模型和日内调度模型的two-stage求解模型;其中,日前规划模型对应的决策变量包括移动充电车的行驶路线;日内调度模型对应的决策变量包括移动充电车为电网提供的充放电电量、为电动汽车提供的充放电电量和移动充电车的行驶路段;
获取实时多源量测数据并进行预处理,基于预处理后的实时多源量测数据以及历史多源量测数据,交替迭代求解所述two-stage求解模型,输出日内调度模型对应的决策变量的解,作为移动充电车的优化调度方案。
2.根据权利要求1所述的移动充电车的优化调度方法,其特征在于:所述城市规划数据包括电力系统网架拓扑、交通网主干道拓扑、停车场节点位置;多源量测数据包括电力负荷数据、交通出行数据、固定充电桩充电负荷数据、节假日数据和气象数据;其中,电力负荷数据包括每个电力节点的发电量和用电量两类数据;交通出行数据包括交通节点的注入交通流量及输出交通流量两类数据;固定充电桩充电负荷数据为充电桩的耗电量数据;气象数据包括温度、湿度、风速及光照四类数据。
3.根据权利要求2所述的移动充电车的优化调度方法,其特征在于:所述创建电力-交通双流融合图的加权图模型包括如下具体步骤
基于城市规划数据中的电力系统网架拓扑、交通网主干道拓扑、停车场节点位置,创建电力-交通双流融合图的加权图模型G,其数学模型为:
G={V,E}
其中,V为节点,包括作为电力-交通双流融合图中节点的停车场节点、作为道路节点的交通网主干道拓扑中除去与停车场相连的有车辆进出的交通道路节点、作为电力节点的电力系统网架拓扑中除去与停车场相连的有电力消耗及输入的电力节点;E为节点间连接关系,在交通流中为道路,电力流中为电力线路。
4.根据权利要求3所述的移动充电车的优化调度方法,其特征在于:所述预处理包括如下具体步骤
首先对多源量测数据进行再采样:将多源量测数据作为节点的标签信息,按照统一步长的时间序列对原始多源量测数据进行再采样,实现小时级的时标对齐;
再对再采样后的多源量测数据进行归一化处理:气象数据、交通出行数据、电力负荷数据及固定充电桩充电负荷数据按照每类数据中的最大值进行归一化;节假日数据采用二元变量{0,1}进行表示,其中1表示该样本属于节假日,0表示其属于工作日。
5.根据权利要求4所述的移动充电车的优化调度方法,其特征在于:所述电桩负荷、O-D交通流量、电力节点负荷日前预测模型的时间尺度为一天;所述电桩负荷、O-D交通流量、电力节点负荷日内预测模型的时间尺度为一小时。
6.根据权利要求4所述的移动充电车的优化调度方法,其特征在于:所述建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型包括如下具体步骤:
选取预处理后的历史多源量测数据,按照一日的时间长度,对其进行日内平均,得到以日为时标的多源量测数据,记其时标序列为d={1,2,3…,N};N为历史多源量测数据的天数总和;
基于图神经网络建立充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型的图神经网络训练模型,其中图神经网络训练模型的顶点和边与电力-交通双流融合图的V和E相同;
将以日为时标的多源量测数据分为输入变量和输出变量,并将输入变量与输出变量按照时标{d-n,d-n+1…,d-1}与d进行配对,其中输出变量为第d日内的充电桩充电负荷,其余数据全部作为输入变量;分为训练组和测试组后输入图神经网络训练模型中进行训练,得到充电桩负荷的日前预测模型;n为用户设定的日期偏置超参数,表示基于n日的量测数据来对某日的充电桩负荷、O-D交通流量、电力节点负荷的日前量值数据进行预测;
分别将输出变量分别替换为d日内的O-D交通流量和d日内的电力节点负荷,对应得到O-D交通流量的日前预测模型和电力节点负荷的日前预测模型;
所述建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型包括如下具体步骤:
选取预处理后的多源量测数据,记其时标为;(t,d)={(1,1),(2,1),(3,1),…(M,N)},其中t为小时级的时标,d为相对应的日时标,得到小时为时标的多源量测数据;M为每日的量测数据的时刻最大值;
取以日为时标的多源量测数据,该多源量测数据的时标为{d-n,d-n+1…,d-1},将其输入所述充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型,得到第d日内充电桩负荷、O-D交通流量、电力节点负荷的日前量值预测信息;
将以小时为时标的多源量测数据分为输入变量和输出变量,将输入变量和输出变量按照时标t进行对应,其中输入变量的时标为{t-1,t-2,…t-m};此外,每时标输入变量增加维度,为t对应d的日前量值预测信息,输出变量的时标为t,其中输出变量分别取充电桩负荷、O-D交通流量、电力节点负荷;m为用户设定的小时偏置超参数,表示基于m时刻的量测数据来对某时刻的充电桩负荷、O-D交通流量、电力节点负荷的日内曲线数据进行预测;
基于图神经网络建立充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型的图神经网络训练模型,其中图神经网络训练模型的顶点和边与电力-交通双流融合图的节点V和节点间连接关系E相同;
将输入变量和输出变量输入图神经网路中进行训练,分别得到充电桩负荷、O-D交通流量、电力节点负荷日内预测模型。
8.根据权利要求4~6中任一所述的移动充电车的优化调度方法,其特征在于:步骤4)包括如下具体步骤:
开始预测:设定当前的调度时刻为t=1,记当前调度时刻及当前调度日为(t,d),对当前调度日d之前n日的历史多源量测数据进行预处理,得到预处理后的数据;
对预处理后的数据,按照一日的时间长度,对其进行日内平均;取当前调度日d之前n日内的数据,输入充电桩负荷、O-D交通流量、电力节点负荷日前量值预测模型,得到当前调度日d的充电桩负荷、O-D交通流量、及电力节点负荷的日前量值预测信息;
获取以小时为时标的预处理后的数据;取当前调度时刻t之前m时刻内的数据,输入充电桩负荷、O-D交通流量、电力节点负荷的日内预测模型中,得到当前调度日d的充电桩负荷、O-D交通流量、及电力节点负荷的日内曲线预测信息;
交替迭代求解:
将日前规划方案输入所述two-stage求解模型中的日内调度模型进行求解,得到该日前规划方案得到相应的日内规划方案的决策变量的最优值与同时得到对应的移动充电车解决电力阻塞和提供充电服务的修正后的收益;
如果修正后的收益等于设定的初始收益,则输出此时每辆移动充电车每个调度时段的为电网提供的充放电电量为电动汽车提供的充放电电量和行驶路段并作为每辆移动充电车的向电网的充放电计划、提供电动汽车充电服务的充放电计划及行驶路线,即得到移动充电车t时刻下的日内调度方案,替换原有的日前规划方案;否则将修正后的收益作为初始收益,并按该初始收益重新计算修正后的收益;
当前时刻到达t+1时刻:若t=max(T),当前调度日结束,得到当前调度日的移动充电车的日内调度方案。
9.根据权利要求1所述的移动充电车的优化调度方法,其特征在于:所述城市规划数据、历史多源量测数据和实时多源量测数据均通过能源综合服务站调取。
10.一种移动充电车的优化调度系统,其特征在于:包括
数据获取模块,用于获取城市规划数据以及历史多源量测数据;其中,所述城市规划数据包括电力系统网架拓扑、交通网主干道拓扑、停车场节点位置;多源量测数据包括电力负荷数据、交通出行数据、固定充电桩充电负荷数据、节假日数据和气象数据;其中,电力负荷数据包括每个电力节点的发电量和用电量两类数据;交通出行数据包括交通节点的注入交通流量及输出交通流量两类数据;固定充电桩充电负荷数据为充电桩的耗电量数据;气象数据包括温度、湿度、风速及光照四类数据;
第一模型建立模块,用于基于城市规划数据创建电力-交通双流融合图的加权图模型,进而对历史多源量测数据进行预处理;
第二模型建立模块,用于基于所述城市规划数据以及预处理后的历史多源量测数据,建立并训练充电桩负荷、O-D交通流量、电力节点负荷的日前预测模型和日内预测模型;
第三模型建立模块,用于以移动充电车日内解决电力阻塞以及提供充电服务所获的收益最大为调度目标构建优化调度模型,再将所述优化调度模型分为包含日前规划模型和日内调度模型的two-stage求解模型;其中,日前规划模型对应的决策变量包括移动充电车的行驶路线,日内调度模型对应的决策变量为移动充电车包括电网提供的充放电电量、为电动汽车提供的充放电电量和移动充电车的行驶路段;
求解模块,用于获取实时多源量测数据并进行预处理,基于预处理后的实时多源量测数据以及历史多源量测数据,交替迭代求解所述two-stage求解模型,输出日内调度模型对应的决策变量的解,作为移动充电车的优化调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111127671.0A CN113869713A (zh) | 2021-09-26 | 2021-09-26 | 一种移动充电车的优化调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111127671.0A CN113869713A (zh) | 2021-09-26 | 2021-09-26 | 一种移动充电车的优化调度方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869713A true CN113869713A (zh) | 2021-12-31 |
Family
ID=78994397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111127671.0A Pending CN113869713A (zh) | 2021-09-26 | 2021-09-26 | 一种移动充电车的优化调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869713A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114801834A (zh) * | 2022-04-18 | 2022-07-29 | 广东健怡投资有限公司 | 新能源汽车剩余充电时长预估方法、装置、设备及介质 |
CN116316647A (zh) * | 2022-09-08 | 2023-06-23 | 东南大学溧阳研究院 | 一种基于模型预测控制的配电网实时碳排放优化控制方法 |
CN116629413A (zh) * | 2023-05-10 | 2023-08-22 | 金陵科技学院 | 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法 |
CN117172516A (zh) * | 2023-11-03 | 2023-12-05 | 深圳航天科创泛在电气有限公司 | 充电桩动态调度决策方法、装置、设备及存储介质 |
-
2021
- 2021-09-26 CN CN202111127671.0A patent/CN113869713A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114801834A (zh) * | 2022-04-18 | 2022-07-29 | 广东健怡投资有限公司 | 新能源汽车剩余充电时长预估方法、装置、设备及介质 |
CN114801834B (zh) * | 2022-04-18 | 2022-12-20 | 广东健怡投资有限公司 | 新能源汽车剩余充电时长预估方法、装置、设备及介质 |
CN116316647A (zh) * | 2022-09-08 | 2023-06-23 | 东南大学溧阳研究院 | 一种基于模型预测控制的配电网实时碳排放优化控制方法 |
CN116316647B (zh) * | 2022-09-08 | 2023-11-07 | 东南大学溧阳研究院 | 一种基于模型预测控制的配电网实时碳排放优化控制方法 |
CN116629413A (zh) * | 2023-05-10 | 2023-08-22 | 金陵科技学院 | 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法 |
CN117172516A (zh) * | 2023-11-03 | 2023-12-05 | 深圳航天科创泛在电气有限公司 | 充电桩动态调度决策方法、装置、设备及存储介质 |
CN117172516B (zh) * | 2023-11-03 | 2024-03-05 | 深圳航天科创泛在电气有限公司 | 充电桩动态调度决策方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113869713A (zh) | 一种移动充电车的优化调度方法和系统 | |
CN107766994A (zh) | 一种共享自行车调度方法与调度系统 | |
Khan et al. | Genetic algorithm based optimized feature engineering and hybrid machine learning for effective energy consumption prediction | |
WO2020098728A1 (zh) | 集群负荷预测方法、装置及存储介质 | |
CN107665385A (zh) | 一种微电网系统用的基于支持向量机的短期负荷预测方法 | |
Gbadega et al. | A hybrid constrained Particle Swarm Optimization-Model Predictive Control (CPSO-MPC) algorithm for storage energy management optimization problem in micro-grid | |
Wu et al. | A stochastic operational model for controlling electric vehicle charging to provide frequency regulation | |
Negri et al. | Combined model predictive control and ANN-based forecasters for jointly acting renewable self-consumers: An environmental and economical evaluation | |
CN111313449B (zh) | 一种基于机器学习的集群电动汽车功率优化管理方法 | |
Jiang et al. | Optimal configuration of electric vehicles for charging stations under the fast power supplement mode | |
CN115689146A (zh) | 一种多能源智能楼宇负荷调度方法及系统 | |
CN115907844A (zh) | 一种短期电价预测方法、装置、设备及介质 | |
CN113610296B (zh) | 一种区域内用电负荷峰值预测方法及电网投资规划方法 | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
Luís et al. | Energy forecasting using an ensamble of machine learning methods trained only with electricity data | |
CN112736941A (zh) | 一种基于移动储能电动汽车的可调度容量预测方法及装置 | |
Souzanchi-K et al. | A multi adaptive neuro fuzzy inference system for short term load forecasting by using previous day features | |
CN116245246A (zh) | 基于物联网的智慧城市供电管理方法、系统及存储介质 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
Titus et al. | Charge Scheduling Optimization of Plug-In Electric Vehicle Based on Solar Power Forecasting | |
CN107563544A (zh) | 一种基于日特征向量优化的灰色模型电量预测方法 | |
Belmahdi et al. | Forecasting solar radiation using machine learning method: new optimization algorithm | |
Kannan | Time-of-use tariff and valley-filling based scheduling algorithm for electric vehicle charging | |
Sadighmanesh et al. | Probabilistic dispatch in hybrid-microgrid system with considering energy arbitrage |
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 |