CN116470550A - 一种动态均衡电力交通耦合网络的协同扩容方法 - Google Patents

一种动态均衡电力交通耦合网络的协同扩容方法 Download PDF

Info

Publication number
CN116470550A
CN116470550A CN202310265818.5A CN202310265818A CN116470550A CN 116470550 A CN116470550 A CN 116470550A CN 202310265818 A CN202310265818 A CN 202310265818A CN 116470550 A CN116470550 A CN 116470550A
Authority
CN
China
Prior art keywords
scheme
traffic
capacity expansion
particle
network
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.)
Granted
Application number
CN202310265818.5A
Other languages
English (en)
Other versions
CN116470550B (zh
Inventor
杨强
陈源奕
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202310265818.5A priority Critical patent/CN116470550B/zh
Publication of CN116470550A publication Critical patent/CN116470550A/zh
Application granted granted Critical
Publication of CN116470550B publication Critical patent/CN116470550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种动态均衡电力交通耦合网络的协同扩容方法，包括以下步骤：设置电力交通耦合网络初始扩容方案，作为当前最优方案粒子；针对当前最优方案粒子，计算各决策变量的边际收益并排序，生成采样概率分布；根据采样概率分布，生成下一轮电力交通耦合网络扩容方案粒子群，选取其中总成本最小的方案粒子作为当前最优方案粒子；计算当前最优方案粒子与上一轮方案粒子的相对误差，若小于给定阈值，则停止迭代，最优扩容方案即为当前最优方案粒子，否则重复迭代。本发明可以综合考虑电力网络和交通网络的运维特性，实现两个网络的协同最优扩容，改善系统拥堵，降低用户成本，提高运维效率。

Description

一种动态均衡电力交通耦合网络的协同扩容方法
技术领域
本发明涉及电力交通耦合网络扩容规划领域，特别是涉及一种动态均衡电力交通耦合网络的协同扩容方法。
背景技术
电动汽车作为重要媒介，使得电力网络和交通网络互相关联，组成电力交通耦合网络。随着电动汽车的大量使用，现有的馈线、发电机等电力设施和道路、充电站等交通设施面临巨大的压力，难以满足未来的充电需求和交通需求，影响了电动汽车用户的出行便利，因此协同扩容电力交通耦合网络中的各种电力设施和交通设施将有利于电动汽车的发展，提高电力网络和交通网络的运行效率与经济效益。
现有的研究一方面集中于电力设施或交通设施的单一扩容规划，未能充分考虑电力交通耦合网络中电力设施和交通设施的协同规划，无法实现耦合系统综合效益最优；另一方面，目前的研究缺乏高效的算法来处理带有动态均衡约束的电力交通耦合网络协同扩容问题。
发明内容
针对现有技术的不足，本发明的目的在于提出一种动态均衡电力交通耦合网络的协同扩容方法，以实现两个网络的协同最优扩容，改善系统拥堵，降低用户成本，提高运维效率。
为达到上述预期效果，本发明的技术方案如下：
本发明提供了一种动态均衡电力交通耦合网络的协同扩容方法，其包括以下步骤：
步骤一，设置初始电力交通耦合网络协同扩容方案，作为当前最优方案粒子；
步骤二，针对当前最优方案粒子，计算各决策变量的边际收益并排序，生成采样概率分布；
步骤三，根据采样概率分布，生成下一轮电力交通耦合网络协同扩容方案粒子群，选取其中总成本最小的方案粒子作为当前最优方案粒子；
步骤四，计算当前最优方案粒子与上一轮方案粒子的相对误差，若小于给定阈值，则停止迭代，最优协同扩容方案即为当前最优方案粒子，否则重复步骤二、步骤三和步骤四。
作为本发明的优选方案，电力交通耦合网络协同扩容方案包括电力网络扩容方案和交通网络扩容方案：
其中为电力网络扩容方案，/>为交通网络扩容方案。
优选的，所述的步骤一中，所述设置初始电力交通耦合网络协同扩容方案中，各决策变量均为0，初始电力交通耦合网络协同扩容方案记为
本发明所述的动态均衡电力交通耦合网络的协同扩容方案由优化得到，优化采用的目标函数为：
其中为电力交通耦合网络总成本，/>为电力交通耦合网络协同扩容方案，/>为电力网络运维成本，/>为交通网络的运维成本，/>和/>受到协同扩容方案/>的影响，为电力网络扩容成本，/>为交通网络的扩容成本。
进一步的，所述的步骤三中选取其中总成本最小的方案粒子作为当前最优方案粒子，具体为：计算所述第k+1轮电力交通耦合网络协同扩容方案粒子群中各方案粒子的总成本，选取其中总成本最小的方案粒子作为第k+1轮的最优方案粒子，满足：
进一步地，所述目标函数的约束条件为所述电力交通耦合网络动态均衡，包括耦合约束、交通网络的动态用户均衡和电力网络的节点边际电价均衡。
与现有技术相比，本发明技术方案的有益效果是：
本发明以电力交通耦合网络总成本作为目标函数，协同确定最优的电力设施和交通设施扩容方案，以实现耦合系统的最优经济效益。约束条件中考虑电力网络节点边际电价均衡和交通网络动态用户均衡在内的电力交通耦合网络动态均衡，充分反映真实的电力交通耦合网络动态特性。利用基于采样概率分布的粒子群算法，可以高效地处理带有动态均衡约束的电力交通耦合网络协同扩容问题，提高计算效率，实现最优资源调配。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为一种动态均衡电力交通耦合网络的协同扩容方法流程示意图；
图2为示例性实施例中的电力交通耦合网络最优协同扩容方案示意图；
图3为示例性实施例中的各成本指标在迭代过程中的变化示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
图1为一种动态均衡电力交通耦合网络的协同扩容方法流程示意图，包括以下步骤：
S1，设置初始电力交通耦合网络协同扩容方案，作为当前最优方案粒子；
S2，针对当前最优方案粒子，计算各决策变量的边际收益并排序，生成采样概率分布；
S3，根据采样概率分布，生成下一轮电力交通耦合网络协同扩容方案粒子群，选取其中总成本最小的方案粒子作为当前最优方案粒子；
S4，计算当前最优方案粒子与上一轮方案粒子的相对误差，若小于给定阈值，则停止迭代，最优协同扩容方案即为当前最优方案粒子，否则重复步骤S2、S3和S4。
本发明的电力交通耦合网络协同扩容方案包括电力网络扩容方案和交通网络扩容方案：
其中为电力网络扩容方案，/>为交通网络扩容方案。
进一步地，所述步骤一中所述设置初始电力交通耦合网络协同扩容方案中，各决策变量均为0，初始电力交通耦合网络协同扩容方案记为
如图2所示，在一个示例性的实施例中，扩容前电力网络包括10个电力节点(以编号V1-V10表示)、14条馈线、5台发电机(以编号G1-G5表示)，其中发电机分别位于电力节点V7、V4、V3、V6、V10上；交通网络包括13个交通路口(以编号T1-T13表示)、19条路段、4个充电站(以编号CS1-CS4表示)，其中充电站CS1、CS2、CS3、CS4分别位于交通路口T8、T9、T6、T7上，分别由V7、V8、V5、V9号电力节点供电；电力网络扩容方案和交通网络扩容方案分别为：
其中Lexp为扩容馈线数量，含有14个决策变量，分别对应扩容前的14条馈线；Gexp为扩容发电机数量，含有5个决策变量，分别对应扩容前的5台发电机；Cexp为扩容道路容量，含有19个决策变量，分别对应扩容前的19个路段；Nexp为扩容充电桩数量，含有4个决策变量，分别对应扩容前的4个充电站。
进一步地，所述步骤二中，计算各决策变量的边际收益并生成采样概率分布，包括：
在第k轮迭代中，针对当前最优方案粒子的每个决策变量分别生成一个减容方案粒子/>和一个增容方案粒子/>其中/>的第i个决策变量/>比/>的第i个决策变量/>少单位容量Δi，其余决策变量和/>相同，若/>则令/> 的第i个决策变量比/>的第i个决策变量多单位容量Δi，其余决策变量和/>相同，满足：
将各减容方案粒子组成减容方案粒子群将各增容方案粒子组成增容方案粒子群/>其中N为扩容方案中的决策变量个数；
在一个示例性的实施例中，决策变量个数N为42，包括14个扩容馈线数量决策变量，5个扩容发电机数量决策变量，19个扩容道路容量决策变量和4个扩容充电桩数量决策变量；
计算各决策变量i的减容方案粒子/>和增容方案粒子/>下的电力交通耦合网络总成本/>和/>以及最优方案粒子/>下的电力交通耦合网络总成本/>减少决策变量i单位容量所带来的边际收益为/>保持决策变量i所带来的边际收益为0，增加决策变量i单位容量所带来的边际收益为/>
将决策变量i减少、保持不变、增加单位容量三种操作情况下的边际收益0、/>按从小到大排序，其中/>0、在排序中的顺位分别为第/>第ri k、第/>且满足/>
根据各决策变量的排序结果，生成采样概率分布/>对于决策变量i，满足：
其中为/>决策变量i的变化值，/> 分别为决策变量i减少、保持不变、增加单位容量三种操作的采样概率。
在一个示例性的实施例中，扩容馈线数量Lexp中各决策变量的单位容量Δi为1条，且扩容馈线与原馈线参数规格一致；扩容发电机数量Gexp中各决策变量的单位容量Δi为1台，且扩容发电机与原发电机参数规格一致；扩容道路容量Cexp中各决策变量的单位容量Δi为72辆车/小时；扩容充电桩数量Nexp中各决策变量的单位容量Δi为2台，且扩容充电桩与原充电桩参数规格一致。
进一步地，所述步骤三中，根据采样概率分布，生成下一轮电力交通耦合网络扩容方案粒子群，包括：
在第k轮迭代中，基于所述采样概率分布生成第k+1轮电力交通耦合网络协同扩容方案粒子群，包括减容方案粒子群、增容方案粒子群、随机采样方案粒子群和当前最优方案粒子，满足：
其中为第k+1轮电力交通耦合网络协同扩容方案粒子群,/>为随机采样方案粒子群，Z为采样粒子个数，由随机采样得到，随机采样过程满足所述概率分布/>其中任意粒子/>均满足：
其中为服从所述采样概率分布/>分布的多维离散随机变量，/>的各决策变量/>代表决策变量i的变化值，满足/>且的概率由所述采样概率分布/>给出。
在一个示例性的实施例中，采样粒子个数Z为40个。
进一步地，所述步骤三中，选取其中总成本最小的方案粒子作为当前最优方案粒子，包括：
定义为电力交通耦合网络总成本：
其中，为电力交通耦合网络协同扩容方案，/>为电力网络运维成本，/>为交通网络的运维成本，/>和/>受到协同扩容方案/>的影响，/>为电力网络扩容成本，/>为交通网络的扩容成本；
在一个示例性的实施例中，包括发电成本和购电成本，/>包括燃油车用户的通行耗时成本、不准时成本，以及电动汽车用户的通行耗时成本、不准时成本和充电成本。
计算所述第k+1轮电力交通耦合网络协同扩容方案粒子群中各方案粒子的总成本，选取其中总成本最小的方案粒子作为第k+1轮的最优方案粒子，满足
进一步地，所述目标函数的约束条件为所述电力交通耦合网络动态均衡，包括耦合约束、交通网络的动态用户均衡和电力网络的节点边际电价均衡；
所述耦合约束中，电动汽车用户的路径选择和充电决策决定了各充电站的充电负荷分布，该负荷由充电站所连接的电力节点承担，对于电力节点i，满足：
Pi(t)＝Pi con(t)+Ci(t)
其中Pi(t)为t时刻电力节点i的有功负荷功率，Pi con(t)为t时刻电力节点i的常规负荷功率，Ci(t)为t时刻电力节点i的充电负荷功率；
所述交通网络的动态用户均衡中，具有相同出行需求的用户的出行成本相等，且等于可行方案中的最低成本值，用户无法通过仅改变自身的出行方案来进一步减小自身的出行成本，各用户的出行方案和出行成本互相制约达到均衡，满足约束：
其中和/>分别为燃油车和电动汽车从交通路口i到交通路口j的可选路径，路径p和路径q分别为/>和/>的子集，/>为可选出发时间，/>和/>分别代表t时刻出发选择路径p的燃油车数量和选择路径q的电动汽车数量，/>和/>分别代表t时刻出发选择路径p的燃油车出行成本和选择路径q的电动汽车出行成本，/>和分别代表燃油车和电动汽车从交通路口i到交通路口j的可选路径和可选出发时间中出行成本最小值；
所述电力网络的节点边际电价均衡中，节点边际电价为最优潮流模型中节点有功功率平衡约束的对偶变量值，当电动汽车用户的出行方案不再改变时，充电行为也不再改变，各电力节点的有功负荷曲线随之确定，节点边际电价达到均衡；
其中最优潮流模型的目标函数为所述电力网络运维成本：
电力节点i在t时刻的有功功率平衡约束为：
其中Gi(t)为t时刻电力节点i的有功发电功率，Pij(t)为t时刻电力节点i到电力节点j的线路有功传输功率，π(i)为电力节点i的相邻节点集合。
进一步地，所述步骤四中，计算当前最优方案粒子与上一轮方案粒子的相对误差，具体为：计算第k+1轮最优方案粒子和第k轮最优方案粒子的相对误差：
其中‖·‖为2-范数算符，为第k+1轮最优方案粒子和第k轮最优方案粒子的相对误差；
若小于等于给定阈值/>满足/>则迭代停止，最优协同扩容方案即为当前最优方案粒子/>
在一个示例性的实施例中，阈值为0.0001，电力交通耦合网络最优协同扩容方案示意图如图2所示，其中各加号开头的数字标注为对应的扩容决策变量数值，未标注的位置决策变量为0，具体为：
电力节点V8与电力节点V9之间的馈线数量增加1条；
电力节点V9与电力节点V10之间的馈线数量增加1条；
电力节点V4处的发电机增加1台；
电力节点V7处的发电机增加1台；
充电站CS1增加8台充电桩；
充电站CS2增加8台充电桩；
充电站CS3增加4台充电桩；
充电站CS4增加8台充电桩；
交通路口T1到交通路口T2的路段增加容量216辆车/小时；
交通路口T1到交通路口T4的路段增加容量144辆车/小时；
交通路口T3到交通路口T8的路段增加容量144辆车/小时；
交通路口T4到交通路口T5的路段增加容量72辆车/小时；
交通路口T5到交通路口T6的路段增加容量144辆车/小时；
交通路口T7到交通路口T11的路段增加容量72辆车/小时；
交通路口T9到交通路口T10的路段增加容量144辆车/小时；
交通路口T10到交通路口T13的路段增加容量72辆车/小时；
各成本指标在迭代过程中的变化示意图如图3所示，可以看到算法在9次迭代后收敛，方案粒子群中最优方案粒子不再变化，扩容后的电力交通耦合网络的总成本从2.332×105元下降到了2.332×105元，降幅19％，耦合系统的经济性和运行效率得到提升。。其中交通网络的运维成本从1.392×105下降到了0.920×105，显著下降了33.9％，主要是由于网络的拥堵得到了有效地治理，用户的出行成本大幅度下降所引起；电力网络的运维成本从0.934×105上升0.954×105到了，略微上升了2.1％，主要是由于新增的充电桩带了额外的发电成本，但由于电力网络和交通网络扩容的协同性，扩容后的电力网络运维成本增长较小。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种动态均衡电力交通耦合网络的协同扩容方法，其特征在于，包括以下步骤：
步骤一，设置初始电力交通耦合网络协同扩容方案，作为当前最优方案粒子；
步骤二，针对当前最优方案粒子，计算各决策变量的边际收益并排序，生成采样概率分布；
步骤三，根据采样概率分布，生成下一轮电力交通耦合网络协同扩容方案粒子群，选取其中总成本最小的方案粒子作为当前最优方案粒子；
步骤四，计算当前最优方案粒子与上一轮方案粒子的相对误差，若小于给定阈值，则停止迭代，最优协同扩容方案即为当前最优方案粒子，否则重复步骤二、步骤三和步骤四。
2.根据权利要求1所述动态均衡电力交通耦合网络的协同扩容方法，其特征在于，所述电力交通耦合网络协同扩容方案包括电力网络扩容方案和交通网络扩容方案：
其中为电力网络扩容方案，/>为交通网络扩容方案；
步骤一中，所述设置初始电力交通耦合网络协同扩容方案中，各决策变量均为0，初始电力交通耦合网络协同扩容方案记为
3.根据权利要求1所述动态均衡电力交通耦合网络的协同扩容方法，其特征在于，所述步骤二中，计算各决策变量的边际收益并排序，生成采样概率分布，包括如下步骤：
在第k轮迭代中，针对当前最优方案粒子的每个决策变量分别生成一个减容方案粒子/>和一个增容方案粒子/>其中/>的第i个决策变量/>比/>的第i个决策变量/>少单位容量Δi，其余决策变量和/>相同，若/>则令/> 的第i个决策变量/>比的第i个决策变量多单位容量Δi，其余决策变量和/>相同，满足：
将各减容方案粒子组成减容方案粒子群将各增容方案粒子组成增容方案粒子群/>其中N为扩容方案中的决策变量个数；
计算各决策变量i的减容方案粒子/>和增容方案粒子/>下的电力交通耦合网络总成本/>和/>以及当前最优方案粒子/>下的电力交通耦合网络总成本/>减少决策变量i单位容量所带来的边际收益为/>保持决策变量i所带来的边际收益为0，增加决策变量i单位容量所带来的边际收益为/>
将决策变量i减少、保持不变、增加单位容量三种操作情况下的边际收益0、/>按从小到大排序，其中/>0、在排序中的顺位分别为第/>第ri k、第/>且满足/>
根据各决策变量的边际收益的排序结果，生成采样概率分布/>对于决策变量i，满足：
其中为/>决策变量i的变化值，/> 分别为决策变量i减少、保持不变、增加单位容量三种操作的采样概率。
4.根据权利要求1所述动态均衡电力交通耦合网络的协同扩容方法，其特征在于，所述步骤三中，根据采样概率分布，生成下一轮电力交通耦合网络扩容方案粒子群，包括：
在第k轮迭代中，基于所述采样概率分布生成第k+1轮电力交通耦合网络协同扩容方案粒子群，包括减容方案粒子群、增容方案粒子群、随机采样方案粒子群和当前最优方案粒子，满足：
其中为第k+1轮电力交通耦合网络协同扩容方案粒子群,/>为随机采样方案粒子群，Z为采样粒子个数，由随机采样得到，随机采样过程满足所述概率分布其中任意粒子/>均满足：
其中为服从所述采样概率分布/>分布的多维离散随机变量，/>的各变量代表决策变量i的变化值，满足/>且的概率由所述采样概率分布/>给出。
5.根据权利要求1所述动态均衡电力交通耦合网络的协同扩容方法，其特征在于，所述的步骤三中选取其中总成本最小的方案粒子作为当前最优方案粒子，具体为：
定义为电力交通耦合网络总成本：
其中，为电力交通耦合网络协同扩容方案，/>为电力网络运维成本，/>为交通网络的运维成本，/>和/>受到协同扩容方案/>的影响，/>为电力网络扩容成本，/>为交通网络的扩容成本；
计算所述第k+1轮电力交通耦合网络协同扩容方案粒子群中各方案粒子的总成本，选取其中总成本最小的方案粒子作为第k+1轮的最优方案粒子，满足：
6.根据权利要求5所述动态均衡电力交通耦合网络的协同扩容方法，其特征在于，所述目标函数的约束条件为所述电力交通耦合网络动态均衡，包括耦合约束、交通网络的动态用户均衡和电力网络的节点边际电价均衡；
所述耦合约束中，电动汽车用户的路径选择和充电决策决定了各充电站的充电负荷分布，该负荷由充电站所连接的电力节点承担，对于电力节点i，满足：
Pi(t)＝Pi con(t)+Ci(t)
其中Pi(t)为t时刻电力节点i的有功负荷功率，Pi con(t)为t时刻电力节点i的常规负荷功率，Ci(t)为t时刻电力节点i的充电负荷功率；
所述交通网络的动态用户均衡中，具有相同出行需求的用户的出行成本相等，且等于可行方案中的最低成本值，用户无法通过仅改变自身的出行方案来进一步减小自身的出行成本，各用户的出行方案和出行成本互相制约达到均衡，满足约束：
其中和/>分别为燃油车和电动汽车从交通路口i到交通路口j的可选路径，路径p和路径q分别为/>和/>的子集，/>为可选出发时间，/>和/>分别代表t时刻出发选择路径p的燃油车数量和选择路径q的电动汽车数量，/>和/>分别代表t时刻出发选择路径p的燃油车出行成本和选择路径q的电动汽车出行成本，/>和/>分别代表燃油车和电动汽车从交通路口i到交通路口j的可选路径和可选出发时间中出行成本最小值；
所述电力网络的节点边际电价均衡中，节点边际电价为最优潮流模型中节点有功功率平衡约束的对偶变量值，当电动汽车用户的出行方案不再改变时，充电行为也不再改变，各电力节点的有功负荷曲线随之确定，节点边际电价达到均衡；
其中最优潮流模型的目标函数为所述电力网络运维成本：
电力节点i在t时刻的有功功率平衡约束为：
其中Gi(t)为t时刻电力节点i的有功发电功率，Pij(t)为t时刻电力节点i到电力节点j的线路有功传输功率，π(i)为电力节点i的相邻节点集合。
7.根据权利要求1所述动态均衡电力交通耦合网络的协同扩容方法，其特征在于，所述步骤四中，计算当前最优方案粒子与上一轮方案粒子的相对误差，具体为：计算第k+1轮最优方案粒子和第k轮最优方案粒子的相对误差：
其中‖·‖为2-范数算符，为第k+1轮最优方案粒子和第k轮最优方案粒子的相对误差；
若小于等于给定阈值/>满足/>则迭代停止，最优协同扩容方案即为当前最优方案粒子/>
CN202310265818.5A 2023-03-13 2023-03-13 一种动态均衡电力交通耦合网络的协同扩容方法 Active CN116470550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310265818.5A CN116470550B (zh) 2023-03-13 2023-03-13 一种动态均衡电力交通耦合网络的协同扩容方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310265818.5A CN116470550B (zh) 2023-03-13 2023-03-13 一种动态均衡电力交通耦合网络的协同扩容方法

Publications (2)

Publication Number Publication Date
CN116470550A true CN116470550A (zh) 2023-07-21
CN116470550B CN116470550B (zh) 2023-11-07

Family

ID=87172570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310265818.5A Active CN116470550B (zh) 2023-03-13 2023-03-13 一种动态均衡电力交通耦合网络的协同扩容方法

Country Status (1)

Country Link
CN (1) CN116470550B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106849065A (zh) * 2017-03-06 2017-06-13 四川大学 一种计及充电站的配电网多目标协同规划方法
CN108596373A (zh) * 2018-04-09 2018-09-28 燕山大学 一种电-交通耦合网络动态平衡求解方法
CN111460627A (zh) * 2020-03-11 2020-07-28 四川大学 面向可靠性的电力交通耦合网络电动汽车充电站规划方法
CN112487560A (zh) * 2020-12-11 2021-03-12 国网江苏省电力有限公司南通供电分公司 基于ev车主意愿的电力交通耦合系统协调博弈调度方法
US20210155111A1 (en) * 2019-11-22 2021-05-27 State Grid Fujian Electric Power Co., Ltd. Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station
CN114722714A (zh) * 2022-04-14 2022-07-08 湖北工业大学 一种考虑交通均衡的电力-交通耦合网络扩展规划方法
CN114896743A (zh) * 2022-04-29 2022-08-12 广东电网有限责任公司广州供电局 计及用户决策随机性的能源-交通耦合建模方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106849065A (zh) * 2017-03-06 2017-06-13 四川大学 一种计及充电站的配电网多目标协同规划方法
CN108596373A (zh) * 2018-04-09 2018-09-28 燕山大学 一种电-交通耦合网络动态平衡求解方法
US20210155111A1 (en) * 2019-11-22 2021-05-27 State Grid Fujian Electric Power Co., Ltd. Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station
CN111460627A (zh) * 2020-03-11 2020-07-28 四川大学 面向可靠性的电力交通耦合网络电动汽车充电站规划方法
CN112487560A (zh) * 2020-12-11 2021-03-12 国网江苏省电力有限公司南通供电分公司 基于ev车主意愿的电力交通耦合系统协调博弈调度方法
CN114722714A (zh) * 2022-04-14 2022-07-08 湖北工业大学 一种考虑交通均衡的电力-交通耦合网络扩展规划方法
CN114896743A (zh) * 2022-04-29 2022-08-12 广东电网有限责任公司广州供电局 计及用户决策随机性的能源-交通耦合建模方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡泽春等: "电网与交通网耦合的设施规划与运行优化研究综述及展望", 《电力系统自动化》, vol. 46, no. 12, pages 3 - 19 *

Also Published As

Publication number Publication date
CN116470550B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
You et al. Scheduling of EV battery swapping—Part I: Centralized solution
Duman et al. Optimal power flow of power systems with controllable wind‐photovoltaic energy systems via differential evolutionary particle swarm optimization
Li et al. Supply function game based energy management between electric vehicle charging stations and electricity distribution system considering quality of service
CN106487005A (zh) 一种考虑输配电价的电网规划方法
CN110751314B (zh) 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法
CN102244840B (zh) 一种认知无线Mesh网络中的组播路由及频谱分配方法
CN104102956B (zh) 一种基于策略自适应差分进化的配电网络扩展规划方法
CN104932938A (zh) 一种基于遗传算法的云资源调度方法
CN106941256B (zh) 计及mpsc和mccc的配电网主变联络结构优化规划方法
CN108304972B (zh) 一种基于供需互动和dg运行特性的主动配电网网架规划方法
CN109598377B (zh) 一种基于故障约束的交直流混合配电网鲁棒规划方法
CN110909920A (zh) 考虑多故障场景的输电网容量规划优化方法及系统
CN108256969B (zh) 一种公共自行车租赁点调度区域划分方法
CN104200263A (zh) 一种基于禁忌差分进化和gis的配电网络线路规划方法
Pappala et al. A variable-dimension optimization approach to unit commitment problem
CN104199820A (zh) 云平台MapReduce工作流调度优化方法
CN106684889A (zh) 一种基于场景法的主动配电网随机无功优化方法
Gao et al. Multi-objective dynamic reconfiguration for urban distribution network considering multi-level switching modes
CN106503832A (zh) 无人‑有人协同信息分发传递优化方法和系统
CN116470550B (zh) 一种动态均衡电力交通耦合网络的协同扩容方法
Esquivel et al. Multiplicity in genetic algorithms to face multicriteria optimization
Pourdarvish et al. Cold standby redundancy allocation in a multi-level series system by memetic algorithm
Wei et al. Transmission network planning with N-1 security criterion based on improved multi-objective genetic algorithm
CN106600078A (zh) 一种基于新能源发电预测的微网能量管理方案
CN114358571A (zh) 一种机会约束下的ev充电网络规划方法

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