CN116995641B - 一种应用于轨道交通储能的能量管理架构及方法 - Google Patents

一种应用于轨道交通储能的能量管理架构及方法 Download PDF

Info

Publication number
CN116995641B
CN116995641B CN202311243029.8A CN202311243029A CN116995641B CN 116995641 B CN116995641 B CN 116995641B CN 202311243029 A CN202311243029 A CN 202311243029A CN 116995641 B CN116995641 B CN 116995641B
Authority
CN
China
Prior art keywords
energy storage
current
storage device
level
command value
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
CN202311243029.8A
Other languages
English (en)
Other versions
CN116995641A (zh
Inventor
钟志宏
杨中平
林飞
孙湖
方晓春
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 Beijiao Benyou Technology Co ltd
Beijing Jiaotong University
Original Assignee
Beijing Beijiao Benyou Technology Co ltd
Beijing Jiaotong University
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 Beijiao Benyou Technology Co ltd, Beijing Jiaotong University filed Critical Beijing Beijiao Benyou Technology Co ltd
Priority to CN202311243029.8A priority Critical patent/CN116995641B/zh
Publication of CN116995641A publication Critical patent/CN116995641A/zh
Application granted granted Critical
Publication of CN116995641B publication Critical patent/CN116995641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/14—Balancing the load in a network
    • 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
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/14—Balancing the load in a network
    • H02J1/16—Balancing the load in a network using dynamo-electric machines coupled to flywheels
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00016—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus
    • H02J13/00017—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus using optical fiber
    • 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
    • H02J15/00—Systems for storing electric energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开一种应用于轨道交通储能的能量管理架构及方法，涉及轨道交通储能能量管理领域，该能量管理架构包括：中心级控制器、若干站点级控制器、若干装置级控制器；其中，中心级控制器与所有站点级控制器无线通信连接；一站点级控制器与一装置级控制器有线通信连接。本发明基于上述三级能量管理架构（中心级、站点级和装置级结构）实现了轨道交通储能的能量管理。

Description

一种应用于轨道交通储能的能量管理架构及方法
技术领域
本发明涉及轨道交通储能能量管理领域，特别是涉及一种应用于轨道交通储能的能量管理架构及方法。
背景技术
随着超级电容、电池等储能装置在城市轨道交通中的应用越来越广泛，如何利用可获取的信息资源，最大程度上提升列车再生制动能量的利用率，是亟需解决的问题。
目前，大多数的研究仅考虑单站的储能，如专利CN201711053352.3基于强化学习的城轨交通储能系统能量管理方法中，采用强化学习对超级电容储能装置进行优化，可得到理论上最优的能量管理策略，但存在着以下几个问题：①泛化能力差；②获取的信息过多，有些实际中难以获取；③未考虑硬件实现难度，算法在边缘设备难以实现。
为了解决泛化能力弱的问题，CN2022113308852轨道交通储能系统的控制方法、模型、设备和存储介质将规律挖掘和专家系统引入强化学习，提升了算法的泛化能力，但是仍然存在着其他两个问题。
CN2022111366016超级电容储能装置的控制方法、装置、设备及存储介质则介绍了一种基于时间尺度的单储能能量管理方法，减少了输入的信息，泛化能力较好，但是不同时间尺度均在同一级设备上运行，并没有清晰的架构设计，实际应用中难以应用。
针对多个站安装储能装置的系统，CN201811509514.4城轨交通地面超级电容储能系统分布式协调控制优化方法将合作式博弈的思想与强化学习相结合，提出了多个超级电容的协调控制策略，其分了两层架构，即本地能量管理单元和中心能量管理单元，但其并没有在功能上将两层架构进行清晰的划分，而是简单的以同一优化目标进行优化，也没有交代两层结构输出决策变量的融合策略。另外，该专利的本地能量管理单元的算法需要的信息仍然过多且难以在边缘设备上实际运算。
综上，目前的能量管理方法，有以下几方面的问题亟需解决：①缺少一套不依赖列车实时信息的优化算法；②缺少一个通用性较强的清晰可行的能量管理架构；③缺少一套基于多层架构的多储能能量管理方法。
发明内容
本发明的目的是提供一种应用于轨道交通储能的能量管理架构及方法。
为实现上述目的，本发明提供了如下方案：
一种应用于轨道交通储能的能量管理架构，所述能量管理架构包括：中心级控制器、若干站点级控制器、若干装置级控制器；
其中，所述中心级控制器与所有所述站点级控制器无线通信连接，用于采集中心级参数，并根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值；所述中心级参数包括所有变电站的10kV电压、当前时刻所有变电站输出端的电压和电流、离线列车时刻表、当前时刻所有所述储能装置的SOC、电流和电压以及上一时刻站点级控制器输出的每一所述储能装置的电参数站点级指令值；所述电参数为电压、功率或电流；
一所述站点级控制器与一所述装置级控制器有线通信连接；所述站点级控制器用于采集站点级参数，并根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值，根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值；所述站点级参数包括当前变电站及相邻变电站的10kV电压，当前时刻所有变电站输出端的电压和电流，当前变电站的储能装置的SOC、电流和电压，相邻变电站的储能装置的SOC、电流和电压，当前时刻每一所述储能装置的所述电参数初始指令值以及列车的信息；
所述装置级控制器用于采集装置级参数，并根据所述装置级参数和所述电参数站点级指令值对牵引网电压、储能装置电流和储能装置功率进行控制，以使所述牵引网电压、所述储能装置电流和所述储能装置功率达到各自的指令值；所述装置级参数包括当前时刻的牵引网电压、牵引网侧电流、储能装置电流以及储能装置SOC。
本发明还提供一种基于前述能量管理架构的能量管理方法，所述方法包括：
利用中心级控制器采集中心级参数，并根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值；所述中心级参数包括所有变电站的10kV电压、当前时刻所有变电站输出端的电压和电流、离线列车时刻表、当前时刻所有所述储能装置的SOC、电流和电压以及上一时刻站点级控制器输出的每一所述储能装置的电参数站点级指令值；所述电参数为电压、功率或电流；
对于每一站点级控制器，利用所述站点级控制器采集站点级参数，并根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值，根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值；所述站点级参数包括当前变电站及相邻变电站的10kV电压，当前时刻所有变电站输出端的电压和电流，当前变电站的储能装置的SOC、电流和电压，相邻变电站的储能装置的SOC、电流和电压，当前时刻每一所述储能装置的所述电参数初始指令值以及列车信息；
利用装置级控制器采集装置级参数，并根据所述装置级参数和所述电参数站点级指令值对牵引网电压、储能装置电流和储能装置功率进行控制，以使所述牵引网电压、所述储能装置电流和所述储能装置功率达到各自的指令值；所述装置级参数包括当前时刻的牵引网电压、牵引网侧电流、储能装置电流以及储能装置SOC。
可选的，所述列车信息包括列车的实时工况，所述方法还包括：
获取区间内列车的地面特征；所述地面特征包括变电站电压、电流和空载电压；所述区间内列车为两个变电站之间的列车；
将所述地面特征输入至训练好的K-means聚类器中，得到区间内列车的实时工况；所述工况包括牵引和制动。
可选的，所述列车信息包括列车的功率，在得到区间内列车的实时工况之后，所述方法还包括：
获取所述区间内列车的功率辨识参数；所述功率辨识参数包括空载电压、变电所输出功率、变电所输出电压的变化率、所述列车的实时工况和储能装置的功率；
将所述功率辨识参数输入至训练好的功率辨识模型中，得到所述区间内列车的功率；所述训练好的功率辨识模型是以区间内列车的样本功率辨识参数为输入，以区间内列车的样本功率为标签训练得到的模型。
可选的，在得到区间内列车的实时工况之后，还包括：
根据所述区间内列车的实时工况和当前时刻的牵引网电压确定储能系统的充放电电压阈值参考值；
当区间内列车的实时工况为制动时，根据所述充放电电压阈值参考值以及区间内列车的制动功率计算所述储能系统的充电阈值指令值；
当区间内列车的实时工况为牵引时，根据所述充放电电压阈值参考值以及区间内列车的牵引功率计算所述储能系统的放电阈值指令值。
可选的，所述根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值，具体包括：
将所述中心级参数输入至训练好的指令预测模型中，得到下一时刻所有储能系统的储能装置的电参数中心级指令值；所述训练好的指令预测模型为以样本中心级参数为输入，以所有储能系统的储能装置的样本电参数中心级指令值为标签训练得到的模型。
可选的，所述方法还包括：
若所述装置级控制器采集到的储能装置的电参数站点级指令值大于设定阈值，则采用上一时刻的储能装置的电参数站点级指令值替换所述储能装置的电参数站点级指令值。
可选的，所述方法还包括：
若当前时刻的充电阈值指令值和放电阈值指令值不在各自的设定范围内，则采用上一时刻的充电阈值指令值和放电阈值指令值分别替换当前时刻的充电阈值指令值和放电阈值指令值。
可选的，在得到区间内列车的实时工况之后，还包括：
获取当前时刻变电站区间内列车的典型工况；所述典型工况由所述离线运营时刻表确定；
根据所述实时工况的变电站功率峰值点对应的时刻与离线运营时刻表中相应列车功率峰值点对应的时刻计算时间差；
判断时间差是否大于设定阈值，若是，则修正变电站发车时刻表；若否，则不修正变电站发车时刻表。
可选的，所述储能装置包括超级电容、电池和飞轮。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种应用于轨道交通储能的能量管理架构及方法，该能量管理架构包括：中心级控制器、若干站点级控制器、若干装置级控制器；其中，中心级控制器与所有站点级控制器无线通信连接；一站点级控制器与一装置级控制器有线通信连接。本发明基于上述三级能量管理架构（中心级、站点级和装置级结构）实现了轨道交通储能的能量管理。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的能量管理框架；
图2为本发明实施例提供地铁列车的运行轨迹与列车运行示意图；
图3为本发明实施例提供的管庄变电站的输出功率曲线示意图；
图4为本发明实施例提供的列车在管庄到八里桥区间内的功率曲线示意图；
图5为本发明实施例提供列车的发车时刻表校正流程示意图；
图6为本发明实施例提供深度强化学习模型和经验回放模型配合示意图；
图7为本发明实施例提供K-means聚类算法流程；
图8为本发明实施例提供功率辨识流程示意图；
图9为本发明实施例提供变分法的求解流程示意图；
图10为本发明实施例提供充放电控制外环/内环示意图。
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做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。
本发明的目的是提供一种应用于轨道交通储能的能量管理架构及方法。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种应用于轨道交通储能的能量管理架构，所述能量管理架构包括：中心级控制器Central EMS、若干站点级控制器DC/AC、若干装置级控制器Local EMS；
其中，所述中心级控制器与所有所述站点级控制器无线通信连接，用于采集中心级参数，并根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值；所述中心级参数包括所有变电站的10kV电压、当前时刻所有变电站输出端的电压和电流、离线列车时刻表、当前时刻所有所述储能装置的SOC、电流和电压以及上一时刻站点级控制器输出的每一所述储能装置的电参数站点级指令值；所述电参数为电压、功率或电流。
一所述站点级控制器与一所述装置级控制器有线通信连接；所述站点级控制器用于采集站点级参数，并根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值，根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值；所述站点级参数包括当前变电站及相邻变电站的10kV电压，当前时刻所有变电站输出端的电压和电流，当前变电站的储能装置的SOC、电流和电压，相邻变电站的储能装置的SOC、电流和电压，当前时刻每一所述储能装置的所述电参数初始指令值以及列车的信息。
所述装置级控制器用于采集装置级参数，并根据所述装置级参数和所述电参数站点级指令值对牵引网电压、储能装置电流和储能装置功率进行控制，以使所述牵引网电压、所述储能装置电流和所述储能装置功率达到各自的指令值；所述装置级参数包括当前时刻的牵引网电压、牵引网侧电流、储能装置电流以及储能装置SOC。
本发明提供了一种应用于轨道交通储能的能量管理方法，所述方法包括：
利用中心级控制器采集中心级参数，并根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值；所述中心级参数包括所有变电站的10kV电压、当前时刻所有变电站输出端的电压和电流、离线列车时刻表、当前时刻所有所述储能装置的SOC、电流和电压以及上一时刻站点级控制器输出的每一所述储能装置的电参数站点级指令值；所述电参数为电压、功率或电流。
对于每一站点级控制器，利用所述站点级控制器采集站点级参数，并根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值，根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值；所述站点级参数包括当前变电站及相邻变电站的10kV电压，当前时刻所有变电站输出端的电压和电流，当前变电站的储能装置的SOC、电流和电压，相邻变电站的储能装置的SOC、电流和电压，当前时刻每一所述储能装置的所述电参数初始指令值以及列车信息。
利用装置级控制器采集装置级参数，并根据所述装置级参数和所述电参数站点级指令值对牵引网电压、储能装置电流和储能装置功率进行控制，以使所述牵引网电压、所述储能装置电流和所述储能装置功率达到各自的指令值。所述装置级参数包括当前时刻的牵引网电压、牵引网侧电流、储能装置电流以及储能装置SOC。
如图1所示，本发明提供了一种能量管理框架，该能量管理框架由三层结构构成，分别是装置级（指的是图中的local EMS）、站点级和中心级。这三层结构既相互联系又相互独立，既受到上下级的影响和制约，又具备自身的运行逻辑和鲁棒性。中心级控制器与站点级控制器之间采用无线通信传输，站点级控制器与装置级控制器之间采用有线通信连接。
下面对上述三层结构的功能进行具体介绍：
（一）中心级控制器：
中心级控制器实时采集：1.所有站点的10kV电压；2.变电站输出端电压和输出电流；3.所有储能系统的储能装置SOC（State of charge，荷电状态）、电流和电压；4.离线列车时刻表；5.所有站点级控制器的输出指令。在本实施例中，储能装置可为超级电容、电池、飞轮等。
经过中心级控制器的算法，实时输出分钟级的列车功率、能量、位置预测等信息，传输给站点级控制器作为输入信息。此外，以略大于控制周期的时间尺度，输出每套储能装置的电压指令值、功率指令值或电流指令值，发送至站点级控制器，与站点级控制器的输出进行融合。
中心级控制器负责全线的储能系统的管理，其硬件设备基于CPU和GPU的组合方式，以提高计算性能和并行能力。
在本实施例中，中心级控制器的主要功能包括：对全线的功率进行长时段全范围的预测，以及对储能系统的老化参数等缓变量进行小时级以上的预测；统计长时间的节能量等指标，以评估储能系统的效果；基于全局最优化算法，对储能系统的运行参数进行优化校正。中心级控制器的优化目标是：最大化小时级以上的经济效益，同时考虑储能系统的寿命损耗。
中心级控制器需要获取的信息有：所有站点的10kV电压、变电站输出端电压、变电站输出电流，以及所有储能系统的SOC、电流、电压等状态信息；离线列车时刻表，以预测列车的运行情况；所有站点级控制器的输出指令，以协调储能系统的运行策略。
中心级控制器的主要输出是：列车的功率、能量、位置等预测信息，作为站点级控制器的输入信息；每套储能装置的电压阈值、功率指令值或电流指令值，与站点级控制器的输出进行融合，作为装置级控制器的输入信息。
中心级控制器两个主要的功能如下：
1、基于离线运营时刻表和变电站功率的时刻表实时修正：
在得到区间内列车的实时工况之后，还包括：
获取当前时刻变电站区间内列车的典型工况；所述典型工况由所述离线运营时刻表确定。
根据所述实时工况的变电站功率峰值点对应的时刻与离线运营时刻表中相应列车功率峰值点对应的时刻计算时间差。
判断时间差是否大于设定阈值，若是，则修正变电站发车时刻表；若否，则不修正变电站发车时刻表。
具体地，如图2所示，地铁列车的运行轨迹与列车运行图的差异主要体现在停站时间上。由于地铁列车多采用ATO控制，列车的运行速度和加减速度都可以按照预设的曲线进行控制，因此列车的运行轨迹在不停站的区间（区间表示两个停站点之间的线路）内与列车运行图基本一致。而在停站的区间内，由于乘客上下车的时间不确定，列车的发车时间可能会有延迟，导致列车的运行轨迹与列车运行图产生偏差。图2中，上行线的细线，偏上那条，是延时前的曲线。粗线，偏下的那条，是延时后的曲线。下行线的长虚线，偏下那条，是延时前的曲线。短虚线，偏上的那条，是延时后的曲线。
如图3所示，变电所的电压和电流波形可以通过安装在变电所的传感器进行实时测量，而列车的发车特征可以从变电所的输出功率波形中提取。以管庄到八里桥区间内的列车功率曲线为例，图4显示了该区间内的列车在不同时间点的功率变化情况，可以看出列车在发车时会产生一个明显的功率峰值，而在制动时会产生一个明显的功率谷值。图3显示了变电所处的输出功率曲线，可以发现其与列车的功率曲线具有相同的变化趋势，即在列车发车时，变电所输出功率也会增加，而在列车制动时，变电所输出功率也会减少至零。图3中纵坐标为管庄变电站功率，单位为W（瓦）；横坐标：t为时间，单位为s（秒），图4中纵坐标为Pt表示列车在管庄到八里桥区间内的功率，单位为MW（毫瓦）；横坐标：t为时间，单位为s（秒）。
因此，通过功率曲线特征的提取，得到列车准确的发车时间，再基于实时的发车时间，来校正列车的发车时刻表，具体的流程如图5所示：
基于滑动窗的时间检测，辨识变电站功率，辨识出发车与非出发车所有工况。
提取本站所有发车典型工况。
基于Frechet算法比对典型工况与实时识别工况的相似度。
记录辨识出的发车工况的变电站功率峰值点，计算与离线运营时刻表中相应列车功率峰值点的时间差。
判断时间差是否大于阈值/>，若是，则修正本站发车时刻表；若否，则不修正本站发车时刻表。需要说明的是，修正本站发车时刻表，即根据时间差/>推迟本站发车时刻。
2、基于深度强化学习的实时决策：
根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值，具体包括：
将所述中心级参数输入至训练好的指令预测模型中，得到下一时刻所有储能系统的储能装置的电参数中心级指令值；所述训练好的指令预测模型为以样本中心级参数为输入，以所有储能系统的储能装置的样本电参数中心级指令值为标签训练得到的模型。
即深度强化学习的输入，即强化学习的状态量为：所有站点的10kV电压、所有变电站的输出端电压、所有变电站的输出电流，所有储能系统的储能装置SOC、储能装置电流、储能装置电压，离线列车时刻表，所有站点级控制器的输出指令。其输出为：电压阈值指令值、电流指令值或功率指令值。
基于DQN框架的深度强化学习，通过不断的试错和迭代，来优化在线的输入为状态（也就是环境），输出为动作-值函数的神经网络模型。其动作的选择策略使用-贪心策略，即以一定的概率/>选择动作-值函数最大的动作，以1-/>的概率随机选择其他策略。网络中的参数采用梯度下降法来更新，通过不断循环，可以使得最终的最大的动作-值函数对应的动作，为最优的动作。
如图6所示，经验回放模块和深度强化学习模块结合使用，动作-值函数Q用人工神经网络来近似，Q网络通过梯度下降算法进行训练，算法通过最小化目标网络和Q网络的均方根误差实现网络参数的更新，如下式所示。N为执行梯度下降算法所用的小批量数据规模，/>-为目标网络的权重。为了打破训练数据之间的关联性，提高算法稳定性，将经验数据元组存储在经验回放池中，在训练时对数据进行随机采样。图6中梯度更新处的A表示/>。
。 （1）
其中，无经验回放模块的强化学习智能体在一次更新后立即丢弃传入的数据，导致了训练数据的浪费，且前后两次训练的关联性变强，这在实际应用中已经被验证是有害的。经验回放模块就是储存多个经验数据元组的数据库，一个经验数据元组就是一个完整的训练数据（sk，ak，rk，sk+1），分别是当前状态，当前状态下的最优动作，当前状态的奖赏，下一个状态。
动作-值函数Q就是指当前状态下，采取当前动作和所产生的收益之间的关系，使用神经网络模拟，就是说输入当前的状态s（中心及参数），可以输出得到当前的Q（s，a），也就是得到当前状态下，任意动作的动作-值函数。
-为目标网络的权重，/>为Q网络的权重，/>和/>-的更新方式、以及和经验回放模块的配合如下：
初始化经验回放池B，基于随机权重初始化Q网络；
基于零权重-初始化目标网络/>；
重复（对于每个片段）：
初始基于能源互联的仿真模型的运行状态s；
重复（对于片段的每一步）:
在状态s下，根据-贪心策略选择动作a；
在城轨牵引供电仿真模型中执行动作a；
求解电路方程，得到下一时刻系统状态s′和奖励信号r；
状态转移元组<s，a，r，s′>存储在经验池B中；
从B中采样小批量状态转移数组；
通过对公式（1）执行梯度下降算法，更新Q网络的参数；
每隔n步执行- ←/>；
直到s为终止状态；
直到满足算法终止条件。
上述的终止状态就是当梯度下降法的梯度（也就是偏导数）趋近于0（设置小于一个设定值，比如0.001）；或者迭代到了上限（比如1000次），然后终止。其为每个状态下对应的输出。终止条件为执行完了这个片段的所有步（即每一步均满足终止状态）。
（二）站点级控制器
如图1所示，站点级控制器负责本站的储能系统的管理，其硬件设备基于DSP或ARM，同时支持异构计算，采用ARM/DSP+FPGA+GPU的组合方式，将工业级控制器提升为高性能计算的边缘设备。
站点级控制器的主要功能包括：实时判断工况和辨识功率；统计分钟级以内的能量；实现局部最优算法。站点级控制器的优化目标是：提高分钟级的节能率、稳压率等指标。
站点级控制器需要获取的信息（站点级参数）有：本站（即本变电站）及相邻两个站点的10kV电压、变电站输出端电压、变电站输出电流，本站及相邻两个站点的储能装置的SOC、电流、电压，以及中心级控制器的输出。需要说明的是，在本站只有一个相邻站点时，只获取相邻的这一个站点的储能装置的SOC、电流、电压。站点级控制器的主要输出是：电压指令值、功率指令值或电流指令值，作为装置级控制器的输入。
经过站点级控制器的算法，实时输出电压阈值、功率指令值或电流指令值，并与中心级控制器输出的电压阈值、功率指令值或电流指令值进行融合，最终输出可执行的指令值，作为装置级控制器的输入。
站点级控制器可采用基于工况判断的能量管理策略，策略的主要描述如下：
1、使用K-means聚类算法判断牵引和制动工况，包括：
获取区间内列车的地面特征；所述地面特征包括变电站电压、电流和空载电压。
将所述地面特征输入至训练好的K-means聚类器中，得到区间内列车的工况；所述工况包括牵引和制动。具体地：
K-means聚类算法作为一种无监督算法，其算法的主要功能是将数据集中相似的数据自动分组到同一类中，因此K-means聚类算法常被应用于数据规律的自主挖掘。K-means算法通过计算欧式距离来衡量数据样本之间的相似性，将数据集划分为具有K个均值向量的聚类，其中均值向量表示聚类/>的质心。均值向量的表达式如下式：
。（2）
聚类中每个样本到聚类中心的距离平方和记为J。K-means算法的最终结果是通过迭代过程找到K个聚类中心使J最小，目标函数J描述了聚类内样本的接近程度。J的表达式如下式：
。（3）
因此，K-means聚类算法的本质为数值计算的简单迭代过程，算法本身复杂度较低因此对处理器的性能要求较低。一般用于储能系统控制的基于DSP的控制系统即可执行此算法。K-means聚类算法的流程如图7所示。
该方法分为离线和在线两个阶段。离线阶段（即训练K-means聚类器阶段），利用K-means聚类算法对历史数据进行规律挖掘，建立列车工况与地面特征的关系模型。在线阶段，根据变电站和储能系统的采样装置，实时采集变电站电压、电流、空载电压等地面特征，然后基于离线挖掘的结果，对列车工况进行在线识别。
2、基于聚类结果与深度FNN的功率辨识：
在将所述地面特征输入至训练好的K-means聚类器中，得到区间内列车的工况之后，还包括：
获取所述区间内列车的功率辨识参数；所述功率辨识参数包括空载电压、变电所输出功率、变电所输出电压的变化率、所述列车的工况和储能装置的功率。
将所述功率辨识参数输入至训练好的功率辨识模型中，得到所述区间内列车的功率；所述训练好的功率辨识模型是以区间内列车的样本功率辨识参数为输入，以区间内列车的样本功率为标签训练得到的模型。
在本实施例中，功率辨识模型采用深度学习的FNN模型，对区间的功率曲线进行辨识和输出。FNN模型的输入层包括空载电压、变电所输出功率、变电所输出电压的变化率、聚类的工况结果、储能装置的功率等五个特征。FNN模型的隐藏层和输出层采用ReLU函数作为激活函数，以增强模型的非线性拟合能力。FNN模型的训练采用Adam优化算法，以提高模型的收敛速度和精度。基于Adam优化算法的深度FNN模型训练过程如下表1所示：
表1
上述功率辨识流程如图8所示。
3、基于工况和功率识别的阈值调整策略：
在将所述地面特征输入至训练好的K-means聚类器中，得到区间内列车的工况之后，还包括：
根据所述区间内列车的工况和当前时刻的牵引网电压确定储能系统的充放电电压阈值参考值。
当区间内列车的工况为制动时，根据所述充放电电压阈值参考值以及区间内列车的制动功率计算所述储能系统的充电阈值指令值。
当区间内列车的工况为牵引时，根据所述充放电电压阈值参考值以及区间内列车的牵引功率计算所述储能系统的放电阈值指令值。
根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值的过程具体如下：
需要说明的是，本实施例中的电参数初始指令值包括充电阈值指令值Uch和放电阈值指令值Udis。
具体地：基于上述的工况识别算法，得到牵引和制动工况，工况标志位为M，当列车处于牵引工况，M=-1，当列车处于制动工况，M=1。根据输出的工况系数M以及当前的牵引网电压Uactual调整储能系统的充放电电压阈值的参考值Uref。Uref为每次基准值的调整量可根据实际工程需要灵活调整。
。 （4）
经过上式计算得到充放电阈值的参考值Uref。再根据公式（5）计算得到储能系统的充放电电压阈值，从而实现阈值的动态调整。式中，kb为充电电压阈值的调整比例，kt为放电电压阈值的调整比例，可根据实际情况进行调整。Pb为上述功率辨识模型辨识的剩余制动功率，Pt为上述功率辨识模型辨识的剩余牵引功率。Uch为充电阈值指令值，Udis为放电阈值指令值，Unoload为空载电压，Ubr为列车的制动电阻启动电压。同时，为避免由于充电阈值过低导致变电站自身为储能系统充电，以及放电阈值过高当储能系统放电时引起网压快速上升而导致列车上的制动电阻启动，对基准值的调整范围设置了限幅。
； /> 。 （5）
本实施例还利用中心级控制器提供的列车的功率、能量、位置的预测信息，对储能装置的放电阈值Udis进行局部最优化。该最优化问题采用变分法进行求解，具体地：将储能装置的放电阈值作为变分函数，构造一个泛函，使得泛函在该变分函数下取得极值。变分法的求解流程如图9所示。
根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值，即站点级控制器的阈值与中心级控制器阈值的加权融合，融合公式如下：
。 （6）
融合系数的变化范围为0-1，初始值为1，其调整公式如下。
。 （7）
其中，Uch-local、Uch-cen和Uch-final分别为站点级控制器计算的充电阈值指令值，中心级控制器的充电阈值指令值，以及融合之后的充电阈值指令值；Udis-local、Udis-cen和Udis-final分别为站点级控制器计算的放电阈值指令值，中心级控制器的放电阈值指令值，以及融合之后的放电阈值指令值。kfc和kfd分别为充电阈值融合系数和放电阈值融合系数。
其中，电参数站点级指令值包括Uch-final和Udis-final。电参数站点级指令值包括充电阈值指令值Uch-cen和放电阈值指令值Udis-cen。
（三）装置级控制器
如图1所示，装置级控制器主要管理储能部分、变流器部分、充放电控制部分和安全逻辑保护部分。储能部分可以采用超级电容、电池、飞轮等不同的储能装置；变流器部分可以选择DC/DC变换器或DC/AC逆变器；充放电控制部分由数字控制器如DSP、ARM、单片机等实现；安全逻辑保护部分则由PLC实现。
装置级控制器的主要功能为：1.信号的采集和传输；2.ms级的电压、电流、功率、SOC的控制；3.ms级的故障保护。装置级控制器的优化目标为：响应速度、抗干扰能力、效率、纹波。
装置级控制器需获取的信息（装置级参数）包括：牵引网电压、牵引网侧电流，储能装置电压、储能装置电流、储能装置SOC、以及安全保护需要的IO信号。
装置级控制器主要目的是输出开关脉冲信号，实现电压、电流、功率的精确控制。
根据所述装置级参数和所述电参数站点级指令值对牵引网电压、储能装置电流和储能装置功率进行控制，具体如下：
如图10所示，充放电控制部分需要实现多种不同物理量的控制，包括牵引网电压、储能装置电流、储能装置功率的控制，即恒压控制、恒流控制、恒功率控制。可采用以下统一的双环控制框架进行控制，外环为电压环，内环为电流环。具体的，当处于恒压控制时，外环输入指令为牵引网电压指令，反馈为实际的牵引网电压，外环输出为储能装置电流，反馈值为实际的储能装置电流；当处于恒功率控制时，外环输入指令为功率指令值，反馈值为牵引网电压与牵引网侧电流的乘积，外环输出为储能装置电流，反馈值为实际的储能装置电流；当处于恒流控制时，外环饱和，失去调节作用，设置限流值为内环电流的指令值，反馈值为实际的储能装置电流。
图10中，Ubus_ref为站点级控制器输出的电压阈值指令值，Ubus_fdb为装置级控制器实时采集的牵引网电压信号，Iboost_lim和Ibuck_lim分别为站点级控制器实时发送的放电和充电电流限流值，iL_ref为外环PI输出的储能装置电流指令值，iL_fdb为装置级控制器实时采集的储能装置电流。
需要说明的是，站点级控制器会基于能量管理的需要，输出电压阈值指令、电流指令或者功率指令，装置级控制器根据接收到的指令值的类型来控制。装置级控制器会有限流环节，即电流达到最大限流值时，会自动切换至最大电流的恒流控制。
在本实施例中，所述方法还包括：
若所述装置级控制器采集到的储能装置的电参数站点级指令值大于设定阈值，则采用上一时刻的储能装置的电参数站点级指令值替换所述储能装置的电参数站点级指令值。
在本实施例中，所述方法还包括：
若当前时刻的充电阈值指令值和放电阈值指令值不在各自的设定范围内，则采用上一时刻的充电阈值指令值和放电阈值指令值分别替换当前时刻的充电阈值指令值和放电阈值指令值。
具体地：由于装置级、站点级、中心级控制器的决策变量间存在一定的重复和交叉关系，因此，本实施例设置了校验机制，校验机制如下：
装置级控制器的校验机制：设置电压、电流和功率指令的上下限，若收到的指令值超出上下限，则认为指令值计算错误，使用上一时刻的值。
站点级控制器的校验机制：
设定充电阈值和放电阈值的范围，若超出，则弃用，保持上一时刻的阈值。
本发明为了适应城市轨道交通储能系统的应用特点，提出了一套基于分布式+集中式的能量管理框架，该框架由三层结构组成，分别是装置级、站点级和中心级。本发明从以下几个方面对三层结构进行了详细的设计和分析：
主要功能：描述了每一层的主要任务和职责，以及每一层对储能系统的管理范围和控制目标。
所需信息：说明了每一层需要获取和处理的信息，以及信息的来源和传输方式。
优化目标：定义了每一层的优化目标，以及优化目标的量化指标和约束条件。
控制器输出：给出了每一层的控制器输出，以及输出的形式和含义。
校验机制：设计了每一层的校验机制，以保证控制器输出的合理性和安全性。
硬件和软件算法：选择了每一层的硬件设备和软件算法，以满足控制器的计算性能和实时性要求。
基于该框架，本文分别提出了三层的具体控制策略，即：
中心级策略：采用深度强化学习+基于frechet的列车时刻表预测方法，对全线的储能系统进行长时段全范围的优化控制，输出列车的功率、能量、位置等预测信息，以及每套储能装置的电压指令值、功率指令值或电流指令值。
站点级策略：采用基于功率和能量预测的方法，对本站的储能系统进行短时段局部范围的优化控制，输出电压指令值、功率指令值或电流指令值，并与中心级策略的输出进行融合。
装置级策略：采用基于固定双层PI控制框架的方法，对储能装置进行实时精确的控制。
本发明还提出了不同层级间的决策变量融合方法，以协调不同层级之间的控制目标和控制效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种应用于轨道交通储能的能量管理架构，其特征在于，所述能量管理架构包括：中心级控制器、若干站点级控制器、若干装置级控制器；
其中，所述中心级控制器与所有所述站点级控制器无线通信连接，用于采集中心级参数，并根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值；所述中心级参数包括所有变电站的10kV电压、当前时刻所有变电站输出端的电压和电流、离线列车时刻表、当前时刻所有所述储能装置的SOC、电流和电压以及上一时刻站点级控制器输出的每一所述储能装置的电参数站点级指令值；所述电参数为电压、功率或电流；
根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值，具体包括：
将所述中心级参数输入至训练好的指令预测模型中，得到下一时刻所有储能系统的储能装置的电参数中心级指令值；所述训练好的指令预测模型为以样本中心级参数为输入，以所有储能系统的储能装置的样本电参数中心级指令值为标签训练得到的模型；
即深度强化学习的输入，即强化学习的状态量为：所有站点的10kV电压、所有变电站的输出端电压、所有变电站的输出电流，所有储能系统的储能装置SOC、储能装置电流、储能装置电压，离线列车时刻表，所有站点级控制器的输出指令；其输出为：电压阈值指令值、电流指令值或功率指令值；
经验回放模块和深度强化学习模块结合使用，动作-值函数Q用人工神经网络来近似，Q网络通过梯度下降算法进行训练，算法通过最小化目标网络和Q网络的均方根误差实现网络参数θ的更新，如下式：
其中，N为执行梯度下降算法所用的小批量数据规模，θ-为目标网络的权重；sk为当前状态，ak为当前状态下的最优动作，rk为当前状态的奖赏；
一所述站点级控制器与一所述装置级控制器有线通信连接；所述站点级控制器用于采集站点级参数，并根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值，根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值；所述站点级参数包括当前变电站及相邻变电站的10kV电压，当前时刻所有变电站输出端的电压和电流，当前变电站的储能装置的SOC、电流和电压，相邻变电站的储能装置的SOC、电流和电压，当前时刻每一所述储能装置的所述电参数初始指令值以及列车的信息；
根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值的过程具体如下：
电参数初始指令值包括充电阈值指令值Uch和放电阈值指令值Udis；
Uref＝Uactual-M·ΔUref；
其中，Uref为充放电电压阈值参考值；M为工况系数；Uactual为当前的牵引网电压；ΔUref为每次基准值的调整量；kb为充电电压阈值的调整比例；kt为放电电压阈值的调整比例；Pb为剩余制动功率，Pt为剩余牵引功率；Unoload为空载电压；Ubr为列车的制动电阻启动电压；
根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值，即站点级控制器的阈值与中心级控制器阈值的加权融合，融合公式如下：
融合系数的变化范围为0-1，初始值为1，其调整公式如下：
其中，电参数站点级指令值包括充电阈值指令值Uch-cen和放电阈值指令值Udis-cen；Uch-local、Uch-cen和Uch-final分别为站点级控制器计算的充电阈值指令值，中心级控制器的充电阈值指令值，以及融合之后的充电阈值指令值；Udis-local、Udis-cen和Udis-final分别为站点级控制器计算的放电阈值指令值，中心级控制器的放电阈值指令值，以及融合之后的放电阈值指令值；kfc和kfd分别为充电阈值融合系数和放电阈值融合系数；
所述装置级控制器用于采集装置级参数，并根据所述装置级参数和所述电参数站点级指令值对牵引网电压、储能装置电流和储能装置功率进行控制，以使所述牵引网电压、所述储能装置电流和所述储能装置功率达到各自的指令值；所述装置级参数包括当前时刻的牵引网电压、牵引网侧电流、储能装置电流以及储能装置SOC；
充放电控制部分需要实现多种不同物理量的控制，包括牵引网电压、储能装置电流、储能装置功率的控制，即恒压控制、恒流控制、恒功率控制；可采用以下统一的双环控制框架进行控制，外环为电压环，内环为电流环；具体的，当处于恒压控制时，外环输入指令为牵引网电压指令，反馈为实际的牵引网电压，外环输出为储能装置电流，反馈值为实际的储能装置电流；当处于恒功率控制时，外环输入指令为功率指令值，反馈值为牵引网电压与牵引网侧电流的乘积，外环输出为储能装置电流，反馈值为实际的储能装置电流；当处于恒流控制时，外环饱和，失去调节作用，设置限流值为内环电流的指令值，反馈值为实际的储能装置电流；
若所述装置级控制器采集到的储能装置的电参数站点级指令值大于设定阈值，则采用上一时刻的储能装置的电参数站点级指令值替换所述储能装置的电参数站点级指令值；
若当前时刻的充电阈值指令值和放电阈值指令值不在各自的设定范围内，则采用上一时刻的充电阈值指令值和放电阈值指令值分别替换当前时刻的充电阈值指令值和放电阈值指令值。
2.一种基于权利要求1所述的能量管理架构的能量管理方法，其特征在于，所述方法包括：
利用中心级控制器采集中心级参数，并根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值；所述中心级参数包括所有变电站的10kV电压、当前时刻所有变电站输出端的电压和电流、离线列车时刻表、当前时刻所有所述储能装置的SOC、电流和电压以及上一时刻站点级控制器输出的每一所述储能装置的电参数站点级指令值；所述电参数为电压、功率或电流；
根据所述中心级参数确定下一时刻所有储能系统的储能装置的电参数中心级指令值，具体包括：
将所述中心级参数输入至训练好的指令预测模型中，得到下一时刻所有储能系统的储能装置的电参数中心级指令值；所述训练好的指令预测模型为以样本中心级参数为输入，以所有储能系统的储能装置的样本电参数中心级指令值为标签训练得到的模型；
即深度强化学习的输入，即强化学习的状态量为：所有站点的10kV电压、所有变电站的输出端电压、所有变电站的输出电流，所有储能系统的储能装置SOC、储能装置电流、储能装置电压，离线列车时刻表，所有站点级控制器的输出指令；其输出为：电压阈值指令值、电流指令值或功率指令值；
经验回放模块和深度强化学习模块结合使用，动作-值函数Q用人工神经网络来近似，Q网络通过梯度下降算法进行训练，算法通过最小化目标网络和Q网络的均方根误差实现网络参数θ的更新，如下式：
其中，N为执行梯度下降算法所用的小批量数据规模，θ-为目标网络的权重；sk为当前状态，ak为当前状态下的最优动作，rk为当前状态的奖赏；
对于每一站点级控制器，利用所述站点级控制器采集站点级参数，并根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值，根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值；所述站点级参数包括当前变电站及相邻变电站的10kV电压，当前时刻所有变电站输出端的电压和电流，当前变电站的储能装置的SOC、电流和电压，相邻变电站的储能装置的SOC、电流和电压，当前时刻每一所述储能装置的所述电参数初始指令值以及列车信息；
根据所述站点级参数计算下一时刻每一所述储能装置的电参数初始指令值的过程具体如下：
电参数初始指令值包括充电阈值指令值Uch和放电阈值指令值Udis；
Uref＝Uactual-M·ΔUref；
其中，Uref为充放电电压阈值参考值；M为工况系数；Uactual为当前的牵引网电压；ΔUref为每次基准值的调整量；kb为充电电压阈值的调整比例；kt为放电电压阈值的调整比例；Pb为剩余制动功率，Pt为剩余牵引功率；Unoload为空载电压；Ubr为列车的制动电阻启动电压；
根据下一时刻每一所述储能装置的所述电参数初始指令值和所述电参数中心级指令值确定下一时刻的储能装置的电参数站点级指令值，即站点级控制器的阈值与中心级控制器阈值的加权融合，融合公式如下：
融合系数的变化范围为0-1，初始值为1，其调整公式如下：
其中，电参数站点级指令值包括充电阈值指令值Uch-cen和放电阈值指令值Udis-cen；Uch-local、Uch-cen和Uch-final分别为站点级控制器计算的充电阈值指令值，中心级控制器的充电阈值指令值，以及融合之后的充电阈值指令值；Udis-local、Udis-cen和Udis-final分别为站点级控制器计算的放电阈值指令值，中心级控制器的放电阈值指令值，以及融合之后的放电阈值指令值；kfc和kfd分别为充电阈值融合系数和放电阈值融合系数；
利用装置级控制器采集装置级参数，并根据所述装置级参数和所述电参数站点级指令值对牵引网电压、储能装置电流和储能装置功率进行控制，以使所述牵引网电压、所述储能装置电流和所述储能装置功率达到各自的指令值；所述装置级参数包括当前时刻的牵引网电压、牵引网侧电流、储能装置电流以及储能装置SOC；
充放电控制部分需要实现多种不同物理量的控制，包括牵引网电压、储能装置电流、储能装置功率的控制，即恒压控制、恒流控制、恒功率控制；可采用以下统一的双环控制框架进行控制，外环为电压环，内环为电流环；具体的，当处于恒压控制时，外环输入指令为牵引网电压指令，反馈为实际的牵引网电压，外环输出为储能装置电流，反馈值为实际的储能装置电流；当处于恒功率控制时，外环输入指令为功率指令值，反馈值为牵引网电压与牵引网侧电流的乘积，外环输出为储能装置电流，反馈值为实际的储能装置电流；当处于恒流控制时，外环饱和，失去调节作用，设置限流值为内环电流的指令值，反馈值为实际的储能装置电流；
若所述装置级控制器采集到的储能装置的电参数站点级指令值大于设定阈值，则采用上一时刻的储能装置的电参数站点级指令值替换所述储能装置的电参数站点级指令值；
若当前时刻的充电阈值指令值和放电阈值指令值不在各自的设定范围内，则采用上一时刻的充电阈值指令值和放电阈值指令值分别替换当前时刻的充电阈值指令值和放电阈值指令值。
3.根据权利要求2所述的能量管理方法，其特征在于，所述列车信息包括列车的实时工况，所述方法还包括：
获取区间内列车的地面特征；所述地面特征包括变电站电压、电流和空载电压；所述区间内列车为两个变电站之间的列车；
将所述地面特征输入至训练好的K-means聚类器中，得到区间内列车的实时工况；所述工况包括牵引和制动。
4.根据权利要求3所述的能量管理方法，其特征在于，所述列车信息包括列车的功率，在得到区间内列车的实时工况之后，所述方法还包括：
获取所述区间内列车的功率辨识参数；所述功率辨识参数包括空载电压、变电所输出功率、变电所输出电压的变化率、所述列车的实时工况和储能装置的功率；
将所述功率辨识参数输入至训练好的功率辨识模型中，得到所述区间内列车的功率；所述训练好的功率辨识模型是以区间内列车的样本功率辨识参数为输入，以区间内列车的样本功率为标签训练得到的模型。
5.根据权利要求3所述的能量管理方法，其特征在于，在得到区间内列车的实时工况之后，还包括：
根据所述区间内列车的实时工况和当前时刻的牵引网电压确定储能系统的充放电电压阈值参考值；
当区间内列车的实时工况为制动时，根据所述充放电电压阈值参考值以及区间内列车的制动功率计算所述储能系统的充电阈值指令值；
当区间内列车的实时工况为牵引时，根据所述充放电电压阈值参考值以及区间内列车的牵引功率计算所述储能系统的放电阈值指令值。
6.根据权利要求3所述的能量管理方法，其特征在于，在得到区间内列车的实时工况之后，还包括：
获取当前时刻变电站区间内列车的典型工况；所述典型工况由所述离线运营时刻表确定；
根据所述实时工况的变电站功率峰值点对应的时刻与离线运营时刻表中相应列车功率峰值点对应的时刻计算时间差；
判断时间差是否大于设定阈值，若是，则修正变电站发车时刻表；若否，则不修正变电站发车时刻表。
7.根据权利要求2所述的能量管理方法，其特征在于，所述储能装置包括超级电容、电池和飞轮。
CN202311243029.8A 2023-09-26 2023-09-26 一种应用于轨道交通储能的能量管理架构及方法 Active CN116995641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311243029.8A CN116995641B (zh) 2023-09-26 2023-09-26 一种应用于轨道交通储能的能量管理架构及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311243029.8A CN116995641B (zh) 2023-09-26 2023-09-26 一种应用于轨道交通储能的能量管理架构及方法

Publications (2)

Publication Number Publication Date
CN116995641A CN116995641A (zh) 2023-11-03
CN116995641B true CN116995641B (zh) 2023-12-22

Family

ID=88521635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311243029.8A Active CN116995641B (zh) 2023-09-26 2023-09-26 一种应用于轨道交通储能的能量管理架构及方法

Country Status (1)

Country Link
CN (1) CN116995641B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105576683A (zh) * 2016-01-11 2016-05-11 北京北交新能科技有限公司 一种轨道交通用多能源储能系统和能量分配策略
CN107895960A (zh) * 2017-11-01 2018-04-10 北京交通大学长三角研究院 基于强化学习的城轨交通地面式超级电容储能系统能量管理方法
CN108116455A (zh) * 2017-12-07 2018-06-05 交控科技股份有限公司 城市轨道交通综合节能系统及基于该系统的综合节能方法
WO2018196433A1 (zh) * 2017-04-24 2018-11-01 国家电网公司 多类型储能多级控制方法
CN109672200A (zh) * 2018-12-11 2019-04-23 北京交通大学 城轨交通地面超级电容储能系统分布式协调控制优化方法
CN111806253A (zh) * 2020-07-17 2020-10-23 安徽能汇轨道交通技术有限公司 一种地面式电池和超级电容混合储能系统及其管理方法
CN112633598A (zh) * 2020-12-30 2021-04-09 南京理工大学 城市轨道交通列车速度曲线与时刻表综合节能优化方法
CN113054751A (zh) * 2021-03-25 2021-06-29 北京交通大学 基于信息交互的城轨交通车地储能系统协调优化方法
WO2022082835A1 (zh) * 2020-10-23 2022-04-28 株洲中车时代电气股份有限公司 轨道交通牵引供电系统及其控制方法、相关组件
CN114583814A (zh) * 2022-03-21 2022-06-03 湖南大学 一种轨道车辆模块化混合辅助能源系统及其控制方法
WO2022252559A1 (zh) * 2021-05-31 2022-12-08 深圳先进技术研究院 基于规则和双深度q网络的混合动力汽车能量管理方法
WO2023035602A1 (zh) * 2021-09-08 2023-03-16 西南交通大学 分布式发电牵引网列车运行状态辨识系统、方法及设备
CN115912414A (zh) * 2022-09-19 2023-04-04 北京交通大学 超级电容储能装置的控制方法、装置、设备及存储介质
WO2023061142A1 (zh) * 2021-10-12 2023-04-20 中车株洲电力机车有限公司 一种混合动力车辆及其供电控制方法和系统
CN116093997A (zh) * 2022-10-10 2023-05-09 北京交通大学 城市轨道交通地面式混合储能系统的容量配置方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9660450B2 (en) * 2013-10-17 2017-05-23 Zhangjiakou Wind And Solar Power Energy Demonstration Monitoring system and method for megawatt level battery energy storage power plant

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105576683A (zh) * 2016-01-11 2016-05-11 北京北交新能科技有限公司 一种轨道交通用多能源储能系统和能量分配策略
WO2018196433A1 (zh) * 2017-04-24 2018-11-01 国家电网公司 多类型储能多级控制方法
CN107895960A (zh) * 2017-11-01 2018-04-10 北京交通大学长三角研究院 基于强化学习的城轨交通地面式超级电容储能系统能量管理方法
CN108116455A (zh) * 2017-12-07 2018-06-05 交控科技股份有限公司 城市轨道交通综合节能系统及基于该系统的综合节能方法
CN109672200A (zh) * 2018-12-11 2019-04-23 北京交通大学 城轨交通地面超级电容储能系统分布式协调控制优化方法
CN111806253A (zh) * 2020-07-17 2020-10-23 安徽能汇轨道交通技术有限公司 一种地面式电池和超级电容混合储能系统及其管理方法
WO2022082835A1 (zh) * 2020-10-23 2022-04-28 株洲中车时代电气股份有限公司 轨道交通牵引供电系统及其控制方法、相关组件
CN112633598A (zh) * 2020-12-30 2021-04-09 南京理工大学 城市轨道交通列车速度曲线与时刻表综合节能优化方法
CN113054751A (zh) * 2021-03-25 2021-06-29 北京交通大学 基于信息交互的城轨交通车地储能系统协调优化方法
WO2022252559A1 (zh) * 2021-05-31 2022-12-08 深圳先进技术研究院 基于规则和双深度q网络的混合动力汽车能量管理方法
WO2023035602A1 (zh) * 2021-09-08 2023-03-16 西南交通大学 分布式发电牵引网列车运行状态辨识系统、方法及设备
WO2023061142A1 (zh) * 2021-10-12 2023-04-20 中车株洲电力机车有限公司 一种混合动力车辆及其供电控制方法和系统
CN114583814A (zh) * 2022-03-21 2022-06-03 湖南大学 一种轨道车辆模块化混合辅助能源系统及其控制方法
CN115912414A (zh) * 2022-09-19 2023-04-04 北京交通大学 超级电容储能装置的控制方法、装置、设备及存储介质
CN116093997A (zh) * 2022-10-10 2023-05-09 北京交通大学 城市轨道交通地面式混合储能系统的容量配置方法及装置

Also Published As

Publication number Publication date
CN116995641A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Sun et al. A customized voltage control strategy for electric vehicles in distribution networks with reinforcement learning method
CN112751350B (zh) 一种移动储能时空联合优化调度策略的制定方法
US20220144324A1 (en) Method and device for optimizing target operation speed curve in ato of train
Yang et al. Deep-reinforcement-learning-based energy management strategy for supercapacitor energy storage systems in urban rail transit
CN112906299B (zh) 城轨供电系统的数字孪生仿真的数据计算方法、系统
CN109149923B (zh) 一种在线估计控制率的apfc控制系统
CN109239485B (zh) 基于bp神经网络的储能有轨电车超级电容故障识别方法及系统
CN112381359B (zh) 一种基于数据挖掘的多critic强化学习的电力经济调度方法
CN109672200A (zh) 城轨交通地面超级电容储能系统分布式协调控制优化方法
Al Zishan et al. Adaptive control of plug-in electric vehicle charging with reinforcement learning
Zhang et al. An AI based high-speed railway automatic train operation system analysis and design
Wang et al. Power allocation strategy for urban rail HESS based on deep reinforcement learning sequential decision optimization
CN109995095B (zh) 一种基于数据驱动的配用电系统智能运行控制方法
CN116995641B (zh) 一种应用于轨道交通储能的能量管理架构及方法
Dong et al. Coordinated control strategy of railway multisource traction system with energy storage and renewable energy
CN116316755B (zh) 一种基于强化学习的电气化铁路储能系统能量管理方法
CN114611811B (zh) 基于ev负荷参与度的低碳园区优化调度方法及系统
Wang et al. Fuzzy control strategy for a compound energy system for an urban rail train based on the required power
CN112731803B (zh) 储能系统充放电的控制方法、装置、设备及可读存储介质
CN114298429A (zh) 一种配电网动案辅助决策方法、系统、装置和存储介质
CN115441475A (zh) 一种电网输电线路功率紧急控制方法
CN116822806A (zh) 电网的调度方法、电子设备及可读存储介质
Li et al. Optimal EV Charging Scheduling Considering the Lack of Charging Facilities Based on Deep Reinforcement Learning
CN115051403A (zh) 基于深度q学习的孤岛微电网负荷频率控制方法及系统
CN110646706B (zh) 储能有轨电车超级电容充电装置差动保护故障检测方法、装置及系统

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