多智能体微观交通配流模型的建立方法技术

本发明专利技术公开了一种多智能体微观交通配流模型的建立方法。本发明专利技术包括步骤：建立MMTAM架构和电动汽车智能体模型；对智能体模型中至关重要的驾驶行为集元素进行逐一建模；对MMTAM的输入/输出数据进行说明，以便协同规划计算循环调用该模型。本发明专利技术能够为配电系统与充电服务网络的协同规划研究提供一种综合考虑建设成本和用户充电便利性的交通配流模型，并能准确定位电动汽车的充电需求产生位置，根据交通流量计算快速充电和慢速充电负荷。本发明专利技术在保证仿真结果合理性的同时，尽可能提高了协同规划计算的求解效率。

Establishment method of multi-agent micro-traffic assignment model

The invention discloses a method for establishing a multi-agent microscopic traffic assignment model. The invention comprises the following steps: establishing the MMTAM architecture and the electric vehicle agent model; modeling the key driving behavior set elements in the agent model one by one; explaining the input/output data of the MMTAM so as to call the model in a collaborative planning and calculation cycle. The invention can provide a traffic assignment model for the cooperative planning research of distribution system and charging service network, which comprehensively considers the construction cost and user charging convenience, and can accurately locate the generation location of charging demand of electric vehicles, and calculate fast charging and slow charging loads according to traffic flow. The invention ensures the rationality of simulation results and improves the solving efficiency of cooperative programming calculation as much as possible.

【技术实现步骤摘要】
多智能体微观交通配流模型的建立方法
本专利技术涉及电力系统领域，特别是一种多智能体微观交通配流模型的建立方法。
技术介绍
电动汽车是未来交通行业的发展方向，世界各国相继发布了新的电动汽车发展战略规划。可以预见，在不久的将来电动汽车作为连接电力系统和交通系统的枢纽，将会发挥着举足轻重的作用，电力系统与交通系统的耦合程度也会不断加深。电动汽车的行驶里程也一直是消费者关注的焦点。布局合理的智能充换电网络有助于缓解潜在电动汽车客户在这方面的顾虑，对于推动整个电动汽车产业的发展至关重要。同时，大量电动汽车的无序充电行为会给电力系统带来显著的负面影响，并进而有可能危害电力系统的安全与经济运行。因此，如何进行电力系统尤其是配电系统的扩展规划，为智能充换电网络提供可靠的电力供应，从而确保车主的充电需求，是一个值得深入研究的重要问题。即有必要开展配电系统与充电服务网络的协同规划研究。目前尚且缺乏一种适用于配电系统与充电服务网络的协同规划研究的交通配流模型。已有研究中采用的基于用户均衡(UserEquilibrium，UE)原则的交通配流模型，一方面仅能较为粗糙地建立起交通流量与充电需求间的关系，且无法根据交通流量生成充电负荷曲线；另一方面在协同规划研究无法定量计算电动汽车用户充电的便利性，存在进一步细化和完善的空间。微观车流量分配模型主要从微观角度以描述组成交通配流的个体车辆动态行为的方式对其建模。目前，国内外研究者对微观车流量分配模型做了许多探索，但他们关注的对象主要为车与车之间跟车模型、机动车换道模型和考虑交通信号控制模型等，较少涉及对电动汽车特有的充电行为的建模与分析。
技术实现思路
为解决上述问题，本专利技术提供一种适用于协同规划研究的多智能体微观交通配流模型(multi-agent-basedmicroscopictrafficassignmentmodel，MMTAM)的建立方法，其为配电系统与充电服务网络的协同规划研究提供一种综合考虑建设成本和用户充电便利性的交通配流模型。本专利技术采用以下的技术方案：多智能体微观交通配流模型的建立方法，其包括步骤：1)建立多智能体微观交通配流模型架构和电动汽车智能体模型；2)对智能体模型中至关重要的驾驶行为集元素进行逐一建模；3)对多智能体微观交通配流模型的输入/输出数据进行说明，以便协同规划计算循环调用该模型。作为上述建立方法的补充，将智能体的概念引入含有电动汽车的微观交通配流仿真中，并根据电动汽车独有的充电行为特点，设计多智能体微观交通配流模型的数据交互方式和仿真架构。作为上述建立方法的补充，所述多智能体微观交通配流模型的仿真架构分为3个层次：交通路网层、agent决策层和状态感知层；其中，agent决策层由许多的agent个体构成，agent个体包含电动汽车和驾驶员两个部分，根据驾驶经验和路况信息规划最优路径和制定充电方案。作为上述建立方法的补充，为分析电动汽车的驾驶行为，多智能体微观交通配流模型中定义一个agent决策行为集其中元素为出行O-D对，为路况更新和Dijkstra动态路径规划选择，为是否充电及充电导航，为循环发车和状态感知；然后对行为集元素逐一进行选择、判断和优化，体现出电动汽车的agent属性；agent个体通过通信装置从状态感知层接收上一时段的交通信息，并通过传感器感受位置和电量的变化，而后将这些信息传递给agent决策层；agent个体根据驾驶经验、行车计划、电动汽车特征和交通信息进行决策；agent决策层中定义驾驶行为集来描述能影响agent驾驶的各种决策行为。作为上述建立方法的补充，所述的智能体模型中的驾驶行为集元素建模，其构建可削减负荷模型、可平移负荷模型和可转移负荷模型，并应用于综合能源系统的优化调度。作为上述建立方法的补充，所述的元素出行O-D对选择：提出百度地图/Google地图对各类目的地的空间位置筛选电动汽车出行目的地，即O-D对的方法：首先，将出行目的地分为小区、学校、商场、医院、餐馆、酒店、旅馆、写字楼、公园9个类别，并通过百度地图/Google地图对各类目的地的空间坐标，进行按交通节点的聚类，即将距离交通节点i距离最近的第j个k类目的地点，标记为θi,j,k＝1；然后再按如下式子计算地理权重：式中：Ai表示交通节点i的地理权重；Nk为第k类目的地的数量；ΩTN为交通节点集合；ak为第k类目的地的累加权重；θi,j,k为0-1标记，表示节点i是否为距离第j个k类目的地点最近的交通节点；依据Ai，通过MonteCarlo抽样选取电动汽车的出行O-D对。作为上述建立方法的补充，所述的元素路况更新和Dijkstra动态路径规划：提出根据状态感知层公布的路况信息，动态规划下一时段的最优行驶路径的方法；提出对多智能体微观交通配流模型至关重要的道理车流量计算表达式，即：式中：T为某一时间尺度下的仿真时间集合；ΩTR为现有道路集合；r(i,j)为连接节点i和j的道路；Fr(i,j),t-1为t-1时刻的道理车流量；ΩEV为电动汽车集合；ηEV为电动汽车的渗透率；ξk,r(i,j),t-1为t-1时段第k辆电动汽车是否通过道路r(i,j)的0-1标记。作为上述建立方法的补充，所述的元素是否充电及充电导航：首先，根据电动汽车的行驶电量变化情况，提出判断电动汽车的充电需求状态λi,t的荷电状态SOC工作区图和相应的数学表达式；当λi,t＝1时，表示电动汽车产生了快速充电需求；当λi,t＝0时，表示电动汽车需要进行慢速充电；当λi,t＝-1时，则表示无充电需求；式中：λi,t、Si,t和ΔSi,t分别表示第i辆电动汽车在t时刻的充电需求状态、SOC和到达目的地所需最少电量；Sth1为电动汽车荷电状态SOC的安全行驶阈值；Sth2为保证电池使用寿命而设定的下限放电深度；然后，提出快速充电站最优选择模型，分别考虑了电动汽车因进行快速充电而增加的综合空间距离成本和排队等待充电的时间成本，即通过如式(4)-式(7)所示优化模型来描述电动汽车的智能充电决策行为；式(4)目标函数中：第1项表示电动汽车充电需求产生点至充电站的距离；第2项表示充电站t-1时段的站内车桩比，以衡量排队等待时间长短；约束式(5)-(7)依次保证：电动汽车每次仅选择一个充电站充电、所选充电站在电动汽车的可到达范围内、充电站q的车桩比不超过上限值式中：ΩFCS为快速充电站集合；υ1和υ2为费用折算系数；Si,t表示第i辆电动汽车在t时刻的电量；和分别为第i辆电动汽车的百公里耗电量和电池容量；Oi,t和εi,q,t分别表示第i辆电动汽车在t时刻的充电增加成本、充电需求产生位置和是否去充电站q充电的0-1变量；Dq表示目标充电站q的位置；表示Dijkstra算法函数；和分别为充电站q的充电桩数和t-1时段的站内电动汽车数；最后，给出充电站q在t时段内的快速充电功率计算表达式：式中，PF为快充设备的充电功率。作为上述建立方法的补充，所述的元素循环发车和状态感知：针对不同类型的电动汽车，设计了不同的时序循环发车机制，并对已有的电动汽车“出行链”技术进行改进，即增加agent个体在行驶路径上各节点处的状态标记，生成所谓电动汽车出行“状态链”；“状态链”中包含时间状态链、空间状态链和电量状态链三个部本文档来自技高网...

【技术保护点】
1.多智能体微观交通配流模型的建立方法，其特征在于，包括步骤：1)建立多智能体微观交通配流模型架构和电动汽车智能体模型；2)对智能体模型中至关重要的驾驶行为集元素进行逐一建模；3)对多智能体微观交通配流模型的输入/输出数据进行说明，以便协同规划计算循环调用该模型。

【技术特征摘要】
1.多智能体微观交通配流模型的建立方法，其特征在于，包括步骤：1)建立多智能体微观交通配流模型架构和电动汽车智能体模型；2)对智能体模型中至关重要的驾驶行为集元素进行逐一建模；3)对多智能体微观交通配流模型的输入/输出数据进行说明，以便协同规划计算循环调用该模型。2.根据权利要求1所述的多智能体微观交通配流模型的建立方法，其特征在于，将智能体的概念引入含有电动汽车的微观交通配流仿真中，并根据电动汽车独有的充电行为特点，设计多智能体微观交通配流模型的数据交互方式和仿真架构。3.根据权利要求2所述的多智能体微观交通配流模型的建立方法，其特征在于，所述多智能体微观交通配流模型的仿真架构分为3个层次：交通路网层、agent决策层和状态感知层；其中，agent决策层由许多的agent个体构成，agent个体包含电动汽车和驾驶员两个部分，根据驾驶经验和路况信息规划最优路径和制定充电方案。4.根据权利要求3所述的多智能体微观交通配流模型的建立方法，其特征在于，为分析电动汽车的驾驶行为，多智能体微观交通配流模型中定义一个agent决策行为集其中元素为出行O-D对，为路况更新和Dijkstra动态路径规划选择，为是否充电及充电导航，为循环发车和状态感知；然后对行为集元素逐一进行选择、判断和优化，体现出电动汽车的agent属性；agent个体通过通信装置从状态感知层接收上一时段的交通信息，并通过传感器感受位置和电量的变化，而后将这些信息传递给agent决策层；agent个体根据驾驶经验、行车计划、电动汽车特征和交通信息进行决策；agent决策层中定义驾驶行为集来描述能影响agent驾驶的各种决策行为。5.根据权利要求4所述的多智能体微观交通配流模型的建立方法，其特征在于，所述的智能体模型中的驾驶行为集元素建模，其构建可削减负荷模型、可平移负荷模型和可转移负荷模型，并应用于综合能源系统的优化调度。6.根据权利要求5所述的多智能体微观交通配流模型的建立方法，其特征在于，所述的元素出行O-D对选择：提出百度地图/Google地图对各类目的地的空间位置筛选电动汽车出行目的地，即O-D对的方法：首先，将出行目的地分为小区、学校、商场、医院、餐馆、酒店、旅馆、写字楼、公园9个类别，并通过百度地图/Google地图对各类目的地的空间坐标，进行按交通节点的聚类，即将距离交通节点i距离最近的第j个k类目的地点，标记为θi,j,k＝1；然后再按如下式子计算地理权重：式中：Ai表示交通节点i的地理权重；Nk为第k类目的地的数量；ΩTN为交通节点集合；ak为第k类目的地的累加权重；θi,j,k为0-1标记，表示节点i是否为距离第j个k类目的地点最近的交通节点；依据Ai，通过MonteCarlo抽样选取电动汽车的出行O-D对。7.根据权利要求6所述的多智能体微观交通配流模型的建立方法，其特征在于，所述的元素路况更新和Dijkstra动态路径规划：提出根据状态感知层公布的路况信息，动态规划下一时段的最优行驶路径的方法；提出对多智能体微观交通配流模型至关重要的道理车流量计算表达式，即：式中：T为某一时间尺度下的仿真时间集合；ΩTR为现有道路集合；r(i,j)为连接节点i和j的道路；Fr(i,j),t-1为t-1时刻的道理车流量；ΩEV为电动汽车集合...

【专利技术属性】
技术研发人员：郑伟民，杨文涛，文福拴，王蕾，孙可，邹波，张西竹，戴攀，潘弘，张杨，王坤，胡哲晟，刘曌煜，
申请(专利权)人：国网浙江省电力有限公司经济技术研究院，浙江大学，国家电网有限公司，
类型：发明
国别省市：浙江,33