基于EV负荷参与度的低碳园区优化调度方法及系统技术方案

本发明专利技术公开了一种基于EV负荷参与度的低碳园区优化调度方法及系统，涉及储能智能优化调度技术领域，其中该方法包括采样电动汽车接入园区充放电配电网的入网样本数据；采用神经网络算法，推演获得N个可能的先后接入园区充放电配电网的估计入网地点；基于N个估计入网地点，采用马尔科夫决策方法建立电动汽车的行驶路径最优策略，并确定出最佳入网地点；根据最佳入网地点，以能耗、配电网负荷和充放电成本最小化为优化目标，建立目标函数优化模型，并进行最优求解，获得基于EV负荷参与度的园区最优调度策略。本发明专利技术加入时空分布、环境因素对能耗预测的影响，并结合EV负荷分析，实现了成本最优的园区低碳目标下的最优调度。成本最优的园区低碳目标下的最优调度。成本最优的园区低碳目标下的最优调度。

【技术实现步骤摘要】
基于EV负荷参与度的低碳园区优化调度方法及系统


[0001]本专利技术涉及储能智能优化调度
，具体涉及一种基于EV负荷参与度的低碳园区优化调度方法及系统。

技术介绍

[0002]目前，电动汽车(EV)是新能源汽车的主要发展方向，大规模电动汽车接入，将给电力系统规划和运行带来不可忽视的影响，包括负荷的增长、电网运行优化控制难度的增加、影响电能质量、对配电网规划提出新的要求等。
[0003]因而，国内外学者开始对电动汽车充电负荷预测进行研究。例如，有些学者使用概率统计的随机方法对负荷时间分布进行建模，通过分析出租车、公交车、私家车等的充电特点，采用蒙特卡洛方法预测未来电动汽车的充电总负荷。但上述研究对负荷种类、参与度等产生的负荷预测影响分析不够充分，不能够达到低碳园区对电网规划运行的精度要求。

技术实现思路

[0004]因此，为了克服上述缺陷，本专利技术实施例提供一种基于EV负荷参与度的低碳园区优化调度方法及系统，通过充分分析时空分布、环境因素对能耗预测的影响，实现了园区低碳目标下的最优调度。
[0005]为此，本专利技术实施例的一种基于EV负荷参与度的低碳园区优化调度方法，包括以下步骤：
[0006]采样电动汽车接入园区充放电配电网的入网样本数据；
[0007]根据所述入网样本数据，采用神经网络算法，推演获得N个可能的先后接入园区充放电配电网的估计入网地点；
[0008]基于N个所述估计入网地点，采用马尔科夫决策方法建立电动汽车的行驶路径最优策略，并确定出最佳入网地点；
[0009]根据所述最佳入网地点，以能耗、配电网负荷和充放电成本最小化为优化目标，建立目标函数优化模型；
[0010]对所述目标函数优化模型进行最优求解，获得基于EV负荷参与度的园区最优调度策略。
[0011]优选地，所述神经网络算法采用BP神经网络算法，构建的BP神经网络模型具有依次连接的一个输入层、一个隐含层和一个输出层，每一层的输出作为下一层的输入；以归一化处理后的入网样本数据为所述BP神经网络模型的输入，模型的输出为电动汽车与预测选择入网地点之间的距离；适应度函数值为电动汽车与预测选择入网地点之间的距离与电动汽车与实际选择入网地点之间的距离的均方根误差；按BP神经网络模型连接权值的负梯度方向搜索调整适应度函数值；
[0012]以当前电动汽车为中心，以当前电动汽车与预测选择入网地点之间的距离为半径，划定估计范围，将所述估计范围内所有的可选入网地点作为N个可能的先后接入园区充
放电配电网的估计入网地点。
[0013]优选地，所述根据所述入网样本数据，采用神经网络算法，推演获得N个可能的先后接入园区充放电配电网的估计入网地点的步骤包括：
[0014]获取园区交通网络有向图，其中的每一条公路为边，交叉路口为节点，公路长度为边的权重；
[0015]将园区所有节点集合视为S，从起点到N个估计入网地点中的任一个和从N个估计入网地点中的任一个到终点所行驶经过的每个节点时刻视为决策时刻t，在每个节点决定行驶的下一条路径视为行动a，将要行驶的路径长度视为回报R，进行马尔科夫决策过程，获得N条行驶路径预选最优策略，每条行驶路径预选最优策略中包含N个估计入网地点中的一个；
[0016]选取所述N条行驶路径预选最优策略中最佳的一条，作为电动汽车的行驶路径最优策略，其对应的估计入网地点为最佳入网地点。
[0017]优选地，所述对所述目标函数优化模型进行最优求解，获得基于EV负荷参与度的园区最优调度策略的步骤中最优求解的算法采用扩展蚁群算法。
[0018]本专利技术实施例的一种基于EV负荷参与度的低碳园区优化调度系统，包括：
[0019]入网样本数据获取装置，用于采样电动汽车接入园区充放电配电网的入网样本数据；
[0020]神经网络推演装置，用于根据所述入网样本数据，采用神经网络算法，推演获得N个可能的先后接入园区充放电配电网的估计入网地点；
[0021]马尔科夫决策装置，用于基于N个所述估计入网地点，采用马尔科夫决策方法建立电动汽车的行驶路径最优策略，并确定出最佳入网地点；
[0022]优化模型建立装置，用于根据所述最佳入网地点，以能耗、配电网负荷和充放电成本最小化为优化目标，建立目标函数优化模型；
[0023]最优调度求解装置，用于对所述目标函数优化模型进行最优求解，获得基于EV负荷参与度的园区最优调度策略。
[0024]本专利技术实施例的基于EV负荷参与度的低碳园区优化调度方法及系统，具有如下优点：
[0025]通过神经网络预测获得可能的接入园区充放电配电网的估计入网地点，从而依据估计入网地点采用马尔科夫决策方法得出最优行驶路径策略，以提高电动汽车时空分布分析的精度。通过以能耗、配电网负荷和充放电成本最小化为优化目标，参考时空分布和环境因素产生的能耗，在最优调度分析中加入时空分布、环境因素对能耗预测的影响，并结合EV负荷分析，实现了成本最优的园区低碳目标下的最优调度。
附图说明
[0026]为了更清楚地说明本专利技术具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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。
[0027]图1为本专利技术实施例1中基于EV负荷参与度的低碳园区优化调度方法的一个具体
示例的流程图；
[0028]图2为本专利技术实施例1中基于EV负荷参与度的低碳园区优化调度方法的另一个具体示例的流程图；
[0029]图3为本专利技术实施例2中基于EV负荷参与度的低碳园区优化调度系统的一个具体示例的原理框图。
具体实施方式
[0030]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0031]在本专利技术的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本专利技术。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0032]此外，本说明书中的某些图式是用于例示方法的流程图。应了解，这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器，以使在所述计算机或其他可编程设备上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EV负荷参与度的低碳园区优化调度方法，其特征在于，包括以下步骤：采样电动汽车接入园区充放电配电网的入网样本数据，所述入网样本数据包括多组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值，及对应的电动汽车与实际选择入网地点之间的距离；根据所述入网样本数据，采用神经网络算法，推演获得N个可能的先后接入园区充放电配电网的估计入网地点；基于N个所述估计入网地点，采用马尔科夫决策方法建立电动汽车的行驶路径最优策略，并确定出最佳入网地点；根据所述最佳入网地点，以能耗、配电网负荷和充放电成本最小化为优化目标，建立目标函数优化模型；对所述目标函数优化模型进行最优求解，获得基于EV负荷参与度的园区最优调度策略。2.根据权利要求1所述的方法，其特征在于，所述根据所述入网样本数据，采用神经网络算法，推演获得N个可能的先后接入园区充放电配电网的估计入网地点的步骤包括：对所述入网样本数据归一化处理；构建具有依次连接的一个输入层、一个隐含层和一个输出层的BP神经网络模型，每一层的输出作为下一层的输入；所述输入层具有M+1个神经元，用于一一对应地接收各组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值的归一化值；所述输出层具有1个神经元，用于输出电动汽车与预测选择入网地点之间的距离；将归一化处理后的入网样本数据输入所述BP神经网络模型，获得模型输出的电动汽车与预测选择入网地点之间的距离，并计算适应度函数值，所述适应度函数值为电动汽车与预测选择入网地点之间的距离与电动汽车与实际选择入网地点之间的距离的均方根误差；按BP神经网络模型连接权值的负梯度方向搜索调整适应度函数值，直至适应度函数值达到预设阈值或迭代次数达到预设值为止，获得训练好的BP神经网络模型；将当前在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值输入所述训练好的BP神经网络模型，获得模型输出的当前电动汽车与预测选择入网地点之间的距离；以当前电动汽车为中心，以所述当前电动汽车与预测选择入网地点之间的距离为半径，划定估计范围，将所述估计范围内所有的可选入网地点作为N个可能的先后接入园区充放电配电网的估计入网地点。3.根据权利要求1或2所述的方法，其特征在于，所述基于N个所述估计入网地点，采用马尔科夫决策方法建立电动汽车的行驶路径最优策略，并确定出最佳入网地点的步骤包括：获取园区交通网络有向图，其中的每一条公路为边，交叉路口为节点，公路长度为边的权重；将园区所有节点集合视为S，从起点到N个估计入网地点中的任一个和从N个估计入网
地点中的任一个到终点所行驶经过的每个节点...

【专利技术属性】
技术研发人员：张海滨，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：