基于车流量预测的高速公路综合能源微网规划方法及系统技术方案

本发明专利技术公开一种基于车流量预测的高速公路综合能源微网规划方法及系统，涉及能源微网规划领域，方法包括：采集并利用高速公路年车流量历史数据训练神经网络模型，利用训练后的神经网络模型预测规划年限内车流量数据；结合统计规律生成驶入服务区电动汽车的初始电量状态和驶入时刻，模拟服务区内充电桩实时状态，得到充电负荷数据；基于充电负荷数据、服务区所处位置的辐照度和温度以及服务区负荷数据，并结合约束条件，建立以微网内各设备的建设系数及运维系数总和最小为优化目标的综合能源微网规划模型；利用遗传算法求解模型的最佳规划结果。结合高速公路预测车流量情况给出充电负荷需求，有利于指导对高速公路服务区综合能源微网的规划。合能源微网的规划。合能源微网的规划。

【技术实现步骤摘要】
基于车流量预测的高速公路综合能源微网规划方法及系统


[0001]本专利技术涉及高速公路服务器能源微网规划领域，特别是涉及一种基于车流量预测的高速公路综合能源微网规划方法及系统。

技术介绍

[0002]不同的交通运输方式有不同的交能融合应用场景，其中高速公路场景较为典型。高速公路地理位置独特，风光资源禀赋，可以充分利用公路基础设施及闲置土地资源就地开发新能源。近年来，随着油价和购车补贴的影响，消费者对于电动汽车的购买欲望持续高涨。然而，受电动汽车电池容量限制，用户往往在远距离出行(如城际出行、省际出行)时具有较大顾虑。作为高速公路的重要服务节点，服务区承载着巨大的供能任务。电能方面，不仅需要满足车主出行需求及运维运转负荷的补给需求，一些大规模服务区还应满足周边短隧道供能需求。此外，也应配套供暖供冷系统等为其他负荷需求提供保障。
[0003]目前以服务区为场景的规划研究多集中于在服务区内打造“光伏车棚”、“光储充一体化电站”，或在服务区周边沿线打造“光伏公路”等，鲜少有考虑在服务区内建设综合能源微网，并根据实际建设场景考虑与电网的强弱关系进行配置，以满足服务区内各种用能需求。综合能源微网是一种可以实现自我控制的自治系统，一般包括新能源发电系统、储能系统、供热供暖系统、能量管理系统等。如果能通过微网来实现服务区的供能需求，不仅有助于保障微网内部用能的稳定性，还可以减轻电网负担。此外，在现有的规划方法中，鲜少有研究考虑到服务区车流量的影响，车流量进一步会影响服务区内充电负荷需求的预测，而充电负荷作为未来服务区一大重要负荷，对整个微网系统的规划具有重要的指导作用。因此，考虑交通流与能量流的耦合具有非常大的可研潜力，且探究计及车流量因素的服务区综合能源微网规划方法有着一定的现实意义和应用价值。对此，本专利技术提出一种基于车流量预测的高速公路综合能源微网规划方法及系统。

技术实现思路

[0004]本专利技术的目的是提供一种基于车流量预测的高速公路综合能源微网规划方法及系统，可基于高速公路年车流量预测数据得出的规定年限内充电负荷需求进行服务区内综合能源微网规划，能够保证微网规划更符合实际需求，规划结果更准确。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于车流量预测的高速公路综合能源微网规划方法，所述方法包括：
[0007]采集高速公路年车流量历史数据；
[0008]利用所述年车流量历史数据训练神经网络模型，并利用训练后的神经网络模型对规划年限内车流量数据进行预测，得到年车流量预测数据；
[0009]基于所述年车流量预测数据，并利用统计规律生成驶入服务区电动汽车的初始电量状态和驶入时刻，根据所述驶入服务区电动汽车的充电需求和充电完成时刻模拟服务区内充电桩实时状态，得到所述驶入服务区电动汽车的充电负荷数据；
[0010]基于所述充电负荷数据、服务区所处位置的辐照度和温度以及服务区负荷数据，并以用户等待充电时间约束、服务区占地面积约束、微网内各设备出力约束和功率平衡约束为约束条件，以微网内各设备的建设系数及运维系数总和最小为优化目标，建立综合能源微网规划模型；所述微网内各设备包括微网内的充电桩、光伏设备、电储能设备、热储能设备和热泵；所述服务区负荷数据包括常规用电负荷、用热负荷和用冷负荷；所述常规用电负荷为服务区内除所述充电负荷数据之外的用电负荷；
[0011]对所述综合能源微网规划模型，利用遗传算法求解所述微网内各设备在建设系数及运维系数总和最小时对应的最佳规划结果；所述最佳规划结果为所述综合能源微网规划模型中充电桩建设系数总和、光伏设备建设系数总和、电储能设备建设系数总和、热储能设备建设系数总和、热泵建设系数总和以及电网交互系数的最佳组合。
[0012]可选的，所述基于所述年车流量预测数据，并利用统计规律生成驶入服务区电动汽车的初始电量状态和驶入时刻，根据所述驶入服务区电动汽车的充电需求和充电完成时刻模拟服务区内充电桩实时状态，得到所述驶入服务区电动汽车的充电负荷数据，具体包括：
[0013]将所述年车流量预测数据转化为所述驶入服务区电动汽车的单日内车流量数据；
[0014]根据所述单日内车流量数据结合概率密度函数曲线计算单日内各时段车流量数据；
[0015]依据正态分布规律为所述驶入服务区电动汽车随机生成所述初始电量状态，根据所述单日内各时段车流量数据随机生成所述驶入服务区电动汽车的驶入时刻；
[0016]根据所述驶入服务区电动汽车的所述驶入时刻、充电起始时刻、充电完成时刻更新服务区内充电桩实时状态，并根据所述服务区内充电桩实时状态计算各时段所述驶入服务区电动汽车的充电负荷数据。
[0017]可选的，所述单日内车流量数据的计算公式为：
[0018]N
ev
＝γ
·
β
·
N
car
/365
[0019]式中：N
ev
表示单日驶入服务区电动汽车流量数据，γ表示电动汽车渗透率，β表示车主是否选择驶入服务区的系数，N
car
表示年车流量预测数据。
[0020]可选的，所述单日内各时段车流量数据的计算公式为：
[0021][0022]其中，P
ev
(t)＝∫f(t)dt
[0023]式中：表示单日内t时段车流量数据；P
ev
(t)表示t时段电动汽车驶入服务区的概率；f(t)为概率密度函数曲线。
[0024]可选的，计算各时段所述驶入服务区电动汽车的充电负荷数据的公式为：
[0025][0026]其中，ser
t
表示t时间段内接收充电服务的电动汽车数量；，ser
t
的值根据充电桩状态矩阵cou确定；充电桩状态矩阵cou的表达式为：
[0027]cou＝[cou1ꢀ…ꢀ
cou
w
ꢀ…ꢀ
cou
ch
][0028]其中，cou
w
＝lea
i
；lea
i
＝ser
i
+t
c,i
；ser
i
＝max(ar
i
,min(cou))
[0029][0030]式中，cou
w
表示第w个充电桩的实时服务状态；w＝1,2,
…
,ch；ar
i
、ser
i
、lea
i
分别表示第i辆电动汽车驶入时刻、接受充电服务时刻、充电完成时刻；SOC
finish,i
表示第i辆电动汽车的目标充电量；SOC
d
表示一个电量阈值；SOC
start,i
表示第i辆电动汽车的初始电量状态；E
i
表示第i辆电动汽车的电池容量；P
c
表示充电功率；η表示充电机的充电效率；表示电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车流量预测的高速公路综合能源微网规划方法，其特征在于，所述方法包括：采集高速公路年车流量历史数据；利用所述年车流量历史数据训练神经网络模型，并利用训练后的神经网络模型对规划年限内车流量数据进行预测，得到年车流量预测数据；基于所述年车流量预测数据，并利用统计规律生成驶入服务区电动汽车的初始电量状态和驶入时刻，根据所述驶入服务区电动汽车的充电需求和充电完成时刻模拟服务区内充电桩实时状态，得到所述驶入服务区电动汽车的充电负荷数据；基于所述充电负荷数据、服务区所处位置的辐照度和温度以及服务区负荷数据，并以用户等待充电时间约束、服务区占地面积约束、微网内各设备出力约束和功率平衡约束为约束条件，以微网内各设备的建设系数及运维系数总和最小为优化目标，建立综合能源微网规划模型；所述微网内各设备包括微网内的充电桩、光伏设备、电储能设备、热储能设备和热泵；所述服务区负荷数据包括常规用电负荷、用热负荷和用冷负荷；所述常规用电负荷为服务区内除所述充电负荷数据之外的用电负荷；对所述综合能源微网规划模型，利用遗传算法求解所述微网内各设备在建设系数及运维系数总和最小时对应的最佳规划结果；所述最佳规划结果为所述综合能源微网规划模型中充电桩建设系数总和、光伏设备建设系数总和、电储能设备建设系数总和、热储能设备建设系数总和、热泵建设系数总和以及电网交互系数的最佳组合。2.根据权利要求1所述的方法，其特征在于，所述基于所述年车流量预测数据，并利用统计规律生成驶入服务区电动汽车的初始电量状态和驶入时刻，根据所述驶入服务区电动汽车的充电需求和充电完成时刻模拟服务区内充电桩实时状态，得到所述驶入服务区电动汽车的充电负荷数据，具体包括：将所述年车流量预测数据转化为所述驶入服务区电动汽车的单日内车流量数据；根据所述单日内车流量数据结合概率密度函数曲线计算单日内各时段车流量数据；依据正态分布规律为所述驶入服务区电动汽车随机生成所述初始电量状态，根据所述单日内各时段车流量数据随机生成所述驶入服务区电动汽车的驶入时刻；根据所述驶入服务区电动汽车的所述驶入时刻、充电起始时刻、充电完成时刻更新服务区内充电桩实时状态，并根据所述服务区内充电桩实时状态计算各时段所述驶入服务区电动汽车的充电负荷数据。3.根据权利要求2所述的方法，其特征在于，所述单日内车流量数据的计算公式为：N
ev
＝γ
·
β
·
N
car
/365式中：N
ev
表示单日驶入服务区电动汽车流量数据，γ表示电动汽车渗透率，β表示车主是否选择驶入服务区的系数，N
car
表示年车流量预测数据。4.根据权利要求3所述的方法，其特征在于，所述单日内各时段车流量数据的计算公式为：其中，P
ev
(t)＝∫f(t)dt式中：表示单日内t时段车流量数据；P
ev
(t)表示t时段电动汽车驶入服务区的
概率；f(t)为概率密度函数曲线。5.根据权利要求4所述的方法，其特征在于，计算各时段所述驶入服务区电动汽车的充电负荷数据的公式为：其中，ser
t
表示t时间段内接收充电服务的电动汽车数量；，ser
t
的值根据充电桩状态矩阵cou确定；充电桩状态矩阵cou的表达式为：cou＝[cou1ꢀ…ꢀ
cou
w
ꢀ…ꢀ
cou
ch
]其中，cou
w
＝lea
i
；lea
i
＝ser
i
+t
c,i
；ser
i
＝max(ar
i
,min(cou))式中，cou
w
表示第w个充电桩的实时服务状态；w＝1,2,
…
,ch；ar
i
、ser
i
、lea
i
分别表示第i辆电动汽车驶入时刻、接受充电服务时刻、充电完成时刻；SOC
finish,i
表示第i辆电动汽车的目标充电量；SOC
d
表示一个电量阈值；SOC
start,i
表示第i辆电动汽车的初始电量状态；E
i
表示第i辆电动汽车的电池容量；P
c
表示充电功率；η表示充电机的充电效率；表示电动汽车t时间段内充电负荷需求。6.根据权利要求1所述的方法，其特征在于，所述基于所述充电负荷数据、服务区所处位置的辐照度和温度以及服务区负荷数据，并以用户等待充电时间约束、服务区占地面积约束、微网内各设备出力约束和功率平衡约束为约束条件，以微网内各设备的建设系数及运维系数总和最小为优化目标，建立综合能源微网规划模型，具体包括：根据所述辐照度和所述温度计算各时段内所述光伏设备的光伏出力数据；建立所述电储能设备的充放电模型和所述热储能设备的充放电模型；建立所述热泵设备对应的热泵模型；基于所述光伏出力数据、所述电储能设备的充放电模型、所述热储能设备的充放电模型和所述热泵模型，结合所述充电负荷数据和所述服务区负荷数据确定微网内各设备的电热冷能量交换模型；所述电热冷能量交换模型包括电能交换策略模型、热能交换策略模型和冷能交换策略模型；基于所述电热冷能量交换模型，建立以所述用户等待充电时间约束、所述服务区占地面积约束、所述微网内各设备出力约束和所述功率平衡约束为所述约束条件，以微网内各设备建设系数及运维系数总和最小为所述优化目标...

【专利技术属性】
技术研发人员：胡俊杰，刘雪涛，李儒州，曲佳桐，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：