【技术实现步骤摘要】
本专利技术属于电-交通网协同优化，具体涉及一种基于深度学习解耦的电力-交通网最优调度方法。
技术介绍
1、电-交通网是电力系统和交通系统的融合体，是未来城市智能化发展的重要组成部分。电-交通网不仅需要考虑电力系统的稳定性和可靠性，还需要考虑交通系统的效率和便捷性。因此，电-交通网的最优调度是一项极具挑战性的任务。传统的物理模型协同调度不仅存在难以跨越电网和交通网之间信息壁垒的问题，而且求解效率偏慢，难以达到实时调度的要求。基于上述说明，本专利技术所提出的基于深度学习解耦的电-交通网最优调度方法主要考虑以下两个方面：一是建立于深度学习解耦的电-交通网最优调度模型，在将电网和交通网解耦的基础上即保证了协调调度的优势，又保护了两网的信息隐私；二是通过深度学习模型，极大提高了模型的求解效率。
技术实现思路
1、专利技术目的：本专利技术所要解决的技术问题是针对现有技术存在的不足而提供一种基于深度学习解耦的电力-交通网最优调度方法。本专利技术计及了电力系统、交通网系统的协同，引入深度学习模型学习电网和交通网间的电动汽车充电功率，在保证了协调运行性的基础上，实现了两网间的独立运行。本专利技术不仅能够实现电-交通网的运行最优调度，还在其基础上保障了电网和交通网的信息隐私，提高模型的求解效率。
2、技术方案：为了解决上述技术问题，本专利技术提供一种基于深度学习解耦的电力-交通网最优调度方法，包括以下步骤：
3、步骤1、获取电网、交通网模型的网络系数和运行系数，所述网络系数包括
4、步骤2、获取电网负荷需求、交通需求及光伏出力场景数据；
5、步骤3、针对获取的电网、交通网模型的网络系数、运行系数和场景数据，以系统运行能量消耗最小为目标函数，以电网运行约束和交通网运行约束为约束条件，建立计及电动汽车的电-交通网协调调度模型，求解得计及电动汽车的电-交通网协调调度模型的电动汽车充电功率；
6、步骤4、基于步骤3中的计及电动汽车的电-交通网协调调度模型的电动汽车充电功率，以电网负荷需求、交通需求为输入，电动汽车充电功率为输出，通过深度学习模型学习，建立基于深度学习解耦的电力-交通网最优调度模型；
7、步骤5、基于步骤4中的基于深度学习解耦的电力-交通网最优调度模型，利用非线性优化求解器求解该模型，对电网和交通网进行优化调度以得到基于深度学习解耦的电力-交通网最优调度方案。
8、进一步的，步骤3中，以系统运行能量消耗最小为目标函数为：
9、
10、式中，feco为系统运行能量消耗，为电网运行能量消耗，为交通网能量消耗；
11、
12、式中，en表示电网节点集合；π(0)表示与电网根节点相连的节点集合；rs表示交通出行需求的起止点集合；bi表示节点i处分布式电源的费用系数；和表示节点j处分布式电源的有功功率；v和分别表示配电网上级主网电价和电量；表示出发点r为目的地为s的电动汽车的最小通行费用；qrs表示出发点r为目的地为s的交通需求车辆数目。
13、进一步的，步骤3中，电网运行约束和交通网运行约束为：
14、(1)电网运行约束：
15、
16、
17、
18、
19、
20、
21、
22、
23、式中，和分别表示线路ij的有功功率和无功功率；表示节点j处分布式电源的无功功率；分别表示线路ij的电阻、电抗、阻抗；表示电路ij的电流；π(j)表示与节点j相连的子节点h所构成的集合；和分别表示线路jh的有功功率和无功功率；和分别表示节点j的有功和无功负荷；uj表示节点j处电压幅值平方；ui表示节点i处电压幅值平方；表示电路ij的电流上限；和分别表示节点i处电压幅值平方下限和上限，和分别表示节点i处分布式电源有功出力的下限和上限；和分别表示节点i处分布式电源无功出力的下限和上限；表示节点j处的常规电力负荷；表示节点j处的电动汽车充电功率；ce(j)表示与节点j相连的充电路段集合；表示充电路段a的交通流量；ee表示电动汽车充电需求；
24、(2)交通网运行约束：
25、
26、
27、
28、
29、
30、
31、
32、式中，表示出发点为r目的地为s的电动汽车的路径k集合；表示选择路径k的电动汽车交通流量；分别表示常规路段、充电路段集合；分别表示常规路段、充电路段的交通流量；分别表示常规路段、充电路段能容纳的车辆数目；分别表示常规路段行驶时间，充电时间；分别表示常规路段、充电路段零交通流下的自由通行时间；j为充电时间模型参数；表示出发点r为目的地为s的电动汽车选择路径k时需支付的通行费用；ω、分别表示单位行驶时间费用、充电价格；tolla、分别表示拥挤定价，充电服务费；表示判断电动汽车所在的路段a是否属于路径k的二进制常量，若属于则取1，否则取0。
33、进一步的，步骤4中，基于深度学习模型为：
34、y＝π(wx+b) (a-18)
35、式中，x∈rn表示输入向量，即交通需求车辆数目qrs和常规电力负荷y∈rm表示预测输出向量，即电动汽车充电功率w∈rm×n表示深度学习模型学习后得的权重矩阵；b∈rm是深度学习模型学习后得的偏差向量；π(•)表示非线性激活函数relu；rn、rm、rm×n分别表示n维实数集，m维实数集，m×n维实数集。
36、进一步的，步骤4中，将式(a-9)中的电动汽车充电功率替换为深度学习预测得到的电动汽车充电功率基于深度学习解耦的电网最优调度模型为：
37、
38、预测得到的电动汽车充电功率体现为交通网中电动汽车的分布，由得交通网中充电路段的交通流量，表示深度学习预测得到的充电路段的交通流量，基于深度学习解耦的交通网最优调度模型为：
39、
40、进一步的，步骤5中，利用非线性优化求解器求解基于深度学习解耦的电力-交通网最优调度模型，对电网和交通网进行优化调度以得到基于深度学习解耦的电-交通网最优调度方案。
41、有益效果：与现有技术相比，本专利技术的技术方案具有以下有益效果：
42、本专利技术的技术方案与传统电-交通网运行调度的基础方案相比，本专利技术通过引入深度学习模型，学习得到了电网和交通网之间的耦合关系，进而实现了电网和交通网的解耦，使之各自能单独优化。算例测试结果表明，本专利技术所提方法较现有方法能大大提高模型求解效率，在维护电网和交通网信息隐私的基础上，实现了两网的解耦优化，又保持了协调调度的运行性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，步骤3中，以系统运行能量消耗最小为目标函数为：
3.根据权利要求2所述的一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，步骤3中，电网运行约束和交通网运行约束为：
4.根据权利要求3所述的一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，步骤4中，基于深度学习模型为：
5.根据权利要求4所述的一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，步骤4中，将式(A-9)中的电动汽车充电功率替换为深度学习预测得到的电动汽车充电功率基于深度学习解耦的电网最优调度模型为：
6.根据权利要求5所述的一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，步骤5中，利用非线性优化求解器求解基于深度学习解耦的电力-交通网最优调度模型，对电网和交通网进行优化调度以得到基于深度学习解耦的电-交通网最优调度方案。
【技术特征摘要】
1.一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，步骤3中，以系统运行能量消耗最小为目标函数为：
3.根据权利要求2所述的一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，步骤3中，电网运行约束和交通网运行约束为：
4.根据权利要求3所述的一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，步骤4中，基于深度学...
【专利技术属性】
技术研发人员：陈胜，成浩，吕思，卫志农，黄蔓云，朱瑛，孙国强，臧海祥，韩海腾，周亦洲，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。