多时段交通网-配电网耦合运行分析模型建模方法及系统与流程

本发明涉及配电网，具体是多时段交通网-配电网耦合运行分析模型建模方法及系统。

背景技术：

1、电动汽车大规模接入配电网充电，使交通网-配电网耦合运行更加紧密。电动汽车的充电负荷具有间歇性强、波动大等特征，会增大电力系统发电与储能设备的规划与调控压力。但同时，电动汽车较强的空间灵活性与较大的充放电功率使其具备作为移动式储能的潜力，在充电价格等合理信息的调控下，其同样可以给配电网带来稳定电压水平、提高电能质量、消纳过剩分布式可再生能源产能等积极影响。与此同时，电动汽车的高速增长带动了无人驾驶技术的快速发展，服从按需自治移动系统调度的无人驾驶电动汽车车队将成为未来交通网发展的重要方向。无人驾驶技术使电动汽车具备更强的可控性，从而更充分地发挥其作为移动式储能的优势。因此，研究无人驾驶技术驱动下的交通网-配电网耦合模型，对于城市多能源网络的预测、运行和维护具有深远意义。现有的传统的交通网-配电网耦合运行分析方法多仅对单时段、长时间尺度的静态交通流进行分析，未充分考虑无人驾驶对交通网-配电网耦合系统带来的综合影响，且未考虑手动驾驶车辆和自动驾驶车辆的不同出行策略，难以满足含无人驾驶车辆的交通网-配电网运行分析的新需求。

技术实现思路

1、本发明针对现有分析方法难以适用于含无人驾驶车辆的多时段、多调度准则的交通网-配电网耦合运行分析的不足，提出了含无人驾驶车流的多时段交通网-配电网耦合网络模型与运行分析方法，以量化无人驾驶电动汽车在与配电网合作给交通网-配电网耦合网络带来的影响，为城市交通-电力耦合网络的运行状态感知提供参考。基于半动态交通流建模技术扩展传统静态交通网-配电网耦合分析的时间尺度，使建模方法适用于多时间段联合分析；通过上、下层优化问题形式，分别刻画配电网-无人驾驶车队系统的合作运行模式与传统车辆自发形成的随机用户均衡模式，获得考虑无人驾驶车辆与交通网-配电网不同行为主体多行为准则的均衡分析结果；在此基础上，设计内、外层迭代求解算法，实现所提模型的高效求解。

2、本发明涉及一种适配多时间段的，含无人驾驶车流的交通网-配电网耦合运行模型。该模型由以无人驾驶车流和配电网总体运行成本最小为目标的上层系统最优(so)优化问题和刻画交通网中传统车流出行行为的下层随机用户均衡(sue)优化问题组成，以半动态交通流刻画各时段间车流关系，实现多行为主体、多行为准则下，含无人驾驶车流的交通网-配电网多时段耦合运行方式的准确刻画。其次，本发明涉及一种内、外部迭代求解算法。该算法通过上下层sue优化问题的内部迭代和各时段的外部迭代，处理问题建模引入的复杂非线性项，实现所述耦合运行分析模型的线性化和高效求解。

3、所述的交通网-配电网耦合运行分析是指：由交通网道路、车流信息和配电网源-荷、线路信息出发，分析交通网-配电网在交互均衡下的运行参数，包括配电网潮流状态变量(如节点电压参数、线路功率流等)和交通网的交通流状态变量(道路车流分布，路段通行时间等)。

4、所述的无人驾驶车流是指：受车辆调度中心集中控制的无人驾驶电动汽车集合，该类车流可在满足用户出行订单的同时，通过电动汽车充电行为辅助配电网降低发电成本，消纳过剩可再生能源。

5、所述的系统最优(so)是指：无人驾驶车辆调度平台和配电网运营商以协议形式达成合作，使二者的总体运行成本在可协调范围内最低。

6、所述的总体运行成本包括：交通网车辆路径通行时间，充电费用(如有充电需求)；配电网发电成本，自上级电网购电成本，新能源弃用惩罚成本。

7、所述的随机用户均衡(sue)是指：驾驶传统车辆的司机均从自身利益出发，选择符合自身出行需求且在其认知情况下出行成本最低的路径，最终使整体车流达到的均衡状态。

8、所述的半动态交通流是指：将用户的时变出行需求下放至多个时段，假设各时段内的用户出行需求固定不变，并引入“剩余交通流”刻画各分时段出行需求的前后联系，适用于中等时间尺度(15～90分钟)的交通流分析方法。

9、所述的多行为主体包括：配电网运营商(调整发电机出力、上级电网购电量、新能源弃用功率和电动汽车充电电价)，无人驾驶车辆调度中心(制定无人驾驶车流的载客路线、再平衡路线和充电方案)，驾驶传统车辆的出行用户(根据出行成本认知自主决定出行路线)。

10、所述的迭代求解是指：将部分模型中的变量当作定值进行求解，以模型输出结果代入模型更新所用变量，重复求解模型，直至符合收敛条件或超过迭代次数上限的求解算法。

11、为实现上述目的，本发明提供如下技术方案：

12、一种多时段交通网-配电网耦合运行分析模型建模方法及系统，包括如下步骤：

13、步骤s1：输入配电网、交通网数据，根据配电网源-荷、线路信息和交通网道路、车流信息，构建上下层优化模型，刻画多行为主体、多行为准则下，含无人驾驶车流的交通网-配电网多时段耦合运行方式；具体包括：

14、步骤s11：由配电网数据和无人驾驶车流信息，构建上层so模型；

15、步骤s12：由手动驾驶车流信息，构建下层sue模型；考虑到用户对路况的认知偏差，基于用户均衡准则和logit型sue模型，刻画含认知偏差情况下，手动驾驶车辆车流分布情况；

16、步骤s2：对上层so模型进行内部迭代求解，具体包括如下步骤：

17、步骤s21：初始数据输入：输入当前时段t的上层so模型计算所需的初始数据；

18、步骤s22：初始条件设置：设置上层so优化问题的迭代初始条件；

19、步骤s23：出行需求更新：由原始出行需求、时段t和t-1下的剩余交通流，由式和计算当前时段的实际出行需求和并将其输入上层so优化问题作为其固定参数；

20、步骤s24：上层so优化问题求解：在将约束条件中的实际出行需求及下层传统交通流分布视为固定参数的情况下，求解上层so优化问题，得到目标函数最小时的待求优化变量值；

21、步骤s25：收敛条件判断：由上层内部迭代收敛条件判断方法决定迭代是否继续或结束；

22、步骤s26：上层so模型求解结果输出：若算法成功收敛，则输出最后一次迭代中得到的上层so模型求解结果；

23、步骤s3：下层sue模型的内部迭代求解，该求解方法具体包括如下步骤：

24、步骤s31：初始数据输入：输入当前时段t的下层sue模型计算所需的相关初始数据；

25、步骤s32：初始条件设置：设置下层sue优化问题的迭代初始条件；

26、步骤s33：出行需求更新：由原始出行需求、时段t和t-1下的剩余交通流，由式和计算当前时段的实际出行需求和并将其输入下层sue优化问题作为其固定参数；

27、步骤s34：下层sue优化问题求解：在将约束条件中的实际出行需求及上层自动驾驶交通流分布视为固定参数的情况下，求解下层sue优化问题，得到目标函数最小时的待求优化变量值；

28、步骤s35：收敛条件判断：由下层内部迭代收敛条件判断方法决定迭代是否继续或结束；

29、步骤s36：下层sue模型求解结果输出：若算法成功收敛，则输出最后一次迭代中得到的下层sue模型求解结果；

30、步骤s4：多时段上下层模型间的外部迭代求解，具体包括：

31、步骤s41：初始数据输入：输入多时段上下层模型间的外部迭代求解所需的初始数据；

32、步骤s42：初始条件设置：设置多时段外部迭代的初始条件；

33、步骤s43：下一时段迭代参数初始化：令t＝t+1，若t≤t，更新单时段外部迭代初始条件，开始时段t的单时段外部迭代求解，否则，多时段外部迭代结束；

34、步骤s44：单时段上、下层问题交互内部迭代求解：将和作为参数输入上层模型，由步骤s2求解时段t内的上层so问题，输出上层车流分布和充电电价λt；将λt和作为参数输入下层模型，由步骤s3求解时段t内的下层sue优化问题，输出下层车流分布

35、步骤s45：单时段外部迭代收敛条件判断：由外部迭代收敛条件判断方法决定该时段迭代是否继续或结束；

36、步骤s46：多时段外部迭代求解结果输出：若时段t内的算法成功收敛，则输出该时段最后一次迭代中得到的上、下层模型求解结果；

37、步骤s5：在多时段模型求解完成后，综合模型输出结果，分析交通网、配电网在各时段均衡状态下的参数变化，感知含无人驾驶车流的配电网-交通网在不同出行需求、负荷需求下的均衡运行状态；通过配电网电压均值、方差变化和无人驾驶车队运营成本变化，量化无人驾驶车流-配电网系统的合作效益。

38、作为本发明进一步的方案：

39、所述上层so优化问题的建模方法：

40、其目标函数为：无人驾驶车流和配电网总体运行成本最小，即：min c1,t＝ct,u,t+cd,t其中：c1,t是合作整体在时间段t内的总体运行成本；ct,u,t是自动驾驶车队在时间段t内的运行成本，其表达式为：ct,u,t＝corder,t+cre,t，其中corder,t和cre,t分别为载客和再平衡无人驾驶车流在时间段t内的运行成本；cd,t是配电网在时间段t内的运行成本，其表达式为：cd,t＝cgen,t+cbuy,t+ccurtail,t，其中cgen,t，cbuy,t和ccurtail,t分别为配电网在时间t内的发电成本、购电成本和可再生能源弃用成本；

41、其交通网侧约束条件为：

42、

43、

44、

45、

46、

47、

48、

49、

50、

51、

52、

53、

54、

55、

56、其中：drs是交通网中的出行需求起点-终点对集合(r→s)，krs是从交通网节点r到交通网节点s的备选路径集合；是路段a于时间段t内的无人驾驶车流量，其中和分别是载客车流量和再平衡车流量；是路段a于时间段t内的传统手动驾驶车流量；和是用于表征载客车流和再平衡车流从交通网节点r到达交通网节点s的路径k中，路段a的选通关系的0-1变量，若路径k含路段a，则为1，否则为0；和分别是r→s的路径k于时间段t内的载客车流量和再平衡车流量；和分别是交通网中时间段t内，载客车辆和再平衡车辆r→s的总出行需求，和为未经剩余交通流修正的原始出行需求，rtrs,d和rtrs,r分别为r→s的载客车流和再平衡车流在时间段t内的剩余交通流；和分别为于时间段t内，载客车辆和再平衡车辆走完r→s的路径k所需的通行时间；η为各时间段的长度；约束条件中，(3)和(4)为路段和路径的车流关系约束；(5)和(6)为车流非负性约束；(7)和(8)为车流总量约束；(9)-(14)为半动态交通流关系约束；

57、其配电网侧约束条件为：

58、

59、

60、

61、

62、

63、

64、

65、

66、

67、

68、

69、

70、

71、其中：sl是配电网线路集合，sn是配电网节点集合；是时间段t内配电网节点j处的总用电负荷，包括常规负荷无人驾驶电动汽车充电负荷和手动驾驶电动汽车充电负荷和分别为时间段t内接入配电网节点j的可再生能源机组有功、无功出力，和为可再生能源机组在时间段t的最大出力，δpj,t和δqj,t为可再生能源机组在时间段t的弃用功率；和分别为时间段t内接入配电网节点j的传统发电机组有功、无功出力；和分别为线路l在时间段t内的有功、无功功率流；为线路l在时间段t内流经的电流值的平方；uj,t为节点j在时间段t内的电压值的平方；σj,t是为代替目标函数中发电机发电成本所含的平方项而引入的二阶锥松弛变量；和为节点j上的发电机组的最大、最小有功和无功出力值；为流经线路l的最大视在功率值；约束条件中，(16)为无人驾驶车流在配电网节点j产生的充电负荷约束；(19)和(20)为有功、无功功率平衡约束；(21)为节点间电压差约束；(22)和(23)分别为线路功率流和发电机组二次出力成本的二阶锥约束；(24)，(25)和(26)为节点电压平方值，发电机有功、无功出力约束；(27)为线路最大视在功率约束。

72、作为本发明进一步的方案：

73、所述上层so优化问题内部迭代求解方法中，在将约束条件中的实际出行需求及下层传统交通流分布视为固定参数的情况下，求解上层so问题，得到目标函数最小时的待求优化变量值，以处理约束条件中的复杂非线性项。

74、作为本发明进一步的方案：

75、所述上层so优化问题内部迭代的收敛条件判断方法中，根据上层so模型的求解结果，得到当前时段的剩余交通流更新值r1，与该次求解中输入模型的剩余交通流初始值r比较，若||r1-r||2＜εu，则判断收敛成功，迭代结束，输出模型求解结果；否则，令迭代次数ku＝ku+1，若ku>ku，则判断收敛失败，迭代结束，若ku≤ku，则将该次迭代输出的剩余交通流作为初始值重新输入上层so模型(r＝r1)，重复步骤“出行需求更新，上层so优化问题求解，收敛条件判断”，直至迭代结束。

76、作为本发明进一步的方案：

77、所述下层sue优化问题内部迭代求解方法中，在将约束条件中的实际出行需求及上层自动驾驶交通流分布视为固定参数的情况下，求解下层sue优化问题，得到目标函数最小时的待求优化变量值，以处理约束条件中的复杂非线性项。

78、作为本发明进一步的方案：

79、所述下层sue优化问题内部迭代的收敛条件判断方法中，根据下层sue模型的求解结果，得到当前时段的剩余交通流更新值r1，与该次求解中输入模型的剩余交通流初始值r比较，若||r1-r||2＜εl，则判断收敛成功，迭代结束，输出模型求解结果；否则，令迭代次数kl＝kl+1，若kl>kl，则判断收敛失败，迭代结束，若kl≤kl，则将该次迭代输出的剩余交通流作为初始值重新输入下层sue模型(r＝r1)，重复步骤“出行需求更新，下层sue优化问题求解，收敛条件判断”直至迭代结束。

80、作为本发明进一步的方案：

81、单时段上、下层问题交互内部迭代求解方法中，将和作为参数输入上层模型，由上层so优化问题内部迭代求解方法求解时段t内的上层so问题，输出上层车流分布和充电电价λt；将λt和作为参数输入下层模型，由下层sue优化问题内部迭代求解方法求解时段t内的下层sue优化问题，输出下层车流分布

82、作为本发明进一步的方案：

83、所述多时段外部迭代的收敛条件判断方法中，根据上、下层模型内部迭代的求解结果，得到当前时段上层自动驾驶车流分布和下层手动驾驶车流分布与该次迭代前的车流分布比较，若则判断收敛成功，单时段迭代结束，输出时段t的求解结果，执行步骤“下一时段迭代参数初始化”；否则，令迭代次数ka＝ka+1，若ka>ka，则判断收敛失败，迭代结束，执行步骤“下一时段迭代参数初始化”，若ka≤ka，则将该次迭代输出的上下层交通流分布情况作为初始值重新输入上下层模型重复步骤“单时段上、下层问题交互内部迭代求解，收敛条件判断”，直至该时段迭代结束。

84、作为本发明更进一步的方案：

85、一种多时段交通网-配电网耦合运行分析模型建模系统，包括：模型构建单元，模型迭代求解单元与结果分析单元；所述模型构建单元根据配电网源-荷、线路信息和交通网道路、车流信息，构建上层so优化模型和下层sue优化模型；所述模型迭代求解单元在给定模型各时段内的求解参数情况下，通过多时段外部迭代和上、下层内部迭代，实现所提模型的高效求解；所述结果分析单元，综合模型求结果，感知含无人驾驶车流的配电网-交通网的多时段均衡运行状态，量化评估无人驾驶车流-配电网系统的合作效益。

86、与现有技术相比，本发明的有益效果是：本发明能够适配交通网-配电网的多时段耦合运行分析，针对性地刻画交通网-配电网多主体的不同行为准则，对含无人驾驶车流的交通网-配电网耦合系统提供全面的建模与状态感知方案。