本發(fā)明屬于電-交通網(wǎng)協(xié)同優(yōu)化，具體涉及一種基于時空圖注意力網(wǎng)絡充電負荷預測的電力-交通網(wǎng)最優(yōu)調度方法。

背景技術：

1、隨著電動汽車的廣泛推廣，其在電力網(wǎng)絡中引入的充電負荷增加了電力系統(tǒng)規(guī)劃和運營的復雜性，對電網(wǎng)的穩(wěn)定和運行提出了新的挑戰(zhàn)。電動汽車充電負荷的波動性和不確定性尤其在高峰時段造成所謂的“峰上加峰”現(xiàn)象，這種現(xiàn)象指的是電網(wǎng)負荷高峰與電動汽車充電需求的高峰同時發(fā)生，進一步加劇了電網(wǎng)的負荷壓力。因此，精確預測電動汽車充電負荷，尤其是在高峰時段，對于電力系統(tǒng)的優(yōu)化調度和電網(wǎng)規(guī)劃變得至關重要。

2、然而，傳統(tǒng)的負荷預測方法往往忽略了電力系統(tǒng)與交通網(wǎng)絡之間的相互作用，以及時間和空間上的動態(tài)變化，導致預測準確性有限。進一步的，由于缺乏精確的充電負荷預測，電網(wǎng)的能源消耗也隨之上升。因此，亟待研發(fā)一種基于時空圖注意力網(wǎng)絡充電負荷預測的電力-交通網(wǎng)最優(yōu)調度方法，以提高充電負荷的預測精度，提高電網(wǎng)能源利用效率。

技術實現(xiàn)思路

1、發(fā)明目的：本發(fā)明所要解決的技術問題是針對現(xiàn)有技術存在的不足而提供一種基于時空圖注意力網(wǎng)絡充電負荷預測的電力-交通網(wǎng)最優(yōu)調度方法。本發(fā)明計及了電力系統(tǒng)、交通系統(tǒng)的協(xié)同，引入時空圖注意力網(wǎng)絡模型預測交通網(wǎng)中電動汽車的交通流量，通過考慮充電站容量限制和電動汽車用戶行為的改進充電站排隊論模型將電動汽車交通流量轉化為充電負荷，引入電網(wǎng)相關約束，對電力-交通網(wǎng)進行協(xié)同調度。本發(fā)明不僅能夠實現(xiàn)電動汽車充電負荷的準確預測，還在其基礎上考慮了電動汽車用戶的充電行為，保障了電力-交通網(wǎng)的協(xié)同運行。

2、技術方案：為了解決上述技術問題，本發(fā)明提供一種基于時空圖注意力網(wǎng)絡充電負荷預測的電力-交通網(wǎng)最優(yōu)調度方法，該方法包括以下步驟：

3、步驟1、獲取電網(wǎng)模型的網(wǎng)絡系數(shù)和運行系數(shù)，所述網(wǎng)絡系數(shù)包括電網(wǎng)拓撲、線路電阻和阻抗，所述運行系數(shù)包括發(fā)電機組發(fā)電系數(shù)、儲能系統(tǒng)充放電系數(shù)、光伏逆變器系數(shù)、充電站參數(shù)；

4、步驟2、獲取電網(wǎng)負荷需求、光伏出力以及交通網(wǎng)交通流數(shù)據(jù)集場景數(shù)據(jù)；

5、步驟3、將交通網(wǎng)過去時間段的交通流量、速度和占有率作為輸入，交通網(wǎng)未來時間段的交通流量作為輸出，在時空圖卷積網(wǎng)絡的基礎上加入注意力機制進行訓練，建立基于時空圖注意力網(wǎng)絡的交通流預測模型；

6、步驟4、基于步驟3中的基于時空圖注意力網(wǎng)絡的交通流預測模型，將交通網(wǎng)過去時間段的交通流量、速度和占有率輸入，預測得到未來時間段的交通流量；

7、步驟5、基于步驟4中預測得到的未來時間段的交通流量，在排隊論的基礎上考慮充電站容量限制和電動汽車用戶行為以得到改進排隊論模型，利用改進排隊論模型將預測的交通流量映射得到充電負荷；

8、步驟6、針對獲取的電網(wǎng)的網(wǎng)絡系數(shù)、運行系數(shù)、場景數(shù)據(jù)以及預測得到的充電負荷，以電網(wǎng)運行約束、儲能運行約束、充電負荷耦合約束為約束條件，以電網(wǎng)運行能量消耗最小為目標函數(shù)，利用混合整數(shù)優(yōu)化求解器求解該模型，對電網(wǎng)進行優(yōu)化調度以得到基于時空圖注意力網(wǎng)絡充電負荷預測的電力-交通網(wǎng)最優(yōu)調度方案。

9、進一步的，步驟3中的注意力機制為：

10、sam＝vs·τ((xw1)w2(w3x)t+bs)(b-1)

11、

12、tam＝vt·τ((xtw4)w5(w6x)+bt)(b-3)

13、

14、式中，x表示交通網(wǎng)的輸入特征矩陣，sam表示空間注意力矩陣，vs表示空間注意力中用于加權輸出的權重矩陣，w1，w2，w3表示空間注意力中用于對輸入序列進行線性變換的權重矩陣，bs表示空間注意力中用于調整輸出的偏置向量，τ表示激活函數(shù)，sami,j表示空間矩陣節(jié)點的相互影響程度，sam'i,j表示標準化的空間矩陣節(jié)點的相互影響程度，n'表示交通網(wǎng)空間節(jié)點的數(shù)量，tam表示時間注意力矩陣，vt表示時間注意力中用于加權輸出的權重矩陣，w4，w5，w6表示時間注意力中用于對輸入序列進行線性變換的權重矩陣，bt表示時間注意力中用于調整輸出的偏置向量，tami,j表示時間矩陣節(jié)點的相互影響程度，tam'i,j表示標準化的時間矩陣節(jié)點的相互影響程度，th表示預測時間維度的長度。

15、進一步的，步驟3中，加入注意力機制的時空圖卷積網(wǎng)絡為：

16、

17、式中，表示經(jīng)時間注意力矩陣調整后的交通網(wǎng)輸入特征矩陣，tam'表示標準化的時間注意力矩陣，gθ表示卷積核，*g表示圖卷積運算，l表示拉普拉斯矩陣，θm表示切比雪夫系數(shù)矩陣，tm(·)表示表示切比雪夫多項式，m表示切比雪夫多項式階數(shù)，表示標準化拉普拉斯矩陣，iu表示單位矩陣，表示拉普拉斯矩陣的最大特征值，⊙表示哈達馬積運算，relu(·)表示非線性激活函數(shù)，sam'表示標準化的空間注意力矩陣，φ表示時間維卷積參數(shù)，*表示標準卷積運算，x'表示調整后新的交通網(wǎng)輸入特征矩陣。

18、進一步的，步驟4中，預測得到未來時間段的交通流量為：

19、

20、式中，fc(·)表示全連接層，表示預測得到的交通流量。

21、進一步的，步驟5中，利用改進排隊論模型將預測的交通流量映射得到的充電負荷為：

22、

23、

24、式中，λe表示電動汽車平均到達率，πe表示電動汽車滲透率，表示電動汽車充電概率，μe表示充電站充電樁平均服務率，ρe表示充電站充電樁平均利用率，σ表示電動汽車拒絕排隊傾向的參數(shù)，δ表示用戶不耐煩程度的參數(shù)，k表示電動汽車的數(shù)量，c表示充電樁的數(shù)量，n表示充電站的容量，p0表示充電站中沒有電動汽車的概率，pk表示充電站中有k輛電動汽車的概率，表示t時刻預測得到的充電樁被占用的數(shù)量，表示節(jié)點i處充電樁的額定功率，表示節(jié)點i處t時刻預測得到的充電站充電負荷。

25、進一步的，步驟6中，基于時空圖注意力網(wǎng)絡的充電負荷預測模型相關運行約束，具體如下：

26、(1)電網(wǎng)運行約束：

27、

28、

29、式中，和分別表示t時刻線路ij的有功功率和無功功率；分別表示線路ij的電阻、電抗、阻抗；表示t時刻電路ij的電流；h(j)表示與節(jié)點j相連的子節(jié)點所構成的集合；和分別表示t時刻線路jh的有功功率和無功功率；和分別表示t時刻節(jié)點j處光伏的有功出力和無功出力；和分別表示t時刻節(jié)點j處儲能的放電量和充電量；和分別表示t時刻節(jié)點j的有功和無功負荷；uj,t表示t時刻節(jié)點j處電壓幅值平方；ui,t表示t時刻節(jié)點i處電壓幅值平方；表示電路ij的電流上限；和分別表示節(jié)點i處電壓幅值平方下限和上限；表示節(jié)點i處光伏的無功出力限制；表示節(jié)點i處光伏的容量；

30、(2)儲能運行約束：

31、

32、式中，和分別表示t時刻節(jié)點i處儲能充、放電狀態(tài)的二進制變量；和分別表示t時刻節(jié)點i處儲能充、放電功率；和分別表示t時刻節(jié)點i處儲能充、放電功率；表示節(jié)點i處儲能充放電最大功率；和分別表示節(jié)點i處儲能充、放電效率；和分別表示t時刻和t+1時刻節(jié)點i處儲能儲電容量；表示節(jié)點i處儲能可存電量最大值；

33、(3)充電負荷耦合約束：

34、

35、式中，表示t時刻節(jié)點i的有功負荷；表示t時刻節(jié)點i處的常規(guī)電力負荷。

36、進一步的，步驟5中，電網(wǎng)運行能量消耗最小優(yōu)化目標函數(shù)為：

37、

38、式中，表示電網(wǎng)運行能量消耗；te表示時間段集合；h(0)表示與電網(wǎng)根節(jié)點相連的節(jié)點集合；csub.t和分別表示t時刻配電網(wǎng)上級主網(wǎng)電價和購電量；cess表示儲能充放電成本；s(i)表示與節(jié)點i相連的儲能集合；ζ表示懲罰系數(shù)；表示t時刻根據(jù)預測優(yōu)化得到的配電網(wǎng)上級主網(wǎng)購電量。

39、有益效果：與現(xiàn)有技術相比，本發(fā)明的技術方案具有以下有益效果：

40、本發(fā)明的技術方案與傳統(tǒng)充電負荷預測的基礎方案相比，本發(fā)明通過引入注意力機制挖掘數(shù)據(jù)的時空依賴性預測電動汽車交通流，并通過充電站改進排隊論模型轉化為充電負荷，并結合光伏系統(tǒng)和儲能系統(tǒng)組成光儲充一體化模型納入到電網(wǎng)中進行優(yōu)化。算例測試結果表明，本發(fā)明所提方法較現(xiàn)有方法能提高充電負荷預測的準確性，考慮了電動汽車用戶充電過程中的排隊行為，減少了電網(wǎng)的能量消耗，提高了電力系統(tǒng)的穩(wěn)定性。