计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法

本发明属于电力系统，主要涉及了一种计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法。

背景技术：

1、随着充电基础设施的发展，交通电气化正加速发展。因此，迫切需要一种有效描述交通网络中电动汽车交通分布和充电负荷的工具。

2、计及用户均衡的交通流量分配模型(traffic assignment problem with userequilibrium,tap-ue)在电力交通耦合系统中得到广泛应用。在这个框架中，用户均衡表示个体电动汽车用户的决策相互影响的状态，这导致了单方面决策的改变不会提高个人利益的情况。对用户均衡的深刻理解在分析交通系统中发挥关键作用，包括电动汽车用户、充电站运营商和网络运营商之间复杂的互动。因此，交通网络用户均衡状态的求解构成了在分析个体特征和总体趋势时不可避免的阶段。

3、通过传统的商业求解器，求解tap-ue效率降低可以归因于两个基本因素。首先，由于识别最佳路径集所需的迭代计算过程，求解时间显着延长。其次，尽管模型具有固有的凸性，但非线性的存在，特别是链路流量与相关时间成本之间的关系，对实现最佳交通流解决方案提出了巨大的挑战。

4、基于上述研究壁垒，本专利提出一种计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法

技术实现思路

1、本发明正是针对现有技术中tap-ue求解慢，效率低，难以应对大规模交通网络实时调度要求的问题，提供一种计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，首先，在日前阶段里，收集历史交通电动汽车的出行需求、充电价格和用户实际的路径选择，以此为基础，训练路径识别智能体，采用transformer的多头注意机制最小化预测误差；再在日内阶段里，搜集实时交通网中的出行需求和充电站价格，通过路径识别智能体获得路径集合，输入到初始化的全连接网络中，得到路径流量，通过交通网广义目标函数计算损失并更新参数，判断当前是否处于均衡状态，如果是，结束计算，输出结果，如果不是继续迭代更新参数，直至路径流量处于均衡。本方明方法对大规模交通网的均衡状态加速计算有显著成效，有望助力电力-交通实时联合调度。

2、为了实现上述目的，本发明采取的技术方案是：计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，包括如下步骤:

3、s1，数据收集：在日前阶段里，收集确定的交通网络中的状态信息，所述状态信息至少包括历史交通电动汽车的出行需求、充电价格和用户实际的路径选择，数据收集通过计及用户博弈均衡的交通流量分配模型完成；

4、s2，训练路径识别智能体：根据步骤s1收集的数据，以历史交通电动汽车的出行需求和充电价格为特征，用户实际的路径选择训练为标签，训练路径识别智能体，并采用transformer的多头注意机制最小化训练误差；

5、s3，获得路径集：日内阶段里，搜集实时交通网中电动汽车的出行需求和充电站价格，通过步骤s2训练好的路径识别智能体，得到路径集合，同时初始化全连接网络；

6、s4，获得路径流量：将步骤s3搜集的电动汽车的出行需求和充电站价格输入全连接网络，获得路径流量；

7、s5，计算损失并更新参数：通过拉格朗日松弛的方式将计及用户博弈均衡的交通流量分配模型转化为只有目标函数的无约束优化问题，形成增广目标函数，计算神经网络输出的路径流量的损失，并更新参数；

8、s6，判断：判断当前的路径流量是否处于均衡状态，如果是，步骤接受，输出结果；否则返回步骤s3。

9、作为本发明的一种改进，所述步骤s1的数据收集通过计及用户博弈均衡的交通流量分配模型完成，所述模型包括目标函数约束、路径车流量和路段车流量之间的耦合关系约束、路径车流量和电动汽车快充电站等待车辆数之间的联系约束、链路流量和链路通过时间之间的相互作用约束、电动汽车快充电站等待时间的约束、路径车流量与电动汽车出行需求之间的对应关系约束、路径车流量的非负性约束、电动汽车快充电站的充电负荷与路径车流量之间的关系约束。

10、作为本发明的另一种改进，计及用户博弈均衡的交通流量分配模型的目标函数约束为：

11、

12、所述路径车流量和路段车流量之间的耦合关系约束具体为：

13、

14、所述路径车流量和电动汽车快充电站等待车辆数之间的联系约束具体为：

15、

16、所述链路流量和链路通过时间之间的相互作用约束具体为：

17、

18、式中，xa和xk分别代表路段a和电动汽车充电站k的电动汽车流量；ta(xa)和tk(xk)分别代表路段a的通行时间和电动汽车充电站k的充电排队等待时间；fp,w表示起始-终止点对w路径p上的车流量。dw表示起始-终止点对w的电动汽车出行需求；和分别代表路段a的自由通行时间和充电站k的固有的充电服务时间；ca和ck路段a的通行能力和充电站k的充电容量；和vk,p,w指出了路段a和充电站k与路径p之间的耦合关系；ω是时间金钱的转化系数。

19、作为本发明的另一种改进，所述电动汽车快充电站等待时间的约束具体为：

20、

21、所述路径车流量与电动汽车出行需求之间的对应关系约束具体为：

22、

23、所述路径车流量的非负性约束具体为：

24、

25、所述电动汽车快充电站的充电负荷与路径车流量之间的关系约束具体为：

26、

27、其中，充电k的充电负荷，代表通过路径p所需要给电动汽车补充的电量。

28、作为本发明的又一种改进，所述步骤s5中的增广目标函数具体为：

29、

30、式中，λw是违反路径车流量与电动汽车出行需求之间的对应关系约束在目标函数中的惩罚项；μp,w是路径车流量的非负性约束在目标函数中的惩罚项。

31、作为本发明的更进一步改进，所述步骤s5中更新参数的过程采用l-bfgs优化器，引入二阶导数的近似值，加快计算速度。

32、本发明相对于当前技术水平具有显著的有益效果，主要体现在以下两个方面：

33、首先，相较于传统的求解器求解方法，本发明通过引入拉格朗日松弛方法，将原本带有约束的模型转化为无约束模型。随后，将该无约束优化模型即广义目标函数作为神经网络训练的损失函数，通过l-bfgs优化器在参数更新的过程中巧妙的引入了泰勒展开的二次项，从而极大地加快了收敛速度。

34、其次，与直接采用深度学习神经网络进行预测相比，本方法表现出卓越的高精度和对样本利用率的优势。传统的深度学习方法通常依赖于大量的样本数据以确保模型的准确性，然而这种做法在样本稀缺的情况下显得尤为困难。而本发明通过单一批次样本的回归(可视为单一批次的有监督深度学习)，成功地在样本较少的情况下取得了令人满意的预测精度。

技术特征：

1.计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，其特征在于，包括如下步骤：

2.如权利要求1所述的计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，其特征在于：所述步骤s1的数据收集通过计及用户博弈均衡的交通流量分配模型完成，所述模型包括目标函数约束、路径车流量和路段车流量之间的耦合关系约束、路径车流量和电动汽车快充电站等待车辆数之间的联系约束、链路流量和链路通过时间之间的相互作用约束、电动汽车快充电站等待时间的约束、路径车流量与电动汽车出行需求之间的对应关系约束、路径车流量的非负性约束、电动汽车快充电站的充电负荷与路径车流量之间的关系约束。

3.如权利要求2所述的计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，其特征在于：计及用户博弈均衡的交通流量分配模型的目标函数约束为：

4.如权利要求3所述的计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，其特征在于：所述电动汽车快充电站等待时间的约束具体为：

5.如权利要求4所述的计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，其特征在于：所述步骤s5中的增广目标函数具体为：

6.如权利要求4所述的计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，其特征在于：所述步骤s5中更新参数的过程采用l-bfgs优化器，引入二阶导数的近似值。

技术总结本发明公开了一种计及高电动汽车渗透率的交通网络均衡状态求解的加速计算方法，首先，在日前阶段里，收集历史交通电动汽车的出行需求、充电价格和用户实际的路径选择，以此为基础，训练路径识别智能体，采用transformer的多头注意机制最小化预测误差；再在日内阶段里，搜集实时交通网中的出行需求和充电站价格，通过路径识别智能体获得路径集合，输入到初始化的全连接网络中，得到路径流量，通过交通网广义目标函数计算损失并更新参数，判断当前是否处于均衡状态，如果是，结束计算，输出结果，如果不是继续迭代更新参数，直至路径流量处于均衡。本方明方法对大规模交通网的均衡状态加速计算有显著成效，有望助力电力‑交通实时联合调度。技术研发人员：钱涛,梁泽宇,胡秦然,吴在军,徐科,黄地受保护的技术使用者：东南大学技术研发日：技术公布日：2024/5/29