技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种区分场景的空闲移动充电站鲁棒优化调度方法及系统  >  正文

一种区分场景的空闲移动充电站鲁棒优化调度方法及系统

  • 国知局
  • 2024-09-05 14:49:08

本发明属于电动汽车物联网,尤其涉及一种区分场景的空闲移动充电站鲁棒优化调度方法及系统。

背景技术:

1、在电动汽车物联网中,电动汽车常用的充电方式是通过固定充电站充电,然而电动汽车在固定充电站充电高峰期,以及在高速公路或农村地区等充电设施不足地区的充电要求往往无法被固定充电站满足,因此移动充电站的概念被提出,作为对固定充电站的补充充电形式。在通常情况下,空闲移动充电站在收到电动汽车发出充电请求之前不会主动向其方向移动,然而如果允许云服务器根据这些潜在的充电需求提前调度空闲移动充电站,主动追踪可能发出充电需求的电动汽车,那么将有更多的电动汽车可以得到及时充电,从而提高充电站的充电效率和充电收益。

2、但是在调度空闲移动充电站时,周围环境往往会存在一些无法确定的因素,这些不确定因素可能会导致原来确定性模型所求得的最优解变得毫无意义。对于电动汽车物联网中,较为显著的不确定因素即电动汽车的充电需求。该需求量受到天气环境、道路交通流量、司机出行模式等因素的影响而不断波动,同时充电需求量的大小又与上下班高峰、节假日、人流量等多个生活相关的要素都息息相关,因此其大小的波动直接影响移动充电站调度问题的结果。在做调度决策时面临的主要挑战在于不确定变量充电需求的联合分布是未知的。由于司机出行模式的非平稳性和空间相关性,从历史数据中获得准确的分布估计是非常困难的,这是城市交通行业的一个共同特征。

技术实现思路

1、本发明的主要目的在于克服现有技术的缺点与不足,提供一种区分场景的空闲移动充电站鲁棒优化调度方法及系统,使得充电站的调度方案更加合理,能够满足更多电动汽车的充电需求,减少运营成本,提高充电站的调度效率。

2、根据本发明的一个方面,本发明提供了一种区分场景的空闲移动充电站鲁棒优化调度方法,所述方法包括以下步骤:

3、s1:构建空闲移动充电站的调度模型;

4、s2:根据历史充电需求数据和天气数据构建模糊集,将所述历史充电需求数据分类至不同场景,基于模糊集和移动充电站的状态信息对所述调度模型进行优化,得到鲁棒优化调度模型的目标函数;

5、s3:对所述鲁棒优化调度模型的目标函数进行求解,根据求解结果对空闲移动充电站进行调度。

6、优选地,所述构建空闲移动充电站的调度模型包括:确定空闲移动充电站的调度模型的目标函数,具体如下:

7、

8、其中,为在时段k至k+1、区域j内产生的总充电需求量,为调度决策矩阵,为在时刻k从区域i调度至区域j的空闲移动充电站数量,wij为从区域i至区域j的行驶距离;为做调度决策前在时刻k、区域i的空闲移动充电站数量,β为权重系数,nk为整个城市的移动充电站供给总和,

9、优选地,所述根据历史充电需求数据和天气数据构建模糊集,得到鲁棒优化调度模型的目标函数包括:

10、使用多元回归树,将天气数据作为协变量,将充电需求的历史数据分类至不同场景;假设有t个历史充电需求样本和协变量观测样本协变量的集合用ω表示,t被划分成l个子集ωl,l∈[l],且对所有l,k∈[l],l≠k,∪l∈[l]ωl=ω,存在pl是每个场景发生的概率,构造如下由概率分布组成的模糊集:

11、

12、构建鲁棒优化模型中的目标函数如下:

13、

14、其中,m是区域数量,[m]是1到m的集合,i是协变量特征个数,是由充电需求和协变量组合所服从的概率分布,是m+i维变量的概率分布集合,是在概率分布下的变量期望值,p是事件的发生概率;μl是在l场景下充电需求的均值,σjl是在l场景下、j区域内的充电需求标准差,pl是l场景的发生概率,是充电需求历史数据中的上下界集。

15、优选地,所述将充电需求的历史数据分类至不同场景包括:

16、对下式进行求解:

17、

18、其中,将协变量中第j个特征变量和它的取值s作为切分变量和切分点,划分两个区域为和且找到最优的(j,s)后,依次将输入空间划分为两个区域,对每个区域重复上述划分过程,直到满足停止条件,生成回归决策树,根据所述回归决策树将数据集分类成具有l个子集的场景集。

19、优选地,所述根据求解结果对空闲移动充电站进行调度包括:

20、对所述区分场景的鲁棒优化模型的目标函数进行求解,得到最终的决策矩阵对决策矩阵xk中的每个元素在k时刻向i区域内的个空闲移动充电站发送调度任务,令其行驶至j区域响应电动汽车的充电请求。

21、根据本发明的另一个方面,本发明还提供了一种区分场景的空闲移动充电站鲁棒优化调度系统,所述系统包括:

22、第一构建模块,用于构建空闲移动充电站的调度模型;

23、第二构建模块,用于根据历史充电需求数据和天气数据构建模糊集,将所述历史充电需求数据分类至不同场景,基于模糊集和移动充电站的状态信息对所述调度模型进行优化,得到鲁棒优化调度模型的目标函数;

24、求解调度模块,用于对所述鲁棒优化调度模型的目标函数进行求解,根据求解结果对空闲移动充电站进行调度。

25、优选地,所述第一构建模块构建空闲移动充电站的调度模型包括:确定空闲移动充电站的调度模型的目标函数,具体如下:

26、

27、其中,为在时段k至k+1、区域j内产生的总充电需求量,为调度决策矩阵,为在时刻k从区域i调度至区域j的空闲移动充电站数量,wij为从区域i至区域j的行驶距离;为做调度决策前在时刻k、区域i的空闲移动充电站数量,β为权重系数,nk为整个城市的移动充电站供给总和,

28、优选地,所述第二构建模块根据历史充电需求数据和天气数据构建模糊集,得到鲁棒优化调度模型的目标函数包括:

29、使用多元回归树,将天气数据作为协变量,将充电需求的历史数据分类至不同场景;假设有t个历史充电需求样本和协变量观测样本协变量的集合用ω表示,t被划分成l个子集ωl,l∈[l],且对所有l,k∈[l],l≠k,∪l∈[l]ωl=ω,存在pl是每个场景发生的概率,构造如下由概率分布组成的模糊集:

30、

31、构建鲁棒优化模型中的目标函数如下:

32、

33、其中,m是区域数量,[m]是1到m的集合,i是协变量特征个数,是由充电需求和协变量组合所服从的概率分布,是m+i维变量的概率分布集合,是在概率分布下的变量期望值,p是事件的发生概率;μl是在l场景下充电需求的均值,σjl是在l场景下、j区域内的充电需求标准差,pl是l场景的发生概率,是充电需求历史数据中的上下界集。

34、优选地,所述将充电需求的历史数据分类至不同场景包括:

35、对下式进行求解:

36、

37、其中,将协变量中第j个特征变量和它的取值s作为切分变量和切分点,划分两个区域为和且找到最优的(j,s)后,依次将输入空间划分为两个区域,对每个区域重复上述划分过程,直到满足停止条件,生成回归决策树,根据所述回归决策树将数据集分类成具有l个子集的场景集。

38、优选地,所述求解调度模块根据求解结果对空闲移动充电站进行调度包括:

39、对所述区分场景的鲁棒优化模型的目标函数进行求解,得到最终的决策矩阵对决策矩阵xk中的每个元素在k时刻向i区域内的个空闲移动充电站发送调度任务,令其行驶至j区域响应电动汽车的充电请求。

40、有益效果:本发明通过对城市内各区域的历史充电需求和天气状况等数据进行训练分析,得到不确定变量在多场景下的模糊集。然后根据该场景集构建鲁棒优化模型的目标函数和约束条件,对模型求解后得到决策矩阵,并向移动充电站发送调度任务,使得充电站的调度方案更加合理,能够满足更多电动汽车的充电需求,减少运营成本,提高充电站的调度效率。

41、通过参照以下附图及对本发明的具体实施方式的详细描述,本发明的特征及优点将会变得清楚。

本文地址:https://www.jishuxx.com/zhuanli/20240905/288252.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。