一种基于时空图注意力网络充电负荷预测的电力-交通网最优调度方法

本发明属于电-交通网协同优化，具体涉及一种基于时空图注意力网络充电负荷预测的电力-交通网最优调度方法。

背景技术：

1、随着电动汽车的广泛推广，其在电力网络中引入的充电负荷增加了电力系统规划和运营的复杂性，对电网的稳定和运行提出了新的挑战。电动汽车充电负荷的波动性和不确定性尤其在高峰时段造成所谓的“峰上加峰”现象，这种现象指的是电网负荷高峰与电动汽车充电需求的高峰同时发生，进一步加剧了电网的负荷压力。因此，精确预测电动汽车充电负荷，尤其是在高峰时段，对于电力系统的优化调度和电网规划变得至关重要。

2、然而，传统的负荷预测方法往往忽略了电力系统与交通网络之间的相互作用，以及时间和空间上的动态变化，导致预测准确性有限。进一步的，由于缺乏精确的充电负荷预测，电网的能源消耗也随之上升。因此，亟待研发一种基于时空图注意力网络充电负荷预测的电力-交通网最优调度方法，以提高充电负荷的预测精度，提高电网能源利用效率。

技术实现思路

1、发明目的：本发明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时空图注意力网络充电负荷预测的电力-交通网最优调度方法。本发明计及了电力系统、交通系统的协同，引入时空图注意力网络模型预测交通网中电动汽车的交通流量，通过考虑充电站容量限制和电动汽车用户行为的改进充电站排队论模型将电动汽车交通流量转化为充电负荷，引入电网相关约束，对电力-交通网进行协同调度。本发明不仅能够实现电动汽车充电负荷的准确预测，还在其基础上考虑了电动汽车用户的充电行为，保障了电力-交通网的协同运行。

2、技术方案：为了解决上述技术问题，本发明提供一种基于时空图注意力网络充电负荷预测的电力-交通网最优调度方法，该方法包括以下步骤：

3、步骤1、获取电网模型的网络系数和运行系数，所述网络系数包括电网拓扑、线路电阻和阻抗，所述运行系数包括发电机组发电系数、储能系统充放电系数、光伏逆变器系数、充电站参数；

4、步骤2、获取电网负荷需求、光伏出力以及交通网交通流数据集场景数据；

5、步骤3、将交通网过去时间段的交通流量、速度和占有率作为输入，交通网未来时间段的交通流量作为输出，在时空图卷积网络的基础上加入注意力机制进行训练，建立基于时空图注意力网络的交通流预测模型；

6、步骤4、基于步骤3中的基于时空图注意力网络的交通流预测模型，将交通网过去时间段的交通流量、速度和占有率输入，预测得到未来时间段的交通流量；

7、步骤5、基于步骤4中预测得到的未来时间段的交通流量，在排队论的基础上考虑充电站容量限制和电动汽车用户行为以得到改进排队论模型，利用改进排队论模型将预测的交通流量映射得到充电负荷；

8、步骤6、针对获取的电网的网络系数、运行系数、场景数据以及预测得到的充电负荷，以电网运行约束、储能运行约束、充电负荷耦合约束为约束条件，以电网运行能量消耗最小为目标函数，利用混合整数优化求解器求解该模型，对电网进行优化调度以得到基于时空图注意力网络充电负荷预测的电力-交通网最优调度方案。

9、进一步的，步骤3中的注意力机制为：

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表示交通网的输入特征矩阵，sam表示空间注意力矩阵，vs表示空间注意力中用于加权输出的权重矩阵，w1，w2，w3表示空间注意力中用于对输入序列进行线性变换的权重矩阵，bs表示空间注意力中用于调整输出的偏置向量，τ表示激活函数，sami,j表示空间矩阵节点的相互影响程度，sam'i,j表示标准化的空间矩阵节点的相互影响程度，n'表示交通网空间节点的数量，tam表示时间注意力矩阵，vt表示时间注意力中用于加权输出的权重矩阵，w4，w5，w6表示时间注意力中用于对输入序列进行线性变换的权重矩阵，bt表示时间注意力中用于调整输出的偏置向量，tami,j表示时间矩阵节点的相互影响程度，tam'i,j表示标准化的时间矩阵节点的相互影响程度，th表示预测时间维度的长度。

15、进一步的，步骤3中，加入注意力机制的时空图卷积网络为：

16、

17、式中，表示经时间注意力矩阵调整后的交通网输入特征矩阵，tam'表示标准化的时间注意力矩阵，gθ表示卷积核，*g表示图卷积运算，l表示拉普拉斯矩阵，θm表示切比雪夫系数矩阵，tm(·)表示表示切比雪夫多项式，m表示切比雪夫多项式阶数，表示标准化拉普拉斯矩阵，iu表示单位矩阵，表示拉普拉斯矩阵的最大特征值，⊙表示哈达马积运算，relu(·)表示非线性激活函数，sam'表示标准化的空间注意力矩阵，φ表示时间维卷积参数，*表示标准卷积运算，x'表示调整后新的交通网输入特征矩阵。

18、进一步的，步骤4中，预测得到未来时间段的交通流量为：

19、

20、式中，fc(·)表示全连接层，表示预测得到的交通流量。

21、进一步的，步骤5中，利用改进排队论模型将预测的交通流量映射得到的充电负荷为：

22、

23、

24、式中，λe表示电动汽车平均到达率，πe表示电动汽车渗透率，表示电动汽车充电概率，μe表示充电站充电桩平均服务率，ρe表示充电站充电桩平均利用率，σ表示电动汽车拒绝排队倾向的参数，δ表示用户不耐烦程度的参数，k表示电动汽车的数量，c表示充电桩的数量，n表示充电站的容量，p0表示充电站中没有电动汽车的概率，pk表示充电站中有k辆电动汽车的概率，表示t时刻预测得到的充电桩被占用的数量，表示节点i处充电桩的额定功率，表示节点i处t时刻预测得到的充电站充电负荷。

25、进一步的，步骤6中，基于时空图注意力网络的充电负荷预测模型相关运行约束，具体如下：

26、(1)电网运行约束：

27、

28、

29、式中，和分别表示t时刻线路ij的有功功率和无功功率；分别表示线路ij的电阻、电抗、阻抗；表示t时刻电路ij的电流；h(j)表示与节点j相连的子节点所构成的集合；和分别表示t时刻线路jh的有功功率和无功功率；和分别表示t时刻节点j处光伏的有功出力和无功出力；和分别表示t时刻节点j处储能的放电量和充电量；和分别表示t时刻节点j的有功和无功负荷；uj,t表示t时刻节点j处电压幅值平方；ui,t表示t时刻节点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；表示节点i处光伏的无功出力限制；表示节点i处光伏的容量；

30、(2)储能运行约束：

31、

32、式中，和分别表示t时刻节点i处储能充、放电状态的二进制变量；和分别表示t时刻节点i处储能充、放电功率；和分别表示t时刻节点i处储能充、放电功率；表示节点i处储能充放电最大功率；和分别表示节点i处储能充、放电效率；和分别表示t时刻和t+1时刻节点i处储能储电容量；表示节点i处储能可存电量最大值；

33、(3)充电负荷耦合约束：

34、

35、式中，表示t时刻节点i的有功负荷；表示t时刻节点i处的常规电力负荷。

36、进一步的，步骤5中，电网运行能量消耗最小优化目标函数为：

37、

38、式中，表示电网运行能量消耗；te表示时间段集合；h(0)表示与电网根节点相连的节点集合；csub.t和分别表示t时刻配电网上级主网电价和购电量；cess表示储能充放电成本；s(i)表示与节点i相连的储能集合；ζ表示惩罚系数；表示t时刻根据预测优化得到的配电网上级主网购电量。

39、有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：

40、本发明的技术方案与传统充电负荷预测的基础方案相比，本发明通过引入注意力机制挖掘数据的时空依赖性预测电动汽车交通流，并通过充电站改进排队论模型转化为充电负荷，并结合光伏系统和储能系统组成光储充一体化模型纳入到电网中进行优化。算例测试结果表明，本发明所提方法较现有方法能提高充电负荷预测的准确性，考虑了电动汽车用户充电过程中的排队行为，减少了电网的能量消耗，提高了电力系统的稳定性。