一种基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略

技术领域

本发明涉及电动汽车充电引导策略技术领域，特别是涉及一种基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略。

背景技术

随着电动汽车和自动驾驶技术的快速发展，自动驾驶电动汽车车队作为一种新兴的交通模式，为提供按需交通服务并降低能源成本提供了一种前景广阔的解决方案。由于具有高度自动化和可控性的特点，这种被称为自动驾驶车队系统的新兴交通模式将满足乘客对高质量和安全性的要求。在共享交通蓬勃发展的趋势下，基于自动驾驶车队集群的新特征对其进行决策优化，是未来交通低碳化发展的关键环节，将为电网的安全稳定运行提供基础，并为交通电气化进展做出巨大贡献。

中国专利公开号CN116580546A公开了一种两级分层的网联自动驾驶车队控制方法和装置，能够获取自动驾驶车队车辆运动相关信息，将车辆的所有相关信息进行整合，建立自动驾驶车队的安全势场构型，进而构建网联自动驾驶车队的状态空间表达式，继而根据目标函数和约束条件，以及网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略，实现对网联自动驾驶车辆的速度控制；中国专利公开号CN116088530A公开了基于强化学习的自动驾驶车队模型预测控制引导方法，针对智能网联环境下非线性混合流的自动驾驶车队构建预测控制模型；基于状态过渡模型构建非自动驾驶车辆的状态集成参数ψ；对自动驾驶车队构建基于深度确定性策略梯度的强化学习控制模型；将第一加速度和第二加速度结合为融合控制律，根据融合控制律对强化学习控制模型进行训练，将训练后的强化学习控制模型作为自动驾驶车辆的控制策略。本发明将模型预测控制用于强化学习训练，针对智能网联混合流自动驾驶车队队列控制，降低模型预测控制中的在线控制算力需求，减少强化学习训练过程中的无意义数据，增强混合流场景下的控制鲁棒性。

发明内容

为解决上述提到的技术问题，本发明提出了考虑光伏消纳鲁棒性的电动汽车充电负荷引导方法。

本发明的设计目的通过以下技术方案实施：

提供一种考虑光伏消纳鲁棒性的电动汽车充电负荷引导方法，包括以下步骤：

S1：对城市中数据采集终端采集到的电动汽车用户的交通行程数据进行分析，提取城市中电动汽车用户的旅行特征，同时分析城市区域的光伏历史数据和该地区批发电价的历史数据，预测该地区下一个运行日的批发电价以及光伏出力；

S2：对于充电站而言，其需要满足功率平衡的约束，建立表征光伏不确定性对充电运营商的决策影响的机会约束条件。对每一个充电站而言，包括屋顶光伏出力在内的供能侧总电能量不小于需求侧充电负荷的概率水平应大于一定的置信水平。

S3：基于表征光伏不确定性对充电运营商的决策影响的机会约束条件，确定充电站运行的约束条件，确定基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略。

所述的基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略中，S1中考虑的电力系统为充电站网络，而在充电网中考虑各运营商都安装有独立的不并网的屋顶光伏装置。由于可再生能源自身波动性和随机性的特点，各充电站运营商考虑屋顶光伏出力不确定性这一问题。

所述的基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略中，S2中基于分布式鲁棒优化算法构建机会约束问题，通过构建不确定性集，且不确定性集合需要包含经验概率分布函数，并将这一机会约束问题转换为条件风险价值，将其线性化求解，在经济性和鲁棒性之间寻找到了一个平衡点。

所述的基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略中，S3中的充电站运行目标函数如下(充电站运行成本最小化)：

式中

——充电站运营商在电价/>

λ——条件风险价值的权重因子，λ∈(0,1)。

有益效果：1、相较于现有研究，本发明包括了基于分布式鲁棒优化的城市场景下自动驾驶车队充电站运营商的决策，充分考虑了由于可再生能源自身波动性和随机性的特点，各充电站运营商屋顶光伏出力不确定性这一问题。

2、相较于现有研究，本发明使用带有适当公差的L1距离近似表示概率分布函数的不确定性集合中包括的不确定概率分布函数与历史数据给定的经验分布存在的偏差，对每个充电运营商屋顶可再生能源出力，构建相关的不确定集，结合了传统优化算法和鲁棒优化算法的优点，在经济性和鲁棒性之间寻找到了一个平衡点。

附图说明

图1为本发明所提供的数据收集与预测的流程图。

图2为本发明所提供的建分布式鲁棒优化的自动驾驶车队充电负荷引导策略的流程图。

具体实施方式

下面结合附图，对本发明作详细说明。

本发明公开了一种基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略，所述权利要求包括以下步骤：

S1：对城市中数据采集终端采集到的电动汽车用户的交通行程数据进行分析，提取城市中电动汽车用户的旅行特征，同时分析城市区域的光伏历史数据和该地区批发电价的历史数据，预测该地区下一个运行日的批发电价以及光伏出力；

S2：对于充电站而言，其需要满足功率平衡的约束，建立表征光伏不确定性对充电运营商的决策影响的机会约束条件。对每一个充电站而言，包括屋顶光伏出力在内的供能侧总电能量不小于需求侧充电负荷的概率水平应大于一定的置信水平：

式中

——t时刻，n站点从主电网购电量；

Charge

ε——表示机会约束的置信水平。

S3：基于表征光伏不确定性对充电运营商的决策影响的机会约束条件，确定充电站运行的约束条件，确定基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略。具体模型如下：

从充电站运营商角度出发，构建各个充电站运营商优化决策模型：

(2)充电站运行约束条件：

在本章节充电站的优化定价问题中，充电站运营商在制定价格时，是从固定的几项充电价格中进行选择；因此，同样地，为了保证定价的唯一性，其只能选择一个充电价格，因此需要满足如下约束条件；

而对于配电网设置的主网电价，本章节假设也是可选择型电价，对于充电站运营商而言，为了保证选择的唯一性，其需要满足如下的约束条件：

式中

——与/>

此外，充电站运营商在配电网处的购电还要满足极值约束，如下所示：

式中

(3)目标函数线性化

对于目标函数，由于屋顶光伏的概率分布是不确定的，这就为求解带来了一定困难性，下面将基于拉格朗日乘子法对上述问题线性化：

若给定一个经验分布p

式中h

对于上式取拉格朗日对偶形式，可获得线性化后的下式：

式中z,π,

根据上述线性化方法，可以将目标函数改写为下列形式，由此得到每个充电站运营商线性化后的效用函数：

最后，对混合整数线性规划模型进行求解，得到各个自动驾驶车队充电站的定价策略。

以上对本发明实施例所提供的一种基于分布式鲁棒优化的自动驾驶车队充电负荷引导策略进行了详细介绍，本文中利用具体实例对本发明的原理进行了介绍，用于阐述本发明的核心思想，不能将本说明书内容理解为对本发明保护范围的限制。