多时段交通网-配电网耦合运行分析模型建模方法及系统

专利主权项内容

1.多时段交通网-配电网耦合运行分析模型建模方法，其特征在于，包括如下步骤：步骤S1：输入配电网、交通网数据，根据配电网源-荷、线路信息和交通网道路、车流信息，构建上下层优化模型，刻画多行为主体、多行为准则下，含无人驾驶车流的交通网-配电网多时段耦合运行方式；具体包括：步骤S11：由配电网数据和无人驾驶车流信息，构建上层SO模型；步骤S12：由手动驾驶车流信息，构建下层SUE模型；基于用户均衡准则和Logit型SUE模型，刻画含认知偏差情况下，手动驾驶车辆车流分布情况；步骤S2：对上层SO模型进行内部迭代求解，步骤如下：步骤S21：初始数据输入：输入当前时段t的上层SO模型计算所需的初始数据；步骤S22：初始条件设置：设置上层SO优化问题的迭代初始条件；步骤S23：出行需求更新：由原始出行需求、时段t和t-1下的剩余交通流，由式和/>计算当前时段的实际出行需求/>和/>并将其输入上层SO优化问题作为其固定参数；步骤S24：上层SO优化问题求解：在将约束条件中的实际出行需求及下层传统交通流分布/>视为固定参数的情况下，求解上层SO优化问题，得到目标函数最小时的待求优化变量值；步骤S25：收敛条件判断：由上层内部迭代收敛条件判断方法决定迭代是否继续或结束；步骤S26：上层SO模型求解结果输出：若算法成功收敛，则输出最后一次迭代中得到的上层SO模型求解结果；步骤S3：下层SUE模型的内部迭代求解，该求解方法具体包括如下步骤：步骤S31：初始数据输入：输入当前时段t的下层SUE模型计算所需的相关初始数据；步骤S32：初始条件设置：设置下层SUE优化问题的迭代初始条件；步骤S33：出行需求更新：由原始出行需求、时段t和t-1下的剩余交通流，由式和/>计算当前时段的实际出行需求/>和/>并将其输入下层SUE优化问题作为其固定参数；步骤S34：下层SUE优化问题求解：在将约束条件中的实际出行需求及上层自动驾驶交通流分布/>视为固定参数的情况下，求解下层SUE优化问题，得到目标函数最小时的待求优化变量值；步骤S35：收敛条件判断：由下层内部迭代收敛条件判断方法决定迭代是否继续或结束；步骤S36：下层SUE模型求解结果输出：若算法成功收敛，则输出最后一次迭代中得到的下层SUE模型求解结果；步骤S4：多时段上下层模型间的外部迭代求解，具体包括：步骤S41：初始数据输入：输入多时段上下层模型间的外部迭代求解所需的初始数据；步骤S42：初始条件设置：设置多时段外部迭代的初始条件；步骤S43：下一时段迭代参数初始化：令t＝t+1，若t≤T，更新单时段外部迭代初始条件，开始时段t的单时段外部迭代求解，否则，多时段外部迭代结束；步骤S44：单时段上、下层问题交互内部迭代求解：将和/>作为参数输入上层模型，由步骤S2求解时段t内的上层SO问题，输出上层车流分布/>和充电电价λ；将/>λ和/>作为参数输入下层模型，由步骤S3求解时段t内的下层SUE优化问题，输出下层车流分布/>tt步骤S45：单时段外部迭代收敛条件判断：由外部迭代收敛条件判断方法决定该时段迭代是否继续或结束；步骤S46：多时段外部迭代求解结果输出：若时段t内的算法成功收敛，则输出该时段最后一次迭代中得到的上、下层模型求解结果；步骤S5：在多时段模型求解完成后，综合模型输出结果，分析交通网、配电网在各时段均衡状态下的参数变化，感知含无人驾驶车流的配电网-交通网在不同出行需求、负荷需求下的均衡运行状态；通过配电网电压均值、方差变化和无人驾驶车队运营成本变化，量化无人驾驶车流-配电网系统的合作效益。。来源：百度搜索马克数据网