面向新能源场站的负荷调度方法与流程

本发明涉及电力系统运行控制，尤其涉及面向新能源场站的负荷调度方法。

背景技术：

1、在构建新型电力系统的进程中，新能源场站集成大量电动汽车充电设施已成为典型场景。此类场站需同时应对新能源出力的间歇性、电网侧分时电价的波动性，以及用户充电需求的随机性，实现经济、可靠、友好的并网运行。现有针对充电负荷的调度技术，多依赖于对历史聚合负荷曲线的统计分析或基于固定规则的启停控制。这些方法通常将场站内所有充电负荷视为一个整体或少数几个同质化集群进行处理，其决策依据的数据维度较为单一，往往仅考虑电网电价或简单的负荷门槛值。由于缺乏对场站内部各电动汽车电池状态、用户个性化充电时间窗口与电量偏好等多维信息的精细感知与融合，传统方法难以刻画和响应充电需求的实时动态差异。在优化模型方面，常规的集中式优化或基于规则的方法，面对大规模、高维度的连续决策变量与复杂时变约束时，计算效率与求解质量面临挑战。当电网电价信号更新、车辆实时接入或用户临时修改充电计划时，预设的静态优化模型或固定策略难以快速自适应调整，导致调度方案经济性不足或违反设备安全约束。此外，多数调度策略以场站整体效益为核心，其输出结果为总功率指令，缺少将其透明、合理分解至每个具体充电桩并与用户交互的机制，降低了用户参与度与方案的可执行性。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的面向新能源场站的负荷调度方法。

2、为了实现上述目的，本发明采用了如下技术方案：面向新能源场站的负荷调度方法，包括：

3、部署于新能源场站的感知单元采集多维度运行数据，所述多维度运行数据包括充电桩实时状态、接入电动汽车的电池状态信息、电网的分时电价信号以及场站供电区域的实时负荷数据；

4、基于所述多维度运行数据，构建并运行负荷预测模型，生成新能源场站在未来时段内的短期充电负荷预测结果和超短期充电负荷预测结果；

5、以所述短期充电负荷预测结果和超短期充电负荷预测结果为基础输入，在决策核心中采用一种改进的多智能体深度确定性策略梯度算法，构建以降低场站运营成本、平滑电网负荷波动、满足用户充电需求为优化目标的调度优化框架；

6、所述改进的多智能体深度确定性策略梯度算法依据实时更新的所述分时电价信号、场站主变压器的容量限制、车辆的预约充电时间以及用户设定的充电偏好参数，计算得到动态的约束条件集合；

7、所述调度优化框架在所述动态的约束条件集合下进行求解，滚动输出未来一个优化周期内的全局最优充电功率分配策略；

8、将所述全局最优充电功率分配策略分解为面向每个充电桩的个体功率控制指令，并基于车辆电池状态信息与用户充电偏好参数，生成针对具体电动汽车用户的有序充电引导方案。

9、作为本发明的进一步方案，基于所述多维度运行数据，构建并运行负荷预测模型，包括：

10、对所述多维度运行数据进行预处理，所述预处理包括剔除异常数据点、填补数据缺失值以及对不同时间尺度的数据进行时间序列对齐；

11、从预处理后的数据中提取充电负荷相关特征，所述特征包括历史同期负荷曲线、实时充电车辆数量、车辆平均电池荷电状态，以及未来预约充电订单的时空分布信息；

12、将所述特征输入短期预测网络，所述短期预测网络采用卷积神经网络结合门控循环单元的结构，以小时为时间步长，预测未来二十四小时的新能源场站总充电负荷曲线，生成所述短期充电负荷预测结果；

13、将所述特征输入超短期预测网络，所述超短期预测网络采用时序卷积网络结构，以分钟为时间步长，滚动预测未来十五分钟至一小时的新能源场站总充电负荷曲线，生成所述超短期充电负荷预测结果。

14、作为本发明的进一步方案，所述改进的多智能体深度确定性策略梯度算法的工作步骤为：

15、为新能源场站内的每个充电桩定义为一个智能体，并为其构建独立的执行网络和评价网络，所有智能体共享一个全局的环境状态，所述环境状态由所述短期充电负荷预测结果、超短期充电负荷预测结果及所述分时电价信号共同构成；

16、每个智能体的执行网络依据当前全局环境状态，输出其对应的充电桩在下一时刻的建议充电功率，所有智能体的建议充电功率共同构成联合动作；

17、将所述联合动作输入至一个集中的评论家网络，所述集中的评论家网络根据全局环境状态和所述联合动作，评估所述联合动作的长期期望总回报，并输出全局状态-动作价值函数；

18、每个智能体的评价网络，利用所述全局状态-动作价值函数，并结合本智能体的局部观测信息，计算本智能体动作的优劣，用于指导其执行网络的参数更新；

19、在每个训练时间步，智能体从经验回放池中采样一批历史经验数据，所述历史经验数据包含历史环境状态、历史联合动作、获得的即时奖励以及新的环境状态；

20、利用采样到的所述历史经验数据，通过最小化时间差分误差来更新所述集中的评论家网络的参数；

21、每个智能体的执行网络的参数，则通过策略梯度方法，沿着提升所述集中的评论家网络所评估的全局状态-动作价值函数的方向进行更新。

22、作为本发明的进一步方案，所述每个智能体的评价网络，利用所述全局状态-动作价值函数，并结合本智能体的局部观测信息，计算本智能体动作的优劣，用于指导其执行网络的参数更新，包括：

23、所述评价网络接收来自所述集中的评论家网络输出的所述全局状态-动作价值函数，将其作为评价本智能体动作的全局基准参考值；

24、同时，所述评价网络接收本智能体的局部观测信息，所述局部观测信息包括对应充电桩的实时占用状态、当前服务车辆的电池荷电状态、车辆已充电时长以及用户的充电偏好参数；

25、将所述全局状态-动作价值函数与本智能体的所述局部观测信息进行特征融合，输入至所述评价网络的多层神经网络中；

26、通过所述评价网络的多层神经网络前向传播计算，输出一个本地的状态-动作价值函数估计值，所述状态-动作价值函数估计值表征在当前全局环境状态及本智能体局部观测下，执行网络所建议动作的长期价值；

27、计算所述状态-动作价值函数估计值与实际获得的即时奖励加上下一状态价值估计值之间的差值，得到针对本智能体的时序差分误差；

28、利用所述时序差分误差，通过梯度反向传播算法更新所述评价网络的网络参数，以减小其对动作价值评估的误差；

29、基于更新后的所述评价网络，计算所述执行网络所建议动作的价值梯度，所述价值梯度指示了为提升长期回报应如何调整动作；

30、将所述价值梯度传递至所述执行网络，所述执行网络依据此梯度，采用策略梯度上升方法调整其网络参数，使得执行网络更倾向于输出能获得更高评价的动作。

31、作为本发明的进一步方案，即时奖励的设计依据所述优化目标及所述动态的约束条件集合确定，包括：

32、计算执行所述联合动作后，新能源场站在一个时段内的总用电成本，基于所述分时电价信号和总充电功率计算得到，并生成与总用电成本负相关的成本奖励分量；

33、计算新能源场站总充电功率曲线的平滑度指标，平滑度指标为时段内总充电功率变化率的平方和，并生成与平滑度指标负相关的平滑奖励分量；

34、统计在时段内，所有充电车辆的实际充电量与用户期望充电需求量的满足比例，并生成与满足比例正相关的需求满足奖励分量；

35、检查所述联合动作是否违反所述动态的约束条件集合，对违反变压器容量限制的动作施加一个大的负值惩罚，对违反用户设定充电截止时间约束的动作施加一个随时间紧迫性递增的惩罚；

36、将所述成本奖励分量、平滑奖励分量、需求满足奖励分量及各项惩罚进行加权求和，其结果作为时间步所有智能体共同获得的即时奖励，反馈给所述改进的多智能体深度确定性策略梯度算法。

37、作为本发明的进一步方案，所述改进的多智能体深度确定性策略梯度算法依据实时更新的所述分时电价信号、场站主变压器的容量限制、车辆的预约充电时间以及用户设定的充电偏好参数，计算得到动态的约束条件集合，包括：

38、实时获取所述分时电价信号，根据电价时段划分边界确定未来优化周期内的电价变化时间点，基于所述电价变化时间点生成不同时段的功率成本权重向量；

39、实时获取场站主变压器当前的负载率与额定容量，计算变压器在优化周期内各时刻的实时可用容量，并结合历史负载曲线预测容量限制的变化趋势，生成以时间为索引的容量上限序列；

40、遍历所有接入及预约的车辆，提取每辆车的预约充电截止时间与当前时间，计算每辆车充电需求的剩余可用时间窗口，结合车辆的当前电池荷电状态与目标电池荷电状态，生成每辆车的最低平均充电功率需求；

41、解析用户设定的充电偏好参数，提取用户可接受的最晚完成时间、期望的电量提升范围以及对充电成本的敏感度等级，将所述最晚完成时间与所述预约充电截止时间进行比较，取更严格的时间作为用户的有效充电截止时间约束；

42、整合所述功率成本权重向量、所述容量上限序列、各车辆的所述最低平均充电功率需求以及各用户的有效充电截止时间约束，构建一个包含不等式约束与等式约束的动态约束条件数学表达，所述动态的约束条件集合即由动态约束条件数学表达的实时计算结果构成。

43、作为本发明的进一步方案，所述调度优化框架在所述动态的约束条件集合下进行求解，包括：

44、在每个优化周期开始时，初始化所述改进的多智能体深度确定性策略梯度算法中所有智能体的状态，所述状态包括当前各充电桩的实时状态、各车辆电池状态信息、当前电价时段及未来短期充电负荷预测结果；

45、所述改进的多智能体深度确定性策略梯度算法以最大化长期累积奖励为目标，在连续动作空间中探索，模拟未来多个时间步的充电功率分配场景；

46、在模拟过程中，每向前推进一个时间步，都需要将当前虚拟的联合动作代入所述动态的约束条件集合进行可行性校验；

47、若校验通过，则根据奖励函数计算虚拟奖励，并更新智能体状态，继续推进模拟；

48、若校验不通过，则对联合动作施加约束惩罚，并引导智能体在后续模拟中避开此类动作，同时可以触发局部重新规划；

49、在完成预设步数的模拟探索后，选择获得最高累计奖励的动作序列，作为当前优化周期的优化结果，并将动作序列的第一个时间步的联合动作，输出为所述全局最优充电功率分配策略的初始部分。

50、作为本发明的进一步方案，所述可行性校验的过程具体为：

51、提取当前时间步虚拟的联合动作，即所有充电桩的虚拟充电功率建议值，求和得到场站总虚拟充电功率；

52、将场站总虚拟充电功率与场站主变压器的实时可用容量进行比较，若总虚拟充电功率持续超过实时可用容量达到预设时间，则判定违反变压器容量限制约束；

53、对于每辆正在充电的车辆，根据其当前虚拟充电功率，预测其达到目标电池荷电状态所需的剩余充电时间；

54、将预测的剩余充电结束时间，与车辆预约的充电截止时间进行比较，若预测结束时间晚于截止时间，则判定违反用户充电时间约束；

55、检查每个充电桩的虚拟充电功率是否在其铭牌功率的最小值与最大值之间；

56、汇总所有约束的违反情况，并据此施加相应惩罚，或标记虚拟联合动作为不可行。

57、作为本发明的进一步方案，所述生成针对具体电动汽车用户的有序充电引导方案，包括：

58、解析所述全局最优充电功率分配策略，获取未来各时段分配给场站的总功率预算以及功率变化趋势；

59、根据用户的充电偏好参数，所述参数包括期望取车时间、目标电量及可接受的充电成本范围，将用户群体进行细分；

60、对于偏好低价充电且时间灵活的用户群体，依据所述分时电价信号，生成建议的谷时段充电方案，并可通过移动应用推送充电开始时间建议；

61、对于有紧急充电需求或对时间敏感的用户群体，在所述功率预算范围内优先保障其充电功率，并生成预计充满时间信息推送给用户；

62、基于所述超短期充电负荷预测结果，动态评估场站即将出现的功率紧张时段，并向即将在紧张时段内开始充电的用户发送等待或延迟充电的柔性引导请求；

63、综合所述充电开始时间建议、预计充满时间信息及柔性引导请求，形成针对不同用户群体的、差异化的有序充电引导方案。

64、作为本发明的进一步方案，所述将用户群体进行细分，包括：

65、建立一个包含多个维度的用户画像模型，所述维度包括历史充电行为特征、对电价的敏感程度、时间灵活性评分以及车辆电池容量与当前荷电状态；

66、对每个接入充电的电动汽车用户，依据其本次输入的充电偏好参数及历史充电数据，计算其在用户画像模型各维度上的得分；

67、应用聚类算法，包括k均值聚类，对所有当前在场站内或已预约的用户进行聚类分析，将画像特征接近的用户归入同一群体；

68、为每个用户群体定义一种引导策略模板，所述引导策略模板包含默认的功率分配优先级、可接受的调度灵活度及偏好的信息推送方式；

69、在生成具体的引导方案时，先确定用户所属的群体，调用群体对应的引导策略模板，再结合当前的全局最优充电功率分配策略，生成个性化的引导内容。

70、与现有技术相比，本发明的优点和积极效果在于：

71、通过部署感知单元系统性地采集充电桩实时状态、接入车辆的电池状态、电网分时电价及区域负荷数据，构建了涵盖“源-网-荷-储”的多维度运行数据集。这使得负荷预测模型能够融合电网价格信号、物理设备状态与用户行为特征，改变了传统方法仅依赖历史总负荷曲线的模式。基于此多维数据融合生成的短期与超短期充电负荷预测，其输入特征空间更为完备，能够更精确地刻画未来时段内场站充电需求的时序变化与功率分布，为后续的高精度优化决策提供了接近真实场景的输入基础，减少了因预测偏差导致的调度风险。

72、采用改进的多智能体深度确定性策略梯度算法作为决策核心，每个智能体可对应一个充电单元或车辆代理，通过其协同与竞争学习最优策略。算法创新性地将实时分时电价信号、主变容量限制、车辆预约时间窗及用户偏好参数编码为实时更新的动态约束条件集合，并集成至智能体的目标函数与状态空间中。这种设计使优化框架能够直接感知并响应外部电价波动、内部设备限额及个性化需求的即时变化。算法通过端到端的训练，能够直接从高维、连续的状态动作空间中，滚动计算出满足当前所有动态约束的未来周期全局最优功率分配策略，其决策过程能够自适应环境变化，避免了传统静态模型在工况变动时需重新建模求解的滞后性与复杂性。

73、将集中优化产生的全局最优充电功率分配策略，通过分解机制转化为面向每个充电桩的个体功率控制指令。这一分解过程并非简单的平均分配，而是结合了具体车辆的实时电池状态信息与用户预先设定的充电偏好参数。基于车辆的当前电量、电池健康度、目标充电量及可接受的时间范围，将功率指令翻译为具体的充电时段建议、预计完成时间与费用信息，形成个性化的有序充电引导方案。这建立了从宏观优化结果到微观用户执行之间的透明化桥梁，使场站级的优化目标能够以用户可理解、可接受的方式传达并得到执行，提升了调度方案的用户遵从度与整体协同效率。