一种高速公路能源系统能效优化方法、系统、设备及介质与流程

摘要: 本发明属于智慧交通与智能能源管理,更具体的说是涉及一种高速公路能源系统能效优化方法、系统、设备及介质。背景技术:1、随着高速公路网络规模的持续扩大,其配套的照明...
一种高速公路能源系统能效优化方法、系统、设备及介质与流程

本发明属于智慧交通与智能能源管理,更具体的说是涉及一种高速公路能源系统能效优化方法、系统、设备及介质。

背景技术:

1、随着高速公路网络规模的持续扩大,其配套的照明、隧道通风、监控、服务区供能等系统的能源消耗日益显著。目前,高速公路能源管理主要面临以下技术瓶颈:

2、首先,现有能源控制策略智能化水平不足,多依赖于简单的定时控制、分区段启停或基于单一阈值(如光照度)的静态调控。例如,隧道照明多采用“白天-黑夜”或“入口-过渡-中间-出口”的固定分级模式,无法根据实时交通流量、车型构成、行车速度进行动态调整。这导致在低流量时段能源供给过剩,造成浪费,而在突发大流量或恶劣天气时,又可能存在安全隐患或服务不足。

3、其次,当前系统缺乏对多源异构数据的深度融合与前瞻性分析。尽管现代高速公路已部署了视频、雷达、环境传感器等多种监测设备,但这些数据往往孤立使用,未能有效进行时空对齐与关联分析。能源管理系统无法将交通流的时空演化规律、环境条件的动态变化与能源需求进行精准耦合,使得控制决策滞后于实际需求变化,属于被动响应模式,难以实现精细化的“按需供给”。

4、再次,现有方案缺少一个能够统筹安全、服务与能效的动态优化框架。照明、通风等子系统通常独立控制,控制目标单一,缺乏从系统总能耗成本角度进行的联合优化。同时,传统的控制策略不具备自学习与自适应能力,无法适应交通模式的长期变化(如节假日流量的特殊性、新开通匝道的影响),导致系统能效随运行时间增长而逐渐降低。

5、因此,亟需一种能够整合高精度监测数据,通过智能预测与动态优化,实现高速公路能源系统安全、高效、自适应运行的全新方法,以解决现有技术中存在的控制粗放、响应滞后、缺乏协同与自进化能力等关键缺陷。

技术实现思路

1、针对以上问题,本发明的目的在于提供一种高速公路能源系统能效优化方法、系统、设备及介质,通过融合多源高精度数据并采用时空图神经网络进行需求预测,构建以安全为约束、总成本最小为目标的动态优化模型,并结合云端边缘协同与闭环学习机制,实现了高速公路能源系统在保障安全服务水平前提下的精准按需供给与能效显著提升。

2、本发明为实现上述目的,通过以下技术方案实现:

3、第一方面,本技术实施例提供一种高速公路能源系统能效优化方法,包括:

4、通过部署的传感器网络,同步采集高速公路目标区域的交通运行数据、自然环境数据及能源设施运行数据,构成原始监测数据集;

5、对所述原始监测数据集进行时空对齐、清洗与融合处理,生成以统一道路桩号l和时间片t为索引的标准化融合数据;

6、基于所述标准化融合数据,提取时空特征向量,输入至预训练的深度学习需求预测模型,输出未来时段的能源需求预测指标;

7、以所述能源需求预测指标为关键输入,结合实时能源价格与设备物理模型,构建并求解以系统总能耗成本最小化为目标的动态优化模型,生成最优设备控制指令集;

8、执行所述最优设备控制指令集,并采集指令执行后产生的实际能耗数据,与预测数据进行比较,以更新所述深度学习需求预测模型。

9、在一个可选的实施方式中,所述通过部署的传感器网络,同步采集高速公路目标区域的交通运行数据、自然环境数据及能源设施运行数据,构成原始监测数据集,包括:

10、通过部署在高速公路目标区域的毫米波雷达与视频感知单元获取实时的目标轨迹,基于卡尔曼滤波算法对目标轨迹进行融合跟踪,得到每个监测断面实时的交通运行数据;所述交通运行数据包括车流量、平均速度、及车型分类;

11、通过部署在高速公路目标区域的光照度传感器、温湿度传感器及能见度仪获取自然环境数据;自然环境数据包括路面环境照度;

12、通过部署于配电回路与关键设备的智能监测终端获取高速公路目标区域的能源设施运行数据,能源设施运行数据包括照明、通风及服务区负载的实时功率及累计能耗。

13、在一个可选的实施方式中,所述对所述原始监测数据集进行时空对齐、清洗与融合处理,生成以统一道路桩号l和时间片t为索引的标准化融合数据,包括:

14、对所述原始监测数据集进行清洗,针对其中来自第s个传感器的原始数据序列,采用滑动窗口中值滤波法去除异常值,滤波后的数据为:

15、

16、其中,w为预设的滑动窗口长度;

17、基于地理信息系统的道路线性参考系,建立桩号与时间的索引矩阵,索引矩阵的矩阵单元对应桩号区间和预设时长的时间片;

18、将滤波后的数据根据其空间位置和时间戳映射至对应的矩阵单元,并对矩阵单元内属于第j类的监测数据进行加权融合,计算出融合值,并利用所有矩阵单元的融合值构成标准化融合数据;

19、所述融合值的计算公式如下:

20、

21、其中,为落在该矩阵单元内的传感器集合,为传感器s测量的第j类数据的滤波处理后的值,为根据传感器精度与位置确定的权重。

22、在一个可选的实施方式中,所述基于所述标准化融合数据,提取时空特征向量,输入至预训练的深度学习需求预测模型,输出未来时段的能源需求预测指标,包括:

23、从所述标准化融合数据中,提取当前及历史时序片段,构造每个路段节点在时间步的输入特征向量,所述输入特征向量至少包括融合后的交通参数、环境参数和历史能耗参数;

24、基于高速公路目标区域的道路网络和输入特征向量构建道路网络拓扑图,其中为路段节点集合,为边集合,为邻接矩阵;将图中各节点的特征向量序列输入至预训练的深度学习需求预测模型;

25、所述预训练的深度学习需求预测模型通过图卷积网络层捕获空间依赖,通过门控循环单元捕获时间依赖,并通过注意力机制动态聚合时空信息,最终输出未来h个时间片的预测需求指标;预测需求指标包括各路段所需的照明亮度等级和隧道需风量等级,其中,h为正整数预测步长。

26、在一个可选的实施方式中,所述深度学习需求预测模型的构建与训练过程包括:

27、利用图卷积网络层、时间递归网络层和时空注意力模块构建一个的深度神经网络模型,作为深度学习需求预测模型:

28、从标准化融合数据中收集历史时空特征数据,并记录对应的未来时段实际能耗与服务水平真实值,构成训练数据集,其中为由历史特征向量序列构成的样本,为对应的真实值序列;

29、在云端训练平台,使用所述训练数据集对深度学习需求预测模型进行端到端的监督训练,通过最小化预测值与真实值之间的损失函数来优化模型参数,即求解,其中为模型预测值;

30、将训练收敛后得到的模型参数封装并下发至边缘计算节点,实例化为预训练的深度学习需求预测模型。

31、在一个可选的实施方式中,所述以所述能源需求预测指标为关键输入,结合实时能源价格与设备物理模型,构建并求解以系统总能耗成本最小化为目标的动态优化模型,生成最优设备控制指令集,包括:

32、以所述预测需求指标和作为期望服务水平的基础,构建预测需求向量;建立以最小化未来h个时间片内系统总能耗成本为目标的优化问题,目标函数为:

33、

34、其中,为所有可控能源设备的集合,为设备在未来时刻的控制变量,为描述设备i功率与控制和需求关系的设备物理模型,为对应时刻的分时电价,为时间片长度;

35、构建约束条件,约束条件包括服务安全约束和设备物理约束;

36、所述服务安全约束包括:基于控制变量和设备物理模型计算的实际服务水平必须满足由预测交通量和环境状态决定的最低安全标准;

37、所述设备物理约束包括:设备在未来时刻的控制变量必须满足;

38、将上述优化问题和约束条件建模为混合整数线性规划模型,并调用数学规划求解器进行滚动求解,生成最优设备控制指令集。

39、在一个可选的实施方式中,所述执行所述最优设备控制指令集,并采集指令执行后产生的实际能耗数据,与预测数据进行比较,以更新所述深度学习需求预测模型,包括:

40、将所述最优设备控制指令集下发至现场执行器,驱动照明灯具、变频风机设备动作;

41、指令执行后,通过所述传感器网络再次采集实际能耗数据及新的交通环境数据,形成新一轮的原始监测数据集;

42、将实际能耗结果与未来时段的能源需求预测指标进行对比,计算预测误差向量,并将此误差数据连同对应的所述标准化融合数据及输入特征向量,上传至云端训练平台;

43、在云端,使用增量学习算法更新所述深度学习需求预测模型的参数,更新公式为:

44、

45、其中,为损失函数,为学习率。

46、第二方面,本技术实施例还提供了一种高速公路能源系统能效优化系统,包括:

47、数据采集模块,用于通过部署的传感器网络,同步采集高速公路目标区域的交通运行数据、自然环境数据及能源设施运行数据,构成原始监测数据集;

48、数据融合处理模块,用于对所述原始监测数据集进行时空对齐、清洗与融合处理,生成以统一道路桩号l和时间片t为索引的标准化融合数据;

49、特征提取及预测模块,用于基于所述标准化融合数据,提取时空特征向量,输入至预训练的深度学习需求预测模型,输出未来时段的能源需求预测指标;

50、动态优化模块,用于以所述能源需求预测指标为关键输入,结合实时能源价格与设备物理模型,构建并求解以系统总能耗成本最小化为目标的动态优化模型,生成最优设备控制指令集;

51、闭环控制模块,用于执行所述最优设备控制指令集,并采集指令执行后产生的实际能耗数据,与预测数据进行比较,以更新所述深度学习需求预测模型。

52、第三方面,本技术实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上文任一项所述高速公路能源系统能效优化方法的步骤。

53、第四方面,本技术实施例还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一项所述高速公路能源系统能效优化方法的步骤。

54、从以上技术方案可以看出,本发明具有以下优点:

55、本技术提供的高速公路能源系统能效优化方法中,首先,基于多源数据融合与时空图神经网络的深度学习方法,实现了对高速公路照明、通风等能源需求的精准、前瞻性预测,从根本上改变了传统定时或阈值控制的粗放模式,做到了按需供给;其次,引入以系统总能耗成本最小化为目标、并严格约束安全服务水平的动态优化模型,实现了照明、通风等多子系统的协同优化,在保障行车安全与舒适性的前提下,最大化节能降耗与经济性;最后,依托闭环执行与在线学习机制,使系统能够持续利用实际运行数据自我进化,长期适应交通流与环境的动态变化,从而显著提升高速公路能源系统的整体能效、运行安全性与自适应能力。

56、本技术通过融合毫米波雷达、视频、环境传感器等多源高精度数据,并利用时空图神经网络进行需求预测,实现了对照明亮度、通风风量等能源供给参数的精细化、前瞻性调节。这使得能源供给能够紧密匹配实时变化的交通流与环境条件,显著减少了低流量时段的过度供给与高需求时的响应延迟,从源头上提升了能源利用效率。

57、本技术通过构建以系统总能耗成本最小化为目标的混合整数线性规划模型,将照明、通风等设备的控制变量置于统一框架下进行协同优化。该方法在决策中综合考虑了实时分时电价、设备物理特性及由预测指标转化的安全服务约束,从而能够在保障行车安全与舒适性的前提下,智能权衡不同设备的能耗贡献,实现全局经济效益最优,降低了高速公路的长期运营成本。

58、本技术通过持续对比能源需求预测值与实际能耗值,并利用误差数据驱动深度学习模型的在线增量学习,使系统能够自动捕捉交通模式变迁、季节更替等长期趋势,不断修正预测偏差。这使得优化系统不再是一套固定的策略,而是一个具备持续学习能力的智能体,能够长期保持高精度与高能效,有效克服了传统控制系统因环境变化而效果衰减的问题。

59、本技术构建了基于模型的约束优化与基于规则的安全覆盖相结合的主动防御体系。动态优化模型将光照强度、污染物浓度等安全规范值作为求解的硬性约束,从策略生成源头嵌入安全底线。与此同时,系统部署的实时规则监控引擎独立并行工作,一旦感知到如交通事故、极端低能见度等优化模型未涵盖的突发风险,将立即触发并执行预设的最高优先级安全指令,覆盖当前的优化控制输出。这种常态优化、应急强控的双层架构,确保了系统在任何工况下决策的可靠性,为核心能源服务的连续、安全运行提供了坚实保障。

60、本技术采用了云端协同、边缘计算的务实架构。将复杂的模型训练与长期学习任务置于云端,而将实时数据融合、轻量级预测和快速控制置于边缘侧。这种分工既充分利用了云端的强大算力进行模型迭代,又确保了控制指令生成的实时性与可靠性,避免了因网络延迟可能导致的控制滞后。同时,标准化融合数据的设计,为多源异构数据的统一处理与利用提供了高效范式,增强了系统的可扩展性与可维护性。