基于线路列车功率的超级电容放电电压优化方法及装置

1.本发明涉及超级电容技术领域，具体涉及基于线路列车功率的超级电容放电电压优化方法及装置。


背景技术：

2.近年来，储能技术飞速发展，飞轮、超级电容、电池等储能元件广泛应用于城轨交通储能系统领域。几种储能元件中，超级电容因其具有更高的功率密度、更长的使用寿命、更宽的工作范围，已在城轨交通能量回收利用领域中得到广泛应用。
3.为了提升储能装置的节能效果，应用最为广泛的策略是阈值调整策略，因为列车牵引制动通常通过网压来体现，储能装置通过对网压的判断控制，即可实现对再生制动能量的回收利用。而储能装置为了跟踪电压参考值，实现充放电功率控制，通常dc/dc(直流转直流)变换器会采用双闭环控制，外环比例积分(pi)控制器调节线路电压，为内环产生参考电流，参考电流由限流器限制，以防止电流指令值超过超级电容器最大电流，内环控制器通过调整igbt(insulated gate bipolar transistor，绝缘栅双极型晶体管)驱动脉冲的占空比，将超级电容器电流调节到参考值。根据网压，空载电压等状态，动态优化充放电阈值，从而改变储能装置的充放电功率，影响与列车负载功率的交互从而影响直流网电压和制动电阻上启动情况，但阈值优化的效果是有上限的，因为储能装置功率不仅受充放电阈值控制，还受超级电容本身物理条件的限制—即输出功率受电压影响，所以在阈值调整的基础上，储能装置节能效果还有进一步提升的空间。超级电容在充放电过程中伴随着soc(state of charge，电荷状态)的不断变化，其soc的不同决定了超级电容储能量的大小以及初始充放电功率的大小，因此对储能系统soc的有效管理可以改善系统的节能稳压效果。soc变化范围受超级电容最低放电电压控制，而超级电容的最低放电电压的设置会影响变电站电压，从而影响牵引网的电压分布以及储能系统、变电站和列车之间的能量流动，还会影响超级电容模组的寿命。
4.因此，为了降低制动电阻能耗，提升储能系统节能效果，提高超级电容寿命，需要对超级电容的最低放电电压进行动态优化和调整。


技术实现要素：

5.因此，本发明要解决的技术问题在于克服现有技术中的超级电容初始输出功率和储能量之间的矛盾限制储能系统节能率的提升的缺陷，从而提供一种基于线路列车功率的超级电容放电电压优化方法及装置。
6.本发明实施例提供了基于线路列车功率的超级电容放电电压优化方法，包括如下步骤：
7.根据变电站、列车与超级电容储能装置之间的线路连接构建等效电路模型；
8.获取列车运行状态下的列车功率曲线，将所述列车功率曲线输入所述等效电路模型中，生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据；
9.基于所述储能装置节能率、所述制动电阻节能率和所述超级电容寿命预测数据构建超级电容适应度函数；
10.利用所述超级电容适应度函数生成超级电容最低放电电压。
11.可选地，所述将所述列车功率曲线输入所述等效电路模型中，生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据，包括：
12.将所述列车功率曲线进行离散化，生成离散化数据；
13.将所述离散化数据输入所述等效电路模型中，生成所述变电站设置所述超级电容储能装置时变电站两端的电压与电流、所述变电站未设置所述超级电容储能装置时所述变电站两端的电压与电流、所述变电站设置有所述超级电容储能装置时列车制动电阻两端的电压与电流、所述变电站未设置所述超级电容储能装置时列车制动电阻两端的电压与电流、超级电容当前电压与超级电容当前温度；
14.基于所述变电站设置所述超级电容储能装置时变电站两端的电压与电流和所述变电站未设置所述超级电容储能装置时所述变电站两端的电压与电流生成所述储能装置节能率；
15.基于所述变电站设置有所述超级电容储能装置时列车制动电阻两端的电压与电流和所述变电站未设置所述超级电容储能装置时列车制动电阻两端的电压与电流生成制动电阻节能率；
16.基于所述超级电容当前电压与所述超级电容当前温度生成超级电容寿命预测数据。
17.可选地，所述超级电容适应度函数的表达式如下：
[0018][0019]
上式中，j表示超级电容适应度函数，uc_min(t)表示超级电容最低放电电压，ω1表示储能装置节能率的权重，表示储能装置节能率的平均值，ω2表示制动电阻节能率的权重，表示制动电阻节能率的平均值，ω3表示超级电容寿命预测数据的权重，表示超级电容寿命预测数据的平均值。
[0020]
可选地，构建超级电容适应度函数包括：
[0021]
以所述等效电路模型的节点电压方程、超级电容电流限值和超级电容电压限值为所述超级电容适应度函数的约束条件。
[0022]
可选地，所述等效电路模型的节点电压方程通过如下方式生成：
[0023]
提取所述等效电路模型中的所述列车的电压与电流、所述变电站的电压与电流、线路节点之间的变电阻，基于所述列车的电压与电流、所述变电站的电压与电流、所述线路节点之间的变电阻与所述节点距离生成所述等效电路模型的节点电压方程。
[0024]
可选地，所述利用所述超级电容适应度函数生成超级电容最低放电电压，包括：
[0025]
对所述超级电容适应度函数进行初始化，生成初始函数值；
[0026]
利用遗传算法对所述超级电容放电电压进行处理，生成目标函数值；
[0027]
基于所述初始函数值与所述目标函数值，利用模拟退火算法计算所述超级电容最低放电电压。
[0028]
可选地，所述基于所述初始函数值与所述目标函数值，利用模拟退火算法计算所述超级电容最低放电电压，包括：
[0029]
计算所述初始函数值与所述目标函数值之间的差值，生成函数差值；
[0030]
基于所述函数差值计算所述目标函数的接受概率，基于所述接受概率不符合预设阈值时，对所述目标函数值进行迭代；
[0031]
获取迭代次数、迭代温度值与结束条件，将所述迭代次数与所述迭代温度值分别与结束条件进行比较，当所述迭代次数与所述温度值分别符合所述结束条件时，输出所述超级电容最低放电电压。
[0032]
在本技术的第二个方面，还提出了基于线路列车功率的超级电容放电电压优化装置，包括：
[0033]
构建模块，用于根据变电站、列车与超级电容储能装置之间的线路连接构建等效电路模型；
[0034]
生成模块，用于获取列车运行状态下的列车功率曲线，将所述列车功率曲线输入所述等效电路模型中，生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据；
[0035]
获取模块，用于基于所述储能装置节能率、所述制动电阻节能率和所述超级电容寿命预测数据构建超级电容适应度函数；
[0036]
求解模块，用于利用所述超级电容适应度函数生成超级电容最低放电电压。
[0037]
可选地，所述生成模块，包括：
[0038]
第一生成子模块，用于将所述列车功率曲线进行离散化，生成离散化数据；
[0039]
第二生成子模块，用于将所述离散化数据输入所述等效电路模型中，生成所述变电站设置所述超级电容储能装置时变电站两端的电压与电流、所述变电站未设置所述超级电容储能装置时所述变电站两端的电压与电流、所述变电站设置有所述超级电容储能装置时列车制动电阻两端的电压与电流、所述变电站未设置所述超级电容储能装置时列车制动电阻两端的电压与电流、超级电容当前电压与超级电容当前温度；
[0040]
第三生成子模块，用于基于所述变电站设置所述超级电容储能装置时变电站两端的电压与电流和所述变电站未设置所述超级电容储能装置时所述变电站两端的电压与电流生成所述储能装置节能率；
[0041]
第四生成子模块，用于基于所述变电站设置有所述超级电容储能装置时列车制动电阻两端的电压与电流和所述变电站未设置所述超级电容储能装置时列车制动电阻两端的电压与电流生成制动电阻节能率；
[0042]
第五生成子模块，用于基于所述超级电容当前电压与所述超级电容当前温度生成超级电容寿命预测数据。
[0043]
可选地，所述超级电容适应度函数的表达式如下：
[0044][0045]
上式中，j表示超级电容适应度函数，uc_min(t)表示超级电容最低放电电压，ω1表示储能装置节能率的权重，表示储能装置节能率的平均值，ω2表示制动电阻节能率的权重，表示制动电阻节能率的平均值，ω3表示超级电容寿命预测数据的权重，
表示超级电容寿命预测数据的平均值。
[0046]
可选地，构建超级电容适应度函数包括：
[0047]
以所述等效电路模型的节点电压方程、超级电容电流限值和超级电容电压限值为所述超级电容适应度函数的约束条件。
[0048]
可选地，所述等效电路模型的节点电压方程通过如下方式生成：
[0049]
提取所述等效电路模型中的所述列车的电压与电流、所述变电站的电压与电流、线路节点之间的变电阻，基于所述列车的电压与电流、所述变电站的电压与电流、所述线路节点之间的变电阻与所述节点距离生成所述等效电路模型的节点电压方程。
[0050]
可选地，所述求解模块，包括：
[0051]
初始化子模块，用于对所述超级电容适应度函数进行初始化，生成初始函数值；
[0052]
预处理子模块，用于利用遗传算法对所述初始函数值进行预处理，生成目标函数值；
[0053]
计算子模块，用于基于所述初始函数值与所述目标函数值，利用模拟退火算法计算所述超级电容最低放电电压。
[0054]
可选地，所述计算子模块，包括：
[0055]
计算单元，用于计算所述初始函数值与所述目标函数值之间的差值，生成函数差值；
[0056]
迭代单元，用于基于所述函数差值计算所述目标函数的接受概率，根据所述接受概率将所述目标函数值代替所述初始函数值，并基于所述目标函数值进行迭代；
[0057]
比较单元，用于获取迭代次数、迭代温度值与结束条件，将所述迭代次数与所述迭代温度值分别与结束条件进行比较，当所述迭代次数与所述温度值分别符合所述结束条件时，输出所述超级电容最低放电电压。
[0058]
在本技术的第三个方面，还提出了一种计算机设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序，所述处理器被配置用于调用所述计算机程序，执行上述第一方面的方法。
[0059]
在本技术的第四个方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述第一方面的方法。
[0060]
本发明技术方案，具有如下优点：
[0061]
本发明提供的基于线路列车功率的超级电容放电电压优化方法，基于等效电路生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据，并基于储能装置节能率、制动电阻节能率与超级电容寿命预测数据构建超级电容适应度函数，在考虑超级电容寿命预测数据的前提下，提升了储能装置节能率和制动电阻节能率，并通过对超级电容适应度函数进行求解，实现了对储能装置的超级电容放电电压的优化，进而对超级电容的最优放电容量进行了约束，提升了储能装置节能效果。
附图说明
[0062]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的
附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0063]
图1为本发明实施例1中基于线路列车功率的超级电容放电电压优化方法的流程图；
[0064]
图2为本发明实施例1中等效电路模型的示意图；
[0065]
图3为本发明实施例1中线电压控制策略的示意图；
[0066]
图4为本发明实施例1中步骤s102的流程图；
[0067]
图5为本发明实施例1中步骤s104的流程图；
[0068]
图6为本发明实施例1中遗传算法与模拟退火算法的结合示意图；
[0069]
图7为本发明实施例1中超级电容容量配置优化过程的进化曲线的示意图；
[0070]
图8为本发明实施例1中步骤s1043的流程图；
[0071]
图9为本发明实施例1中充放电电压阈值不同时超级电容电压变化情况的示意图；
[0072]
图10为本发明实施例1中超级电容最低放电电压优化前超级电容最低放电电压与制动电阻之间关系的示意图；
[0073]
图11为本发明实施例1中超级电容最低放电电压优化后超级电容最低放电电压与制动电阻之间关系的示意图；
[0074]
图12为本发明实施例2中基于线路列车功率的超级电容放电电压优化装置的原理框图。
具体实施方式
[0075]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0076]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0077]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0078]
实施例1
[0079]
本实施例提供基于线路列车功率的超级电容放电电压优化方法，如图1所示，包括如下步骤：
[0080]
s101、根据变电站、列车与超级电容储能装置之间的线路连接构建等效电路模型。
[0081]
其中，如图2所示，由于列车的移动，网络的拓扑结构和列车与变电站之间的线路电阻是时变的。其中scess(super-capacitor energy storage system，超级电容储能装置)由dc/dc(直流转直流)变换器和超级电容器模块构成，scess的充放电是基于线电压控制策略(如图3所示)，当scess附近有列车制动时，变电站电压升高到高于充电阈值时，scess工作在充电状态，多余的制动能量由超级电容器回收；当列车加速时，变电站电压下
降到低于放电阈值时，scess进行放电，将网络电压稳定在放电阈值。
[0082]
进一步地，为了跟踪电压参考值，实现充放电功率控制，dc/dc变换器采用了双闭环控制结构，外环比例积分(pi)控制器调节线路电压，为内环产生参考电流，参考电流由限流器限制，以防止电流指令值超过超级电容器最大电流，内环控制器通过调整igbt驱动脉冲的占空比，将超级电容器电流调节到参考值。
[0083]
s102、获取列车运行状态下的列车功率曲线，将上述列车功率曲线输入上述等效电路模型中，生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据。
[0084]
s103、基于上述储能装置节能率、上述制动电阻节能率和上述超级电容寿命预测数据构建超级电容适应度函数。
[0085]
其中，上述超级电容适应度函数的表达式如下：
[0086][0087]
上式中，j表示超级电容适应度函数，uc_min(t)表示超级电容最低放电电压，ω1表示储能装置节能率的权重，表示储能装置节能率的平均值(即平均储能装置节能率)，ω2表示制动电阻节能率的权重，表示制动电阻节的平均值(即平均制动电阻节能率)，ω3表示超级电容寿命预测数据的权重，表示超级电容寿命预测数据的平均值。
[0088]
进一步地，以上述等效电路模型的节点电压方程、超级电容电流限值和超级电容电压限值为上述超级电容适应度函数的约束条件，其中，约束条件的表达式如下所示：
[0089][0090]
上式中，kvlequations表示节点电压方程，i
sc
表示超级电容的实时电流，i
lim
表示超级电容的最大电流限值，u
c_min
≤'u
c_min
'≤u
c_max
表示超级电容的放电电压限值，其中，u
c_min
＝0表示超级电容的最小额定电压，u
c_max
表示超级电容的最大额定电压。
[0091]
其中，表示s个计算周期t内的超级电容的最低放电电压。
[0092]
进一步地，上述等效电路模型的节点电压方程通过如下方式生成：提取上述等效电路模型中的上述列车的电压与电流、上述变电站的电压与电流、线路节点之间的变电阻，基于上述列车的电压与电流、上述变电站的电压与电流、上述线路节点之间的变电阻与上述节点距离生成上述等效电路模型的节点电压方程。
[0093]
进一步地，等效电路模型的节点电压方程如下所示：
[0094][0095]
上式中，u
ss
表示变电站的电压，i
ss
表示变电站的电流，u
t
表示列车电压，i
t
表示列车电流，r表示线路节点之间的变电阻，l1、l2、la和lb表示线路节点之间的距离(如图2所示)；其中，获取列车位置与各变电站位置之间的距离，将该距离与单位电阻相乘，生成线路节点之间的变电阻。
[0096]
s104、利用上述超级电容适应度函数生成超级电容最低放电电压。
[0097]
进一步地，采用遗传算法与模拟退火算法相结合的方法对超级电容适应度函数进行求解，将求解生成的第一个t时段的系统状态变量(即超级电容最低放电电压)作为第二个t时段的初始状态量，重复第步骤s101、s102和s103，直到s个t时段都计算完毕。
[0098]
进一步地，利用超级电容最低放电电压可以计算超级电容的最优放电容量(即soc)，计算公式如下所示：
[0099][0100]
上式中，u
sc_min
表示超级电容最低放电电压，u
sc_rate
表示超级电容额定电压。
[0101]
上述基于线路列车功率的超级电容放电电压优化方法，基于等效电路生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据，并基于储能装置节能率、制动电阻节能率与超级电容寿命预测数据构建超级电容适应度函数，在考虑超级电容寿命预测数据的前提下，提升了储能装置节能率和制动电阻节能率，并通过对超级电容适应度函数进行求解，实现了对储能装置的超级电容放电电压的优化，进而对超级电容的最优放电容量进行了约束，提升了储能装置节能效果。
[0102]
优选地，如图4所示，步骤s102中将上述列车功率曲线输入上述等效电路模型中，生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据，包括：
[0103]
s1021、将上述列车功率曲线进行离散化(按照计算步长ts进行离散化)，生成离散化数据。
[0104]
s1022、将上述离散化数据输入上述等效电路模型中，生成上述变电站设置上述超级电容储能装置时变电站两端的电压与电流、上述变电站未设置上述超级电容储能装置时上述变电站两端的电压与电流、上述变电站设置有上述超级电容储能装置时列车制动电阻两端的电压与电流、上述变电站未设置上述超级电容储能装置时列车制动电阻两端的电压与电流、超级电容当前电压与超级电容当前温度。
[0105]
s1023、基于上述变电站设置上述超级电容储能装置时变电站两端的电压与电流和上述变电站未设置上述超级电容储能装置时上述变电站两端的电压与电流生成上述储能装置节能率。
[0106]
具体的，储能装置节能率e％的表达式如下：
[0107][0108]
上式中，表示第j个变电站设置超级电容储能装置时变电站两端的电压，表示第j个变电站无超级电容储能装置时变电站两端的电压，表示第j个变电站设置超级电容储能装置时变电站两端的电流，表示第j个变电站无超级电容储能装置时变电站两端的电流，n表示变电站数量。
[0109]
其中，表示平均储能装置节能率是由s个计算周期t内得到的储能装置节能率求平均得到的。
[0110]
s1024、基于上述变电站设置有上述超级电容储能装置时列车制动电阻两端的电压与电流和上述变电站未设置上述超级电容储能装置时列车制动电阻两端的电压与电流生成制动电阻节能率。
[0111]
具体的，制动电阻节的计算公式如下所示：
[0112][0113]
上式中，表示变电站有超级电容储能装置时第j辆列车制动电阻两端的电压，表示变电站无超级电容储能装置时第j辆列车制动电阻两端的电压，表示变电站有超级电容储能装置时第j辆列车制动电阻两端流过的电流，表示变电站无超级电容储能装置时第j辆列车制动电阻两端流过的电流，m表示列车数量。
[0114]
其中，表示平均制动电阻节能率是由s个计算周期t内得到的制动电阻节能率求平均得到的。
[0115]
s1025、基于上述超级电容当前电压与上述超级电容当前温度生成超级电容寿命预测数据。
[0116]
具体的，超级电容寿命预测数据预测公式如下所示：
[0117]
msl
x
(t
x
,u
x
)＝msl(t0,u0)(u
x
/u0)-n
·
exp[-ea/k
·
(1/t
0-1/t
x
)]exp[-m
·
(u
x
/u0)
α
·
(t
x
/t0)
β
]
[0118]
上式中，msl(t0,u0)表示额定点电容寿命，ea表示电化学电容器的活化能，n表示电压幂律指数，k表示玻尔兹曼常数，m表示交叉耦合因子的增益，α表示电压因数幂律系，β表示温度因数幂律系数，u
x
表示超级电容当前电压，t
x
表示超级电容当前温度。
[0119]
其中，表示超级电容寿命预测数据的平均值是由s个计算周期t内得到的寿命求平均得到的。
[0120]
优选地，如图5所示，步骤s104中上述利用上述超级电容适应度函数生成超级电容最低放电电压，包括：
[0121]
s1041、对上述超级电容适应度函数进行初始化，生成初始函数值。
[0122]
具体的，将初始储能装置节能率、初始制动电阻节能率和初始超级电容寿命预测
数据输入超级电容适应度函数中，计算生成初始超级电容适应度函数，将初始超级电容适应度函数作为初始化函数值。
[0123]
进一步地，设置初始化控制参数，即迭代次数gen＝0，以及预设温度值t
end
。
[0124]
s1042、利用遗传算法对上述初始函数值进行预处理，生成目标函数值。
[0125]
具体的，如图6所示，遗传算法(genetic algorithm)是建立在自然进化理论和遗传学机理基础之上的自适应概率论搜索方法，由编解码、适应度评估和遗传操作三大模块构成，而遗传操作又包括染色体选择、交叉、变异等，其中，遗传算法基本步骤如下：
[0126]
(1)编码：以24个二进制编码来表示24*150s＝3600s数据长度的24个超级电容最低放电电压值，每个x染色体作为种群个体，初始化种群个数为nind，个体长度为preci，例如，24个计算周期t内的x染色体表示为：
[0127]
x＝[x1,x2,x3,
…
x
24
]
[0128]
上式中，x1表示第一个计算周期的超级电容最低放电电压值，x
24
表示第24个计算周期的超级电容最低放电电压值。
[0129]
(2)适应度评估：求超级电容适应度函数j的最大值，函数值越大，个体越优，适应度f计算公式如下：
[0130]
f(j[x])＝j[x]
[0131]
(3)选择操作：采用轮盘赌法，若设种群数为n，个体i的适应度值为fi，则个体i被选择的概率为：
[0132][0133]
上式中，fj表示第j个个体的适应度值。
[0134]
(4)交叉操作：第k个染色体xk和第m个染色体xm在第j个个体的交叉操作的表达式为：
[0135][0136]
其中，pc表示交叉概率，r表示[0，1]区间的随机数。
[0137]
(5)变异操作：第i个染色体的第j个个体x
ij
进行变异的计算公式为：
[0138][0139]
其中，pm表示变异概率，s表示[0，1]区间的随机数。
[0140]
s1043、基于上述初始函数值与上述目标函数值，利用模拟退火算法计算上述超级电容最低放电电压。
[0141]
具体的，模拟退火算法(simulated annealing)以固体退火过程的物理图像和统计性质作为物理背景，采用的metropolis准则(以概率来接受新状态，而不是使用完全确定的规则，称为metropolis准则)使算法避免了局部最优的发生。
[0142]
现有技术中，根据线路功率对超级电容最低放电soc进行优化，需要依据线路模型采用优化算法进行优化，因超级电容以及线路约束和限制条件较多，所以需要采用传统的
智能算法对其进行优化求解。在传统的智能算法中，粒子群算法与其它进化算法相比更容易实现，精度高，在求解速度方面有很大提升，但是粒子群优化算法在运行过程中，如果某粒子发现一个当前最优位置，其他粒子将迅速向其靠巧，如果该最优位置为一局部最优点，或两个粒子同时处于局部最优点，则粒子群在解空间中的捜索能力变差，因此粒子群算法在解决复杂的优化问题时，容易陷入局部最优，出现早熟收敛现象。而遗传算法通过交叉、变异的运算方法交换种群个体信息，可有效避免个体信息重叠，跳出局部收敛，但遗传算法运算效率相对较低，收敛速度慢。模拟退火是启发示算法的一种,也是一种贪心算法,但是它的搜索过程引入了随机因素。在迭代更新可行解时,以一定的概率来接受一个比当前解要差的解,因此有可能会跳出这个局部的最优解,达到全局的最优解。遗传算法与传统优化算法相比较，具有更好的收敛性，计算时间短，鲁棒性高，但在采用遗传算法进行优化时，优化结果常常出现收敛到局部最优解而非全局最优解的现象，即早熟现象，为了解决这一问题，利用在遗传算法中加入模拟退火算法的方法，在遗传算法前期，温度t较高，模拟退火算法对遗传算法适应度的拉伸作用不强，适应度相近的个体产生后代的概率相近；当温度t不断下降后，即遗传算法后期，拉伸作用加强，使适应度相近的个体适应度差异加大，使得优秀个体的优势更明显，从而避免出现收敛到局部最优解的问题。如图7所示为超级电容容量配置优化过程的进化曲线，利用模拟退火算法与遗传算法相结合求解超级电容适应度函数，优化曲线呈振荡形式，当优化至70代时趋于平稳，得到minφ值，此时对应的种群个体即为容量配置最优解。
[0143]
优选地，参照图8所示，上述步骤s1043中上述基于上述初始函数值与上述目标函数值，利用模拟退火算法计算上述超级电容最低放电电压，包括：
[0144]
s10431、计算上述初始函数值与上述目标函数值之间的差值，生成函数差值。
[0145]
具体的，如图6所示，根据超级电容适应度函数j的初始函数值xi，经遗传算法产生目标函数值xj，计算经遗传算法运算前后的函数差值，函数差值δφ计算公式如下所示：
[0146]
δφ＝φ(xj)-φ(xi)
[0147]
s10432、基于上述函数差值计算上述目标函数的接受概率，根据上述接受概率将上述目标函数值代替上述初始函数值，并基于上述目标函数值进行迭代。
[0148]
具体的，目标函数值xj被接受的概率p，即metropolis接受概率，其计算公式如下：
[0149][0150]
s10433、获取迭代次数、迭代温度值与结束条件，将上述迭代次数与上述迭代温度值分别与结束条件进行比较，当上述迭代次数与上述温度值分别符合上述结束条件时，输出上述超级电容最低放电电压。
[0151]
具体的，统计迭代次数gen，当迭代次数gen大于最大迭代次数maxgen时，比较第i次迭代的温度值ti与预设温度值t
end
，当第i次迭代的温度值ti大于预设温度值t
end
时，计算t
i 1
＝ti*q，表示一个随时间增加而下降的温度值，q是小于1的正数，一般取值为0.8到0.99之间，进而重新进行遗传操作。
[0152]
进一步地，当迭代次数与温度值符合结束条件时，将当前迭代的目标函数值作为超级电容最低放电电压输出。
[0153]
下面通过一个具体的实施例来说明基于线路列车功率的超级电容放电电压优化
方法的技术效果的。
[0154]
由于网压也受储能系统充放电阈值影响，因此选取不同的充放电阈值时，超级电容最低放电电压的优化结果也不尽相同，选取t＝1(0-150s)时间段进行仿真；
[0155]
取充放电电压阈值分别为
①uchar
＝860v,u
dis
＝850v，
②uchar
＝850v,u
dis
＝840v，
③uchar
＝850v,u
dis
＝825v时，可得到超级电容电压变化情况如图9所示，由于第
③
种情况下超级电容基本上未放电，因此该情况下无需优化最低放电电压，针对
①
、
②
情况通过超级电容最低放电电压优化控制策略可得到最优的放电电压值分别为u
c_min
＝201v和u
c_min
＝194v，对应的储能装置节能率和制动电阻节能率分别为e％＝93.13％,98.46％和e
bra_loss
％＝61.17％,63.12％，因此在超级电容最低放电电压优化过程中可结合动态阈值控制等策略(约束条件)从而得到更好地节能效果；
[0156]
为了进一步对比采用超级电容最低放电电压优化策略的效果，将优化后的各项指标与优化前进行对比，如图10-11所示，图中矩形表示制动电阻，线条表示超级电容最低放电电压，采用优化策略以后，在制动电阻启动的时间段，其制动电阻能耗都有下降，其制动电阻平均能耗由9.15kw
·
h降低至4.18kw
·
h。
[0157]
实施例2
[0158]
本施例提供基于线路列车功率的超级电容放电电压优化装置，如图12所示，包括：
[0159]
构建模块121，用于根据变电站、列车与超级电容储能装置之间的线路连接构建等效电路模型。
[0160]
其中，由于列车的移动，网络的拓扑结构和列车与变电站之间的线路电阻是时变的。其中scess(super-capacitor energy storage system，超级电容储能装置)由dc/dc(直流转直流)变换器和超级电容器模块构成，scess的充放电是基于线电压控制策略，当scess附近有列车制动时，变电站电压升高到高于充电阈值时，scess工作在充电状态，多余的制动能量由超级电容器回收；当列车加速时，变电站电压下降到低于放电阈值时，scess进行放电，将网络电压稳定在放电阈值。
[0161]
进一步地，为了跟踪电压参考值，实现充放电功率控制，dc/dc变换器采用了双闭环控制结构，外环比例积分(pi)控制器调节线路电压，为内环产生参考电流，参考电流由限流器限制，以防止电流指令值超过超级电容器最大电流，内环控制器通过调整igbt驱动脉冲的占空比，将超级电容器电流调节到参考值。
[0162]
生成模块122，用于获取列车运行状态下的列车功率曲线，将上述列车功率曲线输入上述等效电路模型中，生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据。
[0163]
获取模块123，用于基于上述储能装置节能率、上述制动电阻节能率和上述超级电容寿命预测数据构建超级电容适应度函数。
[0164]
其中，上述超级电容适应度函数的表达式如下：
[0165][0166]
上式中，j表示超级电容适应度函数，uc_min(t)表示超级电容最低放电电压，ω1表示储能装置节能率的权重，表示储能装置节能率的平均值(即平均储能装置节能率)，ω2表示制动电阻节能率的权重，表示制动电阻节的平均值(即平均制动电阻节能
率)，ω3表示超级电容寿命预测数据的权重，表示超级电容寿命预测数据的平均值。
[0167]
进一步地，以上述等效电路模型的节点电压方程、超级电容电流限值和超级电容电压限值为上述超级电容适应度函数的约束条件，其中，约束条件的表达式如下所示：
[0168][0169]
上式中，kvlequations表示节点电压方程，i
sc
表示超级电容的实时电流，i
lim
表示超级电容的最大电流限值，u
c_min
≤'u
c_min
'≤u
c_max
表示超级电容的放电电压限值，其中，u
c_min
＝0表示超级电容的最小额定电压，u
c_max
表示超级电容的最大额定电压。
[0170]
其中，表示s个计算周期t内的超级电容的最低放电电压。
[0171]
进一步地，上述等效电路模型的节点电压方程通过如下方式生成：提取上述等效电路模型中的上述列车的电压与电流、上述变电站的电压与电流、线路节点之间的变电阻，基于上述列车的电压与电流、上述变电站的电压与电流、上述线路节点之间的变电阻与上述节点距离生成上述等效电路模型的节点电压方程。
[0172]
进一步地，等效电路模型的节点电压方程如下所示：
[0173][0174]
上式中，u
ss
表示变电站的电压，i
ss
表示变电站的电流，u
t
表示列车电压，i
t
表示列车电流，r表示线路节点之间的变电阻，l1、l2、la和lb表示线路节点之间的距离；其中，获取列车位置与各变电站位置之间的距离，将该距离与单位电阻相乘，生成线路节点之间的变电阻。
[0175]
求解模块124，用于利用上述超级电容适应度函数生成超级电容最低放电电压。
[0176]
进一步地，采用遗传算法与模拟退火算法相结合的方法对超级电容适应度函数进行求解，将求解生成的第一个t时段的系统状态变量(即超级电容最低放电电压)作为第二个t时段的初始状态量，重复第步骤s101、s102和s103，直到s个t时段都计算完毕。
[0177]
进一步地，利用超级电容最低放电电压可以计算超级电容的最优放电容量(即soc)，计算公式如下所示：
[0178][0179]
上式中，u
sc_min
表示超级电容最低放电电压，u
sc_rate
表示超级电容额定电压。
[0180]
上述基于线路列车功率的超级电容放电电压优化装置，基于等效电路生成储能装置节能率、制动电阻节能率与超级电容寿命预测数据，并基于储能装置节能率、制动电阻节
能率与超级电容寿命预测数据构建超级电容适应度函数，在考虑超级电容寿命预测数据的前提下，提升了储能装置节能率和制动电阻节能率，并通过对超级电容适应度函数进行求解，实现了对储能装置的超级电容放电电压的优化，进而对超级电容的最优放电容量进行了约束，提升了储能装置节能效果。
[0181]
优选地，上述生成模块122，包括：
[0182]
第一生成子模块1221，用于将上述列车功率曲线进行离散化，生成离散化数据。
[0183]
第二生成子模块1222，用于将上述离散化数据输入上述等效电路模型中，生成上述变电站设置上述超级电容储能装置时变电站两端的电压与电流、上述变电站未设置上述超级电容储能装置时上述变电站两端的电压与电流、上述变电站设置有上述超级电容储能装置时列车制动电阻两端的电压与电流、上述变电站未设置上述超级电容储能装置时列车制动电阻两端的电压与电流、超级电容当前电压与超级电容当前温度。
[0184]
第三生成子模块1223，用于基于上述变电站设置上述超级电容储能装置时变电站两端的电压与电流和上述变电站未设置上述超级电容储能装置时上述变电站两端的电压与电流生成上述储能装置节能率。
[0185]
具体的，储能装置节能率e％的表达式如下：
[0186][0187]
上式中，表示第j个变电站设置超级电容储能装置时变电站两端的电压，表示第j个变电站无超级电容储能装置时变电站两端的电压，表示第j个变电站设置超级电容储能装置时变电站两端的电流，表示第j个变电站无超级电容储能装置时变电站两端的电流，n表示变电站数量。
[0188]
其中，表示平均储能装置节能率是由s个计算周期t内得到的储能装置节能率求平均得到的。
[0189]
第四生成子模块1224，用于基于上述变电站设置有上述超级电容储能装置时列车制动电阻两端的电压与电流和上述变电站未设置上述超级电容储能装置时列车制动电阻两端的电压与电流生成制动电阻节能率。
[0190]
具体的，制动电阻节的计算公式如下所示：
[0191][0192]
上式中，表示变电站有超级电容储能装置时第j辆列车制动电阻两端的电压，表示变电站无超级电容储能装置时第j辆列车制动电阻两端的电压，表示变电站有超级电容储能装置时第j辆列车制动电阻两端流过的电流，表示变电站无超级电容储能装置时第j辆列车制动电阻两端流过的电流，m表示列车数量。
[0193]
其中，表示平均制动电阻节能率是由s个计算周期t内得到的制动电阻节能率求平均得到的。
[0194]
第五生成子模块1225，用于基于上述超级电容当前电压与上述超级电容当前温度生成超级电容寿命预测数据。
[0195]
具体的，超级电容寿命预测数据预测公式如下所示：
[0196]
msl
x
(t
x
,u
x
)＝msl(t0,u0)(u
x
/u0)-n
·
exp[-ea/k
·
(1/t
0-1/t
x
)]exp[-m
·
(u
x
/u0)
α
·
(t
x
/t0)
β
]
[0197]
上式中，msl(t0,u0)表示额定点电容寿命，ea表示电化学电容器的活化能，n表示电压幂律指数，k表示玻尔兹曼常数，m表示交叉耦合因子的增益，α表示电压因数幂律系，β表示温度因数幂律系数，u
x
表示超级电容当前电压，t
x
表示超级电容当前温度。
[0198]
其中，表示超级电容寿命预测数据的平均值是由s个计算周期t内得到的寿命求平均得到的。
[0199]
优选地，上述求解模块124，包括：
[0200]
初始化子模块1241，用于对上述超级电容适应度函数进行初始化，生成初始函数值。
[0201]
具体的，将初始储能装置节能率、初始制动电阻节能率和初始超级电容寿命预测数据输入超级电容适应度函数中，计算生成初始超级电容适应度函数，将初始超级电容适应度函数作为初始化函数值。
[0202]
进一步地，设置初始化控制参数，即迭代次数gen＝0，以及预设温度值t
end
。
[0203]
预处理子模块1242，用于利用遗传算法对上述初始函数值进行预处理，生成目标函数值。
[0204]
具体的，如图6所示，遗传算法(genetic algorithm)是建立在自然进化理论和遗传学机理基础之上的自适应概率论搜索方法，由编解码、适应度评估和遗传操作三大模块构成，而遗传操作又包括染色体选择、交叉、变异等，其中，遗传算法基本步骤如下：
[0205]
(1)编码：本文以24个二进制编码来表示24*150s＝3600s数据长度的24个超级电容最低放电电压值，每个x染色体作为种群个体，初始化种群个数为nind，个体长度为preci，例如，24个计算周期t内的x染色体表示为：
[0206]
x＝[x1,x2,x3,
…
x
24
]
[0207]
上式中，x1表示第一个计算周期的超级电容最低放电电压值，x
24
表示第24个计算周期的超级电容最低放电电压值。
[0208]
(2)适应度评估：求超级电容适应度函数j的最大值，函数值越大，个体越优，适应度f计算公式如下：
[0209]
f(j[x])＝j[x]
[0210]
(3)选择操作：采用轮盘赌法，若设种群数为n，个体i的适应度值为fi，则个体i被选择的概率为：
[0211][0212]
上式中，fj表示第j个个体的适应度值。
[0213]
(4)交叉操作：第k个染色体xk和第m个染色体xm在第j个个体的交叉操作的表达式为：
[0214][0215]
其中，pc表示交叉概率，r表示[0，1]区间的随机数。
[0216]
(5)变异操作：第i个染色体的第j个个体x
ij
进行变异的计算公式为：
[0217][0218]
其中，pm表示变异概率，s表示[0，1]区间的随机数。
[0219]
计算子模块1243，用于基于上述初始函数值与上述目标函数值，利用模拟退火算法计算上述超级电容最低放电电压。
[0220]
具体的，模拟退火算法(simulated annealing)以固体退火过程的物理图像和统计性质作为物理背景，采用的metropolis准则(以概率来接受新状态，而不是使用完全确定的规则，称为metropolis准则)使算法避免了局部最优的发生。
[0221]
优选地，上述计算子模块1243，包括：
[0222]
计算单元12431，用于计算上述初始函数值与上述目标函数值之间的差值，生成函数差值。
[0223]
具体的，根据超级电容适应度函数j的初始函数值xi，经遗传算法产生目标函数值xj，计算经遗传算法运算前后的函数差值，函数差值δφ计算公式如下所示：
[0224]
δφ＝φ(xj)-φ(xi)
[0225]
迭代单元12432，用于基于上述函数差值计算上述目标函数的接受概率，根据上述接受概率将上述目标函数值代替上述初始函数值，并基于上述目标函数值进行迭代。
[0226]
具体的，目标函数值xj被接受的概率p，即metropolis接受概率，其计算公式如下：
[0227][0228]
比较单元12433，用于获取迭代次数、迭代温度值与结束条件，将上述迭代次数与上述迭代温度值分别与结束条件进行比较，当上述迭代次数与上述温度值分别符合上述结束条件时，输出上述超级电容最低放电电压。
[0229]
具体的，统计迭代次数gen，当迭代次数gen大于最大迭代次数maxgen时，比较第i次迭代的温度值ti与预设温度值t
end
，当第i次迭代的温度值ti大于预设温度值t
end
时，计算t
i 1
＝ti*q，表示一个随时间增加而下降的温度值，q是小于1的正数，一般取值为0.8到0.99之间，进而重新进行遗传操作。
[0230]
进一步地，当迭代次数与温度值符合结束条件时，将当前迭代的目标函数值作为超级电容最低放电电压输出。
[0231]
实施例3
[0232]
本施例提供一种计算机设备，包括存储器和处理器，处理器用于读取存储器中存储的指令，以执行上述任意方法实施例中的基于线路列车功率的超级电容放电电压优化方法
[0233]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序
产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0234]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0235]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0236]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0237]
实施例4
[0238]
本实施例提供一种计算机可读存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于线路列车功率的超级电容放电电压优化方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0239]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。