基于氢电耦合的电网框架规划方法技术

本发明专利技术涉及一种基于氢电耦合的电网框架规划方法，属于新能源技术领域。本发明专利技术提前搜集好各个加氢站的加氢二维码；各个加氢站提前扫描中转站的分发二维码，上报所需加氢容量、预计的氢电耦合高峰时间段；中转站负责对于每天上报的加氢站进行统计，统计好的信息录入电网框架规划系统；驾驶员端将氢能运输车在中转站装载好规划的氢能源后出发，沿途经过的所有加氢站均需要扫描其对应的加氢二维码，直至驾驶员端遍历所有路径上的加氢站返回中转站；中转站收集一段周期内加氢站的上报习惯，根据预测模型提前规划所需驾驶员人数，以及各个驾驶员的装车时间、出发时间，利用最少的驾驶员完成加氢工作，且减少驾驶员加氢等待时间；广泛运用于新能源场合。运用于新能源场合。运用于新能源场合。

【技术实现步骤摘要】
基于氢电耦合的电网框架规划方法


[0001]本专利技术涉及一种基于氢电耦合的电网框架规划方法，属于新能源


技术介绍

[0002]氢能源运输领域中，加氢站和氢能运输车是十分重要的环节、枢纽。
[0003]我国专利申请号：CN202111462932.4公开了一种对加氢站进行排序加氢的方法和装置，能根据加氢站的实际需求，智能地为每个加氢站进行制氢输送的对加氢站进行排序加氢。CN202210413357.7公开了一种氢能货运车辆的调度方法、装置和存储介质，所述货运订单包括始发地，目的地以及货运要求信息；根据货运订单，氢能运输地图以及预设规则，生成多个可选运输方案，充分调度氢能货运车辆和普通货运车辆，以期实现氢能货运车辆更广泛的使用。
[0004]发现上述技术至少存在如下技术问题：加氢站的制氢过程严格依赖于氢能运输车能否按时达到，而氢能运输车目前尚稀缺不足以满足每个加氢站及时制氢的需要，不可避免会造成氢能运输车与加氢站之间协同效果不好，既造成加氢站无氢可加，又造成驾驶员驾驶时间过长。

技术实现思路

[0005]针对现有技术存在的上述缺陷，本专利技术提出了一种基于氢电耦合的电网框架规划方法。
[0006]本专利技术所述的基于氢电耦合的电网框架规划方法，包括如下步骤：
[0007]S1：将中转站附近所有的加氢站列入名单底册，并提前搜集好各个加氢站的加氢二维码；每天在加氢之前，各个加氢站提前扫描中转站的分发二维码，上报所需加氢容量、预计的氢电耦合高峰时间段，确保驾驶员端上门时仅需要扫描加氢二维码核对好后进行加氢即可；
[0008]S2：中转站负责对于每天上报的加氢站进行统计，统计好的信息录入电网框架规划系统，电网框架规划系统包括如下模块：
[0009]智能网络模块：根据每天更新的加氢站的位置、数量进行科学路径规划，依靠神经网络算法规划后的路径体现在可视的氢能运输地图上，氢能运输地图上将加氢站的地点打标且备注预计达到时间，然后将氢能运输地图发至驾驶员端；
[0010]协同配合模块：驾驶员端接收到氢能运输地图，并接收如下提示：接收装车时间、装车容量、出发时间、预计返回时间信息；驾驶员端将氢能运输车在中转站装载好规划的氢能源后出发，沿途经过的所有加氢站均需要扫描其对应的加氢二维码，中转站实时更新核销相关记录，直至驾驶员端遍历所有路径上的加氢站返回中转站；
[0011]S3：中转站收集一段周期内加氢站的上报习惯，根据预测模型提前规划所需驾驶员人数，以及各个驾驶员的装车时间、出发时间，利用最少的驾驶员完成加氢工作，且减少驾驶员在中转站加氢等待时间。
[0012]优选地，所述步骤S1中，驾驶员端扫描加氢二维码，中转站利用电网框架规划系统追踪每个驾驶员的动态，保证驾驶员在加氢站上报的氢电耦合高峰时间段内赶到；加氢站通过扫描分发二维码实时，从电网框架规划系统获取驾驶员的位置和预计达到时间，提前安排氢能源卸载工作。
[0013]优选地，所述步骤S2中，智能网络模块采用的规划方法包括如下小步：
[0014]S21：确定起始点和终止点，对神经网络种群数、迭代次数参数进行设定；
[0015]S22：搜索num条氢能运输路径，根据适应度函数计算个路径的适应度值，选取适应度值最小的路径R，根据主方向选取的不同将路径分成d段；
[0016]S23：根据主方向的不同对速度进行分段初始化，由初始速度和路径R找出PopNum条路径作为各个氢能运输车的初始路径；
[0017]S24：根据神经网络初始路径计算各氢能运输车的局部最优路径，再比较神经网络的局部最优路径找出适应度值最小的路径作为全局最优路径；
[0018]S25：迭代开始，迭代次数k＝0；
[0019]S26：神经网络i＝0；
[0020]S27：根据迭代次数计算每一代ω的值，根据当前全局最优路径和局部最优路径对神经网络速度进行分段更新，更新完速度之后再对神经网络中各氢能运输车的位置进行更新；
[0021]S28：计算氢能运输车i的新的路径的适应度值与氢能运输车的局部最优值进行比较，如果当前路径的适应度值小于氢能运输车i的最优路径的适应度值，以当前路径替换最优路径成为氢能运输车i的新的最优路径；
[0022]S29：如果i<PopNum，i值加1，重复S27，否则执行S210；
[0023]S210：更新完所有氢能运输车的位置后比较全局最优路径适应度值和神经网络当前局部最优路径适应度值，如果有某氢能运输车的局部最优路径的适应度值小于全局最优路径的适应度值就用该氢能运输车的路径代替全局最优路径成为新的全局最优路径；
[0024]S211：如果k<N，k值加1，重复S26，否则转S212；
[0025]S212：绘制氢能运输地图和电网框架规划路径。
[0026]优选地，所述步骤S1中，名单底册是根据截止时间前上报分发二维码实时更新的，因此造成如下情况：
[0027]当加氢站及时更新上报信息时，中转站根据更新后的名单安排氢能运输车数量、路径；
[0028]当加氢站没有及时更新上报信息，且根据预测模型判断该加氢站漏报时，电网框架规划系统根据名单底册留存的联系方式提醒加氢站，则：
[0029]若提醒后加氢站尚未错过截止时间，则及时录入智能网络模块，更改氢能运输车数量、路径信息；
[0030]若提醒后加氢站已经错过截止时间，且追加请求紧急时，电网框架规划系统汇总追加请求，再次录入智能网络模块，统一调用备用车辆按照最佳的路径出发完成追加任务。
[0031]优选地，所述步骤S2中，备用车辆的装车容量，根据预测模型分析得出，预测模型将一段周期内追加请求的加氢容量汇总得出，提前在备用车辆内装载好氢能源；备用车辆完成追加任务遵从如下优先级：
[0032]氢电耦合高峰时间段＞加氢容量＞遍历追加请求的加氢站
[0033]即：优先保证在加氢站氢电耦合高峰时间段之前赶到，在到达基础上再提供最少的加氢容量；当遍历到最后的加氢站时不保证依然能提供加氢容量，返回时间以遍历所有追加请求的加氢站为前提。
[0034]优选地，所述步骤S3中，预测模型包括如下计算方法：
[0035]S31：确定预设的特征，并对所述预设的特征进行预处理；
[0036]S32：确定深度神经网络，所述深度神经网络用于预测未来时域内的其他氢能运输路径；
[0037]S33：建立所述未来时域内的氢能运输地图；
[0038]S34：对氢能运输路径进行冲突行为检查，筛选并记录具有冲突行为的氢能运输路径相关信息；
[0039]S35：对筛选出的具有冲突行为的氢能运输路径进行重新预测；
[0040]S36：根据重新预测的结果规划氢能运输路径。
[0041]优选地，所述步骤S2中，电网框架规划系统还包括架设在云端的电网服务器端，云端的电网服务器端与中转站的管理端、氢能运输车的驾驶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于氢电耦合的电网框架规划方法，其特征在于，包括如下步骤：S1：将中转站(1)附近所有的加氢站(2)列入名单底册，并提前搜集好各个加氢站(2)的加氢二维码；每天在加氢之前，各个加氢站(2)提前扫描中转站(1)的分发二维码，上报所需加氢容量、预计的氢电耦合高峰时间段，确保驾驶员端上门时仅需要扫描加氢二维码核对好后进行加氢即可；S2：中转站(1)负责对于每天上报的加氢站(2)进行统计，统计好的信息录入电网框架规划系统，电网框架规划系统包括如下模块：智能网络模块：根据每天更新的加氢站(2)的位置、数量进行科学路径规划，依靠神经网络算法规划后的路径体现在可视的氢能运输地图上，氢能运输地图上将加氢站(2)的地点打标且备注预计达到时间，然后将氢能运输地图发至驾驶员端；协同配合模块：驾驶员端接收到氢能运输地图，并接收如下提示：接收装车时间、装车容量、出发时间、预计返回时间信息；驾驶员端将氢能运输车在中转站(1)装载好规划的氢能源后出发，沿途经过的所有加氢站(2)均需要扫描其对应的加氢二维码，中转站(1)实时更新核销相关记录，直至驾驶员端遍历所有路径上的加氢站(2)返回中转站(1)；S3：中转站(1)收集一段周期内加氢站(2)的上报习惯，根据预测模型提前规划所需驾驶员人数，以及各个驾驶员的装车时间、出发时间，利用最少的驾驶员完成加氢工作，且减少驾驶员在中转站(1)加氢等待时间。2.根据权利要求1所述的基于氢电耦合的电网框架规划方法，其特征在于，所述步骤S1中，驾驶员端扫描加氢二维码，中转站(1)利用电网框架规划系统追踪每个驾驶员的动态，保证驾驶员在加氢站(2)上报的氢电耦合高峰时间段内赶到；加氢站(2)通过扫描分发二维码实时，从电网框架规划系统获取驾驶员的位置和预计达到时间，提前安排氢能源卸载工作。3.根据权利要求1所述的基于氢电耦合的电网框架规划方法，其特征在于，所述步骤S2中，智能网络模块采用的规划方法包括如下小步：S21：确定起始点和终止点，对神经网络种群数、迭代次数参数进行设定；S22：搜索num条氢能运输路径，根据适应度函数计算个路径的适应度值，选取适应度值最小的路径R，根据主方向选取的不同将路径分成d段；S23：根据主方向的不同对速度进行分段初始化，由初始速度和路径R找出PopNum条路径作为各个氢能运输车的初始路径；S24：根据神经网络初始路径计算各氢能运输车的局部最优路径，再比较神经网络的局部最优路径找出适应度值最小的路径作为全局最优路径；S25：迭代开始，迭代次数k＝0；S26：神经网络i＝0；S27：根据迭代次数计算每一代ω的值，根据当前全局最优路径和局部最优路径对神经网络速度进行分段更新，更新完速度之后再对神经网络中各氢能运输车的位置进行更新；S28：计算氢能运输车i的新的路径的适应度值与氢能运输车的局部最优值进行比较，如果当前路径的适应度值小于氢能运输车i的最优路径的适应度值，以当前路径替换最优路径成为氢能运输车i的新的最优路径；S29：如果i<PopNum，i值加1，重复S27，否则执行S210；
S210：更新完所有氢能运输车的...

【专利技术属性】
技术研发人员：李新，石增辉，彭东丽，赵连国，陈玲玲，王建，
申请(专利权)人：国网山东省电力公司费县供电公司，
类型：发明
国别省市：