買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜河海大學申請的專利一種基于深度學習解耦的電力-交通網最優調度方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117541009B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202311599887.6，技術領域涉及：G06Q10/0631；該發明授權一種基于深度學習解耦的電力-交通網最優調度方法是由陳勝;成浩;呂思;衛志農;黃蔓云;朱瑛;孫國強;臧海祥;韓海騰;周亦洲設計研發完成，并于2023-11-27向國家知識產權局提交的專利申請。

本一種基于深度學習解耦的電力-交通網最優調度方法在說明書摘要公布了：本發明公布了一種基于深度學習解耦的電力?交通網最優調度方法，通過深度學習解耦電力?交通網模型，在保證電網和交通網信息隱私的基礎上，實現了電?交通網最優調度。計及了電網、交通網的運行約束，構建了計及電動汽車的電?交通網協調調度模型；采用深度學習學習電網和交通網之間的電動汽車充電功率，實現了電?交通網協調調度模型兩網各自獨立運行，構建了基于深度學習解耦的電?交通網最優調度模型。本發明考慮當下電網和交通網存在信息壁壘的現實情況，通過深度學習解耦，在保證電網和交通網運行獨立性的基礎上，實現電?交通網的最優調度，有效提高了模型的求解效率。

本發明授權一種基于深度學習解耦的電力-交通網最優調度方法在權利要求書中公布了：1.一種基于深度學習解耦的電力-交通網最優調度方法，其特征在于，包括以下步驟：步驟1、獲取電網、交通網模型的網絡系數和運行系數，所述網絡系數包括電網線路電阻和阻抗、交通網路段自由通行時間和路段容量、路段和路徑耦合系數，所述運行系數包括發電機組發電系數、單位行駛時間費用；步驟2、獲取電網負荷需求、交通需求及光伏出力場景數據；步驟3、針對獲取的電網、交通網模型的網絡系數、運行系數和場景數據，以系統運行能量消耗最小為目標函數，以電網運行約束和交通網運行約束為約束條件，建立計及電動汽車的電-交通網協調調度模型，求解得計及電動汽車的電-交通網協調調度模型的電動汽車充電功率；步驟4、基于步驟3中的計及電動汽車的電-交通網協調調度模型的電動汽車充電功率，以電網負荷需求、交通需求為輸入，電動汽車充電功率為輸出，通過深度學習模型學習，建立基于深度學習解耦的電力-交通網最優調度模型；步驟5、基于步驟4中的基于深度學習解耦的電力-交通網最優調度模型，利用非線性優化求解器求解該模型，對電網和交通網進行優化調度以得到基于深度學習解耦的電力-交通網最優調度方案；步驟3中，以系統運行能量消耗最小為目標函數為： 式中，Feco為系統運行能量消耗，為電網運行能量消耗，為交通網能量消耗； 式中，EN表示電網節點集合；π0表示與電網根節點相連的節點集合；rs表示交通出行需求的起止點集合；bi表示節點i處分布式電源的費用系數；表示節點i處分布式電源的有功功率；ν和分別表示配電網上級主網電價和電量；表示出發點r為目的地為s的電動汽車的最小通行費用；qrs表示出發點r為目的地為s的交通需求車輛數目；步驟3中，電網運行約束和交通網運行約束為：1電網運行約束： 式中，和分別表示線路ij的有功功率和無功功率；表示節點j處分布式電源的無功功率，表示節點j處分布式電源的有功功率；分別表示線路ij的電阻、電抗、阻抗；表示電路ij的電流；πj表示與節點j相連的子節點h所構成的集合；和分別表示線路jh的有功功率和無功功率；和分別表示節點j的有功和無功負荷；Uj表示節點j處電壓幅值平方；Ui表示節點i處電壓幅值平方；表示電路ij的電流上限；和分別表示節點i處電壓幅值平方下限和上限，和分別表示節點i處分布式電源有功出力的下限和上限；和分別表示節點i處分布式電源無功出力的下限和上限；表示節點j處的常規電力負荷；表示節點j處的電動汽車充電功率；Cej表示與節點j相連的充電路段集合；表示充電路段a的交通流量；Ee表示電動汽車充電需求；2交通網運行約束： 式中，表示出發點為r目的地為s的電動汽車的路徑k集合；表示選擇路徑k的電動汽車交通流量；分別表示常規路段、充電路段集合；分別表示常規路段、充電路段的交通流量；分別表示常規路段、充電路段能容納的車輛數目；分別表示常規路段行駛時間，充電時間；分別表示常規路段、充電路段零交通流下的自由通行時間；J為充電時間模型參數；表示出發點r為目的地為s的電動汽車選擇路徑k時需支付的通行費用；ω、分別表示單位行駛時間費用、充電價格；Tolla、分別表示擁擠定價，充電服務費；表示判斷電動汽車所在的路段a是否屬于路徑k的二進制常量，若屬于則取1，否則取0；步驟4中，深度學習模型為：y＝πWx+bA-18式中，x∈Rn表示輸入向量，即交通需求車輛數目qrs和常規電力負荷y∈Rm表示預測輸出向量，即電動汽車充電功率W∈Rm×n表示深度學習模型學習后得的權重矩陣；b∈Rm是深度學習模型學習后得的偏差向量；π·表示非線性激活函數ReLU；Rn、Rm、Rm×n分別表示n維實數集，m維實數集，m×n維實數集；步驟4中，將式A-9中的電動汽車充電功率替換為深度學習預測得到的電動汽車充電功率基于深度學習解耦的電網最優調度模型為： 預測得到的電動汽車充電功率體現為交通網中電動汽車的分布，由得交通網中充電路段的交通流量，表示深度學習預測得到的充電路段的交通流量，基于深度學習解耦的交通網最優調度模型為：

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人河海大學，其通訊地址為：211100 江蘇省南京市江寧開發區佛城西路8號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。