买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜河海大学申请的专利一种基于深度学习解耦的电力-交通网最优调度方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117541009B 。

龙图腾网通过国家知识产权局官网在2025-04-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311599887.6，技术领域涉及：G06Q10/0631；该发明授权一种基于深度学习解耦的电力-交通网最优调度方法是由陈胜;成浩;吕思;卫志农;黄蔓云;朱瑛;孙国强;臧海祥;韩海腾;周亦洲设计研发完成，并于2023-11-27向国家知识产权局提交的专利申请。

本一种基于深度学习解耦的电力-交通网最优调度方法在说明书摘要公布了：本发明公布了一种基于深度学习解耦的电力‑交通网最优调度方法，通过深度学习解耦电力‑交通网模型，在保证电网和交通网信息隐私的基础上，实现了电‑交通网最优调度。计及了电网、交通网的运行约束，构建了计及电动汽车的电‑交通网协调调度模型；采用深度学习学习电网和交通网之间的电动汽车充电功率，实现了电‑交通网协调调度模型两网各自独立运行，构建了基于深度学习解耦的电‑交通网最优调度模型。本发明考虑当下电网和交通网存在信息壁垒的现实情况，通过深度学习解耦，在保证电网和交通网运行独立性的基础上，实现电‑交通网的最优调度，有效提高了模型的求解效率。

本发明授权一种基于深度学习解耦的电力-交通网最优调度方法在权利要求书中公布了：1.一种基于深度学习解耦的电力-交通网最优调度方法，其特征在于，包括以下步骤：步骤1、获取电网、交通网模型的网络系数和运行系数，所述网络系数包括电网线路电阻和阻抗、交通网路段自由通行时间和路段容量、路段和路径耦合系数，所述运行系数包括发电机组发电系数、单位行驶时间费用；步骤2、获取电网负荷需求、交通需求及光伏出力场景数据；步骤3、针对获取的电网、交通网模型的网络系数、运行系数和场景数据，以系统运行能量消耗最小为目标函数，以电网运行约束和交通网运行约束为约束条件，建立计及电动汽车的电-交通网协调调度模型，求解得计及电动汽车的电-交通网协调调度模型的电动汽车充电功率；步骤4、基于步骤3中的计及电动汽车的电-交通网协调调度模型的电动汽车充电功率，以电网负荷需求、交通需求为输入，电动汽车充电功率为输出，通过深度学习模型学习，建立基于深度学习解耦的电力-交通网最优调度模型；步骤5、基于步骤4中的基于深度学习解耦的电力-交通网最优调度模型，利用非线性优化求解器求解该模型，对电网和交通网进行优化调度以得到基于深度学习解耦的电力-交通网最优调度方案；步骤3中，以系统运行能量消耗最小为目标函数为： 式中，Feco为系统运行能量消耗，为电网运行能量消耗，为交通网能量消耗； 式中，EN表示电网节点集合；π0表示与电网根节点相连的节点集合；rs表示交通出行需求的起止点集合；bi表示节点i处分布式电源的费用系数；表示节点i处分布式电源的有功功率；ν和分别表示配电网上级主网电价和电量；表示出发点r为目的地为s的电动汽车的最小通行费用；qrs表示出发点r为目的地为s的交通需求车辆数目；步骤3中，电网运行约束和交通网运行约束为：1电网运行约束： 式中，和分别表示线路ij的有功功率和无功功率；表示节点j处分布式电源的无功功率，表示节点j处分布式电源的有功功率；分别表示线路ij的电阻、电抗、阻抗；表示电路ij的电流；πj表示与节点j相连的子节点h所构成的集合；和分别表示线路jh的有功功率和无功功率；和分别表示节点j的有功和无功负荷；Uj表示节点j处电压幅值平方；Ui表示节点i处电压幅值平方；表示电路ij的电流上限；和分别表示节点i处电压幅值平方下限和上限，和分别表示节点i处分布式电源有功出力的下限和上限；和分别表示节点i处分布式电源无功出力的下限和上限；表示节点j处的常规电力负荷；表示节点j处的电动汽车充电功率；Cej表示与节点j相连的充电路段集合；表示充电路段a的交通流量；Ee表示电动汽车充电需求；2交通网运行约束： 式中，表示出发点为r目的地为s的电动汽车的路径k集合；表示选择路径k的电动汽车交通流量；分别表示常规路段、充电路段集合；分别表示常规路段、充电路段的交通流量；分别表示常规路段、充电路段能容纳的车辆数目；分别表示常规路段行驶时间，充电时间；分别表示常规路段、充电路段零交通流下的自由通行时间；J为充电时间模型参数；表示出发点r为目的地为s的电动汽车选择路径k时需支付的通行费用；ω、分别表示单位行驶时间费用、充电价格；Tolla、分别表示拥挤定价，充电服务费；表示判断电动汽车所在的路段a是否属于路径k的二进制常量，若属于则取1，否则取0；步骤4中，深度学习模型为：y＝πWx+bA-18式中，x∈Rn表示输入向量，即交通需求车辆数目qrs和常规电力负荷y∈Rm表示预测输出向量，即电动汽车充电功率W∈Rm×n表示深度学习模型学习后得的权重矩阵；b∈Rm是深度学习模型学习后得的偏差向量；π·表示非线性激活函数ReLU；Rn、Rm、Rm×n分别表示n维实数集，m维实数集，m×n维实数集；步骤4中，将式A-9中的电动汽车充电功率替换为深度学习预测得到的电动汽车充电功率基于深度学习解耦的电网最优调度模型为： 预测得到的电动汽车充电功率体现为交通网中电动汽车的分布，由得交通网中充电路段的交通流量，表示深度学习预测得到的充电路段的交通流量，基于深度学习解耦的交通网最优调度模型为：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河海大学，其通讯地址为：211100 江苏省南京市江宁开发区佛城西路8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。