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！

申请/专利权人：哈尔滨工业大学

摘要：本发明公开了一种基于BP的电动公交车激励‑响应特性精准量化方法，属于电力负荷调控领域。对电动公交车充电及运行信息采集，构建电动公交车充放电运行约束模型，运行约束主要由电动公交车当前剩余SOC和剩余发车时间决定，提出基于BP神经网络的电动公交车充放电损耗模型，对采集的电动公交车充电信息和运行信息进行训练，对构建的充放电损耗模型中的系数进行整定；提出基于BP神经网络的电动公交车激励‑响应特性模型，结合电动公交车充放电运行约束和基于BP神经网络的充放电损耗模型，可量化获得精准的电动公交车激励‑响应特性。本发明提升了电动公交车激励‑响应特性的准确度，为电动公交车参与电网调控提供坚强的技术支撑。

主权项：1.一种基于BP的电动公交车激励-响应特性精准量化方法，包括电动公交车充电及运行信息采集，构建电动公交车充放电运行约束模型，构建基于BP神经网络的电动公交车充放电损耗模型，构建基于BP神经网络的电动公交车激励-响应特性模型，其特征在于，步骤具体如下：S01：首先，采集的电动公交车充电信息：包括电动公交车当前SOC、电动公交车初始SOC、电动公交车衰减后的SOC、电动公交车充电功率、电动公交车放电功率、电动公交车充电效率、电动公交车放电效率；然后，采集的电动公交车运行信息包括：发车时间、激励价格、上调响应功率、下调响应功率；S02：构建电动公交车充放电运行约束模型：电动公交车参与电网响应的前提是需要满足运行约束条件，即在不影响电动公交车运行计划的前提下参与电网响应，运行约束由电动公交车当前剩余SOC和剩余发车时间决定，构建的电动公交车充放电运行约束模型包括充电约束模型和放电约束模型，其中充电运行约束模型旨在保障电动公交车参与充电响应后不应超过衰减后的SOC，防止电池充爆，放电运行约束模型旨在保障电动公交车参与放电响应后剩余的SOC不影响下一次发车需求；其中，构建的电动公交车充放电约束模型的具体步骤如下：S21：构建电动公交车放电运行约束模型，如公式3-5所示，公式3表示当放电Δtmin后剩余的SOC：大于放电阈值时，则电动公交车h满足放电运行约束条件；放电后电动公交车的剩余SOC：根据公式4计算，放电阈值根据公式5计算； 式中：为电动公交车h在t时刻放电Δtmin后剩余的SOC；为电动公交车h的放电阈值；Sht为电动公交车h在t时刻的SOC；为电动公交车h的放电效率；为电动公交车h的放电功率；为电动公交车h的充电效率；为电动公交车h的充电功率；为电动公交车在t时刻后的下一次发车时刻；为电动公交车为满足时刻发车时所需要的最小SOC；S22：构建电动公交车充电运行约束模型，如公式6-8所示，公式6表示当充电Δtmin后电动公交车的SOC：小于充电阈值时，则电动公交车h满足充电运行约束条件，充电后电动公交车的SOC：根据公式7来计算，电动公交车的充电阈值根据公式8来计算； 式中，为电动公交车h在t时刻充电Δtmin后的SOC；为电动公交车h的充电阈值；Sht为电动公交车h在t时刻的SOC；为电动公交车h的充电效率；为电动公交车h的充电功率；为电动公交车h衰减后的SOC；S03：构建基于BP神经网络的电动公交车充放电损耗模型：电动公交车在充放电过程中会产生充电损耗或放电损耗，只有当激励价格大于充放电损耗时，电动公交车才响应充放电，因此采用BP神经网络模型，对采集的电动公交车充电信息和运行信息进行训练，对构建的基于BP神经网络的电动公交车充放电损耗模型中的系数进行整定，提高充放电损耗模型的准确率；其中，构建的基于BP神经网络的电动公交车充放电损耗模型包括电动公交车充电和放电损耗模型，具体构建步骤如下：S31、构建电动公交车充电和放电损耗模型：构建的电动公交车放电损耗模型如公式9所示，构建的电动公交车充电损耗模型如公式10所示，电动公交车的充放电损耗模型由电动公交车h初始的电动公交车h衰减后的电动公交车h在t时刻的SOCSht决定， 式中：为电动公交车h在t时刻的放电损耗；为电动公交车h在t时刻的充电损耗；为电动公交车h衰减后的SOC；为电动公交车h的初始SOC；Sht为电动公交车h在t时刻的SOC；为电动公交车h的放电效率；为电动公交车h的充电效率；为电动公交车h的放电功率；为电动公交车h的充电功率；k1为电动公交车的放电衰减系数；k2为电动公交车的放电剩余SOC系数；k3为电动公交车的放电深度系数；k4为电动公交车的充电衰减系数；k5为电动公交车的充电剩余SOC系数；k6为电动公交车的充电深度系数；S32、采用BP神经网络模型，对电动公交车充放电损耗模型中的系数进行整定，通过训练学习电动公交车充放电数据样本和部分运行数据样本，提取与放电损耗相关的特征，进而实现对电动公交车放电损耗系数的精准整定，共有4类输入和3个输出，4类输入分别为：Xt为t时刻电动公交车的充放电运行数据、为t时刻后电动公交车h的下一次发车时刻、fext为t时刻的激励价格、Pdnt为t时刻的下调响应功率；3个输出分别为：电动公交车的放电衰减系数k1、电动公交车的放电剩余SOC系数k2、电动公交车的放电深度系数k3；获取准确的电动公交车的放电衰减系数k1、电动公交车的放电剩余SOC系数k2、电动公交车的放电深度系数k3后，代入公式9即获得准确的电动公交车放电损耗模型，采用同样方法，获得准确的电动公交车充电损耗模型；S04：根据步骤S03构建的基于BP神经网络的电动公交车充放电损耗模型，准确的描述电动公交车的充放电损耗，结合步骤S02中的电动公交车充放电运行约束，构建基于BP神经网络的电动公交车激励-响应特性模型，量化获得精准的电动公交车激励-响应特性，进而有效调度电动公交车参与电网运行；本步骤具体如下：首先构建电动公交车充电和放电参与度模型，公式14为电动公交车放电参与度模型，公式15为电动公交车充电参与度模型， 式中：fext为t时刻的激励电价；然后，根据公式3、6、14、15即获得电动公交车的充放电激励-响应特性曲线，当电动公交车满足公式3和公式14时，即能够根据激励电价fext参与放电响应；当电动公交车满足公式6和公式15时，即能够根据激励电价fext参与充电响应。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于BP的电动公交车激励-响应特性精准量化方法