CN117474270A - 一种基于bp的电动公交车激励-响应特性精准量化方法 - Google Patents
一种基于bp的电动公交车激励-响应特性精准量化方法 Download PDFInfo
- Publication number
- CN117474270A CN117474270A CN202311501128.1A CN202311501128A CN117474270A CN 117474270 A CN117474270 A CN 117474270A CN 202311501128 A CN202311501128 A CN 202311501128A CN 117474270 A CN117474270 A CN 117474270A
- Authority
- CN
- China
- Prior art keywords
- electric bus
- charging
- discharge
- electric
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 70
- 230000005284 excitation Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011002 quantification Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 238000007599 discharging Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims description 12
- 230000002238 attenuated effect Effects 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002222 downregulating effect Effects 0.000 claims description 3
- 230000003828 downregulation Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003827 upregulation Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
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。
Description
技术领域
本发明属于电力负荷调控领域，具体涉及一种基于BP的电动公交车激励-响应特性精准量化方法。
背景技术
电动公交车参与电网调度需要进行充放电操作，会产生一定的损耗。此外，电动公交车参与电网调控时不可影响其正常的运行计划。因此，在实际中，并不是给电动公交车激励，电动公交即参与响应；只有当激励价格达到一定值，并在不影响其运行计划的前提下，电动公交车才参与响应。掌握其激励-响应特性，可以进一步评估其响应能力，支撑电网对其进行有效的调度。
但现有方法电动公交车激励-响应特性研究上，较少关注损耗系数对特性的影响，系数一般根据经验给出，不够精确，进而给出的电动公交车激励-响应特性不够准确。本发明基于BP神经网络，对电动公交车历史样本进行训练学习，可给出更加精准的损耗系数，提高电动公交车激励-响应特性的精准度。
发明内容
针对上述问题，本发明提出一种基于BP的电动公交车激励-响应特性精准量化方法，用于解决现有的电动公交车激励-响应特性不够准确的问题。
本发明所采用的技术方案如下：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，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主要包括：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；
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；
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。
进一步的，步骤S01提出的电动公交车充电及运行信息采集方法采集的数据利用公式(1)和(2)如下：
式中：X(t)为t时刻采集的电动公交车充电信息，Sh(t)为t时刻采集的电动公交车h当前SOC，为采集的电动公交车h初始SOC，/>为采集的电动公交车h衰减后的SOC，/>为t时刻采集的电动公交车h充电功率，/>为t时刻采集的电动公交车h放电功率，/>为采集的电动公交车h充电效率，/>为采集的电动公交车h放电效率，Y(t)为t时刻采集的电动公交车运行信息，/>为t时刻后电动公交车h的发车时间、fex(t)为t时刻采集的激励价格，Pup(t)为t时刻采集的上调响应功率，Pdn(t)为t时刻采集的下调响应功率。
进一步的，步骤S02构建的电动公交车充放电约束模型步骤如下：
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，Sh(t)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，Sh(t)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衰减后的最大SOC值。
进一步的，步骤S3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，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主要与电动公交车初始最大SOC/>电动公交车衰减后最大SOC/>电动公交车h在t时刻的SOCSh(t)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衰减后的SOC，为电动公交车h的初始SOC，Sh(t)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：X(t)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、fex(t)为t时刻的激励价格、Pdn(t)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；
其中，对电动公交车充放电损耗模型中的系数进行整定，方法如下：采集电动公交车充放电信息和部分运行信息的训练样本，训练采集的样本，对训练后的放电损耗系数整定模型进行网络测试，在离线训练检测神经网络模型，获取放电损耗系数整定的BP神经网络训练函数、连接权值、阈值，提取样本特征，构建基于BP神经网络的电动公交车放电损耗系数整定模型，神经网络隐含层采用tansig函数，则隐含层输出如公式(11)所示：
式中：Xi'(t)为放电损耗系数整定神经网络的输入，i为神经网络训练的层数，需要对样本进行5层训练；hj为放电损耗系数整定神经网络隐含层的输出；Wij为放电损耗系数整定神经网络输入层至输出层的连接权值；bj为放电损耗系数整定神经网络的阈值；j的范围为1至n；n为放电损耗系数整定神经网络络隐层单元的个数。放电损耗系数整定神经网络的输出层采用purelin函数，神经网络的输出如公式(13)所示
式中：km为放电损耗系数整定神经网络的输出；wjm为放电损耗系数整定神经网络隐层单元到输出层单元的连接权值，m的范围为1至3；
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。
进一步的步骤S04，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：fex(t)为t时刻的激励电价，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，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fex(t)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fex(t)参与充电响应。
本发明的优点及有益效果：本发明的方法基于BP神经网络，对电动公交车历史样本进行训练学习，可给出更加精准的损耗系数，提高了电动公交车激励-响应特性的精准度，为电动公交车参与电网调控提供坚强的技术支撑。
附图说明
图1为本发明的流程图；
图2为基于BP神经网络的放电损耗系数整定模型图；
图3为电动公交车激励-响应特性曲线图。
具体实施方式
下面根据说明书附图举例对本发明做进一步的说明：
实施例1
如图1所示，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，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主要包括：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；
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；
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。
其中，本实施例的步骤S01提出的电动公交车充电及运行信息采集方法采集的数据利用公式(1)和(2)如下：
式中：X(t)为t时刻采集的电动公交车充电信息，Sh(t)为t时刻采集的电动公交车h当前SOC，为采集的电动公交车h初始SOC，/>为采集的电动公交车h衰减后的SOC，/>为t时刻采集的电动公交车h充电功率，/>为t时刻采集的电动公交车h放电功率，/>为采集的电动公交车h充电效率，/>为采集的电动公交车h放电效率，Y(t)为t时刻采集的电动公交车运行信息，/>为t时刻后电动公交车h的发车时间、fex(t)为t时刻采集的激励价格，Pup(t)为t时刻采集的上调响应功率，Pdn(t)为t时刻采集的下调响应功率。
其中，本实施例的步骤S02构建的电动公交车充放电约束模型步骤如下：
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，Sh(t)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，Sh(t)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衰减后的最大SOC值。
其中，本实施例的步骤S3构建的基于BP神经网络的电动公交车充放电损耗模型，包括公交车充电和放电损耗模型，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主要与电动公交车初始最大SOC/>电动公交车衰减后最大SOC/>电动公交车h在t时刻的SOCSh(t)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衰减后的SOC，为电动公交车h的初始SOC，Sh(t)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，构建的基于BP神经网络的放电损耗系数整定模型如图2所示，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：X(t)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、fex(t)为t时刻的激励价格、Pdn(t)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；
其中，对电动公交车充放电损耗模型中的系数进行整定，方法如下：采集电动公交车充放电信息和部分运行信息的训练样本，训练采集的样本，对训练后的放电损耗系数整定模型进行网络测试，在离线训练检测神经网络模型，获取放电损耗系数整定的BP神经网络训练函数、连接权值、阈值，提取样本特征，构建基于BP神经网络的电动公交车放电损耗系数整定模型，神经网络隐含层采用tansig函数，则隐含层输出如公式(11)所示：
式中：Xi'(t)为放电损耗系数整定神经网络的输入，i为神经网络训练的层数，需要对样本进行5层训练；hj为放电损耗系数整定神经网络隐含层的输出；Wij为放电损耗系数整定神经网络输入层至输出层的连接权值；bj为放电损耗系数整定神经网络的阈值；j的范围为1至n；n为放电损耗系数整定神经网络络隐层单元的个数。放电损耗系数整定神经网络的输出层采用purelin函数，神经网络的输出如公式(13)所示
式中：km为放电损耗系数整定神经网络的输出；wjm为放电损耗系数整定神经网络隐层单元到输出层单元的连接权值，m的范围为1至3；
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。
其中，本实施例的步骤S04，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：fex(t)为t时刻的激励电价，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，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，如图3所示，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fex(t)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fex(t)参与充电响应。
Claims (5)
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主要包括：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；
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；
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，即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。
2.根据权利要求1所述的一种基于BP的电动公交车激励-响应特性精准量化方法，其特征在于，步骤S01提出的电动公交车充电及运行信息采集方法采集的数据利用公式(1)和(2)如下：
式中：X(t)为t时刻采集的电动公交车充电信息，Sh(t)为t时刻采集的电动公交车h当前SOC，为采集的电动公交车h初始SOC，/>为采集的电动公交车h衰减后的SOC，/>为t时刻采集的电动公交车h充电功率，/>为t时刻采集的电动公交车h放电功率，/>为采集的电动公交车h充电效率，/>为采集的电动公交车h放电效率，Y(t)为t时刻采集的电动公交车运行信息，/>为t时刻后电动公交车h的发车时间、fex(t)为t时刻采集的激励价格，Pup(t)为t时刻采集的上调响应功率，Pdn(t)为t时刻采集的下调响应功率。
3.根据权利要求2所述的一种基于BP的电动公交车激励-响应特性精准量化方法，其特征在于，步骤S02构建的电动公交车充放电约束模型步骤如下：
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/>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，Sh(t)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/>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，Sh(t)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衰减后的最大SOC值。
4.根据权利要求3所述的一种基于BP的电动公交车激励-响应特性精准量化方法，其特征在于，步骤S3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，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主要与电动公交车初始最大/>电动公交车衰减后最大/>电动公交车h在t时刻的SOCSh(t)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衰减后的SOC，/>为电动公交车h的初始SOC，Sh(t)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：X(t)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、fex(t)为t时刻的激励价格、Pdn(t)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；
其中，对电动公交车充放电损耗模型中的系数进行整定，方法如下：采集电动公交车充放电信息和部分运行信息的训练样本，训练采集的样本，对训练后的放电损耗系数整定模型进行网络测试，在离线训练检测神经网络模型，获取放电损耗系数整定的BP神经网络训练函数、连接权值、阈值，提取样本特征，构建基于BP神经网络的电动公交车放电损耗系数整定模型，神经网络隐含层采用tansig函数，则隐含层输出如公式(11)所示：
式中：Xi'(t)为放电损耗系数整定神经网络的输入，i为神经网络训练的层数，需要对样本进行5层训练；hj为放电损耗系数整定神经网络隐含层的输出；Wij为放电损耗系数整定神经网络输入层至输出层的连接权值；bj为放电损耗系数整定神经网络的阈值；j的范围为1至n；n为放电损耗系数整定神经网络络隐层单元的个数。放电损耗系数整定神经网络的输出层采用purelin函数，神经网络的输出如公式(13)所示
式中：km为放电损耗系数整定神经网络的输出；wjm为放电损耗系数整定神经网络隐层单元到输出层单元的连接权值，m的范围为1至3；
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。
5.根据权利要求4所述的一种基于BP的电动公交车激励-响应特性精准量化方法，其特征在于，步骤S04，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：fex(t)为t时刻的激励电价，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，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fex(t)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fex(t)参与充电响应。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311501128.1A CN117474270A (zh) | 2023-11-10 | 2023-11-10 | 一种基于bp的电动公交车激励-响应特性精准量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311501128.1A CN117474270A (zh) | 2023-11-10 | 2023-11-10 | 一种基于bp的电动公交车激励-响应特性精准量化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117474270A true CN117474270A (zh) | 2024-01-30 |
Family
ID=89629077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311501128.1A Pending CN117474270A (zh) | 2023-11-10 | 2023-11-10 | 一种基于bp的电动公交车激励-响应特性精准量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474270A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103507656A (zh) * | 2013-10-10 | 2014-01-15 | 同济大学 | 一种可在线自调整的增程式电动汽车能量管理方法及*** |
| US20150329003A1 (en) * | 2014-05-15 | 2015-11-19 | Ford Global Technologies, Llc | Electric vehicle operation to manage battery capacity |
| CN106712065A (zh) * | 2017-02-23 | 2017-05-24 | 沈阳工业大学 | 一种电动汽车充电对配电网有功损耗影响指数预测方法 |
| CN110428105A (zh) * | 2019-08-01 | 2019-11-08 | 国网江苏省电力有限公司苏州供电分公司 | 一种电动公交车日前充放电优化调度方法 |
| CN111523722A (zh) * | 2020-04-20 | 2020-08-11 | 武汉大学 | 一种基于深度强化学习的智能充电站优化选择*** |
| CN112491036A (zh) * | 2020-10-28 | 2021-03-12 | 四川大学 | 一种多主体互动博弈的配电网调峰运行管控方法及*** |
| CN112906983A (zh) * | 2021-03-22 | 2021-06-04 | 吉林大学 | 一种考虑分时电价影响的电动公交车充电方案优化方法 |
| CN113486504A (zh) * | 2021-06-28 | 2021-10-08 | 上海电机学院 | 一种基于调度成本的电池管理控制方法 |
| CN113702836A (zh) * | 2021-07-23 | 2021-11-26 | 国家电网有限公司西北分部 | 一种基于emd-gru锂离子电池荷电状态估计方法 |
| KR20210148759A (ko) * | 2020-06-01 | 2021-12-08 | 한국전력공사 | 배터리의 수명 향상을 위해 soc를 적용한 전기자동차의 충방전 스케쥴링 관리 시스템, 충방전 스케쥴링 서버 장치 및 충방전 스케쥴링 방법 |
| CN114389294A (zh) * | 2022-01-06 | 2022-04-22 | 国网江苏省电力有限公司电力科学研究院 | 一种面向降维等效的海量电动汽车集中式控制方法及*** |
| WO2023082555A1 (zh) * | 2021-11-12 | 2023-05-19 | 上汽通用五菱汽车股份有限公司 | 电动汽车剩余性能评估方法、装置和计算机可读存储介质 |
-
2023
- 2023-11-10 CN CN202311501128.1A patent/CN117474270A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103507656A (zh) * | 2013-10-10 | 2014-01-15 | 同济大学 | 一种可在线自调整的增程式电动汽车能量管理方法及*** |
| US20150329003A1 (en) * | 2014-05-15 | 2015-11-19 | Ford Global Technologies, Llc | Electric vehicle operation to manage battery capacity |
| CN106712065A (zh) * | 2017-02-23 | 2017-05-24 | 沈阳工业大学 | 一种电动汽车充电对配电网有功损耗影响指数预测方法 |
| CN110428105A (zh) * | 2019-08-01 | 2019-11-08 | 国网江苏省电力有限公司苏州供电分公司 | 一种电动公交车日前充放电优化调度方法 |
| CN111523722A (zh) * | 2020-04-20 | 2020-08-11 | 武汉大学 | 一种基于深度强化学习的智能充电站优化选择*** |
| KR20210148759A (ko) * | 2020-06-01 | 2021-12-08 | 한국전력공사 | 배터리의 수명 향상을 위해 soc를 적용한 전기자동차의 충방전 스케쥴링 관리 시스템, 충방전 스케쥴링 서버 장치 및 충방전 스케쥴링 방법 |
| CN112491036A (zh) * | 2020-10-28 | 2021-03-12 | 四川大学 | 一种多主体互动博弈的配电网调峰运行管控方法及*** |
| CN112906983A (zh) * | 2021-03-22 | 2021-06-04 | 吉林大学 | 一种考虑分时电价影响的电动公交车充电方案优化方法 |
| CN113486504A (zh) * | 2021-06-28 | 2021-10-08 | 上海电机学院 | 一种基于调度成本的电池管理控制方法 |
| CN113702836A (zh) * | 2021-07-23 | 2021-11-26 | 国家电网有限公司西北分部 | 一种基于emd-gru锂离子电池荷电状态估计方法 |
| WO2023082555A1 (zh) * | 2021-11-12 | 2023-05-19 | 上汽通用五菱汽车股份有限公司 | 电动汽车剩余性能评估方法、装置和计算机可读存储介质 |
| CN114389294A (zh) * | 2022-01-06 | 2022-04-22 | 国网江苏省电力有限公司电力科学研究院 | 一种面向降维等效的海量电动汽车集中式控制方法及*** |
Non-Patent Citations (7)
| Title |
|---|
| MOGHADAM MRV等: "Distributed Frequency Control via Randomized Response of Electric Vehicles in Power Grid", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》, vol. 7, no. 1, 18 November 2015 (2015-11-18), pages 312 - 324, XP011594241, DOI: 10.1109/TSTE.2015.2494504 * |
| SINGH J 等: "Cost Benefit Analysis for V2G Implementation of Electric Vehicles in Distribution System", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》, vol. 56, no. 5, 14 April 2020 (2020-04-14), pages 5963 - 5973, XP011809533, DOI: 10.1109/TIA.2020.2986185 * |
| 张书盈等: "考虑分时电价和电池损耗的电动汽车集群V2G响应成本分析", 《电力***及其自动化学报》, vol. 29, no. 11, 15 November 2017 (2017-11-15), pages 39 - 46 * |
| 王震等: "基于预测电池SOC的充电控制策略研究", 《电子质量》, no. 02, 20 February 2017 (2017-02-20), pages 1 - 3 * |
| 章锐等: "电动公交车负荷参与新型城网调峰的能力评估", 《中国电机工程学报》, vol. 42, no. 1, 31 August 2022 (2022-08-31), pages 82 - 94 * |
| 陈丽娟等: "计及电池损耗的电动公交车参与V2G的优化调度策略", 《电力***自动化》, vol. 44, no. 11, 10 June 2020 (2020-06-10), pages 52 - 60 * |
| 马俊等: "不同工况对锂离子电池SOC预估精度的影响", 《电源技术》, vol. 40, no. 12, 20 December 2016 (2016-12-20), pages 2335 - 2338 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110133507B (zh) | 一种基于narx-ukf算法的电池剩余电量估计方法 | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN107290688A (zh) | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 | |
| CN112434463B (zh) | 一种车辆复合电源能量管理*** | |
| CN105974327A (zh) | 一种基于神经网络和ukf的锂电池组soc预测方法 | |
| CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
| CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
| CN112526883B (zh) | 一种基于智能网联信息的整车能量管理方法 | |
| CN117104074B (zh) | 一种充放电控制的方法及充放电控制*** | |
| CN110609233A (zh) | 一种基于大数据进行储能电池soh预测的方法 | |
| CN115639481B (zh) | 基于大数据预测soc的电池数据预处理***及方法 | |
| Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
| Geng et al. | State of charge estimation method for lithium-ion batteries in all-electric ships based on LSTM neural network | |
| CN112163372A (zh) | 一种动力电池的soc估算方法 | |
| CN114865668A (zh) | 一种储能调度支撑评估方法 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
| CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
| Wang et al. | Research on multi-parameter evaluation of electric vehicle power battery consistency based on principal component analysis | |
| CN117474270A (zh) | 一种基于bp的电动公交车激励-响应特性精准量化方法 | |
| CN117491872A (zh) | 一种可重构电池模组故障多级诊断方法 | |
| CN116482543A (zh) | Ups电池健康状态评估方法、装置和存储介质 | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
| Li et al. | State of health prediction for battery based on ensemble learning | |
| CN109617153A (zh) | 一种矿用锂电池管理*** | |
| CN114977410A (zh) | 一种基于pso-ga-fcm聚类的动力锂电池主动均衡控制策略及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |