一种基于BP的电动公交车激励-响应特性精准量化方法

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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、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；

4、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；

5、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；

6、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。

7、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：

8、

9、

10、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。

11、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：

12、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；

13、

14、

15、

16、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。

17、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。

18、

19、

20、

21、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。

22、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：

23、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，

24、

25、

26、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；

27、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；

28、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：

29、

30、

31、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

32、

33、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；

34、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。

35、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，

36、

37、

38、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。

39、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。