(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210842200.6 (22)申请日 2022.07.18 (71)申请人 东南大学溧阳研究院 地址 213300 江苏省常州市溧阳市昆仑街 道泓口路218号A幢428室 （江苏中关村 科技产业园内） 申请人 南京东博智慧能源研究院有限公司 (72)发明人 刘盼盼　章锐　周吉　钱俊良　 邰伟　 (74)专利代理 机构 南京鑫之航知识产权代理事 务所(特殊普通 合伙) 32410 专利代理师 姚兰兰 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/24(2006.01) H02J 3/32(2006.01) (54)发明名称 电动汽车日内响应能力评估方法、 系统及计 算机存储介质 (57)摘要 本发明公开了电动汽车日内响应能力评估 方法、 系统及计算机存储介质， 评估方法包括构 建电动汽车充电容量极限评估模 型； 构建电动汽 车动态充放电功率评估模型， 确定电动汽车充 电、 放电功率上下限； 构建基于LSTM的电动汽车 充电数量预测模型， 预测可用于充电、 放电的电 动汽车数量； 构建电动汽车充电站充电功率评估 模型； 循环迭代， 实现对电动汽车日内响应能力 的评估。 本发明可以掌握电动汽车日内响应能 力， 对支撑电网日内运行计划的修正， 提高电网 运行计划制定质量， 提高电网稳定运行水平， 助 力电网早日实现碳达峰、 碳中和目标。 权利要求书3页 说明书7页 附图3页 CN 115018379 A 2022.09.06 CN 115018379 A 1.一种基于LSTM的电动汽车日内响应能力评估方法， 其特 征在于， 包括如下步骤： （1） 构建电动汽车充电容量极限评估模 型， 基于 时刻数据， 确定 时刻电动汽 车处 于充电、 放电、 空 闲状态下的充电容 量极限值； （2） 构建电动汽车动态充放电功率评估模型， 基于所述 时刻电动汽车处于充电、 放 电、 空闲状态下的充电容 量极限值， 确定 时刻电动汽车充电、 放电功率上 下限； （3） 构建基于LSTM的电动汽 车充电数量预测模型， 基于 时刻数据， 预测 时刻可用 于充电、 放电的电动汽车 数量； （4） 构建电动汽车充电站充电功率评估 模型； （5） 设置 ， 基于 时刻数据， 基于电动汽车充电站充电功率评估模型预测 电动汽 车响应能力， 基于 时刻数据， 预测 电动汽车响应能力， 其中， 为迭代次 数， 循环迭代， 实现对电动汽车日内响应能力的评估。 2.根据权利要求1所述的基于LSTM的电动汽车 日内响应能力 评估方法， 其特征在于， 步 骤 （1） 中， 构建所述电动汽车充电容 量极限评估 模型包括： 基于 时刻数据， 通过公式 （1） 确定 时刻电动汽车处于充电、 放电、 空闲状态下的 充电容量极限值；      （1） 式中： 为 时刻充电站j第i辆电动汽车充电容量极限值； 为 时刻 充电站j第i辆电动汽车充电容量极限值， 、 分别为电动汽车i充、 放电效率， 在 时刻 采集得到； 为充电站j第i辆电动汽车电池电量； 、 分别为充电站j的第i辆电动 汽车在 时刻的充电功率、 放电功率值， 在 时刻采集得到； 、 、 分别表示充电站j的第i辆电动汽车在 时刻处于空 闲状态、 充电状态、 放电状态。 3.根据权利要求1所述的基于LSTM的电动汽车 日内响应能力 评估方法， 其特征在于， 步 骤 （2） 中， 构建所述电动汽车动态充放电功率评估 模型包括： 将电动汽车历史充电容量极限数据 ， 以及对应时刻的充、 放电功率数据 、 通过LSTM 长短期记 忆网络算法， 构建电动汽车充、 放电功率关于 的预测模型                             （5） 基于求出的 时刻电动汽车充电容量极限值， 通过公式 （5） 得到 时刻电动汽车 充电、 放电功率； 为电动汽车数量充电功率LSTM预测模型， 为电动汽车数量放电功率LSTM预测权　利　要　求　书 1/3 页 2 CN 115018379 A 2模型。 4.根据权利要求3所述的方法， 其特征在于， 步骤 （2） 中， 确定所述评估 时刻电动 汽车充电、 放电功率上 下限：    （2）    （3） 式中： 、 分别为充电站j的第i辆电动汽车充电功率上下限值； 为 时刻充电站j第i辆电动汽车充电容量极限值； 为充电站j第i辆电动汽 车充电容量阈值； 为电站j第i辆电动汽车充电结束离开时刻， 可在 时刻采集得到， 为根据充电站j的第i辆电动汽车强制充电所需要的时间；  、  分别为 时刻电动汽车充电、 放电功率。 5.根据权利要求4所述的基于LSTM的电动汽车 日内响应能力 评估方法， 其特征在于， 所 述根据充电站j的第i辆电动汽车强制充电所需要的时间 通过公式                          （4） 得到， 其中 为 时刻充电站j的第i辆电动汽车充电功率。 6.根据权利要求1所述的基于LSTM的电动汽车 日内响应能力 评估方法， 其特征在于， 步 骤 （3） 中， 构建基于LSTM的电动汽车充电数量预测模型： 基于历史处于充电状态、 放电状态的电动汽车数量、 交通指数， 预测 时刻可用于 充电、 放电的电动汽车 数量；                        （6） 式中： 为处于充电状态的电动汽车数量LSTM预测模型， 为处于放电状态的电动 汽车数量LSTM预测模型， 、 分别为历史处于充电状态、 放电状态的电动汽车数量， 、 分别为预测 时刻可用于充电、 放电的电动汽车数量， 为日前不同时间的 交通指数。 7.根据权利要求6所述的基于LSTM的电动汽车 日内响应能力 评估方法， 其特征在于， 所 述基于LSTM的电动汽 车充电数量预测模 型基于输入样 本数据和细胞状态信息， 对LSTM深度 学习网络进行训练， 训练过程如公式 （7） 所示：权　利　要　求　书 2/3 页 3 CN 115018379 A 3