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！

龙图腾网获悉西安交通大学申请的专利一种考虑用户响应意愿的电动汽车集群可调容量评估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：CN119539259B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411593154.6，技术领域涉及：G06Q10/063；该发明授权一种考虑用户响应意愿的电动汽车集群可调容量评估方法是由谢海鹏;陈旭日;汤凌峰;曾小于;别朝红设计研发完成，并于2024-11-08向国家知识产权局提交的专利申请。

本一种考虑用户响应意愿的电动汽车集群可调容量评估方法在说明书摘要公布了：本发明属于燃料电池技术领域，涉及一种考虑用户响应意愿的电动汽车集群可调容量评估方法，包括：1、建立电动汽车EV个体的统一储能模型；2、建立电动汽车EV集群的广义储能GES资源通用聚合模型；3、基于双向量子长短期记忆神经网络预测电动汽车EV集群聚合模型参数集得到理论需求响应潜力；4、基于TSK模糊系统量化用户侧需求响应意愿得到需求响应意愿系数；5、结合数据和模型驱动的结果得出实际需求响应潜力；本发明考虑电动汽车的异质性对个体进行统一储能建模，并将其集群封装为广义储能资源通用聚合模型，从而在不影响模型精度的情况下以一组较少的参数精确表征电动汽车集群的理论需求响应潜力，同时考虑用户响应意愿得到实际需求响应潜力。

本发明授权一种考虑用户响应意愿的电动汽车集群可调容量评估方法在权利要求书中公布了：1.一种考虑用户响应意愿的电动汽车集群可调容量评估方法，其特征在于，包括以下步骤： 步骤S1、建立电动汽车EV个体的统一储能模型； 步骤S2、建立电动汽车EV集群的广义储能GES资源通用聚合模型； 步骤S3、基于双向量子长短期记忆神经网络预测电动汽车EV集群聚合模型参数集得到理论需求响应潜力； 步骤S4、基于TSK模糊系统量化用户侧需求响应意愿得到需求响应意愿系数； 步骤S5、结合数据和模型驱动的结果得出实际需求响应潜力； 所述步骤S3中，数据驱动方法采用量子机器学习方法进行参数预测； 所述步骤S3包括以下分步骤： 步骤S3-1：变分量子电路； 量子编码层：将经典数据编码为量子态，并通过Ux操作将量子比特状态从参考状态|0转换到目标状态； 变分层：Vθ操作通过多个具有可调参数的量子门对量子比特进行纠缠操作并旋转到目标状态； 量子测量层：在量子计算的基础上测量部分或全部量子比特的量子态，输出VQC的计算结果； 步骤S3-2：量子长短期记忆神经网络 将LSTM基本单元中的经典神经网络替换为VQC，从而将其扩展到量子领域，VQC的主要作用是特征提取和数据压缩；QLSTM的计算公式如下所示： ft＝σVQC1[ht-1,xt]17 it＝σVQC2[ht-1,xt]18 ot＝σVQC4[ht-1,xt]19 ht＝VQC5ot*tanhct22 yt＝VQC6ot*tanhct23 式17～23中，ft，it和ot分别表示遗忘门，输入门和输出门t时刻的输出向量；σ表示sigmoid激活函数，其作用是将对应的变量映射至区间[0,1]中；ht-1表示隐藏层t-1时刻的状态向量；xt表示t时刻的序列输入向量；表示输入单元状态即t时刻输入到记忆单元的候选状态向量；tanh表示双曲正切激活函数；ct表示t时刻记忆单元的状态向量；*表示对应矩阵按元素相乘；yt表示最终输出； 步骤S3-3：优化过程； 在优化过程中，采用参数偏移规则计算VQC的梯度，计算表达式为： 式24中，x表示输入值；θi表示第i个VQC电路的量子参数；f·表示关于输入和量子参数的输出； 通过在VQC和经典神经网络之间反向传播梯度来最小化损失函数，从而对经典-量子混合计算模型进行迭代优化； 步骤S3-4：双向量子长短期记忆神经网络 选择Bi-QLSTM作为参数预测的框架； Bi-QLSTM由两个结构相同、方向相反的QLSTM组成，Bi-QLSTM的输出结果包含了输入中过去和未来的信息，且在训练过程中权值共享，在不增加数据量的同时提高了模型的泛化能力； 所述步骤S4中，模型驱动计算用户需求响应意愿系数，采用TSK模糊系统对用户的需求响应意愿进行量化； 所述步骤S4包括以下分步骤： 基于TSK模糊系统的用户侧需求响应意愿量化模型的步骤为： 步骤S4-1：给定d维输入向量x＝[x1,x2,…,xd]T与第i维输入向量在第k条模糊规则中对应的模糊子集Ak,i；其中，d＝3，且输入向量分别表示电池SOC、激励价格和需求响应认可程度，其对应的模糊子集分别为“SOC低”、“SOC中”、“SOC高”，“价格低”、“价格中”、“价格高”和“程度低”、“程度中”、“程度高”； 步骤S4-2：选取高斯型分布作为输入向量的隶属度函数，并分别对电池SOC、激励价格和需求响应认可程度进行模糊化，即将其对应的隶属度函数值作为TSK模糊规则的输入；高斯型隶属度函数表示为： 式25中，表示第i维输入向量在第k条模糊规则中的高斯型分布隶属度函数；ck,i和σk,i分别表示对应隶属度函数的均值和标准差； 步骤S4-3：根据输入向量的模糊子集和“IFTHEN”模糊规则库进行模糊推理，确定输出变量的模糊集合；其中，K＝27，其通用表达形式为： 式26中，表示第k条模糊规则的函数表达式；qk,i表示第i维输入向量在第k条模糊规则中对应的参数；qk,0表示第k条模糊规则的偏置参数； 步骤S4-4：根据输出变量的模糊集合计算最终的响应意愿函数；TSK模糊系统在去模糊化后的需求响应意愿输出表示为： 式27、28、29中，WEV表示电动汽车EV用户的需求响应意愿量化结果；和分别表示第k条模糊规则对应的隶属度函数和归一化隶属度函数。

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西安交通大学，其通讯地址为：710049 陕西省西安市咸宁西路28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”。

以上内容由龙图腾AI智能生成。