【考虑电网-用户多目标的电动汽车V2G模式研究15000字（论文）】

-)式中：Y为目标函数；x1，x2为方程的解向量。此种情况下，将x1称为非支配解，x2称为支配解，在可行域中，若x不被其他解支配，则称之为帕累托最优[30]。4.2.3NSGA-II算法简介遗传算法理论是一种通过数学模拟预测人类在现代生物科学世界内的各种自然反应演化而逐渐形成的数学算法,优胜劣汰、适者生存。对不同种群中的染色体信号进行模拟编码,以便于模拟存在人类和其他自然界环境中的各种种群染色体,通过各种选择、交叉、变异来改变个体染色体中的信息。根据设定的优化目标,确定了种群中每个人和群体的适应程度值,根据优胜劣汰的法则,适应程度高的个体将会被保留。设置迭代的次数是为了模拟人类在自然界中所进化的代数，进行多次迭代，不断进化得到满足目标函数的最优群体。最后，通过全局搜索得到群体中的最优个体。相较于一般的遗传算法，NSGA-II算法增加了拥挤度的计算、快速非支配排序以及精英选择的运算。对于拥挤排序程度的个体计算序列会因为优先与对于拥挤排序程度大的非快速支配安排序列相同的其他个体,快速非线性支配序的排序序列会因为优先与非快速支配安排序列较小的其他个体共同进行支配排序。精英策略提前在使用遗传算子之前选出适应度值最大的个体并将其直接遗传到下代，保证群体的多样性，保留最好的各面，可以有效避免其他遗传方法算子的使用破坏其生物优良性,该精英遗传策略将有效地通过保留优秀父代在群体中的优秀后代个体[27]。基于Pareto最优的多目标遗传算法较传统遗传算法优势如下：１）快速支配排序；２）引入拥挤度和拥挤度比较算子；３）采用精英保留策略。4.2.4优化算法求解步骤NSGA-II算法流程如图4-1所示，具体步骤如下。（1）随机产生初始种群；（2）利用Pareto最优理论对汽车种群进行分层；（3）按照交叉概率、变异的概率产生第一代子族的种群；（4）将父代种群与子代种群合并，进行快速非支配排序，对每一个非支配层的个体进行拥挤度计算；（5）通过非支配关系以及拥挤度选取合适的个体组成新的父代种群[31]；（6）选择、交叉、变异产生新一代种群，（7）设置迭代次数，判断它们当前是否已经满足了终止迭代条件，若达到规定的迭代次数则结束计算并输出Pareto最优解集，若未达到最大迭代次数则转到第４步。图4-1NSGA-II算法流程图4.3优化模型仿真分析4.3.1参数设定与计算步骤算例中电动汽车参数设定和前文一致，在NSGA-II算法中，样本车辆为2000，种群大小设置为400，迭代次数为样本电动汽车总数500次，交叉概率为0.95，变异概率为0.05，交叉和变异算法的分布指数均为20。当算法迭代终止后得到基于V2G控制下的两目标权衡策略帕累托最优解集如图4-2所示。图4-2帕累托最优解集图4-2中，f1表示电网负荷峰谷差率，f2表示对用户用车约束度，图上的圆圈代表算法挑选出的非劣优化解集。目标种群随着优化过程逐渐进化并得到最终的前沿。根据前沿分布情况可以得到，当负荷峰谷差率从0.3981减小到0.2864时，约束度从0.0792增加到0.2751。根据算法中生成的电动汽车充放电负荷可得到NSGA-II优化算法总负荷曲线如图4-3所示。图4-3NSGA-II优化算法总负荷曲线4.3.2优化结果分析NSGA-II算法的Pareto前沿分布如图4-2所示，分布较为均匀。理论上当Pareto前沿分布均匀时，才能保证最优解的多样性，为决策和问题处理提供更多丰富的信息，使选择更加合理实用。图4-2中一个圆圈表示一个最优解，而最优解的横纵坐标代表两个目标函数，而目标函数值都是由电动汽车充放电负荷组成的。Pareto前沿分布较为均匀时对于达成减小峰谷差率和降低用户成本这两个优化目标效果较好，可以看出Pareto前沿包含的取值范围比较合理。前面分析多目标函数的每个子目标都存在矛盾，本文中目标函数为减小峰谷差率和减小用车约束度这两个子目标函数相互冲突。对于配电系统侧而言，如果想要减小峰谷差率，则要合理调度电动汽车充放电行为参与馈电来改善负荷曲线，需减少用户在峰时充电数量将充电时间挪到平、谷时段，但这与用户日常出行习惯不一致，会导致用户用车不便程度加重。对于用户而言，想要提高用车便利度，则应尽可能减少电动汽车对为达到削峰填谷目的的V2G控制下放电行为的参与。但如果电动汽车都不积极参与V2G调控下的削峰填谷，这种充放电方式则变成了无序模式，出现峰上加峰问题，使得优化失败，严重影响电网安全运行。所以在制定相关充放电措施时需要权衡这两方面的因素，取得折中办法。表4-1不同模式下的电网日负荷峰谷差率峰值/KW谷值/KW峰谷差率基础负荷3715234336.93%无序充放电4106246639.94%响应度0.5有序充放电3798271428.84%响应度1有序充放电3951268232.12%NSGA-II3487248828.64%优化算法相比于无序充放电模式与考虑响应度的有序充放电模式,能够对峰谷差率起到"削峰填谷"的效果,不仅可以使得峰谷差率大大降低,并且负荷的峰值相比于考虑响应度的有序充放电模式明显降低，给电网运行减轻了负担。比较NSGA-II优化算法与响应度0.5有序充放电发现两者峰谷差率优化效果类似，但NSGA-II优化算法对电力系统负荷峰值的削峰效果更加明显，这体现了算法的优越性。

第五章总结现阶段电动汽车入网的优化策略大多都只针对电动汽车的充电行为，对放电行为考虑较少。在电动汽车作为当前新能源汽车行业发展方向的大背景下，本文以电动汽车群体无序入网时对电网造成的影响为切入点，并对电动汽车的充放电行为进行了深入研究。本文以某小区中的电动汽车群体为研究对象，分别从电动汽车的无序模式、有序模式对小区日负荷曲线的影响以及如何优化展开研究。具体研究内容如下：（1）综述引导电动汽车充放电行为的实现方式，分析电动汽车V2G充放电的概念以及电能双向流动的工作机理，比较V2G的不同实现方式。（2）研究电动汽车在无序模式下对小区基础日负荷曲线的影响。分析了影响电动汽车充电的因素如用户行驶习惯、电池充电特性等，根据充放电影响因素和用户行为规律，建立电动汽车充放电行为的简化模型。利用蒙特卡洛算法对电动汽车充放电负荷特性进行分析，建立无序模式下的电动汽车充放电负荷模型。再以某小区的规模化电动汽车为研究对象，仿真得到电动汽车总充放电负荷曲线。仿真结果表明，无序充电会导致“峰上加峰”的现象，对电网安全、经济的运行产生不利影响。而放电行为对“削峰”效果不明显，增加电网负担。（3）研究电动汽车在传统分时电价引导下对小区基础日负荷曲线的影响。对电价模型和峰谷分时电价引导原理进行说明。根据电网制定的峰谷时段，得到有序模式下的起始充放电时刻，由于用户对于分时电价具有不同的响应度，引入响应度概念，建立考虑用户响应度的电动汽车有序充放电负荷模型。根据参考相关文献对比分析表明，响应度在一定的程度能够实现对配电系统的优化运行，但响应度并非越高越好，响应度过高“削峰填谷”的效果不佳。（4）研究电动汽车在优化策略调度下对小区基础日负荷曲线的影响，同时与无序模式和考虑分时电价影响用户响应度的有序模式形成对比。在考虑用户侧