《电动汽车充放电优化策略分析》4200字

电动汽车充放电优化策略分析综述目录TOC\o"1-3"\h\u21783电动汽车充放电优化策略分析综述 )式中：Y为目标函数；x1，x2为方程的解向量。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]。1.2.3NSGA-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中各种自然反应的进化而逐渐形成的数学算法。为了模拟不同群体的染色体在人类和其他自然环境中的染色体，模拟各种群体的染色体信号编码，通过各种选择、交叉和突变来改变个体染色体的信息。根据设定的优化目标，确定总体内每个人和组的适应性值。按照适者生存的规则，个人适应度高的会留存下来。重复次数的设定是模拟人类自然进化的代数，实行多次反复，持续进化，获得满足目标函数的最佳组合。最后，通过全局搜索获得组内的最佳个人。与一般遗传算法相比，NSGA-II算法增加拥挤度的计算、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，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]。1.2.4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）合并父代种群与子代种群，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）判断是否满足终止迭代条件，若满足则结束计算并输出Pareto最优解集，若未达到最大迭代次数则转到（4）。图4-1NSGA-II算法流程图1.3优化模型仿真分析1.3.1参数设定与计算步骤在NSGA-II算法中，选取的车辆数为2000，种群大小为400，迭代次数为500次，交叉概率为0.95，变异概率为0.05。电动汽车数据与基础负荷数据均与前几章相同，此处不再赘述。最终得到的满足于算法的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，横坐标表示电网负荷峰谷差率，纵坐标表示对用户用车约束度，图上圆圈代表算法挑选出的非劣优化解集。根据帕累托前沿分布可知，当峰谷差率为0.3982时约束度为0.0792，当峰谷差率减小至0.2863时约束度增加到0.2751。根据算法中的充放电负荷得到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1.3.2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，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，才能保证最优解的多样性，使选择基于更多数据下更加合理实用。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。本文中目标函数为减小峰谷差率和减小用车约束度，而这两个子目标函数相互冲突，因此需要仔细考虑调度策略。对于配电系统侧而言，需要通过合理调度电动汽车充放电对电网送电来减小峰谷差率改善负荷波动，需要用户放电考虑停止集中于负荷峰值时段，并将充电时间转换到平、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3716234436.94%无序充放电4105246539.93%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%由表4-1可以看出，优化算法下的结果对减小峰谷差率的效果更加明显，并且负荷的峰值相比于考虑响应度的有序充放