《電動(dòng)汽車充放電優(yōu)化策略分析》4200字

電動(dòng)汽車充放電優(yōu)化策略分析綜述目錄TOC\o"1-3"\h\u21783電動(dòng)汽車充放電優(yōu)化策略分析綜述 )式中：Y為目標(biāo)函數(shù)；x1，x2為方程的解向量。x1稱為非支配解，x2稱為支配解，在可行域中，若x不被其他解支配，則稱之為帕累托最優(yōu)[30]。1.2.3NSGA-II算法簡(jiǎn)介遺傳算法理論是一種通過數(shù)學(xué)模擬預(yù)測(cè)人類在現(xiàn)代生物科學(xué)世界中各種自然反應(yīng)的進(jìn)化而逐漸形成的數(shù)學(xué)算法。為了模擬不同群體的染色體在人類和其他自然環(huán)境中的染色體，模擬各種群體的染色體信號(hào)編碼，通過各種選擇、交叉和突變來改變個(gè)體染色體的信息。根據(jù)設(shè)定的優(yōu)化目標(biāo)，確定總體內(nèi)每個(gè)人和組的適應(yīng)性值。按照適者生存的規(guī)則，個(gè)人適應(yīng)度高的會(huì)留存下來。重復(fù)次數(shù)的設(shè)定是模擬人類自然進(jìn)化的代數(shù)，實(shí)行多次反復(fù)，持續(xù)進(jìn)化，獲得滿足目標(biāo)函數(shù)的最佳組合。最后，通過全局搜索獲得組內(nèi)的最佳個(gè)人。與一般遺傳算法相比，NSGA-II算法增加擁擠度的計(jì)算、快速非支配排序以及精英選擇的運(yùn)算。對(duì)于擁擠排序程度的個(gè)體計(jì)算序列會(huì)因?yàn)閮?yōu)先與對(duì)于擁擠排序程度大的非快速支配安排序列相同的其他個(gè)體,快速非線性支配序的排序序列會(huì)因?yàn)閮?yōu)先與非快速支配安排序列較小的其他個(gè)體共同進(jìn)行支配排序。精英策略提前在使用遺傳算子之前選出適應(yīng)度值最大的個(gè)體并將其直接遺傳到下代，保證群體的多樣性，可以有效避免其他遺傳方法算子的使用破壞其生物優(yōu)良性,該精英遺傳策略將有效地通過保留優(yōu)秀父代在群體中的優(yōu)秀后代個(gè)體[27]。1.2.4優(yōu)化算法求解步驟NSGA-II算法流程如圖4-1所示，具體步驟如下。（1）隨機(jī)產(chǎn)生初始種群；（2）利用Pareto最優(yōu)理論對(duì)種群進(jìn)行分層；（3）按照交叉概率、變異的概率產(chǎn)生第一代子族的種群；（4）合并父代種群與子代種群，進(jìn)行快速非支配排序，對(duì)每一個(gè)非支配層的個(gè)體進(jìn)行擁擠度計(jì)算；（5）通過非支配關(guān)系以及擁擠度選取合適的個(gè)體組成新的父代種群[31]；（6）選擇、交叉、變異產(chǎn)生新一代種群，（7）判斷是否滿足終止迭代條件，若滿足則結(jié)束計(jì)算并輸出Pareto最優(yōu)解集，若未達(dá)到最大迭代次數(shù)則轉(zhuǎn)到（4）。圖4-1NSGA-II算法流程圖1.3優(yōu)化模型仿真分析1.3.1參數(shù)設(shè)定與計(jì)算步驟在NSGA-II算法中，選取的車輛數(shù)為2000，種群大小為400，迭代次數(shù)為500次，交叉概率為0.95，變異概率為0.05。電動(dòng)汽車數(shù)據(jù)與基礎(chǔ)負(fù)荷數(shù)據(jù)均與前幾章相同，此處不再贅述。最終得到的滿足于算法的帕累托最優(yōu)解集如圖4-2所示。圖4-2帕累托最優(yōu)解集圖4-2中，橫坐標(biāo)表示電網(wǎng)負(fù)荷峰谷差率，縱坐標(biāo)表示對(duì)用戶用車約束度，圖上圓圈代表算法挑選出的非劣優(yōu)化解集。根據(jù)帕累托前沿分布可知，當(dāng)峰谷差率為0.3982時(shí)約束度為0.0792，當(dāng)峰谷差率減小至0.2863時(shí)約束度增加到0.2751。根據(jù)算法中的充放電負(fù)荷得到NSGA-II優(yōu)化算法總負(fù)荷曲線如圖4-3所示。圖4-3NSGA-II優(yōu)化算法總負(fù)荷曲線1.3.2優(yōu)化結(jié)果分析NSGA-II算法的Pareto前沿分布如圖4-2所示，分布較為均勻。理論上當(dāng)Pareto前沿分布均勻時(shí)，對(duì)于達(dá)成減小峰谷差率和降低用戶成本這兩個(gè)優(yōu)化目標(biāo)效果較好，可以看出Pareto前沿包含的取值范圍比較合理，才能保證最優(yōu)解的多樣性，使選擇基于更多數(shù)據(jù)下更加合理實(shí)用。圖4-2中一個(gè)圓圈表示一個(gè)最優(yōu)解，而最優(yōu)解的橫縱坐標(biāo)代表兩個(gè)目標(biāo)函數(shù)，而目標(biāo)函數(shù)值都是由電動(dòng)汽車充放電負(fù)荷組成的。本文中目標(biāo)函數(shù)為減小峰谷差率和減小用車約束度，而這兩個(gè)子目標(biāo)函數(shù)相互沖突，因此需要仔細(xì)考慮調(diào)度策略。對(duì)于配電系統(tǒng)側(cè)而言，需要通過合理調(diào)度電動(dòng)汽車充放電對(duì)電網(wǎng)送電來減小峰谷差率改善負(fù)荷波動(dòng)，需要用戶放電考慮停止集中于負(fù)荷峰值時(shí)段，并將充電時(shí)間轉(zhuǎn)換到平、谷時(shí)段，但這與用戶日常出行習(xí)慣不一致，會(huì)導(dǎo)致用戶用車不便程度加重。對(duì)于用戶而言，想要提高用車便利度，則應(yīng)盡可能減少電動(dòng)汽車對(duì)為達(dá)到削峰填谷目的的V2G控制下放電行為的參與。但如果電動(dòng)汽車都不積極參與V2G調(diào)控下的削峰填谷，這種充放電方式則變成了無序模式，出現(xiàn)峰上加峰問題，使得優(yōu)化失敗，嚴(yán)重影響電網(wǎng)安全運(yùn)行。所以在制定相關(guān)充放電措施時(shí)需要權(quán)衡這兩方面的因素，取得折中辦法。表4-1不同模式下的電網(wǎng)日負(fù)荷峰谷差率峰值/KW谷值/KW峰谷差率基礎(chǔ)負(fù)荷3716234436.94%無序充放電4105246539.93%響應(yīng)度0.5有序充放電3798271428.84%響應(yīng)度1有序充放電3951268232.12%NSGA-II3487248828.64%由表4-1可以看出，優(yōu)化算法下的結(jié)果對(duì)減小峰谷差率的效果更加明顯，并且負(fù)荷的峰值相比于考慮響應(yīng)度的有序充放