目录
1 主要内容
峰谷电价优化
电动汽车充电负荷变化
2 部分代码
3 程序结果
1 主要内容
该程序基本复现《基于峰谷分时电价引导下的电动汽车充电负荷优化》,代码主要做的是基于NSGA-II的电动汽车充电负荷优化,首先,在研究电动汽车用户充电需求的前提下,利用蒙特卡洛方法对2种不同充电方式进行模拟并对其进行分析;分析用户响应度对电动汽车有序充电的影响,建立峰谷分时电价对电动汽车负荷影响的模型,在模拟出电动汽车无序充电负荷的基础上,用实际案例对模型进行验证,利用多目标遗传优化算法进行求解,验证峰谷分时电价对电网负荷优化的有效性。
该程序主要分成两部分,第一部分是峰谷电价优化部分,第二部分通过确定的峰谷平电价观测电动汽车充电负荷变化情况。
-
峰谷电价优化
- 程序采用NSGA-II算法,该算法是非常成熟、常用的多目标求解算法,是遗传算法的一种,作为智能优化算法,最关键的点是找到程序的输入和输出,剩下的即是采用算法进行连接即可,在该程序中,输入是分时电价作为变量,输出是两个目标,分别是负荷均方差最小和电动汽车用户充电费用最小。
目标1:
目标2:
优化结果:
对于帕累托多目标而言,会存在多组运行结果,即多个自变量+目标函数的组合,求解此类问题的帕累托最优解有以下常用的几种方法:权重系数变换法,给每个子目标函数赋予权重系数后转变为单目标优化问题;并列选择法,将群体所有个体按照子目标函数划分子群体,各自选出适应度高的个体以得到新的子群体,再将其合并,不断进行 至 最 大 次 数,最 终 得 到 多 目 标 优 化 的帕累托最优解。
-
电动汽车充电负荷变化
该部分利用确定好的峰谷平电价,抽取1000辆电动汽车进行分析,考虑电动汽车的充电开始时刻、充电时长、行驶路程和价格弹性矩阵,得到电动汽车充电与原始负荷对比。
2 部分代码
M=2;%目标函数个数 p=1; pop_size=200; % 种群规模 no_runs=1; % 计数器 gen_max=100; % 最大遗传代数 fname='test_case'; % 目标函数 V=3; %优化变量的数量 txl=[-5*ones(1,V);zeros(1,V);-5*ones(1,V);-1000*ones(1,V);zeros(1,V);-1/sqrt(V)*ones(1,V);zeros(1,V); 0 -5*ones(1,V-1);zeros(1,V)]; txu=[10*ones(1,V); ones(1,V);5*ones(1,V);1000*ones(1,V);ones(1,V);1/sqrt(V) *ones(1,V);ones(1,V);1 5*ones(1,V-1);ones(1,V)]; xl=[0.2 0.25 0.25] ; % 变量的下限,最低电价0.25元每千瓦时 xu=[2 2 2] ; % 变量的上限,最高电价2元每千瓦时 etac = 20; % 交叉分布指数 etam = 20; % 突变分布指数/突变常数 pm=1/V; % 变异概率 pcars=caculateload(1000); %无序时负荷%原电网24小时负荷p0=[ 455.39405.948333.086275.836205.576145.725130.112130.112137.918150.929163.941182.156208.178195.167156.134150.929161.338169.145169.145176.952195.167210.781296.654497.026]; %价格弹性矩阵,初始电价1元 priceq=[-0.623 0.3241 0.2305; %峰时弹性16-240.3553 -0.6166 0.2216; %平时弹性8-160.3215 0.3038 -0.6065]; %谷时弹性0-8 Q=[]; for run = 1:no_runs %% 原始种群xl_temp=repmat(xl, pop_size,1);xu_temp=repmat(xu, pop_size,1);x = xl_temp+((xu_temp-xl_temp).*rand(pop_size,V));
3 程序结果
第一部分已经展示了运行结果,该部分展示一下原文结果图,以便对比。
通过对比可见,程序复现效果很好!