（遗传算法）基于峰谷分时电价引导下的电动汽车充电负荷优化论文复现——附代码

目录

摘要：

1. 研究背景：

2. 电动汽车有序充电价格响应建模：

2.1 电动汽车充电负荷的价格响应分析

2.2 电动汽车电价引导充电方式建模

 3. 遗传算法求解：

4. 仿真结果：

本文Matlab代码分享：

摘要：

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，利用多目标优化遗传算法进行求解，验证峰谷分时电价对电网负荷优化的有效性。

1. 研究背景：

近年来，在国内外石油资源紧缺，环境问题日益严重的情况下，电动汽车因具有显著的经济性与环境性，其发展迅速，在中国，至２０３０年，电动汽车数量将达到６０００万辆。随着电动汽车数量的不断增加，由于其负荷在时间与空间上所具有的不确定性，使得当大规模电动汽车并网进行充电时会对电网造成负荷冲击。虽然会加剧负荷的波动性与随机性，但是若能够将电动汽车负荷好好利用作为可调度负荷资源，则能够抑制电网系统的峰谷差，为电网安全稳定运行提供更强有力的保障。因此，实现电动汽车充电负荷的合理控制，避免电动汽车在系统负荷高峰时大量充电造成尖峰，高效的抑制峰谷负荷差，是电网面临的重要挑战。

该文在以上研究的基础上，根据电动汽车负荷影响因素进行分析，利用蒙特卡洛方法模拟电动汽车无序充电和有序充电负荷曲线，设立不同的响应系数以研究用户参与有序充电时负荷曲线的特点。研究峰谷分时电价价格弹性与电动汽车负荷之间的关系，建立峰谷分时电价优化模型，利用多目标优化遗传算法对模型进行求解，分析峰谷电价对电网负荷以及用户的影响。

2. 电动汽车有序充电价格响应建模：

2.1 电动汽车充电负荷的价格响应分析

专家学者对电价所具有的时空两重差异性进行了大量研究。由于电动汽车充电负荷具有时间与空间随机性，大规模高渗透率的电动汽车充电将对电网带来影响。合理的峰谷电价能够使电网调控电动汽车进行有序充电，即电网公司以及提供电能服务的供应商通过电价引导用户在负荷低谷时充电，调控电动汽车的充电起始时间，对电网负荷尖峰进行优化。

假设高峰时段为１７：００—２４：００，电网通过建立分时电价机制引导电动汽车用户避开高峰时段而转移到非高峰时段充电。在高峰时段１７：００—２０：００，大多数车主为下班出行前充电，电价机制引导其提前充电，而高峰时段２０：００—２４：００，电动汽车车主已返回家中为第二天的出行充电。此时价格机制引导其滞后充电。通过设置响应系数ｎ反映用户对价格响应的灵敏度。采用蒙特卡罗方法模拟响应系数ｎ分别为０．５、０．８时的电动汽车有序充电负荷曲线如图所示。

由图可知，电动汽车在有序充电的情况下，峰谷差值得到减小，在设定的高峰时段负荷得到有效的削减。在ｎ＝０．８时，高峰时段１７：００开始的一段时间，提前充电的用户由于充电时长的影响，在１７：００还未充电完毕，故会产生尖峰。但总体来说，随着响应度的提高，削峰的效果也越明显。因此，可以考虑通过设置不同的峰谷电价引导电动汽车充电负荷响应。

2.2 电动汽车电价引导充电方式建模

峰谷分时电价是实施管理用户侧需求的有效措施之一，电网运行商根据负荷曲线的高峰低谷来划分峰谷电价，峰谷时段电价的改变将直接影响充电负荷的变化。在经济学中，价格是影响消费者进行消费的重要因素，该文只考虑电价对电动汽车用户充电行为的影响，忽略其他因素，引入价格弹性来表示电价变化对负荷造成的变化。

价格弹性为某一时刻电价的变化将影响所有时刻电量需求的变化，影响本身时刻的电量需求变化称为自价格弹性，系数通常为负，而影响其余时刻的电量需求变化则称为交叉价格弹性，系数通常为正。在价格弹性的引导下，使得用户在不同时段改变用电需求，以平抑负荷波动，达到削峰填谷的作用。某地区的电网负荷曲线如图所示，考虑用户需求与电网曲线的实际情况，将一天划分为峰、谷、平３个时段

 3. 遗传算法求解：

遗传算法是受达尔文的进化论以及孟德尔的遗传学说影响，模仿自然界生物种群进化机制而发展起来的随机全局搜索方法和优化方法，特点是高效、并行、全局搜索。采用适者生存的原则，利用某种编码技术，通过适应度函数寻找新的近似解，在这个过程中导致了种群中个体的进化，使得种群比之前更能适应环境，就像自然界的改造。

该文涉及多目标和多约束的优化问题，当需要多个目标在区域内达到最优时，有时目标会相互冲突，对于求解此类问题的Ｐａｒｅｔｏ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Ｐａｒｅｔｏ最优解。由于权重系数分配问题会得到不同的结果可能导致得到与实际情况相偏差的解，故该文采用并列选择法。

4. 仿真结果：

本文Matlab代码分享：