電動汽車充換電站調(diào)度優(yōu)化問題一般采用群智能優(yōu)化算法求解,但現(xiàn)有算法存在陷入局部最優(yōu)、早熟收斂等缺陷,因此提出一種改進的蚱蜢算法:采用邊界反彈機制,提高算法效率;引入正余弦搜索機制,加強算法的全局搜索能力;采用Lévy飛行對粒子進行隨機擾動,防止種群陷入局部最優(yōu);采用非線性收斂策略加快算法后期的收斂速度.實驗結(jié)果表明,該算法在電動汽車充換電站調(diào)度優(yōu)化問題上,性能優(yōu)于原始蚱蜢算法以及其他現(xiàn)有群智能算法. 

【文章來源】：東北大學(xué)學(xué)報(自然科學(xué)版). 2020,41(02)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

IGOA流程圖

本文受前人工作[18-19]的啟發(fā)，在現(xiàn)實場景的基礎(chǔ)上，通過模擬計算得出相應(yīng)的實驗數(shù)據(jù)．主要步驟如下:以中國北方某地區(qū)充換電站為例，基于該充換電站所在區(qū)域30天的歷史負荷數(shù)據(jù)，通過模擬仿真計算得到該區(qū)域負荷曲線，作為實驗算例的原始負荷曲線，如圖3所示．假設(shè)該充換電站每天為100輛汽車提供服務(wù)，換電站中電池充電功率、負荷等主要數(shù)據(jù)綜合參照了相關(guān)領(lǐng)域的文獻[20-21].4.2 實驗結(jié)果

實驗結(jié)果表明，在解決該模型問題上IGOA和GOA效率高于其他算法．ALO,MFO和IGPSO算法，在迭代前、中期易陷入局部最優(yōu)，對本模型的求解精度相對較低;而BSA,IBAT算法，在迭代前、中期搜索能力差，導(dǎo)致求解精度較低;GOA和IGOA在本文模型求解過程中體現(xiàn)出一定的優(yōu)勢．而相對于GOA,IGOA的優(yōu)越性主要體現(xiàn)在:(1)在算法初期，由于種群位置相對分散，搜索過程中容易超越邊界范圍，而以對立點為基礎(chǔ)的邊界反彈機制可以增加種群的多樣性，增加了算法的尋優(yōu)能力;(2)在算法中期，由于種群位置較為集中，活性降低，通過正余弦搜索與Lévy飛行擾動機制，增加了種群跳出局部最優(yōu)的概率，曲線的下降速度要高于GOA算法;(3)在算法后期，控制因子采用非線性收斂策略，因此控制因子的斜率逐漸變大，增加了算法的局部搜索能力，使得曲線收斂效果更好．以隨機實驗中的最優(yōu)值2 485為參考，模擬出充換電站參與電網(wǎng)負荷的基礎(chǔ)負荷曲線，并與經(jīng)過IGOA優(yōu)化后的負荷曲線對比，圖5給出了24 h內(nèi)優(yōu)化前后的負荷曲線及原始負荷曲線．

【參考文獻】：
期刊論文
[1]基于改進布谷鳥算法的電動汽車換電站有序充電策略研究[J]. 黃敏麗,于艾清.  中國電機工程學(xué)報. 2018(04)
[2]基于混合整數(shù)規(guī)劃的電動汽車有序充電方法[J]. 王曉琨,翟橋柱,白婕.  電力自動化設(shè)備. 2017(09)
[3]基于電池租賃模式的電動汽車換電站電池容量優(yōu)化[J]. 張立靜,婁素華,陳艷霞,吳耀武,黃旭銳.  電網(wǎng)技術(shù). 2016(06)
[4]基于自適應(yīng)變異粒子群算法的電動汽車換電池站充電調(diào)度多目標(biāo)優(yōu)化[J]. 田文奇,和敬涵,姜久春,牛利勇,王小君.  電網(wǎng)技術(shù). 2012(11)



本文編號：3395097