电动汽车主动配电网多目标优化的调度方案，学到就是赚到

首先基于蒙特卡洛抽样方法分析了大规模电动汽车的充电负荷需求；然后，以含大规模电动汽车接入的主动配电网运行成本最小化和负荷曲线方差最小化为优化目标，综合考虑电动汽车的充电需求和配电网的运行约束，构建含规模化电动汽车接入的主动配电网多目标优化调度模型，采用带精英策略的非支配排序遗传算法（NSGA-II）对多目标优化模型进行求解，针对多目标优化得到的帕累托（Pareto）最优解集规模大，蕴含信息丰富，导致运行人员难以决策的问题，提出一种基于模糊聚类的方法对多目标Pareto最优解集进行筛选。

通过改进的IEEE 34节点算例的多场景对比分析，结果表明：所提出的模型和方法可在保证系统经济运行的同时，有效利用电动汽车的优化充电降低系统负荷峰谷差。

电动汽车（Electric Vehicles, EVs）具有良好的节能、环保和低排放潜力，近年来得到了广泛关注和大力发展[1]，但由于电动汽车充电行为随机性较大，大量电动汽车接入配电网对现有电力系统的安全与经济运行也带来较大挑战[2]。

相关研究表明，若对电动汽车的充电行为不加以控制，将会导致负荷峰值增加、供电设备过载、电能质量恶化，从而严重威胁到电力系统的安全稳定运行[3,4]。因此，如何优化规模化电动汽车的充电，以规避其大规模充电对电网运行造成的不利影响，成为了亟需解决的关键问题。

针对电动汽车接入充电对电网带来的负面影响，国内外已有大量研究展开，并提出了不同的有序充电控制策略，包括基于分时电价的充电控制[5]、动态规划[6]、序列二次规划[7]等，文献[8]以峰谷差率最小为目标建立优化模型，采用遗传算法对用户的充电时间进行了优化求解。文献[9]根据电动汽车换电站特点，提出了以换电站充电功率为控制对象的有序充电调度策略。

文献[10]提出了一种基于负荷预测的有序充电方法，用非线性优化的方法让充电负荷按计划投入，使电动汽车充电负荷投入后总负荷曲线波动最小。但这些文献均只是选取典型负荷曲线为分析对象，且并未考虑电动汽车充电与分布式电源的协同优化调度问题。

而在分布式电源与电动汽车的协调优化控制方面，文献[11]建立了考虑电动汽车与风电不确定性的随机经济调度模型。文献[12]提出了风电—电动汽车协同调度的模型，验证了风电—电动汽车协同调度方法消纳夜间过剩风电的可行性。

文献[13]分析了间歇性能源出力和电动汽车充电相互配合的关系，以期利用电动汽车的充电提高间歇性能源的利用率，但这些文献中优化控制目标选取均过于单一，且其对电网安全运行约束等方面考虑不足，对此还需要进一步深入的研究。

在以上研究的基础上，本文针对大规模电动汽车接入主动配电网后无序充电引起的负荷峰值增加问题，选取含EVs的主动配电网运行成本最低和负荷曲线方差最小同时为优化目标，从多目标优化的角度对分布式发电与电动汽车的协同优化调度问题展开研究，确保系统在经济运行的基础上，尽量降低规模化电动汽车的接入对配电网造成的影响。

本文首先基于蒙特卡洛抽样分析了大规模电动汽车的充电负荷需求，进而提出了一种含规模化电动汽车接入的主动配电网多目标优化调度模型，采用带精英策略的改进非劣排序遗传算法（NSGA-II）对优化模型进行求解，获取多目标Pareto前沿解集，针对Pareto解集规模大，蕴含信息丰富，难以快速有效决策的问题，提出了一种基于模糊聚类的Pareto最优解集筛选方法，最后通过多场景对比分析验证了模型及算法的有效性。

图14不同场景下的负荷曲线对比

结论

本文研究了大规模电动汽车接入主动配电网后的电动汽车与分布式电源协调运行调度问题，在分析大规模电动汽车的充电需求的基础上，以含大规模电动汽车接入的主动配电网运行成本最小化和负荷曲线方差最小化为优化目标，提出了一种含规模化电动汽车接入的主动配电网多目标优化调度模型。

采用带精英策略的改进非劣排序多目标遗传算法对模型进行求解，针对优化得到的Pareto最优解集规模大，蕴含信息丰富，导致运行人员难以决策的问题，提出基于模糊聚类的方法对多目标Pareto最优解集进行快速筛选，通过IEEE 34节点配电系统的算例分析表明：本文模型和算法可在保证系统经济运行的同时，有效利用电动汽车的优化充电降低系统负荷峰谷差。