[发明专利]一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法

权利要求书

1.一种基于正弦余弦SCA算法的大规模电动汽车充放电多目标优化方法，包括以下步骤：

采集电网常规负荷预测信息、分时电价和各时刻接入电网的电动汽车信息，包括接入时间、离开时间、电池容量、电池充放电极限、充电电量；

根据接入电网的电动汽车的接入时间和离开时间划分电动汽车群体；

以该时刻到优化结束时刻的减小区域内电网负荷曲线波动和用户充电费用最小为优化目标，经各目标值进行加权处理确定适应度函数，具体如下：

其中，表示时刻常规负荷的功率；表示电动汽车群体于时刻的充放电功率；为时刻所划分的集群数；和分别为优化的开始时段和结束时段；和分别为两个目标的权重系数；

以电动汽车群体充放电极限、充电需求及相关约束条件确定基本控制模型，具体如下：

单台电动汽车的充放电模型描述为：

其中，为充电需求，SOC为当前的电池荷电状态，C_max为电池容量，P为各时段的充放电功率，P_dis.max和P_char.max分别为电池放电和充电极限，Q为充放电时的无功功率，λ为充电桩的功率因数；

电动汽车群体充放电模型描述为：

其中，m为群体编号，为群体电池总容量，i为群体总数，n为群体内所含电动汽车总数，Si为群体总充电需求；

根据区域内常规负荷预测情况、分时电价情况制定电动汽车群体各时段的充放电策略；

根据模型参数及约束条件初始化可控变量，所述初始化可控变量为各电动汽车群体各时段的充放电功率；

用SCA算法和适应度函数进行解的适应度评价；

根据正弦余弦变化的数学模型确定算法搜索方向，更新各电动汽车群体各时段的充放电功率；

具体包括：

随机生成一个种群，每个种群包含N个个体，每个个体皆为电动汽车群体各时段的充放电功率，用正弦余弦算法和适应度函数对种群中的个体进行适应度评价；

每个个体根据正弦余弦变化的数学模型确定个体的搜索方向；

具体如下：

其中，为第i个个体k+1次迭代时的解，为第i个个体k次迭代时的解，为k次迭代时中种群内的最优解，和均为0到1内的随机量，为在当前正负搜索步长内的随机变量；

在该搜索模式下，种群内各个体将朝最优解方向靠拢，生成新的变量，并最终收敛到最优解；判断是否达到最大迭代次数或判断收敛，若达到最大迭代次数或收敛，则结束计算并输出各电动汽车群体各时段的充放电功率策略，否则，返回用SCA算法和适应度函数进行适应度评价的步骤。

2.根据权利要求1所述的基于正弦余弦SCA算法的大规模电动汽车充放电多目标优化方法，其特征在于，根据电动汽车不同的接入时间和离开时间对大规模电动汽车进行群体的分群，以电动汽车群体作为优化单位，从而制定充放电策略。

3.根据权利要求1所述的基于正弦余弦SCA算法的大规模电动汽车充放电多目标优化方法，其特征在于，电动汽车群体参数包括：接入时间、离开时间、电动汽车群体电池总容量、电动汽车群体电池总充电需求、电动汽车群体电池总充放电极限。

4.根据权利要求1所述的基于正弦余弦SCA算法的大规模电动汽车充放电多目标优化方法，其特征在于，所述根据大规模电动汽车充放电优化目标为电网侧负荷波动最小、用户侧充电费用最小为目标，经加权后确定适应度函数。