计及预测误差的电动汽车充电分层控制策略研究

电动汽车的大规模接入充电会对配电网的运行带来很大的影响，为减小电动汽车充电对负荷峰谷差的影响和提高电动汽车充电的经济性，提出了一种计及预测误差的电动汽车充电分层优化控制策略。根据日负荷预测曲线和电动汽车充电预测需求的预测误差大小来对充电策略进行动态优化调整，调整的目标为减小系统负荷峰谷差和运行成本，优化模型的求解方法则采用改进的遗传粒子群算法。通过不同控制策略下电动汽车充电实例的计算对比分析，结果证明了电动汽车充电优化控制策略及求解算法的有效性和优越性。     

基于量子遗传算法的冷藏集装箱功率平衡调度方法

现有的集装箱船对各冷藏集装箱的控制相互独立,且单个冷藏集装箱的电力需求是随机的,造成总电力需求峰谷差较大,进而影响船舶电站的功率配置.为解决上述问题,需在保证温度安全的前提下对冷藏集装箱集群进行统一调度,本文提出一种基于量子遗传算法的功率平衡调度方法寻找冷藏集装箱集群的最优调度策略.首先,对冷藏集装箱优化调度问题建立数学模型,确定其约束条件及优化目标;然后,分别采用遗传算法（GA）及量子遗传算法（QGA）对优化目标求解,并比较经两类算法调度前后的冷藏集装箱实际功率变化情况及各项指标,评价两类算法的优化调度能力.实验结果表明：GA及QGA均能实现冷藏集装箱的优化调度,减小总电力需求的峰谷差,使负载功率趋于平衡,但QGA的寻优速度比GA快,平衡电力需求的能力及优化电站配置能力更强.     

配网三相负荷不平衡自动调度方法

受用户用电不确定性的影响,配电网三相负荷不平衡现象严重,为此,本文提出了一种考虑无功损耗和电压稳定的自动调度方法。该方法构建了无功损耗最小化和电压稳定裕度最大化的多目标调度模型,利用粒子群算法求解模型,避免陷入局部最优,以实现三相负荷不平衡的调度。实验结果表明,该方法具有较强的稳定性和较高的效率,可有效实现配网三相负荷不平衡的自动调度。     

基于改进NSGA-Ⅱ的考虑自动引导车充电策略的集成调度

针对自动引导车（AGV）在自动化集装箱码头（ACT）执行任务过程中的电量问题，提出基于改进的非支配排序遗传算法-Ⅱ（NSGA-Ⅱ）的考虑AGV充电策略的集成调度。首先，在岸桥、场桥和AGV集成调度模式下，考虑AGV在不同作业状态下的耗电量，并建立以最小化作业完工时间和总耗电量为目标的多目标混合规划模型；其次，为提高传统NSGA-Ⅱ的性能，设计自适应NSGA-Ⅱ，并将所提算法与CPLEX求解器、NSGA-Ⅱ和多目标粒子群优化（MOPSO）算法进行性能对比；最后，设计AGV不同充电策略并对设备数量配比进行实验研究。算法对比实验结果表明：相较于传统NSGA-Ⅱ算法，自适应NSGA-Ⅱ对双目标的优化分别提升了2.8%和2.63%。利用自适应NSGA-Ⅱ进行的充电策略和设备数量配比实验的结果表明：增加AGV充电次数能够减少AGV的充电时间，且调整设备数量配比至3∶3∶9和3∶7∶3时，场桥和AGV的时间利用率分别达到最高。可见，AGV充电策略及设备数量配比对码头多设备集成调度有一定影响。     

一种电动汽车有序充电的优化方法研究

针对当前电动汽车充电过程中电网侧以及用户侧的客观需要，设计了优化电动汽车有序充电的一种方法。以最小化电网侧负荷波动和用户侧最大限度地提高电动汽车的充电电量为目标函数，建立了电动汽车的时间维度调度模型。提出了基于改进的多目标粒子群优化算法，通过个体选择、正态分布自适应突变、模糊满意度决策等策略加快搜索效率以及跳出局部极值。实验结果表明，与MOGA和MOAFSA相比，IACO具有更高的搜索效率。     

考虑供给侧和需求侧的公交车充电时段调度策略

为分析区域充电行为和时间的规律,通过蒙特卡罗法对市北电网所辖国江场的充电负荷进行预测.综合考虑需求侧和供给侧的收益,以电动公交车(Electric Bus,EB)的充电状态为决策变量,建立计及多因素的EB充电时段调度策略优化模型.设计基于粒子群算法(Particle Swarm Optimization,PSO)的模型求解流程,在国江淞行站的案例中,合理规划出EB的初始充电时间,改善了电流峰谷差、电流方差和充电成本等指标,避免了大量EB在夜间同一时间集中充电造成电网"峰上加峰"的现象.     

改进自适应MOEA/D算法的楼宇负荷优化调度

针对负荷侧用户用电电费、新能源消纳率和用电峰谷差等问题,提出了一种改进的自适应基于分解的多目标进化算法,进行楼宇微电网签约住户可控负荷优化调度;通过分析负荷的用电特性,将用电负荷分为五类并分类建立数学模型、优化目标函数和约束条件;将广义分解与均匀分配相结合产生新的自适应权重向量使算法非支配解更接近真实帕累托前沿;采用历...     

改进鲸鱼算法在电动汽车有序充电中的应用

为解决大规模电动汽车无序充电对电网稳定性造成的影响,建立了电网层负荷峰谷差最小和用户层充电费用最小的两方面有序充电目标函数。为实现高效且快速的求解,对鲸鱼算法（Whale Optimization Algorithm,WOA）进行了改进,在该算法中加入两种非线性惯性权重来平衡局部搜索能力和全局搜索能力,并提出了一种教学策略（Teaching-Learning Strategy,TLS）来提高鲸鱼个体的位置质量,教学策略中采用变异手段增加种群的多样性,能有效防止迭代过早停滞。算例中分别利用IWOA、标准WOA、粒子群算法（Particle Swarm Optimization,PSO）测试基准函数,并对电动汽车有序充电优化目标进行求解,最后通过比较验证了IWOA的高效性和实用性。     

计及峰谷电价的电动汽车负荷模型分析

大规模电动汽车无序接入配电网会导致电网负荷峰值增加。首先,本文通过分析电动汽车行驶特性,根据电动汽车电量需求、电池荷电状态、充放电功率等约束条件,基于电动汽车有序充放电概率模型和功率期望,构建最小负荷峰值目标函数。再通过遗传算法求解,以峰谷电价时间作为优化变量,得到优化前后的电网负荷曲线。然后分别研究了在不同峰谷电价时间以及在不同用户响应度下电网负荷曲线的变化,并与电动汽车无序充电时的负荷曲线进行对比。最后讨论分析了用户响应度和充电模式对电网负荷峰值的作用效果。     

基于二次聚类的大规模电动汽车有序充电调度策略优化

针对大量电动汽车无序充电造成的充电站利用率不均衡问题,提出一种大规模电动汽车有序充电调度策略。首先,以电动汽车充电需求的位置为聚类指标,借助归一化相似度进行层次聚类和基于K-means算法的二次划分,以实现属性相似的电动汽车的汇聚。进一步地,通过Dijkstra算法获取电动汽车到达各个充电站的最优路径,以充电站内电动汽车的均匀分配和电动汽车充电路程最短作为目标函数,构建了基于电动汽车聚类的充电调度模型,通过遗传算法求取最优解。与未进行电动汽车聚类的充电调度策略进行的仿真对比实验结果表明,在车辆较多时所提方法的计算时间可减少一半以上,具有较高的实用性。     

三相负荷平衡的光伏逆变器与充电桩协调优化控制策略

平衡的三相四线制或五线制低压配电网能夠显著增加对分布式电源、电动汽车的接纳能力。大量光伏发电、电动汽车接入低压配电网可能导致网损大幅增加,三相不平衡加剧,配变过载,电压越限,威胁配电网的安全、经济运行。针对已有的负荷平衡方法代价高、适应性低的不足,从将重载相负荷转移至轻载相的基本原理出发,提出了在配电网中配置多副公共直流母线,设计了两种将位置相近、从不同相接入的光伏逆变器、充电桩直流侧连接至此共同直流母线的具有不同结构与造价的方案。构建了光伏逆变器、充电桩协调优化控制的线性约束混合整数二次规划的模型。模型的目标函数能够兼顾降损与平衡负荷。采用实际71节点低压配电系统仿真计算,与无序充电及经典方法进行了对比,验证了所提方法计算速度快,能夠满足在线运行的要求,具有完全平衡三相负荷,降低网损,削峰填谷,改善供电电压质量等优越性能。#$NL关键词: 光伏发电;电动汽车;配电网;协调优化控制;三相不平衡     

基于多目标优化的软件定义网络负载均衡方案

针对软件定义网络（SDN）中控制平面的负载均衡问题,提出了一种基于多目标优化的动态交换机迁移算法（M-DSMA）。该算法首先将交换机与控制器之间的映射关系转变为0-1矩阵优化问题;其次,通过基于NSGA-Ⅱ的多目标遗传算法同时优化控制平面负载均衡度和交换机迁移所产生的通信开销这两个相互冲突的目标。在多目标优化过程中,利用适应度函数选择个体进行交叉变异,随后采用快速非支配排序对种群进行精英策略,产生下一代种群,使得整个种群不断进化,搜索较优的解。仿真实验结果表示,相比于动态交换机迁移算法（DSMA）,M-DSMA在有效均衡控制平面负载的同时,降低了30%~50%的通信开销,且在提高控制平面可扩展性方面具有明显优势。     

考虑差异化需求的电动汽车充电调度策略

电动汽车行驶里程短、充电时间长是影响驾驶体验的关键.通过对电网、充电设备进行大规模升级的方法减少充电时间,成本昂贵,因此充分利用现有路网、电网资源,制定智能充电调度策略成为提高驾驶体验的重要手段.考虑到驾驶者对充电时间敏感度的异质性,提出具有差异化的调度策略以满足不同优先级驾驶者的需求.首先,为均衡不同优先级驾驶者的利益,提出一种基于动态截断机制的两优先级队列模型;其次,定义充电站的准入原则,保证高优先级驾驶者对预留桩的使用权及对空闲桩的优先抢占权;然后,提出基于截断机制的双层优化模型CCPQ(charging with cut-off priority queue),在顶层高优先级车辆与充电桩最优匹配的基础上,设计底层低优先级车辆的分配策略优化模型,将最小化低优先级驾驶者的总等待时间构建为凸优化问题;最后,通过仿真验证策略的有效性及优越性.     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%～36.26%和5%～11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。     

基于DEB-ABC算法的电动汽车充电优化调度模型

随着电动汽车保有量不断上升, 其相关配套设施也面临巨大挑战, 不合理的充电资源分配在充电高峰期会造成部分充电站过度拥挤, 并且影响电网稳定运行. 提出一种考虑多目标优化的调度模型, 通过分析充电站内不同充电选项的排队时间, 并根据排队率和分时电价提出一种动态定价模型, 影响车主充电行为, 结合动态定价模型与充电需求计算充电成本, 考虑基于起讫点的充电总路径行驶时间, 以总成本最少为优化目标, 基于DEB-ABC算法进行求解. 在某区域内对1 500辆电动汽车进行仿真验证, 结果表明提出的优化调度模型可减少充电等待时间、充电成本和总行驶时间, 提高区域内充电站利用率.     

基于改进遗传算法的SDN多控制器负载均衡机制研究

为解决软件定义网络中多控制器负载失衡问题,提出了一种基于非合作博弈降载的主控制器重选模型。首先,利用动态阈值来判别过载控制器;其次,采用基于优先权的迁移交换机决策机制;最后,构建以控制器集群的负载均衡度、平均总时延和交换机迁移成本作为效用函数的优化模型,采用改进的遗传算法求解,加入相似算子提高寻求全局最优解的速度及准确度。实验结果表明,该机制有效地均衡了控制平面的负载并优化了网络性能。     

基于分布式策略的直流微电网下垂控制器设计

本文研究了分布式控制策略下直流微电网的负荷分配和电压平衡问题. 给出一种新的基于分布式策略的下垂控制器设计方法, 能够在统一的框架下实现直流微电网负载共享和电压平衡. 首先,将直流微电网的负载共享和电压平衡问题转化为多目标优化问题, 其性能指标与微源的容量密切相关. 然后, 通过求解多目标优化问题获得实现负载共享和电压平衡的集中式控制策略, 并给出下垂控制器的设计方法. 为了降低系统的通信负担, 给出一种新的只需与邻居节点交换信息的分布式控制策略, 通过理论分析可知该分布式控制策略能够收敛到多目标优化问题的最优解. 最后, 通过对新能源汽车充换电站系统的仿真验证了本文提出的方法的有效性.     

An Intelligent Energy Management Mechanism for Electric Vehicles

Electric vehicles (EVs) have become increasingly popular all over the world in recent years. Many countries have been offering reward policies and facilitating the establishment of EV charging stations and battery exchange stations to encourage use of these vehicles by the public. However, in terms of electricity demand, the rapid establishment of EV charging stations and battery exchange stations may lead to significant increases in peak loads, the contracted capacities, and basic electricity charges. In this work, an intelligent EV energy management mechanism is proposed to make use of scheduling systems for the charging stations in order to determine when to store electricity in batteries according to the real-time electricity price and the recharging requirements of EVs. Meanwhile, a recharging suggestion module is presented in this work for locating the most suitable charging station or battery exchange station for an EV according to the available information on hand. When an EV cannot reach any charging station because it is running out of electric power, a mobile CV management module is used to assist the EV to find a suitable mobile CV for recharging. Notably, a well-known machine learning technique, multiobjective particle swarm optimization, was employed in this work to assist in solving the multiobjective optimization problems during the design of an energy management mechanism. The experimental results show that the proposed mechanism can balance the loading of battery charging and exchange stations, and lower the load peak to keep electricity cost down. Meanwhile, the recharging suggestion module can decrease the driving distance of EVs for finding the charging stations, as well as decreasing the waiting time wasted while charging. The mobile CV management module, for its part, can effectively prevent EVs from becoming stranded on the road because they have run out of electricity.     

A distributed charging strategy based on day ahead price model for PV-powered electric vehicle charging station

This paper studies a distributed charging model based on day-ahead optimal internal price for PV-powered Electric Vehicle (EV) Charging Station (PVCS). Considering the feed-in-tariff of PV energy, the price of utility grid and the forecast model of PV based on back-propagation neural network (BPNN), a system operation model of PVCS is introduced, which consists of the profit model of PVCS operator (PO) and the cost model of EV users. The model proposed in this paper can be designed as a Stackelberg game model, where the PO acts as the leader and all EV users participated are regarded as the followers. An optimization strategy based on heuristic algorithm and nonlinear constrained programming are adopted by the PO and each EV user, respectively. Moreover, a real-time billing strategy is proposed to deal with the errors from the forecasted PV energy and the expected charging arrangements. Finally, through a practical case, the validity of the model is verified in terms of increasing operation profit and reducing charging cost.