[發明專利]基于云自適應粒子群多目標電動汽車充放電優化調度方法

有效

• 申請號: 201810884288.1
• 申請日: 2018-08-06
• 公開（公告）號: CN109167347B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 徐天奇;馮培磊;李琰
• 申請（專利權）人: 云南民族大學
• 主分類號: H02J3/00
• 分類號: H02J3/00;B60L53/64;B60L53/63
• 代理公司: 昆明金科智誠知識產權代理事務所(普通合伙) 53216
• 代理人: 胡亞蘭

本發明屬于預測或優化技術領域，公開了一種基于云自適應粒子群多目標電動汽車充放電優化調度方法，通過鳥群個體間的信息傳遞來去引導群體向可能解的方向進行移動，在迭代求解的過程中發現尋找更好的解。群體中的每一只鳥抽象為沒有質量的和體積的粒子，粒子之間相互協作和信息交互共享，粒子運動的速度受到自己和群體歷史運動狀態信息的影響。自身和群體的歷史最優位置對當前粒子的運動方向和運動速度產生的影響可以較好的協調粒子自身和全體間的關系，有利于群體在復雜空間的尋優操作。自適應粒子群算法很多情況下不能反應實際的搜索優化過程，云理論引入自適應粒子群算法運用云滴隨機性和穩定傾向性，保持種群多樣性提高了算法的收斂速度。

技術領域

本發明屬于預測或優化技術領域，尤其涉及一種基于云自適應粒子群多目標電動汽車充放電優化調度方法。

背景技術

目前，業內常用的現有技術是這樣的：粒子群優化算法是一種新型的智能優化算法，該算法是對傳統優化算法的進一步補充。1986年Craig Reynols提出了Bird模型，通過對現實世界鳥類群體的觀察模擬鳥類聚集飛行的行為方式。Frank Heppner增加了棲息地對鳥群吸引力的客觀條件重新定義了新的鳥群模型。基于鳥類尋找食物的行為進行分析研究，James Kennedy博士和Russell Eberhart博士在1995年提出應用于進化計算的粒子群優化算法(Particle Swarm Optimization)。將鳥群運動模型的棲息地類比于要解決問題的所有可能解的位置，通過鳥群個體間的信息傳遞來去引導群體向可能解的方向進行移動，在迭代求解的過程中發現尋找更好的解。群體中的每一只鳥抽象為沒有質量的和體積的“粒子”，“粒子”之間相互協作和信息交互共享，粒子運動的速度受到自己和群體歷史運動狀態信息的影響。自身和群體的歷史最優位置對當前粒子的運動方向和運動速度產生的影響可以較好的協調粒子自身和全體間的關系，有利于群體在復雜空間的尋優操作。粒子群優化算法是一種新型的智能優化算法，該算法是對傳統優化算法的進一步補充。1986年Craig Reynols提出了Bird 模型，通過對現實世界鳥類群體的觀察模擬鳥類聚集飛行的行為方式。Frank Heppner增加了棲息地對鳥群吸引力的客觀條件重新定義了新的鳥群模型。基于鳥類尋找食物的行為進行分析研究，James Kennedy博士和Russell Eberhart博士在1995年提出應用于進化計算的粒子群優化算法(Particle Swarm Optimization)。將鳥群運動模型的棲息地類比于要解決問題的所有可能解的位置，通過鳥群個體間的信息傳遞來去引導群體向可能解的方向進行移動，在迭代求解的過程中發現尋找更好的解。群體中的每一只鳥抽象為沒有質量的和體積的“粒子”，“粒子”之間相互協作和信息交互共享，粒子運動的速度受到自己和群體歷史運動狀態信息的影響。自身和群體的歷史最優位置對當前粒子的運動方向和運動速度產生的影響可以較好的協調粒子自身和全體間的關系，有利于群體在復雜空間的尋優操作。電動汽車用戶的充放電成本比較低不能達到用戶的心里預期，很難調動電動汽車用戶參與調度的積極性，電網的負荷波動就會比較大不能從根本上解決。

綜上所述，現有技術存在的問題是：

(1)電動汽車用戶的充放電成本比較低不能達到用戶的心里預期，很難調動電動汽車用戶參與調度的積極性，電網的負荷波動就會比較大不能從根本上解決。

(2)電動汽車作為一種新興負荷接入電網會對電力系統產生一系列的影響，將負荷的峰谷差值進一步增大，配電網負荷局部過載，電網局部線路電壓過低，線路損耗值增大，配電網變壓器容量越限。

(3)粒子群優化算法是一種基于群體智能的進化優化算法，思想來源于人工生命和進化計算理論。PSO算法也存在易于陷入局部最優，出現早熟收斂的問題。