改进蚱蜢算法在电动汽车充换电站调度中的应用

发布时间：2021-09-13 18:08

　　电动汽车充换电站调度优化问题一般采用群智能优化算法求解,但现有算法存在陷入局部最优、早熟收敛等缺陷,因此提出一种改进的蚱蜢算法:采用边界反弹机制,提高算法效率;引入正余弦搜索机制,加强算法的全局搜索能力;采用Lévy飞行对粒子进行随机扰动,防止种群陷入局部最优;采用非线性收敛策略加快算法后期的收敛速度.实验结果表明,该算法在电动汽车充换电站调度优化问题上,性能优于原始蚱蜢算法以及其他现有群智能算法. 

【文章来源】：东北大学学报(自然科学版). 2020,41(02)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

IGOA流程图

本文受前人工作[18-19]的启发，在现实场景的基础上，通过模拟计算得出相应的实验数据．主要步骤如下:以中国北方某地区充换电站为例，基于该充换电站所在区域30天的历史负荷数据，通过模拟仿真计算得到该区域负荷曲线，作为实验算例的原始负荷曲线，如图3所示．假设该充换电站每天为100辆汽车提供服务，换电站中电池充电功率、负荷等主要数据综合参照了相关领域的文献[20-21].4.2 实验结果

实验结果表明，在解决该模型问题上IGOA和GOA效率高于其他算法．ALO,MFO和IGPSO算法，在迭代前、中期易陷入局部最优，对本模型的求解精度相对较低;而BSA,IBAT算法，在迭代前、中期搜索能力差，导致求解精度较低;GOA和IGOA在本文模型求解过程中体现出一定的优势．而相对于GOA,IGOA的优越性主要体现在:(1)在算法初期，由于种群位置相对分散，搜索过程中容易超越边界范围，而以对立点为基础的边界反弹机制可以增加种群的多样性，增加了算法的寻优能力;(2)在算法中期，由于种群位置较为集中，活性降低，通过正余弦搜索与Lévy飞行扰动机制，增加了种群跳出局部最优的概率，曲线的下降速度要高于GOA算法;(3)在算法后期，控制因子采用非线性收敛策略，因此控制因子的斜率逐渐变大，增加了算法的局部搜索能力，使得曲线收敛效果更好．以随机实验中的最优值2 485为参考，模拟出充换电站参与电网负荷的基础负荷曲线，并与经过IGOA优化后的负荷曲线对比，图5给出了24 h内优化前后的负荷曲线及原始负荷曲线．

【参考文献】：
期刊论文
[1]基于改进布谷鸟算法的电动汽车换电站有序充电策略研究[J]. 黄敏丽,于艾清.  中国电机工程学报. 2018(04)
[2]基于混合整数规划的电动汽车有序充电方法[J]. 王晓琨,翟桥柱,白婕.  电力自动化设备. 2017(09)
[3]基于电池租赁模式的电动汽车换电站电池容量优化[J]. 张立静,娄素华,陈艳霞,吴耀武,黄旭锐.  电网技术. 2016(06)
[4]基于自适应变异粒子群算法的电动汽车换电池站充电调度多目标优化[J]. 田文奇,和敬涵,姜久春,牛利勇,王小君.  电网技术. 2012(11)



本文编号：3395097