基于峰谷分时电价引导下的电动汽车充电负荷优化（matlab代码）-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于峰谷分时电价引导下的电动汽车充电负荷优化（matlab代码）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1 主要内容

峰谷电价优化

电动汽车充电负荷变化

2 部分代码

3 程序结果

1 主要内容

该程序基本复现《基于峰谷分时电价引导下的电动汽车充电负荷优化》，代码主要做的是基于NSGA-II的电动汽车充电负荷优化，首先，在研究电动汽车用户充电需求的前提下，利用蒙特卡洛方法对２种不同充电方式进行模拟并对其进行分析；分析用户响应度对电动汽车有序充电的影响，建立峰谷分时电价对电动汽车负荷影响的模型，在模拟出电动汽车无序充电负荷的基础上，用实际案例对模型进行验证，利用多目标遗传优化算法进行求解，验证峰谷分时电价对电网负荷优化的有效性。

基于峰谷分时电价引导下的电动汽车充电负荷优化（matlab代码）,电动汽车优化及matlab程序实现,matlab,电动汽车,充电负荷,遗传算法,多目标

该程序主要分成两部分，第一部分是峰谷电价优化部分，第二部分通过确定的峰谷平电价观测电动汽车充电负荷变化情况。

峰谷电价优化

程序采用NSGA-II算法，该算法是非常成熟、常用的多目标求解算法，是遗传算法的一种，作为智能优化算法，最关键的点是找到程序的输入和输出，剩下的即是采用算法进行连接即可，在该程序中，输入是分时电价作为变量，输出是两个目标，分别是负荷均方差最小和电动汽车用户充电费用最小。

目标1：

基于峰谷分时电价引导下的电动汽车充电负荷优化（matlab代码）,电动汽车优化及matlab程序实现,matlab,电动汽车,充电负荷,遗传算法,多目标

目标2：

基于峰谷分时电价引导下的电动汽车充电负荷优化（matlab代码）,电动汽车优化及matlab程序实现,matlab,电动汽车,充电负荷,遗传算法,多目标

优化结果：

基于峰谷分时电价引导下的电动汽车充电负荷优化（matlab代码）,电动汽车优化及matlab程序实现,matlab,电动汽车,充电负荷,遗传算法,多目标

对于帕累托多目标而言，会存在多组运行结果，即多个自变量+目标函数的组合，求解此类问题的帕累托最优解有以下常用的几种方法：权重系数变换法，给每个子目标函数赋予权重系数后转变为单目标优化问题；并列选择法，将群体所有个体按照子目标函数划分子群体，各自选出适应度高的个体以得到新的子群体，再将其合并，不断进行至最大次数，最终得到多目标优化的帕累托最优解。

电动汽车充电负荷变化

该部分利用确定好的峰谷平电价，抽取1000辆电动汽车进行分析，考虑电动汽车的充电开始时刻、充电时长、行驶路程和价格弹性矩阵，得到电动汽车充电与原始负荷对比。

基于峰谷分时电价引导下的电动汽车充电负荷优化（matlab代码）,电动汽车优化及matlab程序实现,matlab,电动汽车,充电负荷,遗传算法,多目标

2 部分代码

M=2;%目标函数个数
p=1;
pop_size=200;           % 种群规模
no_runs=1;              % 计数器
gen_max=100;            % 最大遗传代数
fname='test_case';      % 目标函数    
V=3;                    %优化变量的数量
txl=[-5*ones(1,V);zeros(1,V);-5*ones(1,V);-1000*ones(1,V);zeros(1,V);-1/sqrt(V)*ones(1,V);zeros(1,V); 0 -5*ones(1,V-1);zeros(1,V)];
txu=[10*ones(1,V); ones(1,V);5*ones(1,V);1000*ones(1,V);ones(1,V);1/sqrt(V) *ones(1,V);ones(1,V);1 5*ones(1,V-1);ones(1,V)];
xl=[0.2  0.25  0.25] ;      % 变量的下限，最低电价0.25元每千瓦时
xu=[2  2  2] ;              % 变量的上限，最高电价2元每千瓦时
etac = 20;                  % 交叉分布指数
etam = 20;                  % 突变分布指数/突变常数
pm=1/V;                     % 变异概率
pcars=caculateload(1000);   %无序时负荷
 %原电网24小时负荷
 p0=[  455.39
       405.948
       333.086
       275.836
       205.576
       145.725
       130.112
       130.112
       137.918
       150.929
       163.941
       182.156
       208.178
       195.167
       156.134
       150.929
       161.338
       169.145
       169.145
       176.952
       195.167
       210.781
       296.654
       497.026];
%价格弹性矩阵，初始电价1元
priceq=[-0.623   0.3241    0.2305;       %峰时弹性16-24
        0.3553   -0.6166   0.2216;      %平时弹性8-16
        0.3215   0.3038   -0.6065];     %谷时弹性0-8 
Q=[]; 
for run = 1:no_runs    
    %% 原始种群
    xl_temp=repmat(xl, pop_size,1);
    xu_temp=repmat(xu, pop_size,1);
    x = xl_temp+((xu_temp-xl_temp).*rand(pop_size,V));