摘 要：針對大量電動(dòng)汽車（EV）入網(wǎng)使微電網(wǎng)運(yùn)行控制難度增加以及經(jīng)濟(jì)調(diào)度等問題，提出一種基于EV充放電狀態(tài)變量預(yù)處理和多目標(biāo)蛇優(yōu)化的微電網(wǎng)調(diào)度方法。首先，通過排列組合的方式得到每輛EV所有充放電方案，按一定順序給予這些充放電方案編號，并采用可調(diào)度充放電時(shí)段結(jié)合分時(shí)電價(jià)的方式進(jìn)行條件限定以削減變量的決策空間，實(shí)現(xiàn)EV變量預(yù)處理。其次，建立以等效凈負(fù)荷波動(dòng)性、微電網(wǎng)運(yùn)行成本、EV用戶充電成本最小為目標(biāo)的微電網(wǎng)優(yōu)化調(diào)度模型，并利用改進(jìn)多目標(biāo)蛇優(yōu)化算法進(jìn)行求解。實(shí)驗(yàn)結(jié)果表明，所提EV預(yù)處理方法能實(shí)現(xiàn)EV的有序充放電并降低多方目標(biāo)值；和其他多目標(biāo)算法對比，所提方法有效降低了有序充放電模式下的各目標(biāo)值。綜上，所提方法與改進(jìn)策略能有效提高算法的求解精度，實(shí)現(xiàn)電網(wǎng)的經(jīng)濟(jì)調(diào)度。

關(guān)鍵詞：微電網(wǎng)；電動(dòng)汽車；變量預(yù)處理；有序充放電；改進(jìn)多目標(biāo)蛇優(yōu)化算法

中圖分類號：TM73"" 文獻(xiàn)標(biāo)志碼：A

文章編號：1001-3695（2024）12-032-3763-09

doi： 10.19734/j.issn.1001-3695.2024.05.0154

Research on microgrid scheduling based on EV variable preprocessing and multi-objective snake optimization

Yu Zhong’an， Xia Qiangwei， Xiao Hongliang， Ye Kang

（School of Electrical Engineering amp; Automation， Jiangxi University of Science amp; Technology， Ganzhou Jiangxi 341000， China）

Abstract：To address the increased difficulty in operation control and economic dispatch caused by the integration of numerous electric vehicles （EV） ， this paper proposed a microgrid scheduling method based on preprocessing of EV charging and discharging state variables and a multi-objective snake optimization algorithm （MOSO） . The method firstly generated all possible charging and discharging schemes for each EV through permutation and combination and then sequentially numbers these schemes. By employing dispatchable charging and discharging periods combined with time-of-use tariffs， the method constrained the decision space of the variables， thus achieving EV variable preprocessing. Then it formulated a microgrid optimal scheduling model with the objectives of minimizing equivalent net load volatility， microgrid operating costs， and EV user charging costs， and used the enhanced MOSO algorithm to solve this model. Experimental results show that the proposed EV preprocessing method achieves orderly EV charging and discharging while significantly reducing multiple target values. Compared to other multi-objective algorithms， the proposed algorithm effectively lowers the target values in the orderly charging and discharging mode. In summary， the proposed method and improvement strategies enhance the solution accuracy of the algorithm and enable economic dispatch of the grid.

Key words：microgrid; electric vehicle（EV）; variable preprocessing; orderly charging and discharging; improved multi-objective snake optimization algorithm

0 引言

為了響應(yīng)國家節(jié)能減排的號召以及實(shí)現(xiàn)我國雙碳目標(biāo)，可再生能源的發(fā)展成為一種必然趨勢，微電網(wǎng)能夠?qū)⒖稍偕茉?、儲能裝置及各類機(jī)組進(jìn)行整合，從而實(shí)現(xiàn)對負(fù)荷多種能源形式的高可靠供給。隨著用電需求增加及光伏風(fēng)電等可再生能源應(yīng)用的普及，如何平衡各時(shí)段下的分布式電源出力以保證微電網(wǎng)能滿足用戶的電能需求并達(dá)到最理想的經(jīng)濟(jì)效益[1， 2]，是對微電網(wǎng)研究的重點(diǎn)之一。

近年來電動(dòng)汽車（EV）也迎來了飛速發(fā)展。根據(jù)國家能源局預(yù)計(jì)，到2030年，我國EV的產(chǎn)銷量將超過1 500萬輛，保有量將達(dá)到8 000萬輛[3]。在居民小區(qū)中，EV的停留時(shí)段大部分與居民用電高峰重疊，若不進(jìn)行合理調(diào)度，大規(guī)模的EV無序接入電網(wǎng)會(huì)造成用電負(fù)荷峰上加峰，峰谷差加大、負(fù)荷越限、電網(wǎng)運(yùn)行優(yōu)化控制難度增加等問題[4， 5]。同時(shí)EV絕大多數(shù)時(shí)間處于泊車狀態(tài)，具有巨大的可調(diào)度空間和車網(wǎng)互動(dòng)潛力，研究其有序充電和有序充放電具有重要意義。另一方面，大量EV入網(wǎng)會(huì)使電網(wǎng)在各時(shí)段所需控制的變量急劇增加，這將給電網(wǎng)的運(yùn)行控制帶來困難，影響各方的經(jīng)濟(jì)效益。

目前較為常見EV有序充放電的控制方法包括控制EV充放電開始時(shí)刻、各調(diào)度時(shí)刻充放電狀態(tài)以及各調(diào)度時(shí)刻充放電功率[6～8]。其中，各調(diào)度時(shí)刻充放電狀態(tài)的控制方法應(yīng)用較為廣泛，通常將其建模為混合整數(shù)規(guī)劃并利用CPLEX、GAMS等商業(yè)軟件求解，但CPLEX只能獲得單個(gè)目標(biāo)結(jié)果，涉及到多目標(biāo)優(yōu)化問題只能采取線性加權(quán)的方式進(jìn)行求解。如文獻(xiàn)[9]提出了一種分布式的電動(dòng)汽車有序充放電管理策略，以EV用戶充電成本、總負(fù)荷方差和日負(fù)荷利益率為目標(biāo)函數(shù)，并將各權(quán)重系數(shù)分別設(shè)為0.5、0.25、0.25。文獻(xiàn)[10]直接將負(fù)荷曲線方差指數(shù)、EV用戶充電成本和電動(dòng)汽車聚合商利潤的目標(biāo)權(quán)重均設(shè)定為1/3。以上文獻(xiàn)通過線性加權(quán)的方式設(shè)置權(quán)重較為主觀。同時(shí)，CPLEX在微電網(wǎng)調(diào)度過程中是無法處理微型燃?xì)廨啓C(jī)所涉及到三次方參數(shù)變量問題。

對于三次方及以上含參數(shù)變量的微電網(wǎng)優(yōu)化問題通常采用智能算法對其求解?，F(xiàn)有智能算法中，遺傳算法、粒子群算法和灰狼算法等較為常見，隨著研究的深入，這些算法的不足也逐漸顯露，遺傳算法收斂速度較慢，粒子群算法的尋優(yōu)精度較低，而灰狼算法在收斂速度與尋優(yōu)精度上都有所提升，但也存在限于局部最優(yōu)解問題。因此，基于改進(jìn)算法進(jìn)行微電網(wǎng)優(yōu)化調(diào)度的研究成為一種發(fā)展趨勢[11]。在利用智能算法對EV與微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方面，文獻(xiàn)[12，13]通過控制EV充放電開始時(shí)刻，并利用蒙特卡羅法模擬EV充放電功率，分別采用改進(jìn)遺傳算法與粒子群算法控制發(fā)電單元的出力以實(shí)現(xiàn)微電網(wǎng)最優(yōu)經(jīng)濟(jì)調(diào)度。上述文獻(xiàn)中EV充放電功率是通過預(yù)先模擬，在微電網(wǎng)實(shí)際調(diào)度過程中并未實(shí)現(xiàn)EV與其他分布式電源協(xié)同出力。針對這一問題，可在調(diào)度過程中將決策變量改為EV充放電狀態(tài)，但智能算法中通過控制各調(diào)度時(shí)刻充放電狀態(tài)來實(shí)現(xiàn)EV有序充放電的研究相對較少，其原因在于大量EV入網(wǎng)會(huì)使決策變量數(shù)量劇增，造成微電網(wǎng)運(yùn)行控制難度加大；智能算法陷入局部收斂、搜索精度下降；EV電量約束難以滿足等問題。

針對上述問題，本文提出一種基于EV充放電狀態(tài)變量預(yù)處理和多目標(biāo)蛇優(yōu)化算法（multi-objective snake optimization， MOSO）的微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法。本文方法是對EV充放電狀態(tài)進(jìn)行預(yù)處理，并采用可調(diào)度充放電時(shí)段結(jié)合分時(shí)電價(jià)的方式進(jìn)行條件限定以實(shí)現(xiàn)EV的有序充放電。建立以等效凈負(fù)荷標(biāo)準(zhǔn)差和峰谷差之和最小、微電網(wǎng)運(yùn)行成本最低、EV用戶充電成本最低為目標(biāo)的微電網(wǎng)日前優(yōu)化調(diào)度模型，并引入tent映射和魚類聚集裝置（fish aggregating device， FAD）效應(yīng)改進(jìn)MOSO后對模型進(jìn)行求解，基于偏小型模糊滿意度函數(shù)從Pareto前沿中選擇最優(yōu)折中解。通過算例仿真表明，本文方法提高了求解精度，實(shí)現(xiàn)了電動(dòng)汽車與各微源之間協(xié)調(diào)調(diào)度。

1 微電網(wǎng)結(jié)構(gòu)

本文采用的微電網(wǎng)由光伏陣列（photovoltaic， PV）、風(fēng)機(jī)（wind turbine， WT）、微型燃?xì)廨啓C(jī)（micro gas turbine， MT）、柴油發(fā)電機(jī)組（diesel generators， DG）、電化學(xué)儲能設(shè)備、電動(dòng)汽車以及基礎(chǔ)負(fù)荷等組成，其結(jié)構(gòu)如圖1所示。

1.1 微型燃?xì)廨啓C(jī)

微型燃?xì)廨啓C(jī)是一種具有效率高、易維護(hù)等優(yōu)點(diǎn)可調(diào)度熱力發(fā)電機(jī)，其運(yùn)行效率ηMT如式（1）所示。

ηMT=α（PMT65）3－β（PMT65）2+γPMT65+λ（1）

其中：PMT為微型燃?xì)廨啓C(jī)的輸出功率；α、β、γ、λ為效率系數(shù)，分別取0.075 3、0.309 5、0.417 4、0.106 8。

1.2 電化學(xué)儲能

蓄電池在微電網(wǎng)中發(fā)揮著重要作用，當(dāng)其他微源發(fā)電量超過負(fù)荷時(shí)，蓄電池將多余的電量進(jìn)行存儲，而在用電高峰時(shí)同其他微源一起供電，從而起到削峰填谷的作用。每個(gè)時(shí)段的荷電狀態(tài)SOC可表示為[14]

SOCt=SOCt-1+PBessηcΔtC" PBessgt;0SOCt-1+PBessΔtηdC"" PBess≤0（2）

其中：PBess為充放電功率，為正表示充電，為負(fù)表示放電；Δt為調(diào)度時(shí)間；ηc=0.9、ηd=0.9分別為充放電效率；C為電池容量。

本文的柴油發(fā)電機(jī)、光伏電池與風(fēng)力發(fā)電機(jī)數(shù)學(xué)模型采用文獻(xiàn)[15]的模型。

2 EV有序充放電模型

2.1 EV充電模型

EV接入電網(wǎng)后，通過充電裝置獲取每輛EV的入網(wǎng)時(shí)間te、入網(wǎng)荷電狀態(tài)SOCEVin，并根據(jù)EV用戶的意愿來確定離網(wǎng)時(shí)間tf、離網(wǎng)期望荷電狀態(tài)SOCEVex。參考文獻(xiàn)[16]，入網(wǎng)信息滿足te～N（19，2）、tf～N（7，2）和SOCEVin～U（0.3，0.5）。參考文獻(xiàn)[17]，為了滿足EV用戶第二天用車需求，令期望荷電狀態(tài)滿足SOCEVex～N（0.9，0.1），并采用蒙特卡羅法模擬生成所有EV的入網(wǎng)信息，其中，N表示正態(tài)分布，U表示均勻分布。

EV在各時(shí)段荷電狀態(tài)模型與式（2）相同，則根據(jù)入網(wǎng)信息可計(jì)算每輛EV的期望充電時(shí)長、最大充電時(shí)長以及停留時(shí)長，取三者之間最小值作為EV的實(shí)際充電時(shí)長tch0，i，如式（3）所示。

tex，i=「SOCEVex，i－SOCEVin，iPEVcηEVc/Ebattmax，i=SOCEVmax－SOCEVin，iPEVcηEVc/Ebat」tst，i=「tf，i－「te，itch0，i=min（tex，i，tmax，i，tst，i）（3）

其中：tex，i、tmax，i、tst，i分別為第i輛EV充電至期望荷電狀態(tài)與最大荷電狀態(tài)所需時(shí)長以及停留時(shí)長；PEVc為EV的恒定充電功率；ηEVc為EV充電效率；Ebat為EV的電池容量；SOCEVmax為EV的允許最大荷電狀態(tài)；「表示向上取整；」 表示向下取整。

本文以1 h為調(diào)度間隔，那么一天可劃分為24個(gè)時(shí)段（T=24 h）。在調(diào)度時(shí)段內(nèi)，將EV每個(gè)時(shí)段的充電功率視為恒定，則EV在總調(diào)度時(shí)段內(nèi)，任意時(shí)段的充電功率都可用充電狀態(tài)表示，在非調(diào)度時(shí)段，EV充電功率都為0，如圖2所示。

EV充電模型可用式（4）表示。

SOCEVend，i=SOCEVin，i+∑tft=tePEVcηEVcEbatxc，i，txc，i，t=0，""" tTch0，iTch0，i=Ta，i=［te，i，tf，i）∑t∈Tch0，ixc，i，t=tch0，i（4）

其中：SOCEV end，i表示第i輛EV離開時(shí)的荷電狀態(tài)；xc，i，t表示第i輛EV在t時(shí)段的充電狀態(tài)，為0表示不充電，為1表示充電；Tch0，i、Ta，i分別為第i輛EV的可調(diào)度充電時(shí)段、可調(diào)度時(shí)段。

2.2 EV充電預(yù)處理

由圖2可知，當(dāng)任意可調(diào)度時(shí)段的充電功率用0-1變量的充電狀態(tài)表示時(shí)，在調(diào)度過程中，就可將0、1作為決策變量上下限。但隨著電動(dòng)汽車數(shù)量的增加，決策變量的維數(shù)會(huì)隨之劇增造成維數(shù)災(zāi)難，同時(shí)會(huì)造成對其充電SOC約束的懲罰函數(shù)難以滿足，導(dǎo)致智能算法的速度與精度下降。為了解決這一問題，僅將決策變量從充電狀態(tài)變?yōu)槌潆姺桨妇幪?，基于上述充電模型，EV充電過程可看做從Tch0，i包含的H（Tch0，i）個(gè)時(shí)段中選取tch0，i個(gè)時(shí)段進(jìn)行充電的排列組合問題，如式（5）所示。

Nc0，i=Ctch0，iH（Tch0，i）（5）

其中：Nc0，i表示第i輛EV在調(diào)度時(shí)段內(nèi)所有可能充電方案數(shù)；H（Tch0，i）表示Tch0，i內(nèi)所包含的時(shí)段數(shù)。

在調(diào)度時(shí)段內(nèi)，每種充電的組合方案有唯一的EV充電狀態(tài)向量Xc，i=[xc，i，t， …， xc，i，t]（tSymbolNC@tst，i）與之對應(yīng)，將每種可能的充電組合方案按一定順序用1～Nc0，i進(jìn)行編號。本文是按照MATLAB中求組合函數(shù)nchoosek返回結(jié)果順序給充電方案進(jìn)行編號，并按照方案編號由小到大的順序依次存儲在結(jié)構(gòu)數(shù)據(jù)體中。在調(diào)度過程中，以第i輛EV為例，其停留時(shí)長為tst，i，若決策變量為充電狀態(tài)，那么就需要確定tst，i個(gè)時(shí)段內(nèi)所有時(shí)段的充電狀態(tài)，此時(shí)EV變量個(gè)數(shù)為tst，i個(gè)。若決策變量為充電方案編號，問題轉(zhuǎn)換為只需尋找停留時(shí)段滿足充電約束下的所有充電方案的某一種充電方案，由此將第i輛EV原來tst，i個(gè)上下限為0-1的變量轉(zhuǎn)變?yōu)樯舷孪逓?～Nc0，i的唯一變量，從而很大程度上減少了變量維數(shù)。通過算法確定某輛EV的充電方案編號，得到調(diào)度各時(shí)段的充電狀態(tài)，并通過上述的充電模型可得到該EV調(diào)度各時(shí)段的充電功率。

利用上述處理方式使決策變量個(gè)數(shù)減少，但每個(gè)變量的決策空間增加，而由于文中EV進(jìn)行恒功率充電，所以只需考慮EV的SOC約束，當(dāng)決策變量為充電方案編號時(shí)，SOC已通過式（3）進(jìn)行了約束，從而剔除了許多違背約束解，每輛EV的決策空間與未預(yù)處理相比是減小的；同時(shí)在經(jīng)過EV充電約束預(yù)處理后，只考慮EV充電時(shí)后續(xù)無須考慮懲罰項(xiàng)。

由于此時(shí)的充電方案較多，在利用智能算法求解時(shí)會(huì)影響其精度，所以將調(diào)度時(shí)段與分時(shí)電價(jià)相結(jié)合。本文令EV優(yōu)先在電價(jià)低谷進(jìn)行充電，即取每輛EV調(diào)度時(shí)段與分時(shí)電價(jià)的交集，以此來實(shí)現(xiàn)EV的有序充電，并通過此方法進(jìn)一步縮減每個(gè)變量的決策空間。Tch0，i可用式（6）替換。

tex，i=「SOCEVex，i－td，iPEVd/ηEVdEbat－SOCEVin，iPEVcηEVc/Ebattmax，i=SOCEVmax－td，iPEVd/ηEVdEbat－SOCEVin，iPEVcηEVc/Ebat」tch，i=mintend，i，tmax，i，tst，i（10）

其中：SOCEVmin為EV的最小允許荷電狀態(tài)；tmin，i為第i輛EV放電至與最小荷電狀態(tài)所需時(shí)長。

本文的充放電模型是在充電模型的基礎(chǔ)之上進(jìn)行的，將決策變量從充、放電狀態(tài)變?yōu)槌洹⒎烹姺桨妇幪?，在充、放電方案的制取上是先制定放電方案，之后在制定充電方案，充放電模型可用式?1）表示。

SOCEVend，i=SOCEVin，i+∑tft=tePEVcηEVcEbatxc，i，t－PEVdηEVdEbatxd，i，txd，i，t=0，""" tTd，i∑t∈Td，ixd，i，t=td，ixc，i，t=0，"""" tTch，i∑t∈Tch，ixc，i，t=tc，i（11）

其中：xd，i，t為第i輛EV在t時(shí)段的放電狀態(tài)，為1表示放電，為0表示不放電；Td，i為第i輛EV的可調(diào)度放電時(shí)段，與可調(diào)度時(shí)段Ta，i相等；Tch，i表示Ta，i中xd，i，t≠1的時(shí)段，防止EV同時(shí)發(fā)生充放電。

2.4 充放電預(yù)處理

根據(jù)上述充放電模型，EV的充放電過程可看做先從Td，i包含的H（Td，i）個(gè)時(shí)段中選取td，i個(gè)時(shí)段進(jìn)行放電的排列組合，再從排除放電時(shí)段的Tch，i包含的H（Tch，i）個(gè)時(shí)段選取tc，i個(gè)時(shí)段進(jìn)行充電的排列組合問題，則充、放電方案數(shù)Nc，i、Nd，i可分別用式（12）（13）表示。

Nd，i=Ctd，iH（Td，i）=Ctd，itst，i td，igt;00 td，i=0（12）

Nc，i=Ctch，iH（Tch，i）=Ctch，itst，i－td，i（13）

與2.2節(jié)所闡述相同，調(diào)度時(shí)段內(nèi)，每種充放電組合分別有唯一對應(yīng)的充放電狀態(tài)向量，即充放電方案，給予放電方案1～Nd，i的編號（td，i=0的EV放電方案編號設(shè)置為0～0）、充電方案1～Nc，i的編號，將每種充、放電方案存儲于結(jié)構(gòu)體數(shù)據(jù)中。調(diào)度過程中，充放電模型每輛EV有兩個(gè)上下限分別為1～Nd，i（td，i=0的EV放電方案編號設(shè)置為0～0）、1～Nc，i的變量。在放電方案、充電方案編號確定后，可從結(jié)構(gòu)體數(shù)據(jù)調(diào)用對應(yīng)放電、充電狀態(tài)向量，配合EV的入網(wǎng)初始參數(shù)，利用上述充放電模型，即可得到該EV的充、放電功率。基于上述步驟，便將決策變量從充、放電狀態(tài)變成了充電、放電方案編號，在加入放電策略后，為了使EV接受調(diào)度后電量達(dá)到期望值，必須增加EV充電時(shí)長，部分情況如先放后充可能會(huì)出現(xiàn)過充的現(xiàn)象，本文通過施加懲罰項(xiàng)對SOC上限進(jìn)行約束。

在上述充放電的基礎(chǔ)上進(jìn)行方案的預(yù)處理，通過分時(shí)電價(jià)，將EV可調(diào)度時(shí)段與分時(shí)電價(jià)的峰、平和谷時(shí)段取交集來達(dá)到錯(cuò)峰、谷充放電，從而達(dá)到有序充放電的目的。文中只允許峰、平時(shí)段放電，對放電方案進(jìn)行縮減，同時(shí)，優(yōu)先谷時(shí)段充電對充電方案進(jìn)行縮減。則Td，i、Tch，i的計(jì)算如式（14）（15）所示。

Td，i=Tpl，i=Ta，i∩（Tp∪Tl）（14）

Tch，i=Tv，i=Ta，i∩Tv" H（Tv，i）gt;tch，iTch，iH（Tv，i）≤tch，i（15）

其中：Tp和Tl分別為分時(shí)電價(jià)峰、平時(shí)段；Tpl，i為第i輛EV的Ta，i與Tp和Tl的交集。

2.5 目標(biāo)函數(shù)

本文研究背景為考慮EV接入小區(qū)微電網(wǎng)的有序充放電模型，出于對大電網(wǎng)的穩(wěn)定運(yùn)行，以及與微電網(wǎng)和EV用戶之間利益的考慮，以等效凈負(fù)荷標(biāo)準(zhǔn)差和峰谷差之和、微電網(wǎng)運(yùn)行成本以及EV用戶充電成本為目標(biāo)，進(jìn)行日前多目標(biāo)優(yōu)化。

a）等效凈負(fù)荷標(biāo)準(zhǔn)差和峰谷差之和F1。為了大電網(wǎng)能夠安全穩(wěn)定地運(yùn)行，就需要聯(lián)絡(luò)線功率波動(dòng)盡可能小，具體表達(dá)式為

minF1=Lpv+LstdLpv=max（PNET，t）－min（PNET，t）Lstd=∑Tt=1（PNET，t－Pav）2/TPNET，t=∑Ii=1PEVi，t－PWt，t+PPv，t+PDe，t+PBess，t+PMt，t－PLoad，tPEVi，t=PEVcxc，i，t－PEVdxd，i，tPav=∑Tt=1PNET，t/T（16）

其中：Lpv和Lstd分別為等效凈負(fù)荷峰谷差和標(biāo)準(zhǔn)差；Pav為等效凈負(fù)荷平均值； PNET，t為t時(shí)段微電網(wǎng)等效凈負(fù)荷；PLoad，t為t時(shí)段微電網(wǎng)基礎(chǔ)負(fù)荷功率；PEV i，t為第i輛EV在t時(shí)段的充放電功率；I為接受調(diào)度EV的總體數(shù)量。

b）微電網(wǎng)綜合運(yùn)行成本F2。微電網(wǎng)運(yùn)行商在調(diào)度過程中需要考慮經(jīng)濟(jì)性，降低其運(yùn)行成本，具體表達(dá)式為

minF2=∑Tt=1Cgrid+CDG，om+CDep+CFuCgrid=Pbuy，tpbuy，t+Psell，tpsell，tCDG，om=∑Mj=1Kj，omPj，tCDep=∑Mj=1Cin，jPj，t8760Qf，j×d（1+d）l（1+d）l－1CFu=aP2De+bPDe+c+CgasPMt，tLHVηMt（17）

其中：Cgrid、CDG，om、CFu、CDep分別為微電網(wǎng)與大電網(wǎng)交易成本、各分布式微源折舊、運(yùn)維、燃料成本；Pbuy，t、Psell，t、pbuy，t、psell，t分別為t時(shí)段微電網(wǎng)購入、售出功率和電價(jià)；M為微源設(shè)備臺數(shù)；Kj，om、Pj，t分別為第j個(gè)微源的運(yùn)行維護(hù)成本系數(shù)與t時(shí)段的輸出功率；Cin，j、Qf，j分別為第j個(gè)微源的單位容量安裝成本、容量系數(shù)；d和l分別表示微電源折舊率和使用年限，取d為0.5；Cgas=2 元/m3為燃?xì)赓M(fèi)用；LHV=9.7 kW·h/m3為天然氣低熱值；PDg為柴油機(jī)輸出功率；a、b、c為燃料成本系數(shù)，分別取0.000 85、0.10、5.8。

c）電動(dòng)汽車集群充電成本最小F3。EV用戶成本包括接受微電網(wǎng)調(diào)度過程中充放電產(chǎn)生的費(fèi)用以及額外的放電補(bǔ)貼收益，額外的放電補(bǔ)貼能夠讓EV用戶積極參與調(diào)度，如式（18）所示。

minF3=∑Tt=1∑Ii=1（PEVi，tpbuy，t－PEVd，i，tcsub）（18）

其中：csub為接受微電網(wǎng)調(diào)度的額外放電補(bǔ)貼。

2.6 約束條件

a）功率平衡約束。

∑Mj=1Pj，t+Pgrid，t=Pload，t+∑Ii=1PEVi，t（19）

其中：Pgrid，t 為聯(lián)絡(luò)線功率，為Pbuy，t和Psell，t之和。

b）分布式微源約束。

Pminj≤Pj，t≤Pmaxj（20）

其中：Pmin j、Pmax j分別為第j臺微源出力下、上限值。

c）儲能SOC約束。

SOCmin≤SOCt≤SOCmax（21）

其中：SOCmin、SOCmax分別為儲能電池荷電狀態(tài)最大值與最小值。

d）聯(lián)絡(luò)線交互功率約束。

Pmingrid≤Pgrid，t≤Pmaxgrid（22）

其中：Pmingrid、Pmaxgrid分別為聯(lián)絡(luò)線功率最小與最大值。

3 改進(jìn)MOSO優(yōu)化調(diào)度流程

3.1 改進(jìn)MOSO

蛇優(yōu)化算法靈感來蛇的覓食和繁殖行為和模式[18]。本文參照多目標(biāo)粒子群算法 （multi-objective particle swarm optimization， MOPSO） [19]將蛇優(yōu)化算法由單目標(biāo)改進(jìn)為多目標(biāo)，并基于tent映射方程[20]和FAD效應(yīng)[21]對多目標(biāo)蛇優(yōu)化算法進(jìn)一步改進(jìn)。以下為改進(jìn)算法的位置更新公式及改進(jìn)策略：

為了克服傳統(tǒng)隨機(jī)生成的初始種群個(gè)體分布不均，從而導(dǎo)致陷入局部最優(yōu)問題，引入tent映射方程進(jìn)行種群初始化，豐富種群個(gè)體，提高收斂速度，擴(kuò)大搜索空間。

種群初始化后，將種群數(shù)量各50%分為雄性組與雌性組。蛇個(gè)體根據(jù)食物量多少可劃分全局探索與局部開發(fā)兩個(gè)階段，而在食物充足的情況下，根據(jù)溫度的高低可使蛇個(gè)體進(jìn)入不同的模式，以此來進(jìn)行位置的更新，食物量Q與溫度Temp可用式（23）（24）表示。

Temp=exp－tT（23）

Q=c1×expt－TT（24）

其中： t為當(dāng)前迭代次數(shù)；T為最大迭代次數(shù)；c1為一個(gè)常數(shù)，取0.5。

如果食物量Qlt;0.25，此時(shí)為全局探索階段（無食物），蛇通過選擇任意隨機(jī)位置來搜索食物，并更新它們的位置。與其他智能算法不同，蛇在此階段尋找食物能力與適應(yīng)度值（目標(biāo)函數(shù)值）有關(guān)，本文為了確保搜索的均勻性，取所有目標(biāo)函數(shù)值的均值作為該階段的尋找食物能力，下文中的戰(zhàn)斗、交配能力采取相同方式，計(jì)算公式為

X（t+1）k，m=X（t）rand，m±c2AmXmax－Xminr+XminAm=∑Lobjl=1exp（－frand，m，lfk，m，l）/Lobj（25）

X（t+1）k，f=X（t）rand，f±c2AfXmax－Xminr+XminAf=∑Lobjl=1exp（－frand，f，lfk，f，l）/Lobj（26）

其中：Xk，m、Xk，f為雄性、雌性個(gè)體k的位置；Xrand，m、Xrand，f為隨機(jī)雄、雌性個(gè)體位置；Am、Af為雄性、雌性尋找食物的能力；Xmax、Xmin為Xk位置的上下邊界；Lobj為多目標(biāo)優(yōu)化的目標(biāo)函數(shù)個(gè)數(shù)；frand，m，l、frand，f，l為Xrand，m、Xrand，f的第l個(gè)適應(yīng)度值；fk，m，l、fk，f，l為Xk，m、Xk，f的第l個(gè)適應(yīng)度值；c2=0.05；r為[0，1]的隨機(jī)數(shù)。

在Q≥0.25的條件下，此時(shí)為局部開發(fā)階段（有食物），如果Tempgt;0.6，溫度處于熱狀態(tài)。蛇個(gè)體只會(huì)搜尋食物，位置更新如下：

X（t+1）k，j=Xfood±c3Temp×r（Xfood-X（t）k，j） （27）

其中：Xk，j為蛇個(gè)體（包括雄性或雌性）的位置；Xfood為蛇個(gè)體的最優(yōu)位置；c3=2。

如果Q≥0.25，且Temp≤0.6，此時(shí)為冷狀態(tài)，蛇將處于戰(zhàn)斗模式或交配模式。使用一個(gè)[0，1]隨機(jī)數(shù)rand來決定是進(jìn)入戰(zhàn)斗模式還是交配模式。

戰(zhàn)斗模式（randgt;0.6）：

X（t+1）k，m=X（t）k，m+c3FM×r（Q×Xbest，f－X（t）k，m）" X（t+1）k，f=X（t）k，f+c3FF×r（Q×Xbest，m－X（t）k，f）（28）

FM=∑Lobjl=1exp（－fbest，f，lfk，l）/LobjFF=∑Lobjl=1exp（－fbest，m，lfk，l）/Lobj（29）

其中：FM、FF分別為雄性、雌性的戰(zhàn)斗能力；Xbest，m、Xbest，f為雄性、雌性最優(yōu)個(gè)體位置，fbest，m，l、 fbest，f，l分別為最優(yōu)雄性、雌性個(gè)體第l個(gè)目標(biāo)函數(shù)適應(yīng)度。

交配模式（rand≤0.6）：

X（t+1）k，m=X（t）k，m+c3Mmr×（Q×Xk，f－X（t）k，m）X（t+1）k，f=X（t）k，f+c3Mfr×（Q×Xk，m－X（t）k，f）（30）

Mm=∑Lobjl=1exp（－fk，f，lfk，m，l） /LobjMf=∑Lobjl=1exp（－fk，m，lfk，f，l）/Lobj（31）

其中：Mm、Mf分別為雄性、雌性的交配能力。

如果蛇卵被孵化，本文選擇雄性、雌性個(gè)體中擁擠距離最小的個(gè)體作為最差個(gè)體，并生成新個(gè)體對最差的雄性和雌性個(gè)體進(jìn)行替換，擁擠距離Dc與替換公式如下：

Dc（k）=∑Lobj l=1fl（k+1）－fl（k－1）flmax－flmin（32）

Xworst，m=Xmax－Xminr+XminXworst，f=Xmax－Xminr+Xmin（33）

其中：fl（k+1）、 fl（k－1）為蛇個(gè)體k相鄰兩個(gè)個(gè)體第l個(gè)目標(biāo)函數(shù)的適應(yīng)度值； flmin和flmax為整個(gè)蛇種群第l個(gè)目標(biāo)函數(shù)適應(yīng)度最小值和最大值；Xworst，m、Xworst，f分別表示適應(yīng)度最差的雄性、雌性的位置。

引入海洋捕食者算法的FAD效應(yīng)。這一策略能夠避免 MOSO 在尋優(yōu)過程中過早收斂，陷入局部最優(yōu)，表達(dá)為

CF=（1－tT）（2tT）（34）

Xk=Xk+CFXmin+R（Xmax－Xmin）K" r≤FADXk+［FADs（1－r）+r］（Xr1－Xr2）rgt;FAD（35）

Kj=0" rand≤FAD1" randgt;FAD（36）

其中：CF為用于控制捕食者運(yùn)動(dòng)的步長的自適應(yīng)參數(shù)；FADs為一常數(shù)，取 0.34；R為[0，1]隨機(jī)數(shù)；r1和r2為[1，N]的隨機(jī)整數(shù)；K是一個(gè)與決策變量相等維數(shù)的向量，Kj為K的元素。

3.2 優(yōu)化調(diào)度流程

本文研究的微網(wǎng)調(diào)度周期為24 h，基于典型日光伏出力、風(fēng)機(jī)出力信息，微網(wǎng)的調(diào)度流程可分為兩步：a）根據(jù)本文建立的EV充放電模型，其初始決策變量為EV的充放電狀態(tài)，利用排列組合的方式將EV決策變量由充放電狀態(tài)變?yōu)槌浞烹姺桨妇幪?，將分時(shí)電價(jià)時(shí)段與每輛EV的調(diào)度時(shí)段取交集，以此縮減決策空間得到最終充放電方案編號，并將方案編號上下限值作為決策變量的決策空間，把EV預(yù)處理結(jié)果存入結(jié)構(gòu)體數(shù)據(jù)中方便后面調(diào)用；b）MOSO經(jīng)過初始化從結(jié)構(gòu)體數(shù)據(jù)中EV決策空間隨機(jī)得到每輛EV充放電方案編號（根據(jù)編號可確定該輛EV對應(yīng)的充放電狀態(tài)向量），以及從各分布式電源決策空間得到各電源出力，并根據(jù)位置迭代更新公式更新EV充放電方案與各電源出力，通過非支配排序篩選出最優(yōu)目標(biāo)值集合，最后利用基于偏小型模糊滿意度函數(shù)選擇最優(yōu)目標(biāo)值，得到與之對應(yīng)最優(yōu)充放電方案及各微源最優(yōu)出力。調(diào)度流程如下所述：

a）基于第2章對EV變量進(jìn)行預(yù)處理。得到每輛EV的所有充放電方案編號，并將其與te，i、tf，i、Tch，i、Td，i存入同一結(jié)構(gòu)體數(shù)據(jù)中。

b）初始化算法參數(shù)，得到初始化種群個(gè)體，并計(jì)算適應(yīng)度值。

c）將種群等分成雄性和雌性，對所有個(gè)體進(jìn)行非支配排序，得到非支配解，存入外部存檔器archive中?；谧赃m應(yīng)網(wǎng)格法和輪盤賭策得到最優(yōu)個(gè)體作為Xfood、Xbest，m、Xbest，f。

d）評估溫度Temp、食物量Q和用于控制捕食者運(yùn)動(dòng)的步長的自適應(yīng)參數(shù)CF。

e）基于蛇優(yōu)化算法更新個(gè)體位置和適應(yīng)度。

f）基于貪婪策略保留個(gè)體歷史最優(yōu)位置。即更新個(gè)體與對應(yīng)歷史最優(yōu)個(gè)體進(jìn)行支配解比較，擇優(yōu)保留，若互不支配，對更新個(gè)體的棄留采用隨機(jī)選擇的方法。

g）引入海洋捕食者算法的FAD效應(yīng)?；谪澙凡呗员Ａ魝€(gè)體歷史最優(yōu)位置。

h）重復(fù)步驟d）～g）直至達(dá)到迭代次數(shù)，輸出Pareto前沿。

i） 基于偏小型模糊滿意度函數(shù)選擇最優(yōu)折中解[22]，所得個(gè)體作為EV與各微源最優(yōu)充放電方案及最優(yōu)出力。

4 算例分析

4.1 多目標(biāo)測試函數(shù)與評價(jià)指標(biāo)實(shí)驗(yàn)設(shè)置

為了對本文方法的適用性與精確性進(jìn)行驗(yàn)證，從CEC09測試庫中分別選取雙目標(biāo)測試函數(shù)UF1、UF4與三目標(biāo)測試函數(shù)UF8、UF9，采用標(biāo)準(zhǔn)多目標(biāo)灰狼（multi-objective grey wolf optimizer， MOGWO）、MOPSO、MOSO與改進(jìn)MOSO進(jìn)行對比，對每種算法的初始化參數(shù)進(jìn)行統(tǒng)一設(shè)置，為避免實(shí)驗(yàn)的偶然性，所有算法對每一種測試函數(shù)都重復(fù)實(shí)驗(yàn)20次，并取其均值作為最終結(jié)果，所得結(jié)果采用反世代距離評價(jià)指標(biāo)（inverted ge-nerational distance， IGD）、Δ分布（diversity metric， DM）指標(biāo)與超體積指標(biāo)（hypervolume， HV） 來對各算法的性能進(jìn)行評價(jià)，除超體積指標(biāo)外，其余兩項(xiàng)指標(biāo)數(shù)值越小說明綜合性能越好[20]。鑒于篇幅原因，本文只給出UF1和UF8所獲得的Pareto前沿與真實(shí)Pareto前沿對比，如圖3所示。評價(jià)指標(biāo)實(shí)驗(yàn)測試結(jié)果如表1所示。

由圖3與表1可知，對于UF1、UF4而言，其屬于雙目標(biāo)測試函數(shù)，表中三項(xiàng)評價(jià)指標(biāo)數(shù)據(jù)改進(jìn)的MOSO都優(yōu)于MOPSO、MOGWO和未改進(jìn)的MOSO，體現(xiàn)了本文方法具有更優(yōu)的收斂性與多樣性，從圖中可觀察到MOSO與改進(jìn)MOSO的Pareto前沿更加接近真實(shí)的Pareto前沿，但相對于未改進(jìn)MOSO，改進(jìn)的MOSO具有更加豐富的多樣性，擁有更好的全局搜索能力。另外對于三目標(biāo)測試函數(shù)UF4與UF8而言，表中改進(jìn)MOSO與未改進(jìn)MOSO的三項(xiàng)評價(jià)指標(biāo)結(jié)果都優(yōu)于其他兩種算法。雖然MOPSO的解體現(xiàn)了更豐富的多樣性，但由于與真實(shí)值相差較遠(yuǎn)，所以最終導(dǎo)致其評價(jià)指標(biāo)數(shù)值最差。而MOGWO的解都靠近真實(shí)的Pareto前沿，但相比于本文方法其多樣性略有不足，改進(jìn)MOSO相對于未改進(jìn)MOSO擁有對真實(shí)解Pareto前沿面更高的覆蓋率，且更加接近真實(shí)解，體現(xiàn)了更強(qiáng)的搜索能力及更高的精度。綜合分析表明，本文方法的收斂性與多樣性最佳。

4.2 算例參數(shù)數(shù)據(jù)

本文微電網(wǎng)所需數(shù)據(jù)包括：典型日光伏出力、風(fēng)機(jī)出力和基礎(chǔ)負(fù)荷（圖4）（來源于第十屆“中國電機(jī)工程學(xué)會(huì)杯”全國大學(xué)生電工數(shù)學(xué)建模競賽賽題A題）、微電網(wǎng)購售電價(jià)（表2）、分布式電源相關(guān)參數(shù)（表3）。微電網(wǎng)與外網(wǎng)聯(lián)絡(luò)線功率上下限不超過400 kW。參考文獻(xiàn)[23]，本文假設(shè)小區(qū)有250戶居民，EV的滲透率為60%，即EV的數(shù)量為150輛。本文對有序充放電給予EV用戶每度電0.48 元補(bǔ)貼，EV的電池容量為33 kW·h，恒定充功率為3.3 kW，充電效率為0.9，EV荷電狀態(tài)為0.1～0.95。蓄電池的容量為200 kW·h，荷電狀態(tài)的為0.1～0.9，最大充放電功率為40 kW，運(yùn)維費(fèi)用為0.045 元/kW·h。電動(dòng)汽車充放電電價(jià)與微電網(wǎng)購電電價(jià)相等。

4.3 仿真結(jié)果及分析

為了更好地說明本文所提決策變量預(yù)處理方法及充放電策略的有效性，設(shè)置5種情景進(jìn)行對比驗(yàn)證，在使用本文改進(jìn)算法對5種情景進(jìn)行調(diào)度過程中，只改變EV變量，其余各分布式參數(shù)變量保持相同，同時(shí)，EV只進(jìn)行充電時(shí)，在不同情景下充電時(shí)長tch0，i相同?；谝陨蠗l件，5種情景設(shè)置如下：

情景1：無序充電，即充電裝置在接收到EV入網(wǎng)信號后便開始充電直至電量滿足EV用戶預(yù)設(shè)期望值停止充電。

情景2：有序充電1，即調(diào)度過程中EV決策變量為充電狀態(tài)。

情景3：有序充電2，即調(diào)度過程中EV決策變量為充電方案編號。

情景4：有序充電3，即調(diào)度過程中EV決策變量為考慮分時(shí)電價(jià)的充電方案編號。

情景5：有序充放電，即調(diào)度過程中EV決策變量為考慮分時(shí)電價(jià)的充放電方案編號。

本文利用引入混沌映射初始化以及海洋捕食者算法的FAD效應(yīng)的多目標(biāo)蛇算法對5種不同情景進(jìn)行仿真分析時(shí)，將蛇群數(shù)目設(shè)置為200，迭代次數(shù)為300，外部存檔器archive為100。得到5種情景下各分布式電源出力如圖5～9所示；各情景下EV每個(gè)時(shí)段充放電功率如圖10所示；各種情景下運(yùn)行結(jié)果的目標(biāo)函數(shù)最優(yōu)折中解對比如表4所示。

由圖5、10（a）可知，無序充電模式下，充電裝置會(huì)根據(jù)EV車主出行需求盡早將EV充至期望電量，即EV入網(wǎng)時(shí)刻便進(jìn)行充電，這將會(huì)導(dǎo)致EV充電負(fù)荷與居民用戶用電高峰的重疊，在16：00～23：00時(shí)段峰值達(dá)到802.4 kW，形成新的峰值，進(jìn)一步增大了負(fù)荷峰谷差，并且使得聯(lián)絡(luò)線功率突破其上限，給電網(wǎng)帶來極大的危害。而對于EV用戶而言，這種充電方式會(huì)產(chǎn)生較高的充電成本。

相對于無序充電，有序充電通過引導(dǎo)EV優(yōu)先在電價(jià)谷時(shí)段進(jìn)行充電，很大程度上減少了EV在某些電價(jià)較高時(shí)段集中充電的現(xiàn)象。從而緩解負(fù)荷的峰上加峰，降低了負(fù)荷峰谷差和聯(lián)絡(luò)線波動(dòng)，并且保證微電網(wǎng)與EV用戶兩者之間的利益。由表4可知，相比與無序充電，有序充電1各目標(biāo)函數(shù)值分別降低19.2%、14.2%和25.3%。

對比有序充電1與2，如圖6、7所示，決策變量為充電狀態(tài)的有序充電在調(diào)度過程中聯(lián)絡(luò)線波動(dòng)更大，其聯(lián)絡(luò)線功率最大值為429.18 kW，超出聯(lián)絡(luò)線功率上限。由圖10（b）（c）可知，在所有EV充電總功率方面，有序充電1是小于有序充電2的，實(shí)際上有序充電1、2的EV總充電功率分別為2 682.9 kW、2 877.6 kW。但由表4可知，在微電網(wǎng)運(yùn)行成本與EV用戶充電成本方面有序充電2卻小于有序充電1。造成這一現(xiàn)象的原因在于在調(diào)度過程中決策變量數(shù)過多，本文僅將有序充電1中EV接受調(diào)度時(shí)段作為決策變量，但150輛EV最終有1 780個(gè)變量，在調(diào)度結(jié)束后，為了使每輛EV充電電量都能達(dá)到預(yù)先設(shè)定期望值，就必須對每輛EV的充電時(shí)長施加懲罰項(xiàng)進(jìn)行約束，即便如此，由于變量的堆積，最終仍會(huì)存在不少EV違背約束，使得EV少充或者過充。同時(shí)，過多的變量也會(huì)影響算法求解的速度與精度，這就導(dǎo)致EV在電價(jià)較高時(shí)段的充電量較多，從而一定程度上加大了峰值，也增加了EV用戶充電成本。另一方面，各微源出力也受到影響，電價(jià)較高時(shí)段相對于電網(wǎng)購入電價(jià)各微源運(yùn)維成本更低，但相對于有序充電2，有序充電1各微源出力卻更少，這就使得微電網(wǎng)不得不從大電網(wǎng)購入更多的電量，從而導(dǎo)致微電網(wǎng)的運(yùn)行成本增加。通過本文將決策變量由充電狀態(tài)變?yōu)槌潆娋幪柕念A(yù)處理后，不僅大幅縮減了決策變量數(shù)，并且在有序充電上消除了懲罰項(xiàng)，從而提高算法求解精度，EV在較高電價(jià)時(shí)段充電量減少，在低電價(jià)時(shí)段充電量增多，目標(biāo)函數(shù)值f1～f3分別降低了18.8%、18.4%和3.3%，體現(xiàn)了本文預(yù)處理的有效性。

對比有序充電3與2，由圖10（c）（d）可以看出，EV在較高電價(jià)時(shí)段充電量大幅度減少，并且由圖7、8可知，在低電價(jià)時(shí)段，基于典型日基礎(chǔ)負(fù)荷與風(fēng)機(jī)、光伏功率出力，EV與各微源在各時(shí)段進(jìn)行協(xié)調(diào)出力，進(jìn)一步降低聯(lián)絡(luò)線波動(dòng)與峰值。由表4可知，各目標(biāo)函數(shù)值分別降低6.8%、9.0%和17.3%。

由圖9、10（e）可知，在加入放電策略后，16：00～20：00時(shí)段從大電網(wǎng)購入的電量減小，主要原因是EV優(yōu)先在該時(shí)段內(nèi)進(jìn)行放電，起到了削峰的作用。在24：00～6：00時(shí)段風(fēng)電功率較高，基礎(chǔ)負(fù)荷較低，而EV會(huì)優(yōu)先選擇在此時(shí)進(jìn)行充電，從而起到填谷的目的。在EV放電過后，EV的充電功率有所增加，而為了在谷時(shí)段不產(chǎn)生新的峰值，會(huì)將部分EV轉(zhuǎn)移至8：00～12：00時(shí)段進(jìn)行充電，由于此時(shí)風(fēng)、光功率較高，EV轉(zhuǎn)移至該時(shí)段充電能起到一定消納作用，減少了聯(lián)絡(luò)線的波動(dòng)。并且各微源會(huì)根據(jù)風(fēng)、光功率變化進(jìn)行合理的出力，如儲能在00：00～12：00時(shí)段風(fēng)光功率較高時(shí)選擇性充電，而在17：00～24：00風(fēng)光功率較低且負(fù)荷較高時(shí)選擇性放電。由表4可知，相比較有序充電3，有序充放電各目標(biāo)函數(shù)值分別降低2.7%、14.3%和21.4%，驗(yàn)證了充放電預(yù)處理方案與結(jié)合分時(shí)電價(jià)的可行性與有效性。

通過上述對比，相對于其他4種情景，情景5中基于有序充放電模型的變量預(yù)處理結(jié)合分時(shí)電價(jià)能得到最小功率波動(dòng)、微電網(wǎng)運(yùn)行成本及EV用戶充電成本，實(shí)現(xiàn)多方的獲利共贏。

為了體現(xiàn)本文方法的實(shí)用性及有效性，基于有序充放電情景下分別對MOPSO、MOGWO和MOSO進(jìn)行實(shí)例仿真，得到各自Pareto前沿如圖11所示。

由圖11（a）～（d）可知，改進(jìn)MOSO所獲得的所有目標(biāo)函數(shù)值都小于其他三種算法，因此，在采用偏小型模糊滿意度函數(shù)選擇最優(yōu)折中解時(shí)，圖11（a）～（c）無法找到比圖（d）中更優(yōu)的解，由圖（e）可知，本文方法Pareto前沿位于最前端。對實(shí)驗(yàn)結(jié)果進(jìn)行分析，和傳統(tǒng)多目標(biāo)粒子群、多目標(biāo)灰狼與未改進(jìn)MOSO對比，改進(jìn)MOSO在有序充放電模式下等效凈負(fù)荷波動(dòng)性、微電網(wǎng)運(yùn)行成本、EV用戶充電成本值分別降低51.7%、43%、34.1%，20.8%、38.4%、10.2%和11.7%、9.8、5.8%，綜合上述分析，可得本文方法優(yōu)于其他三種算法。

5 結(jié)束語

本文針對大量電動(dòng)汽車入網(wǎng)所帶來的眾多變量導(dǎo)致微網(wǎng)運(yùn)行控制難度增加的同時(shí)，也使得調(diào)度過程中智能算法搜索精度下降進(jìn)而影響多方經(jīng)濟(jì)效益問題，通過建立有序充放電模型，對決策變量進(jìn)行預(yù)處理，利用改進(jìn)的MOSO對基于充放電模型的微電網(wǎng)進(jìn)行優(yōu)化調(diào)度，以實(shí)現(xiàn)微網(wǎng)運(yùn)行經(jīng)濟(jì)性最優(yōu)、等效凈負(fù)荷波動(dòng)最小以及EV用戶充電成本最低。通過算例仿真對本文方法的適用性進(jìn)行驗(yàn)證，結(jié)論如下：

a）通過對充、放電決策變量預(yù)處理方法來降低了決策變量維度、提高了求解精度，同時(shí)EV與其他微源之間進(jìn)行協(xié)調(diào)調(diào)度實(shí)現(xiàn)了多方共贏。

b）通過在變量預(yù)處理過程中考慮分時(shí)電價(jià)，EV在峰谷電價(jià)的引導(dǎo)下選擇合適的時(shí)間進(jìn)行有序充、放電，一定程度上起到了削峰填谷的作用，降低EV用戶成本及微電網(wǎng)的運(yùn)行成本，提高微電網(wǎng)的穩(wěn)定性。

c）驗(yàn)證了本文多目標(biāo)蛇優(yōu)化算法比其他算法在測試函數(shù)與實(shí)例仿真上都表現(xiàn)出更高的尋優(yōu)精度，體現(xiàn)了本文方法的優(yōu)越性及改進(jìn)策略的有效性。

本文所提EV預(yù)處理方法在實(shí)現(xiàn)有序充放電時(shí)仍存在不足，未來可通過進(jìn)一步研究完全消除懲罰項(xiàng)，同時(shí)也可對本文方法進(jìn)一步優(yōu)化來提高求解精度，實(shí)現(xiàn)最優(yōu)經(jīng)濟(jì)調(diào)度。

參考文獻(xiàn)：

[1]

林永君， 陳鑫， 楊凱， 等. 含多微網(wǎng)的主動(dòng)配電網(wǎng)雙層分布式優(yōu)化調(diào)度 [J]. 系統(tǒng)仿真學(xué)報(bào)， 2022， 34（11）： 2323-2336. （Lin Yongjun， Chen Xin， Yang Kai， et al. Bilevel distributed optimal dispatch of active distribution network with multi-microgrids[J]. Journal of System Simulation， 2022， 34（11）： 2323-2336.）

[2]劉青， 趙洋， 李寧， 等. 基于分布式神經(jīng)動(dòng)力學(xué)算法的微電網(wǎng)多目標(biāo)優(yōu)化方法[J]. 電力系統(tǒng)保護(hù)與控制， 2021， 49（11）： 105-114. （Liu Qing， Zhao Yang， Li Ning， et al. Multiple objective optimization of a microgrid based on a distributed neural dynamics algorithm[J]. Power System Protection and Control， 2021， 49（11）： 105-114.）

[3]趙琦瑋， 王昕， 王鑫， 等. 微電網(wǎng)環(huán)境下考慮日前預(yù)測誤差的電動(dòng)汽車多時(shí)間尺度優(yōu)化調(diào)度模型[J]. 現(xiàn)代電力， 2019， 36（5）： 47-53. （Zhao Qiwei， Wang Xin， Wang Xin， et al. Multi-time scale optimal scheduling model for electric vehicles charging considering forecast error in micro-grid[J]. Modern Electric Power， 2019， 36（5）： 47-53.）

[4]馮仕杰， 劉韜， 潘薩， 等. 基于分層優(yōu)化的電動(dòng)汽車有序充電策略[J]. 電氣工程學(xué)報(bào)， 2021， 16（3）： 137-144. （Feng Shijie， Liu Tao， Pan Sa， et al. Coordinated charging strategy for electric vehicles based on hierarchical optimization[J]. Journal of Electrical Engineering， 2021， 16（3）： 137-144.）

[5]陳凱炎， 牛玉剛. 基于 V2G 技術(shù)的電動(dòng)汽車實(shí)時(shí)調(diào)度策略[J]. 電力系統(tǒng)保護(hù)與控制， 2019， 47（14）： 1-9. （Chen Kaiyan， Niu Yugang. Real-time scheduling strategy of electric vehicle based on vehicle-to-grid application[J]. Power System Protection and Control， 2019， 47（14）： 1-9.）

[6]蘇海鋒， 梁志瑞. 基于峰谷電價(jià)的家用電動(dòng)汽車居民小區(qū)有序充電控制方法[J]. 電力自動(dòng)化設(shè)備， 2015， 35（6）： 17-22. （Su Haifeng， Liang Zhirui. Orderly charging control based on peak-valley electricity tariffs for household electric vehicles of residential quarter[J]. Electric Power Automation Equipment， 2015， 35（6）： 17-22.）

[7]張高， 王旭， 蔣傳文. 基于主從博弈的含電動(dòng)汽車虛擬電廠協(xié)調(diào)調(diào)度 [J]. 電力系統(tǒng)自動(dòng)化， 2018， 42（11）： 48-55. （Zhang Gao， Wang Xu， Jiang Chuanwen. Stackelberg game based coordinated dispatch of virtual power plant considering electric vehicle management[J]. Automation of Electric Power Systems， 2018， 42（11）： 48-55.）

[8]姚一鳴， 趙溶生， 李春燕， 等. 面向電力系統(tǒng)靈活性的電動(dòng)汽車控制策略[J]. 電工技術(shù)學(xué)報(bào)， 2022， 37（11）： 2813-2824. （Yao Yiming， Zhao Rongsheng， Li Chunyan， et al. Control strategy of electric vehicles oriented to power system flexibility[J]. Trans of China Electrotechnical Society， 2022， 37（11）： 2813-2824.）

[9]王毅， 麻秀， 萬毅， 等. 基于分時(shí)充放電裕度的電動(dòng)汽車有序充放電引導(dǎo)策略[J]. 電網(wǎng)技術(shù)， 2019， 43（12）： 4353-4361. （Wang Yi， Ma Xiu， Wang Yi， et al. Sequential charge-discharge guidance strategy for electric vehicles based on time-sharing charging-discharging margin[J]. Power System Technology， 2019， 43（12）： 4353-4361.）

[10]李軍， 梁嘉誠， 劉克天， 等. 計(jì)及用戶響應(yīng)度的電動(dòng)汽車充放電優(yōu)化調(diào)度策略 [J]. 南方電網(wǎng)技術(shù)， 2023， 17（8）： 123-132. （Li Jun， Liang Jiacheng， Liu Ketian， et al. Optimal scheduling strategy for electric vehicles charging and discharging considering user responsiveness[J]. Southern Power System Technology， 2023， 17（8）： 123-132.）

[11]張軍， 任豪， 劉廷章. 基于改進(jìn)NSGA-Ⅱ算法的微電網(wǎng)多目標(biāo)優(yōu)化研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2019， 36（12）： 3760-3763. （Zhang Jun， Ren Hao， Liu Tingzhang. Research on multi-objective optimization of micro-grid based on improved NSGA-Ⅱ algorithm [J]. Application Research of Computers， 2019， 36（12）： 3760-3763.）

[12]王璟， 王利利， 郭勇， 等. 計(jì)及電動(dòng)汽車的微電網(wǎng)經(jīng)濟(jì)調(diào)度方法[J]. 電力系統(tǒng)保護(hù)與控制， 2016， 44（17）： 111-117. （Wang Jing， Wang Lili， Guo Yong， et al. Microgrid economic dispatch method considering electric vehicles[J]. Power System Protection and Control， 2016， 44（17）： 111-117.）

[13]侯慧， 薛夢雅， 陳國炎， 等. 計(jì)及電動(dòng)汽車充放電的微電網(wǎng)多目標(biāo)分級經(jīng)濟(jì)調(diào)度 [J]. 電力系統(tǒng)自動(dòng)化， 2019， 43（17）： 55-62. （Hou Hui， Xue Mengya， Chen Guoyan， et al. Multi-objective hiera-rchical economic dispatching of microgrid including charging and discharging of electric vehicles[J]. Automation of Electric Power Systems， 2019， 43（17）： 55-62.）

[14]朱青， 曾利華， 寇鳳海， 等. 考慮儲能并網(wǎng)運(yùn)營模式的工業(yè)園區(qū)風(fēng)光燃儲優(yōu)化配置方法研究[J]. 電力系統(tǒng)保護(hù)與控制， 2019， 47（17）： 23-31. （Zhu Qing， Zeng Lihua， Kou Fenghai， et al. Research on optimal allocation method of wind， photovoltaic， gas turbine and energy storage in industrial parks considering energy storage’s grid-connected operation modes[J]. Power System Protection and Control， 2019， 47（17）： 23-31.）

[15]周晨瑞， 盛光宗， 李升. 考慮電動(dòng)汽車接入的微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度[J]. 電氣工程學(xué)報(bào)， 2023， 18（1）： 211-218. （Zhou Chen-rui， Sheng Guangzong， Li Sheng. Multi-objective optimal dispatching of microgrid considering electric vehicle integration[J]. Journal of Electrical Engineering， 2023， 18（1）： 211-218.）

[16]章攀釗， 謝麗蓉， 馬瑞真， 等. 考慮電動(dòng)汽車集群可調(diào)度能力的多主體兩階段低碳優(yōu)化運(yùn)行策略[J]. 電網(wǎng)技術(shù)， 2022， 46（12）： 4809-4825. （Zhang Panzhao， Xie Lirong， Ma Ruizhen， et al. Multi-player two-stage low carbon optimal operation strategy considering electric vehicle cluster schedul ability[J]. Power System Technology， 2022， 46（12）： 4809-4825.）

[17]胡俊杰， 賴信輝， 郭偉， 等. 考慮電動(dòng)汽車靈活性與風(fēng)電消納的區(qū)域電網(wǎng)多時(shí)間尺度調(diào)度[J]. 電力系統(tǒng)自動(dòng)化， 2022， 46（16）： 52-60. （Hu Junjie， Lai Xinhui， Guo Wei， et al. Multi-time-scale scheduling for regional power grid considering flexibility of electric vehicle and wind power accommodation[J]. Automation of Electric Power Systems， 2022， 46（16）： 52-60.）

[18]Hashim F A， Hussien A G. Snake optimizer： a novel meta-heuristic optimization algorithm[J]. Knowledge-Based Systems， 2022， 242： 108320.

[19]Coello C， Pulido G T， Lechuga M S. Handling multiple objectives with particle swarm optimization[J]. IEEE Trans on Evolutionary Computation， 2004， 8（3）： 256-279.

[20]張程， 匡宇， 劉佳靜， 等. 考慮需求側(cè)管理的風(fēng)光燃儲微網(wǎng)兩階段優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制， 2022， 50（24）： 13-22. （Zhang Cheng， Kuang Yu， Liu Jiajing， et al. Two-stage optimal scheduling of a wind， photovoltaic， gas turbine， fuel cell and storage energy microgrid considering demand-side management[J]. Power System Protection and Control， 2022， 50（24）： 13-22.）

[21]Faramarzi A，Heidarinejad M， Mirjalili S， et al. Marine predators algorithm： a nature-inspired metaheuristic[J]. Expert Systems with Applications， 2020， 152： 113377.

[22]馬燕峰， 范振亞， 劉偉東， 等. 考慮碳權(quán)交易和風(fēng)荷預(yù)測誤差隨機(jī)性的環(huán)境經(jīng)濟(jì)調(diào)度[J]. 電網(wǎng)技術(shù)， 2016， 40（2）： 412-418. （Ma Yanfeng， Fan Zhenya， Liu Weidong， et al. Environmental and economic dispatch considering carbon trading credit and randomicity of wind power and load forecast error[J]. Power System Techno-logy， 2016， 40（2）： 412-418.）

[23]陳旭， 楊柳， 楊振剛， 等. 住宅小區(qū)電動(dòng)汽車有序充電潛力評估[J]. 電力系統(tǒng)保護(hù)與控制， 2020， 48（2）： 122-128. （Chen Xu， Yang Liu， Yang Zhengang， et al. Assessment of orderly charging potential of electric vehicles in residential areas[J]. Power System Protection and Control， 2020， 48（2）： 122-128.）