首先基于蒙特卡洛抽樣方法分析了大規(guī)模電動汽車的充電負(fù)荷需求；然后，以含大規(guī)模電動汽車接入的主動配電網(wǎng)運(yùn)行成本最小化和負(fù)荷曲線方差最小化為優(yōu)化目標(biāo)，綜合考慮電動汽車的充電需求和配電網(wǎng)的運(yùn)行約束，構(gòu)建含規(guī)?；妱悠嚱尤氲闹鲃优潆娋W(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，采用帶精英策略的非支配排序遺傳算法（NSGA-II）對多目標(biāo)優(yōu)化模型進(jìn)行求解，針對多目標(biāo)優(yōu)化得到的帕累托（Pareto）最優(yōu)解集規(guī)模大，蘊(yùn)含信息豐富，導(dǎo)致運(yùn)行人員難以決策的問題，提出一種基于模糊聚類的方法對多目標(biāo)Pareto最優(yōu)解集進(jìn)行篩選。

通過改進(jìn)的IEEE 34節(jié)點(diǎn)算例的多場景對比分析，結(jié)果表明：所提出的模型和方法可在保證系統(tǒng)經(jīng)濟(jì)運(yùn)行的同時，有效利用電動汽車的優(yōu)化充電降低系統(tǒng)負(fù)荷峰谷差。

電動汽車（Electric Vehicles, EVs）具有良好的節(jié)能、環(huán)保和低排放潛力，近年來得到了廣泛關(guān)注和大力發(fā)展[1]，但由于電動汽車充電行為隨機(jī)性較大，大量電動汽車接入配電網(wǎng)對現(xiàn)有電力系統(tǒng)的安全與經(jīng)濟(jì)運(yùn)行也帶來較大挑戰(zhàn)[2]。

相關(guān)研究表明，若對電動汽車的充電行為不加以控制，將會導(dǎo)致負(fù)荷峰值增加、供電設(shè)備過載、電能質(zhì)量惡化，從而嚴(yán)重威脅到電力系統(tǒng)的安全穩(wěn)定運(yùn)行[3,4]。因此，如何優(yōu)化規(guī)模化電動汽車的充電，以規(guī)避其大規(guī)模充電對電網(wǎng)運(yùn)行造成的不利影響，成為了亟需解決的關(guān)鍵問題。

針對電動汽車接入充電對電網(wǎng)帶來的負(fù)面影響，國內(nèi)外已有大量研究展開，并提出了不同的有序充電控制策略，包括基于分時電價的充電控制[5]、動態(tài)規(guī)劃[6]、序列二次規(guī)劃[7]等，文獻(xiàn)[8]以峰谷差率最小為目標(biāo)建立優(yōu)化模型，采用遺傳算法對用戶的充電時間進(jìn)行了優(yōu)化求解。文獻(xiàn)[9]根據(jù)電動汽車換電站特點(diǎn)，提出了以換電站充電功率為控制對象的有序充電調(diào)度策略。

文獻(xiàn)[10]提出了一種基于負(fù)荷預(yù)測的有序充電方法，用非線性優(yōu)化的方法讓充電負(fù)荷按計劃投入，使電動汽車充電負(fù)荷投入后總負(fù)荷曲線波動最小。但這些文獻(xiàn)均只是選取典型負(fù)荷曲線為分析對象，且并未考慮電動汽車充電與分布式電源的協(xié)同優(yōu)化調(diào)度問題。

而在分布式電源與電動汽車的協(xié)調(diào)優(yōu)化控制方面，文獻(xiàn)[11]建立了考慮電動汽車與風(fēng)電不確定性的隨機(jī)經(jīng)濟(jì)調(diào)度模型。文獻(xiàn)[12]提出了風(fēng)電—電動汽車協(xié)同調(diào)度的模型，驗證了風(fēng)電—電動汽車協(xié)同調(diào)度方法消納夜間過剩風(fēng)電的可行性。

文獻(xiàn)[13]分析了間歇性能源出力和電動汽車充電相互配合的關(guān)系，以期利用電動汽車的充電提高間歇性能源的利用率，但這些文獻(xiàn)中優(yōu)化控制目標(biāo)選取均過于單一，且其對電網(wǎng)安全運(yùn)行約束等方面考慮不足，對此還需要進(jìn)一步深入的研究。

在以上研究的基礎(chǔ)上，本文針對大規(guī)模電動汽車接入主動配電網(wǎng)后無序充電引起的負(fù)荷峰值增加問題，選取含EVs的主動配電網(wǎng)運(yùn)行成本最低和負(fù)荷曲線方差最小同時為優(yōu)化目標(biāo)，從多目標(biāo)優(yōu)化的角度對分布式發(fā)電與電動汽車的協(xié)同優(yōu)化調(diào)度問題展開研究，確保系統(tǒng)在經(jīng)濟(jì)運(yùn)行的基礎(chǔ)上，盡量降低規(guī)模化電動汽車的接入對配電網(wǎng)造成的影響。

本文首先基于蒙特卡洛抽樣分析了大規(guī)模電動汽車的充電負(fù)荷需求，進(jìn)而提出了一種含規(guī)?；妱悠嚱尤氲闹鲃优潆娋W(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，采用帶精英策略的改進(jìn)非劣排序遺傳算法（NSGA-II）對優(yōu)化模型進(jìn)行求解，獲取多目標(biāo)Pareto前沿解集，針對Pareto解集規(guī)模大，蘊(yùn)含信息豐富，難以快速有效決策的問題，提出了一種基于模糊聚類的Pareto最優(yōu)解集篩選方法，最后通過多場景對比分析驗證了模型及算法的有效性。

圖14不同場景下的負(fù)荷曲線對比

結(jié)論

本文研究了大規(guī)模電動汽車接入主動配電網(wǎng)后的電動汽車與分布式電源協(xié)調(diào)運(yùn)行調(diào)度問題，在分析大規(guī)模電動汽車的充電需求的基礎(chǔ)上，以含大規(guī)模電動汽車接入的主動配電網(wǎng)運(yùn)行成本最小化和負(fù)荷曲線方差最小化為優(yōu)化目標(biāo)，提出了一種含規(guī)?；妱悠嚱尤氲闹鲃优潆娋W(wǎng)多目標(biāo)優(yōu)化調(diào)度模型。

采用帶精英策略的改進(jìn)非劣排序多目標(biāo)遺傳算法對模型進(jìn)行求解，針對優(yōu)化得到的Pareto最優(yōu)解集規(guī)模大，蘊(yùn)含信息豐富，導(dǎo)致運(yùn)行人員難以決策的問題，提出基于模糊聚類的方法對多目標(biāo)Pareto最優(yōu)解集進(jìn)行快速篩選，通過IEEE 34節(jié)點(diǎn)配電系統(tǒng)的算例分析表明：本文模型和算法可在保證系統(tǒng)經(jīng)濟(jì)運(yùn)行的同時，有效利用電動汽車的優(yōu)化充電降低系統(tǒng)負(fù)荷峰谷差。