[发明专利]基于改进多目标粒子群的电动汽车充电优化方法和系统

权利要求书

1.一种基于改进多目标粒子群的电动汽车充电优化方法，其特征在于，包括：

获取电动汽车充电信息和电网负荷信息的数据输入到预先建立的电动汽车充电策略模型；

采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略；

基于各个时段电动汽车充电最优策略得到全时段电动汽车的充电最优充电策略；

其中，所述电动汽车充电模型是基于充电费用最小和电网负荷方差最小建立的,所述电动汽车充电模型包括多个分别与电动汽车在各时刻内的充电功率对应的粒子。

2.如权利要求1所述的方法，其特征在于，所述采用多目标粒子群算法和小生境算法对电动汽车充电策略模型求解，得到各个时段电动汽车充电最优策略，包括：

建立各电动汽车在各时刻内的充电功率与改进多目标粒子群算法模型预设时段的粒子位置变量间的对应关系；

根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新；

根据所述粒子位置更新的结果确定更新全局的最优位置；

利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新；

判断更新的精英解集是否能够生成Pareto最优解集，若是则在Pareto最优解集中采用TOPSIS的方法确定电动汽车充电策略模型中指定时段的充电功率的最优解，若不是则重新更新个体位置，直到能够生成Pareto最优解集。

3.如权利要求2所述的方法，其特征在于，所述根据多目标粒子群算法和小生境算法对电动汽车充电策略模型中的充电功率进行粒子位置更新，包括：

在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子；

对所述电动汽车充电策略模型中孤立性最好的粒子和最优位置集合中存在的Pareto改进的粒子进行变异操作，得到新的粒子；

根据Pareto优劣性，将所述新的粒子与其之前所经过的最优位置的粒子进行选择，得到该新的粒子的最新位置。

4.如权利要求3所述的方法，其特征在于，所述在最优位置的集合里根据小生境算法确定电动汽车充电策略模型中孤立性最好的粒子，包括：

根据当前迭代过程中电动汽车充电策略模型中每个粒子分别经过的最优位置的集合计算两个粒子之间的当量距离；

根据两个粒子之间的当量距离计算粒子之间的共享值；

依据粒子之间的当量距离对粒子的小生境半径进行动态更新并根据所述粒子之间的共享值计算粒子的小生境数；

根据小生境数中最小的粒子确定独立性最好的粒子。

5.如权利要求2所述的方法，其特征在于，所述根据所述粒子位置更新的结果确定更新全局的最优位置，包括：

计算所有粒子的Pareto支配数，选取支配数值最大所对应粒子的位置作为预设次数迭代的全局最优位置；

当多个粒子的支配数值同时为最大值，任意选取其中一个粒子的位置作为预设次数迭代的全局最优位置。

6.如权利要求2所述的方法，其特征在于，所述利用小生境算法对所述全局的最优位置的粒子进行精英解集的更新，包括：

将每次寻优迭代中的全局最优粒子保存在种群外部的预设规模的精英解集中，并依据小生境数对该解集进行更新；

如果精英解集没有饱和，则将全局最优粒子直接放入至精英解集；

如果精英解集已经饱和，则根据按照小生境数去除数值较大的粒子。

7.如权利要求1所述的方法，其特征在于，所述电动汽车充电策略模型的建立，包括：

根据电动汽车充电信息和电网负荷信息以充电费用最小和电网负荷方差最小作为电动汽车充电策略的目标函数；

以充电功率上限约束、充电功率波动约束和充电量约束作为电动汽车充电优化的约束条件，建立电动汽车充电策略模型。