✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
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,利用多目标优化遗传算法进行求解,验证峰谷分时电价对电网负荷优化的有效性.
遗传算法是受达尔文的进化论以及孟德尔的遗传学说影响,模仿自然界生物种群进化机制而发展起来的随机全局搜索方法和优化方法,特点是高效、并行、全局搜索。采用适者生存的原则,利用某种编码技术,通过适应度函数寻找新的近似解,在这个过程中导致了种群中个体的进化,使得种群比之前更能适应环境,就像自然界的改造[11]。该文涉及多目标和多约束的优化问题,当需要多个目标在区域内达到最优时,有时目标会相互冲突,对于求解此类问题的 Pareto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Pareto最优解。由于权重系数分配问题会得到不同的结果可能导致得到与实际情况相偏差的解,故该文采用并列选择法。
⛄ 部分代码
function f = genetic_operator(parent_chromosome, M, V, mu,mum, l_limit, u_limit)
[N,m] = size(parent_chromosome);%N是交配池中的个体数量
%clear m
p = 1;
%下面代码找出交配池中非支配等级的最大值和最小值 为自适应概率计算做准备
pc=0.9;
pm=0.1;
%%首先进行交叉工作
for i = 1 : N%这里虽然循环N次,但是每次循环都会有概率产生2个子代,所以最终产生的子代个体数量是2N个
child_1 = [];
child_2 = [];
parent_1 = round(N*rand(1));
if parent_1 < 1
parent_1 = 1;
end
parent_2 = round(N*rand(1));
if parent_2 < 1
parent_2 = 1;
end
while isequal(parent_chromosome(parent_1,:),parent_chromosome(parent_2,:))
parent_2 = round(N*rand(1));
if parent_2 < 1
parent_2 = 1;
end
end
parent_1 = parent_chromosome(parent_1,:);
parent_2 = parent_chromosome(parent_2,:);
child_1=parent_1;
child_2=parent_2;
if rand(1) <pc%交叉概率0.9
for j = 1 : V
u(j) = rand(1);
if u(j) <= 0.5
bq(j) = (2*u(j))^(1/(mu+1));
else
bq(j) = (1/(2*(1 - u(j))))^(1/(mu+1));
end
child_1(j) = ...
0.5*(((1 + bq(j))*parent_1(j)) + (1 - bq(j))*parent_2(j));
child_2(j) = ...
0.5*(((1 - bq(j))*parent_1(j)) + (1 + bq(j))*parent_2(j));
if child_1(j) > u_limit(j)
child_1(j) = u_limit(j);
elseif child_1(j) < l_limit(j)
child_1(j) = l_limit(j);
end
if child_2(j) > u_limit(j)
child_2(j) = u_limit(j);
elseif child_2(j) < l_limit(j)
child_2(j) = l_limit(j);
end
end
child_1(:,V + 1: M + V) = evaluate_objective(child_1, M, V);
child_2(:,V + 1: M + V) = evaluate_objective(child_2, M, V);
end
child(p,:) = child_1(:, 1: M + V);
child(p+1,:) = child_2(:, 1: M + V);
p = p + 2;
end
[S,L] = size(child);
pp=1;
%%对交叉后的数组的每个个体根据概率进行变异操作
for jj=1:S
child_3 = child(pp,:);
if rand(1)<pm
for ji = 1 : V
r(ji) = rand(1);
if r(ji) < 0.5
delta(ji) = (2*r(ji))^(1/(mum+1)) - 1;
else
delta(ji) = 1 - (2*(1 - r(ji)))^(1/(mum+1));
end
child_3(ji) = child_3(ji) + delta(ji);
if child_3(ji) > u_limit(ji) % 条件约束
child_3(ji) = u_limit(ji);
elseif child_3(ji) < l_limit(ji)
child_3(ji) = l_limit(ji);
end
end
child_3(:,V + 1: M + V) = evaluate_objective(child_3, M, V);
end
child(pp,:) = child_3(:,1:M+V);
pp=pp+1;
end
f = child;
⛄ 运行结果
⛄ 参考文献
[1]欧名勇, 陈仲伟, 谭玉东,等. 基于峰谷分时电价引导下的电动汽车充电负荷优化[J]. 电力科学与技术学报, 2020, 35(5):6.