首先基于蒙特卡洛抽樣方法分析了大規模電動汽車的充電負荷需求；然后，以含大規模電動汽車接入的主動配電網運行成本最小化和負荷曲線方差最小化為優化目標，綜合考慮電動汽車的充電需求和配電網的運行約束，構建含規模化電動汽車接入的主動配電網多目標優化調度模型，采用帶精英策略的非支配排序遺傳算法（NSGA-II）對多目標優化模型進行求解，針對多目標優化得到的帕累托（Pareto）最優解集規模大，蘊含信息豐富，導致運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Pareto最優解集進行篩選。

通過改進的IEEE 34節點算例的多場景對比分析，結果表明：所提出的模型和方法可在保證系統經濟運行的同時，有效利用電動汽車的優化充電降低系統負荷峰谷差。

電動汽車（Electric Vehicles, EVs）具有良好的節能、環保和低排放潛力，近年來得到了廣泛關注和大力發展[1]，但由于電動汽車充電行為隨機性較大，大量電動汽車接入配電網對現有電力系統的安全與經濟運行也帶來較大挑戰[2]。

相關研究表明，若對電動汽車的充電行為不加以控制，將會導致負荷峰值增加、供電設備過載、電能質量惡化，從而嚴重威脅到電力系統的安全穩定運行[3,4]。因此，如何優化規模化電動汽車的充電，以規避其大規模充電對電網運行造成的不利影響，成為了亟需解決的關鍵問題。

針對電動汽車接入充電對電網帶來的負面影響，國內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]、動態規劃[6]、序列二次規劃[7]等，文獻[8]以峰谷差率最小為目標建立優化模型，采用遺傳算法對用戶的充電時間進行了優化求解。文獻[9]根據電動汽車換電站特點，提出了以換電站充電功率為控制對象的有序充電調度策略。

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

而在分布式電源與電動汽車的協調優化控制方面，文獻[11]建立了考慮電動汽車與風電不確定性的隨機經濟調度模型。文獻[12]提出了風電—電動汽車協同調度的模型，驗證了風電—電動汽車協同調度方法消納夜間過剩風電的可行性。

文獻[13]分析了間歇性能源出力和電動汽車充電相互配合的關系，以期利用電動汽車的充電提高間歇性能源的利用率，但這些文獻中優化控制目標選取均過于單一，且其對電網安全運行約束等方面考慮不足，對此還需要進一步深入的研究。

在以上研究的基礎上，本文針對大規模電動汽車接入主動配電網后無序充電引起的負荷峰值增加問題，選取含EVs的主動配電網運行成本最低和負荷曲線方差最小同時為優化目標，從多目標優化的角度對分布式發電與電動汽車的協同優化調度問題展開研究，確保系統在經濟運行的基礎上，盡量降低規模化電動汽車的接入對配電網造成的影響。

本文首先基于蒙特卡洛抽樣分析了大規模電動汽車的充電負荷需求，進而提出了一種含規模化電動汽車接入的主動配電網多目標優化調度模型，采用帶精英策略的改進非劣排序遺傳算法（NSGA-II）對優化模型進行求解，獲取多目標Pareto前沿解集，針對Pareto解集規模大，蘊含信息豐富，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不同場景下的負荷曲線對比

結論

本文研究了大規模電動汽車接入主動配電網后的電動汽車與分布式電源協調運行調度問題，在分析大規模電動汽車的充電需求的基礎上，以含大規模電動汽車接入的主動配電網運行成本最小化和負荷曲線方差最小化為優化目標，提出了一種含規模化電動汽車接入的主動配電網多目標優化調度模型。

采用帶精英策略的改進非劣排序多目標遺傳算法對模型進行求解，針對優化得到的Pareto最優解集規模大，蘊含信息豐富，導致運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Pareto最優解集進行快速篩選，通過IEEE 34節點配電系統的算例分析表明：本文模型和算法可在保證系統經濟運行的同時，有效利用電動汽車的優化充電降低系統負荷峰谷差。