基于改进海象优化算法的电动汽车充电站与可再生能源资源在多微电网配电系统中的最优规划

《Scientific Reports》：Optimal allocation of electric vehicle charging stations and renewable energy resources using a modified version of walrus optimizer

　　

脱碳政策旨在通过提高电动汽车（EVs）的使用率来实现交通部门的电气化；因此，电动汽车充电站（EVCSs）被广泛接入配电系统（DSs）。EVCSs可被视为配电系统上的显著附加电力负荷，从而导致系统功率损耗增加、电压分布与电压稳定性下降等负面影响。在此方面，通过将EVCSs与可再生能源资源（RERs）如风力发电机（WTs）、光伏（PVs）和生物质机组进行最优集成，可缓解接入EVCSs所带来的负面影响。本文旨在优化EVCSs与RERs接入基于多微电网的配电系统（IEEE 33节点、69节点和94节点）的规划，以降低总电压偏差（VDs）、总成本并提升总电压稳定指数（VSI）。研究人员提出了一种改进版海象优化算法（MWO）并应用于求解该问题。MWO基于三种方法增强传统WO算法的搜索能力并避免其停滞于局部最优，包括混合混沌变异（HCM）、适应度距离平衡（FDB）和准对立学习（QOBL）。MWO的性能与能力通过标准基准函数进行测试与验证，并将所得结果与其他元启发式优化方法进行比较。仿真结果表明，所提出的MWO是一种有效的优化器，可用于最优规划求解，其中IEEE 33节点、69节点和94节点系统的总成本分别降低了21.36%、28.25%和29.9%，而系统总VDs分别降低了70.93%、65.26%和82.3%。此外，IEEE 33节点、69节点和94节点系统的总VSI分别提升了21.41%、8.47%和58.34%。

研究背景方面，随着脱碳与减排政策推进以及交通部门电气化，电动汽车（EVs）数量快速增长，2024年全球电动汽车销量达350万辆，较2023年增长25%。电动汽车充电站（EVCSs）接入配电系统（DSs）会带来实际功率损耗增加、电压偏差增大、电压跌落以及系统不稳定性等负面影响。EVCSs特别是快速充电站对配电变压器和馈线施加显著负荷，可能导致过载、热应力增加和设备老化加速。高比例EVCSs接入多微电网系统会造成显著附加负荷，使系统过载、电压偏差（VD）增大而电压稳定指数（VSI）下降。可再生能源资源（RERs）通过为EVCSs提供能量，在避免上述负面影响方面发挥重要作用。然而，现有研究存在不足：部分研究未考虑RERs成本与从电网购电成本；部分未考虑能量成本与EVCSs的随机性；部分未考虑VD与VSI；部分未考虑负荷与RERs的不确定性；部分未考虑系统稳定性。此外，传统海象优化算法（WO）在求解复杂高度非线性优化问题时存在停滞于局部最优的缺陷。因此，研究人员开展了EVCSs与RERs接入多微电网配电系统的最优规划研究，以降低总成本与总VD并提升总VSI。

研究人员的主要贡献包括：求解EVCSs与RERs最优集成下含总成本、总VSI和总VD多目标函数的配电系统最优规划；评估IEEE 33节点、69节点和94节点系统在接入与不接入EVCSs情况下的性能；考虑PVs、WTs输出功率、EVCSs行为及负荷需求不确定性的高效随机能量管理；提出基于HCM、FDB和QOBL三种改进的MWO以增强搜索能力并避免过早收敛；在传统基准函数上将MWO与GWO、LCA、WOA、SCSO、PO、SCA及传统WO进行统计比较与收敛行为验证。研究得出MWO为有效优化器的结论，各系统成本与VD显著降低、VSI明显提升，对含高比例EVCSs的配电系统规划具有重要参考意义。

关键技术方法方面，研究人员构建了含购电成本、损耗成本与分布式电源（DGs）成本的总成本模型，以及总VD与总VSI模型，并通过权重因子归一化形成综合目标函数；采用正态概率密度函数（PDF）建模负荷需求，Weibull PDF建模风速，Beta PDF建模太阳辐照度；运用蒙特卡洛模拟（MCS）生成1200个场景，并通过基于场景的削减（SBR）方法缩减为10个场景以处理不确定性；提出融合准对立学习（QOBL）、适应度距离平衡（FDB）和混合混沌变异（HCM）的改进海象优化算法（MWO），并在IEEE 33节点、69节点和94节点三个径向配电系统上进行仿真验证。

研究结果方面，在标准基准函数评估中，MWO在单模态函数（F1–F7）上取得最优平均值的统计结果，验证了其最强的开发搜索能力；在多模态函数（F8–F13）上多数函数取得最优结果，验证了其最强的探索搜索能力；在固定维度多模态函数（F14–F23）上取得最优统计结果，表明其能在探索与开发策略间实现高效转换。收敛特性分析表明，MWO在单模态函数上呈现快速稳定收敛，在多模态函数上快速收敛并有效避免过早收敛，在固定维度多模态函数上多数情况在第100次迭代前收敛，仅F15因搜索地形复杂度增加而在第500次迭代收敛。箱线图验证表明MWO在多数基准函数上持续优于其他算法，具有更优鲁棒性与搜索能力。Wilcoxon符号秩检验中所有p值均低于0.5，表明MWO与其他技术的差异具有统计显著性。Friedman秩和检验表明MWO获得最低平均排名，整体性能优于其他优化算法。在仿真结果中，研究人员将EVCSs与RERs共置于同一节点，每个系统划分为三个区域，每个区域在同一节点配置一个EVCS、一个PV机组、一个生物质机组和一个WT机组，在IEEE 33节点、69节点和94节点系统上应用MWO并考虑系统不确定性概率密度函数。

讨论与结论部分，研究结果表明，所提出的MWO是用于最优规划求解的有效优化器，IEEE 33节点、69节点和94节点系统的总成本分别降低21.36%、28.25%和29.9%，系统总VDs分别降低70.93%、65.26%和82.3%，总VSI分别提升21.41%、8.47%和58.34%。MWO的优越性能归因于其所包含的稳健改进策略，其中HCM改进了探索过程，FDB改进了全局搜索能力，QOBL改进了开发过程。