《Scientific Reports》：Optimal integration of electric vehicle charging stations and distributed generator in microgrids using bio-inspired optimization techniques
编辑推荐：
电动汽车（EV）的快速普及给现代配电系统带来了重大挑战，包括电力需求扩大、电压波动以及能源损耗升高。为解决这些问题，研究人员提出了一种集成优化方案，用于在微电网内同步配置电动汽车充电站（EVCS）和分布式发电机（DG）。以IEEE 33母线径向配电网作为测试案
电动汽车（EV）的快速普及给现代配电系统带来了重大挑战，包括电力需求扩大、电压波动以及能源损耗升高。为解决这些问题，研究人员提出了一种集成优化方案，用于在微电网内同步配置电动汽车充电站（EVCS）和分布式发电机（DG）。以IEEE 33母线径向配电网作为测试案例，构建了目标问题，以降低有功功率损耗和电压变化，同时提高电压稳定性指数（VSI）。研究人员采用三种元启发式算法求解所提框架：新型海象优化算法（WaOA），以及成熟的粒子群优化（PSO）和鲸鱼优化算法（WOA）。跨多种场景的仿真表明，无协调的EVCS集成会严重降低系统性能，而EVCS和DG的最优协同配置则显著提高运行效率。WaOA始终展现出卓越性能，尤其是在配置三个最优DG的场景中，实现了有功功率损耗降低53.79%（从202.53 kW降至93.59 kW），无功功率损耗降低50.44%。此外，它显著改善了电压分布，将最小VSI从0.6956提升至0.92721，并将最低电压偏差降至0.000128 p.u.。对比研究证实，WaOA在收敛速度和求解质量方面均优于PSO和WOA。这项研究强调了EVCS与DG集成协调规划的关键重要性，为增强电网可靠性和支持向电动出行的可持续转型提供了稳健的策略。
论文解读：基于生物启发优化的微电网EVCS与DG协同规划研究
**研究背景与意义**
21世纪全球面临能源需求持续增长、气候急剧变化及化石燃料日益枯竭等严峻挑战。交通运输领域作为二氧化碳排放的主要来源之一，其去碳化进程备受关注。推动从传统燃油车向电动汽车（EV）的转变已成为关键的减排路径，且EV凭借其相对较低的用电成本而在发展中国家极具吸引力。然而，EV的推广应用依赖完善的充电基础设施，电动汽车充电站（EVCS）的盲目、密集接入会给电力配电网带来显著的局部压力，诱发电压波动加剧、总功率损耗攀升，甚至引发变压器和线路过载风险。现有相关研究多局限于孤立优化EVCS或分布式发电机（DG），未能捕捉二者在电网中的协同或拮抗作用；同时，许多既有工作仅采用单一目标（如仅最小化损耗或仅最大化电压稳定性指数VSI），忽视了系统稳定性指标与电压分布偏差之间的重要交互。为弥补这一研究空白，研究人员提出一种基于加权多目标优化的框架，在IEEE 33节点径向配电网中同步实现EVCS和DG的最优选址与定容，旨在平衡降低功率损耗、提升电压稳定性与优化电压分布等多重目标。相关研究成果发表于《Scientific Reports》。
**研究内容与结论概述**
本研究构建了一个联合最小化有功功率损耗及平均电压偏差指数（AVDI），并同时最大化最小电压稳定性指数（VSI）的加权目标函数。在IEEE 33节点径向配电网中，研究人员引入三种元启发式算法，即新型海象优化算法（WaOA）、粒子群优化（PSO）和鲸鱼优化算法（WOA）进行求解。仿真结果证实，无协调的EVCS集成将严重恶化系统运行状态；而通过DG与EVCS协同布局，系统运行效率获得极大改善。在所有测试方法中，WaOA展现出最佳的综合性能，尤其是在三个DG部署场景下，其有功损耗降低53.79%至93.59 kW，无功损耗降低50.44%，最小VSI提升至0.92721，最低电压偏差降至0.000128 p.u.。本研究强有力地证明了协调规划EVCS与DG是增强电网可靠性、实现可持续电动交通转型的重要途径。
**主要关键技术方法**
研究人员以IEEE 33节点径向配电网络（基准电压12.66 kV，总负荷3.7 MW及2.3 MVAR）为测试算例，未涉及具体生物样本队列。EVCS基于SAE J1772标准的Level-II交流充电，设置最小负载（3×975 kW）与最大负载（3×1674.5 kW）两种场景。关键技术方法包括：其一，采用Bus-Injection to Branch-Current Matrix（BIBC）和Branch-Current to Bus-Voltage Matrix（BCBV）双矩阵法进行径向网络潮流直接求解；其二，构建融合有功损耗、最小VSI和AVDI的加权多目标适应度函数；其三，应用WaOA、PSO和WOA三种优化算法进行求解，并基于收敛曲线和统计指标对比评估其性能。
**研究结果分述**
Event 1：基态配置（无DG或EVCS集成）：通过潮流计算和电压稳定性分析，系统最低电压出现在母线18处，为0.9133 p.u.，最小VSI为0.6956，总有功损耗为202.53 kW。该基态结果与既有文献一致，验证了潮流计算与稳定性分析程序的准确性。
Event 2：无DG集成下的EVCS接入：当EVCS处于最小负载时，最低电压降至0.8574 p.u.，VSI降至0.5405，有功损耗增至545.89 kW。当EVCS处于最大负载时，最低电压进一步跌至0.8121 p.u.，VSI降至0.4350，有功损耗飙升至960.76 kW。该结果揭示了无序EVCS负荷对配电系统性能的严重负面影响。
Event 3：DG优化配置：经三种算法寻优，均确定母线6为最佳接入点，最优DG容量为2.9845 MW。该配置下系统最小电压抬升至0.9569 p.u.，最小VSI提升至0.8385，有功损耗降至106.13 kW。通过与文献中GA、ICA等算法对比，本方法在降损和稳压方面均表现优越，验证了基于元启发式优化DG定容选址的有效性。
Event 4：最小EVCS负载协同DG优化：针对1个、2个和3个DG的三种场景，协同优化其选址与EVCS位置。结果表明，在单DG场景下各算法性能接近，但在3个DG的高复杂度场景中，WaOA优势明显；其通过将DG配置于关键位置，在计入3×975 kW EVCS负载的前提下，使得最低电压保持在0.9543 p.u.以上，最低VSI达到0.8294，并实现了53.79%的有功损耗降低。收敛特性分析显示WaOA能以更少迭代次数获得稳定最优解。
Event 5：最大EVCS负载协同DG优化：在最大EVCS负载（3×1674.5 kW）下评估系统稳健性。仿真结果表明，即使在高EVCS负荷冲击下，单个DG的合理配置已能维持所有节点电压在0.9至1.1 p.u.界限内。在三个DG联合协同下，系统电压分布和VSI得到显著强化，有效抵消了高充电需求引发的电压崩溃风险，WaOA依旧保持了求解质量与收敛速度上的明显领先。
Comparative Analysis（综合对比分析）：通过与文献中HHO、TLBO、SAA等既有算法及本研究所用算法的结果横向对比（表9、表10），WaOA在有功/无功损耗削减率、最低电压抬升幅度及最小VSI增加值上均取得最高分数。定性对比同样显示，WaOA借助Lévy flight和Halton序列机制实现了勘探与开发的有效平衡，提升了全局寻优能力，避免了局部最优的早熟收敛问题。
**讨论与结论总结**
本研究的讨论部分强调，电压稳定性指数（VSI）、功率损耗与平均电压偏差指数（AVDI）必须作为相互关联的整体进行多目标权衡，而本文提出的加权系数方法为这种权衡提供了量化实现路径。研究结论明确指出：孤立的EVCS部署将造成径向配电系统技术性能的严重损害；而基于IEEE 33节点系统验证的协调EVCS-DG规划框架，不仅完全抵消了高EV渗透的负面效应，还将系统性能提升至超越基态的水平。具体来看，在最优3个DG场景下，WaOA实现了有功损耗从202.53 kW至93.59 kW的显著削减，最小VSI由0.6956提升至0.92721，最低电压偏差缩小至0.000128 p.u.。尽管本框架在IEEE 33节点系统上取得了成功验证，但当前研究尚存局限，例如未考虑实际配电网中保护协调、馈线热极限及逆变器控制策略等因素，未来仍需进一步在更大规模、网状及不平衡网络中结合概率性EV充电模型进行拓展测试。该框架由于算法的高效性与BIBC/BCBV潮流方法的低计算成本，尤其适用于采用径向拓扑并追求低成本EV规划的发展中国家的农村微电网。
