摘要
随着电动汽车（EV）产业的快速发展，大规模地将EV整合到电网中导致了诸如充电效率低、负荷波动加剧以及用户经济效益降低等日益凸显的问题。为了解决这些问题，构建了一个优化模型，该模型以充电时间、负荷波动和用户充电成本为目标，全面考虑了包括可再生能源输出、用户充电行为和电价波动在内的不确定性因素。提出了一种基于改进的混沌Lévy飞行多目标粒子群优化（CLM-MOPSO）算法的不确定性感知多目标调度策略。具体而言，采用Weibull和Beta分布来生成风能和光伏发电量的情景，而Poisson和正态分布用于描述用户充电行为的不确定性。此外，引入了随机电价过程和负荷不确定性集合，以建立基于多场景随机规划的鲁棒优化框架。在此基础上，设计了一种改进的CLM-MOPSO算法：利用Tent混沌映射进行高质量种群初始化，引入Lévy飞行变异机制以增强全局搜索能力，并结合自适应参数调整和外部存储机制来提高搜索效率，同时保持帕累托解集的良好收敛性和多样性。最后，基于真实道路网络和电网运行数据进行了仿真研究，结果验证了所提方法的有效性。研究结果表明，该方法显著缩短了充电时间、缓解了负荷波动、降低了用户充电成本，同时还表现出强大的鲁棒性和在实际工程应用中的潜力。
