【优化充电】基于matlab多种遗传算法求解电动汽车有序充电优化问题【含Matlab源码 792期】

海神之光

已于 2023-10-27 22:05:17 修改

阅读量4k

点赞数 8

分类专栏： Matlab优化求解（进阶版）文章标签： matlab

于 2021-04-19 17:50:27 首次发布

代码事宜私信博主

本文链接：https://blog.csdn.net/TIQCmatlab/article/details/115870212

版权

Matlab优化求解（进阶版）专栏收录该内容

270 篇文章 396 订阅

订阅专栏

✅博主简介：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：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、遗传算法简介

1 引言
在这里插入图片描述

2 遗传算法理论
2.1 遗传算法的生物学基础

2.2 遗传算法的理论基础

2.3 遗传算法的基本概念

2.4 标准的遗传算法

2.5 遗传算法的特点

2.6 遗传算法的改进方向

3 遗传算法流程
在这里插入图片描述

4 关键参数说明

⛄二、部分源代码

%%------------------------------------------------------
%利用遗传算法对电动汽车有序充电进行优化；优化目标包括充电费用最低，充电时间达到要求（电动汽车充到足够的电）
%考虑电动汽车充电对电网负荷的影响，使负荷峰谷差最小。
%--------------------------------------------------------
clc
clear
warning off
%实时电价数据导入，数据来源PJM
RP=[3.10000000000000,3.05000000000000,3,2.80000000000000,2.60000000000000,2.55000000000000,2.50000000000000,2.60000000000000,2.70000000000000,2.80000000000000,2.90000000000000,3.20000000000000,3.50000000000000,3.60000000000000,3.70000000000000,3.67500000000000,3.65000000000000,3.70000000000000,3.75000000000000,3.82500000000000,3.90000000000000,3.92500000000000,3.95000000000000,4.02500000000000,4.10000000000000,4.15000000000000,4.20000000000000,4.20500000000000,4.21000000000000,4.28000000000000,4.35000000000000,4.42500000000000,4.50000000000000,4.60000000000000,4.70000000000000,4.62000000000000,4.54000000000000,4.39500000000000,4.25000000000000,4.22500000000000,4.20000000000000,4.05000000000000,3.90000000000000,3.60000000000000,3.30000000000000,3.20000000000000,3.10000000000000,3.10000000000000];
Price=[RP(35:48),RP(1:14)];% 设定车辆每天17:00之后才回家充电；每天7点之后就离家不充电
Num=100;%电动车数量
PEV=4;
global PEV
% load SOC_start
SOC_start=normrnd(0.3,0.05,1,Num);
global SOC_start
SOC_end=0.90ones(1,Num);
global SOC_end
C=35;
global C
number=Num;%种群中个体数量
%% 遗传算法参数设定
NP=300;% 产生初始种群的总数
NG=80 ;% 迭代的总次数
Pc=0.8;
Pm=0.4;% 变异率
%% 产生初始种群
for i=1:NP
data(i).Initial=Initial(number);
data(i).generation=data(i).Initial;
end
%% 计算初始种群适应度
for i=1:NP
data(i).Fitness=Fitness(data(i).generation,PEV,Price,SOC_start,SOC_end,C);
end
intinial_Fitness_1=max([data(😃.Fitness]);
%% 进行遗传，交叉，变异
maxium_Fitness=[];
temp_Fitness=intinial_Fitness_1;
for k=1:NG
sum_Fitness=sum([data(1:NP).Fitness]); %所有个体适应值之和
Px = [data(1:NP).Fitness]/sum_Fitness; %所有个体适应值的平均值
PPx = 0;
PPx(1) = Px(1);
for i=2:NP %用于轮盘赌策略的概率累加
PPx(i) = PPx(i-1) + Px(i);
end
for i=1:NP
sita = rand();
for n=1:NP
if sita <= PPx(n)
SelFather = n; %根据轮盘赌策略确定的父亲
break;
end
end
Selmother = floor(rand()(NP-1))+1; %随机选择母亲
posCut = floor(rand()(number-2)) + 1; %随机确定交叉点
r1 = rand();
%% 交叉
if r1<=Pc %Pc为交叉率
data1(i).generation(:,1:posCut) = data(SelFather).generation(:,1:posCut);
data1(i).generation(:,(posCut+1):number) = data(Selmother).generation(:,(posCut+1):number);
r2 = rand();
%% 变异
if r2 <= Pm % Pm变异率
posMut = round(rand()(number-1) + 1);
for j=1:size(data1,2)
data1(j).generation(:,posMut)=generate( data1(j).generation(:,posMut));
end
end

    else
        data1(i).generation =data(SelFather).generation(:,:);
    end
end
%% 选择
for i=1:NP
  data(i).Fitness= Fitness(data(i).generation,PEV,Price,SOC_start,SOC_end,C);   %子代适应值
end
for i=1:NP
  data1(i).Fitness= Fitness(data1(i).generation,PEV,Price,SOC_start,SOC_end,C);   %子代适应值
end
[value1,index1]=sort([data(1:NP).Fitness],'descend');
[value2,index2]=sort([data1(1:NP).Fitness],'descend');
j=1;
for i=index1(1:NP/2)
    temp_1(j).p=data(i).generation;
    j=j+1;
end
j=1;
for i=index2(1:NP/2)
    temp_2(j).p=data1(i).generation;
    j=j+1;
end
for i=1:NP/2
data(i).generation =temp_1(i).p;
end
for i=1:NP/2
data(NP/2+i).generation =temp_2(i).p;
end
for i=1:NP
  data(i).Fitness= Fitness(data(i).generation,PEV,Price,SOC_start,SOC_end,C);   %子代适应值
end
temp_Fitness=max([data(1:NP).Fitness]); 
maxium_Fitness=[maxium_Fitness;temp_Fitness];

end
Fitness_initial= -inf;
for i=1:NP
if data(i).Fitness> Fitness_initial
INDEX=i; %取个体中的最好值作为最终结果
Fitness_initial=data(i).Fitness;
end
end
%% 遗传算法结果可视化
figure(1)
plot(-maxium_Fitness)% 画出每一代最优个体的适应度
xlabel(‘遗传代数’)
ylabel(‘组合目标函数值’)
title(‘进化过程’)
FITNESS_NORMAL=-maxium_Fitness;
save FITNESS_NORMAL
figure(2)
EV_load=sum(data(INDEX).generation’);
EV=[EV_load(15:end),zeros(1,20),EV_load(1:14)];
plot(EVPEV)
set(gca, ‘XLim’,[1 48]); % X轴的数据显示范围
set(gca, ‘XTick’,[8,16,24,32,40,48] ); % X轴的记号点
set(gca, ‘XTicklabel’,{‘4’,‘8’,‘12’,‘16’,‘20’,‘24’}); % X轴的记号
xlabel(‘时间/h’)
ylabel(‘负荷功率/kW’)
figure(3)
Residential_load=[1962.55433333333,1617.09200000000,1397.80300000000,1240.56566666667,1139.44666666667,1087.19533333333,1047.75966666667,1039.21600000000,1025.50600000000,1055.46700000000,1082.60533333333,1130.10900000000,1361.02566666667,1719.95200000000,2047.19933333333,2384.35633333333,2527.08400000000,2849.10700000000,3038.91600000000,3026.13366666667,2888.03833333333,2787.28300000000,2730.16333333333,2762.67133333333,2965.20133333333,3403.65066666667,3292.44533333333,3011.74400000000,2804.51133333333,2717.41300000000,2834.95466666667,3040.08966666667,3160.87966666667,3381.25666666667,3864.43433333333,4218.04066666667,4372.06066666667,4467.65866666667,4694.08000000000,4610.18166666667,4374.74966666667,4266.39233333333,4200.47800000000,4027.01666666667,3845.33500000000,3510.83266666667,3183.25400000000,2515.23000000000]0.1;
plot(Residential_load,‘r-’);hold on% 当地负荷曲线
plot(EV+Residential_load,‘k-’)% 叠加电动汽车后的当地负荷曲线
EV_BY=EV;
function Fitness_result=Fitness(X,PEV,Price,SOC_start,SOC_end,C)
%x矩阵是48N SOC_start是一个服从正态分布的1N SOC_start是一个的1*N的1矩阵
L=[1962.55433333333,1617.09200000000,1397.80300000000,1240.56566666667,1139.44666666667,1087.19533333333,1047.75966666667,1039.21600000000,1025.50600000000,1055.46700000000,1082.60533333333,1130.10900000000,1361.02566666667,1719.95200000000,2047.19933333333,2384.35633333333,2527.08400000000,2849.10700000000,3038.91600000000,3026.13366666667,2888.03833333333,2787.28300000000,2730.16333333333,2762.67133333333,2965.20133333333,3403.65066666667,3292.44533333333,3011.74400000000,2804.51133333333,2717.41300000000,2834.95466666667,3040.08966666667,3160.87966666667,3381.25666666667,3864.43433333333,4218.04066666667,4372.06066666667,4467.65866666667,4694.08000000000,4610.18166666667,4374.74966666667,4266.39233333333,4200.47800000000,4027.01666666667,3845.33500000000,3510.83266666667,3183.25400000000,2515.23000000000]*0.1;
F1=sum(PEV.PriceX)./1000;
EV_load=sum(X’);
x=[EV_load(15:end),zeros(1,20),EV_load(1:14)];
F2=(max(L+x.PEV)-min(L+x.PEV))/100;
if sum(find((((SOC_end-SOC_start).C)/(0.5PEV)-sum(X))>0))+sum(find(((1.1-SOC_start).C)/(0.5PEV)-sum(X)<0))
K1=1000000;
else
K1=0;
end
Fitness_result=-(0.6F1+0.4F2+K1);
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]王劲峰,谢诗雨,李君豪,熊双菊,唐阳.基于遗传算法的小区电动汽车有序充电策略[J].电器与能效管理技术. 2019(10)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合