基于决策变量时域变化特征分类的动态多目标进化算法

动态多目标优化问题(Dynamic multi-objective optimization problems,DMOPs)广泛存在于科学研究和工程实践中,其主要考虑在动态环境下同时联合优化多个冲突目标.现有方法往往关注于目标空间的时域特征,忽视了对单个决策变量变化特性的探索与利用,从而在处理更复杂的问题时不能有效引导种群收敛.为此,提出一种基于决策变量时域变化特征分类的动态多目标进化算法(Dynamic multi-objective evolutionary algorithm based on classification of decision variable temporal change characteristics,FT-DMOEA).所提算法在环境动态变化时,首先基于决策变量时域变化特征分类方法将当前时刻决策变量划分为线性变化和非线性变化两种类型;然后分别采用拉格朗日外插法和傅里叶预测模型对线性和非线性变化决策变量进行下一时刻的初始化操作.为了更有效地识别非线性决策变量变化模式,傅里叶预测模型通过傅里叶变换将历史种群数据从时域转换到频域,在分析周期性频率特征后,使用自回归模型进行频谱估计后再反变换至时域.在多个基准数据集上和其他算法进行对比,实验结果表明,所提算法是有效的.

含新能源发电的电动汽车充电站充电功率在线优化策略研究

针对含新能源发电系统的电动汽车充电站充电功率优化问题,提出了一种充电功率在线实时优化策略,依据新能源发电出力及电动汽车当前状态信息动态调整未来24 h内充电站各充电桩充电功率,该在线优化策略依据电动汽车充电负荷特点,在初始化阶段利用基于状态依赖的决策向量分类方法,降低了每次优化待优化矩阵维度;在优化过程中利用微分演化算法,分别对有效决策向量组合以及决策向量进行优化,旨在快速、准确地对充电站中各充电桩未来24 h内的充电计划进行实时优化。该优化策略对降低充电站运行成本、改善因电动车充电引起的负荷波动具有一定的参考价值。