基于多目标自适应蜂鸟优化与决策方法的可再生能源与电动汽车智能集成

《Next Energy》：Smart integration of renewable energy and electric vehicles using multi-objective adaptive artificial hummingbird optimization and decision-making methods

　　

电动汽车(EV)与可再生能源(RES)因环境优势、降低对传统能源依赖及减少总拥有成本成为最具前景的应用方向。本研究提出多目标自适应人工蜂鸟算法(Multi-objective Adaptive Artificial Hummingbird Algorithm, MOAAHA)以弥补原始AHA算法的开采(exploitation)不足并改善收敛性，通过平衡控制能量(Balanced Control Energy, BCE)、改进轴向与全向飞行、增强引导与领地觅食及调整迁移觅食实现。其次，MOAAHA与成熟算法兼容并通过多目标基准函数验证。此外，针对含EV的独立混合RES系统提出新型能量管理策略，以三个冲突指标——缺电率(Loss of Load Probability, LLP)、废弃能量(Pdump)及全生命周期成本(Life Cycle Cost, LCC)——进行优化。利用伊拉克纳杰夫(Najaf)2017—2018年实际10分钟分辨率气象数据，MOAAHA求解最优帕累托前沿(Pareto Front, PF)解集。最后，引入多准则决策(Multi-Criteria Decision-Making, MCDM)混合方法为竞争目标分配权重、排序优选方案并选取最合适设计。实验结果表明最优配置为207台风机(WT)、567块光伏(PV)组件及300组蓄电池(BS)，LLP=0，Pdump=361,704.11 kWh，LCC=$351,581.67。总体而言，所提MOAAHA方法对PV-WT-BS-EV系统最优设计具推广潜力，为RES与EV集成提供深入见解。

论文解读：基于多目标自适应蜂鸟优化与决策方法的可再生能源与电动汽车智能集成——发表于《Next Energy》

一、研究背景与问题提出

独立运行的光伏(Photovoltaic, PV)—风机(Wind Turbine, WT)—蓄电池(Battery Storage, BS)—电动汽车(Electric Vehicle, EV)混合系统是解决偏远地区供电、促进能源转型的重要技术路径。现有研究存在三方面不足：(1)传统单目标优化难以兼顾技术性与经济性冲突目标，易致过/欠配；(2)经典多目标算法（如NSGA-II、MOPSO）存在早熟收敛、解集分布不均、易陷局部极值等问题；(3)缺乏考虑EV可用性与荷电状态(State of Charge, SOC)的动态能量管理策略，且最终方案选取时常凭经验赋权，缺乏一致性检验。因此，Hussein Mohammed Ridha、Hashim Hizam、Seyedali Mirjalili等研究人员开展本研究，提出改进的多目标自适应人工蜂鸟算法(Multi-objective Adaptive Artificial Hummingbird Algorithm, MOAAHA)耦合新型能量管理及混合多准则决策(Multi-Criteria Decision-Making, MCDM)方法，对离网PV-WT-BS-EV系统进行容量优化配置与方案优选。研究结论表明MOAAHA在收敛性、多样性上优于对比算法，结合最佳最差法(Best-Worst Method, BWM)—多属性边界近似区域比较(Multi-Attributive Border Approximation area Comparison, MABAC)—群决策(Group Decision Making, GDM)可有效选出满足零缺电率(LLP=0)且综合成本与弃能较优的配置，对实际工程投资规划具重要指导意义。

二、主要关键技术方法

研究人员以伊拉克纳杰夫市2017—2018年每10分钟实测太阳辐照度、风速、气温及负荷需求数据为样本队列。(1)建立PV（采用三二极管TD-PV模型）、WT（含高度修正幂律输出）、铅酸BS（含SOC动态更新）及锂离子EV电池数学模型；(2)设计动态能量管理策略——充电模式下盈余电能优先充BS再视EV可用性及SOC充EV，放电模式下优先由BS供载，不足时若EV在场且SOC充足则V2L(Vehicle-to-Load)辅助放电；(3)提出MOAAHA：在原AHA基础上引入平衡控制能量(BCE)线性递减函数、改进轴向/全向飞行步长、增强引导与领地觅食向历史最优偏移、莱维飞行(Levy Flight)调整迁移觅食，采用外部归档+非支配排序(Non-dominated Sorting, NDS)+动态消除拥挤距离(Dynamic Elimination-based Crowding Distance, DECD)维持帕累托前沿解集；(4)以LLP（缺电概率）、P_dump（弃能）和LCC（全生命周期成本含初投、运维、替换折现）为三冲突目标函数；(5)用BWM确定三目标客观权重（含一致性比检验），MABAC计算各方案与边界近似区域(Border Approximation Area, BAA)距离并评分，GDM取三位专家算术平均作最终排序，并以PROMETHEE-II、TOPSIS、MARCOS交叉验证。

三、研究结果

5.1 Results on the multi-objective benchmark functions

在ZDT1–ZDT4、ZDT6及DTLZ1–DTLZ7共12个标准测试函数上，MOAAHA与原始MOAHA及MODE-RMO对比。结果表明MOAAHA在生成距离(GD)、反转生成距离(IGD)、间距(SPacing, SP)指标多数占优或持平，超体积(HyperVolume, HV)与最大散布(Maximum Spread, MS)具竞争力；在ZDT族测试中解集沿真实PF分布更均匀、收敛更紧，DTLZ族可识别大多数真实PF区域。证明引入BCE与改进飞行机制有效平衡探索(exploration)与开采(exploitation)，避免原AHA局部搜索能力不足问题。

5.2 Results on the optimal sizing of hybrid PV-WT-BS-EV system

以决策变量WT∈[5,250]、PV串联N_S∈[16,126]、并联N_P∈[16,126]、BS∈[20,300]，EV固定5台，MOAAHA、MOAHA、MOPSO、PESA-II分别求PF。MOAAHA所得PF在发散度与收敛度上均优于对比算法，原MOAHA存在间隙与受控解，MOPSO与PESA-II因强非线性表现较差。BWM-MABAC-GDM对PF前10组排序，排名第一方案为207 WT、567 PV(N_S=21,N_P=27)、300 BS，对应LLP=0、LCC=$351,581.67、P_dump=3,617,064.11 kWh（两年累计）。该配置两年间无供电中断，BS大量配置提升可靠性并吸纳部分弃能。BWM-PROMETHEE-II-GDM与BWM-MABAC-GDM选优一致，TOPSIS因三目标量纲差异排序稳定性弱于MABAC与PROMETHEE-II，MARCOS排序介于二者间。典型日仿真显示所提能量管理可在光照与风速低谷期由BS与EV联合放电保载，盈余期依次充BS与EV，验证动态调度有效性。LCC构成中初投占比最大(48%)，PV组件成本占比最高(25%)，次为WT(11%)、BS(10%)。

四、讨论与结论翻译

研究表明，针对离网PV-WT-BS-EV系统的容量规划与能量流管理至关重要。研究人员提出改进的MOAAHA克服原始AHA开采能力不足并提升收敛速率，经多目标基准函数测试其优于既有对比方法。基于新型能量管理策略，以伊拉克纳杰夫两年10分钟气象数据驱动MOAAHA最小化LLP、P_dump与LCC三冲突技术—经济目标获取PF解集，再通过BWM-MABAC-GDM混合多准则决策赋权、排序并选取最理想配置。所提方法经MOO及MCDM对照验证：MOAAHA在PF解集的分布均匀性(SP)、收敛性及多样性上表现优良，MABAC对三冲突目标排序具高一致性比。未来可将氢储能纳入可行性及技术—经济评估，并为并网系统开发考虑EV动态负荷的新能量管理策略。

原文结论翻译：

综上，所研究PV-WT-BS-EV系统的适宜设计与能量流管理对推进清洁可再生能源及EV技术应用至关重要，此问题此前尚无专门研究。研究人员改进AHA以克服其弱局部搜索能力并加快收敛，经多目标基准函数测试MOAAHA优于已有方法。进而基于新型能量管理策略建立离网PV-WT-BS-EV系统模型以满足企业与EV负荷需求，利用每10分钟分辨率的两年气象数据以MOAAHA最小化三个冲突技术—经济目标——LLP、P_dump与LCC——生成最优PF解集，并应用BWM-MABAC-GDM混合方法赋权、排序并选取最理想方案。该方法经多目标优化算法及多准则决策方法验证。仿真结果表明，所提MOAAHA方法可在多样性、间距指标及收敛性上建立分布良好的PF解集，而MABAC方法能以高一致性比对三个复杂冲突目标排序优选。