CN105868499A - 一种含风光储的电动汽车充电站容量配比方法 - Google Patents

Abstract

本发明公开了一种含风光储的电动汽车充电站容量配比方法，以电动汽车充电需求，通过风机设备和光伏设备的出力数据、以及运行成本，以充电站经济收益最大化为目标，计算含风光储的电动汽车充电站中的风机设备、光伏设备、储能电池和充电桩的容量配比，在满足区域电动汽车充电需求的基础上，减小含风光储的电动汽车充电站建站成本和提高建站规划的合理性。

Description

一种含风光储的电动汽车充电站容量配比方法

技术领域

本发明属于电动汽车技术领域，更为具体地讲，涉及一种含风光储的电动汽车充电站容量配比方法。

背景技术

电动汽车的使用需要电动汽车充电站的支撑，目前我国电动汽车充电站的发展还没有形成相应的规模，电动汽车充电站的分布主要集中在一线城市，在其他的大部分地区充电站的建设极其缺乏，随着国家对新能源汽车的大力推广，市场对电动汽车充电站的需求量也会越来越大，电动汽车充电站的建设将成为以后新能源电动汽车发展的重点。

风光资源作为可再生资源，已经在全世界得到广泛应用。我国在新能源方面的应用也越来越重视：国家十三五计划大力发展新能源，其中风光能源作为新能源中的重要资源，其发展也越来越受到关注。中国具有丰富的风光资源，地域广阔，建立含风光储的电动汽车充电站可以有效地利用风光两种清洁能源，也可以为电动汽车提供充电服务，满足电动汽车的快速发展。同时，配比合理的离网型风光储电动汽车充电站不需要并入大电网，可以减小大规模电动汽车充电对电网带来的冲击。

含风光储的电动汽车充电站是由风机设备、光伏设备、储能电池与电动汽车充电站相结合组成的新能源智能微网。离网型的风光储电动汽车充电站一方面可以利用无成本的太阳能和光能发电为电动汽车供电，多余的能量可以储存在储能电池中。另一方面离网型充电站不需要并入大电网，减小了大规模电动汽车充电对电网的冲击。然而，建设含风光储的电动汽车充电站仍普遍存在各种问题，其中建设成本昂贵、系统运营收益较低、风光资源利用效率不高、系统控制成本过高等问题尤为突出。因此，如何对风力发电、光伏发电、储能电池的容量进行合理的优化配置，以实现联合发电系统经济收益的最优化、提高风光资源利用率等问题，成为一个必须进行研究的课题。

在国内外对新能源容量配比的研究中，对于充电负荷的充电需求数据，通常是根据历史数据或者当地实时充电负荷的数据进行的研究，在没有得到具体的充电负荷数据，容量配比方法难以进行。本文针对在没有具体充电负荷数据时，通过统计学方法，研究出电动汽车充电的功率需求，在此基础上进行的容量配比研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种含风光储的电动汽车充电站容量配比方法，在满足电动汽车充电的前提下，通过对风光储容量进行配比，来实现电动汽车建站收益的最大化。

为实现上述发明目的，本发明一种含风光储的电动汽车充电站容量配比方法，其特征在于，包括以下步骤：

(1)、计算每小时正在充电的电动汽车的充电总功率P_k

(1.1)、计算每台电动汽车的充电起始时刻

设电动汽车的总数量为n，对概率密度函数随机取值，得到每台电动汽车的不同充电起始时刻

$f\left(t_i^0\right)=\left\{\begin{array}{c}\frac{1}{{\mathrm{\σ}}_1\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(t_i^0-{\mathrm{\μ}}_1)}^2}{2{{\mathrm{\σ}}_1}^2}\]\\ \frac{1}{{\mathrm{\σ}}_2\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(t_i^0-{\mathrm{\μ}}_2)}^2}{2{{\mathrm{\σ}}_2}^2}\]\end{array}\right.---\left(1\right)$

其中，i＝1,2,…,n；σ₁、σ₂、μ₁、μ₂均为常数；

(1.2)、计算每台电动汽车的充电时长t_i

电动汽车充电功率与时间关系满足：

$\left\{\begin{array}{c}\stackrel{\‾}{P}=P_c{e}^{-\∂t_i}\\ \∂=\frac{P_c}{(1-{\mathrm{SOC}}_i)C}\end{array}\right.---\left(2\right)$

其中，为电动汽车充电功率；P_c为电动汽车充电设备的充电功率，为恒定值；SOC_i为第i台电动汽车开始充电时的电量占电池容量的百分比；C为电动汽车电池充满电时的电池电量；

电动汽车电量与功率关系满足：

$(1-{\mathrm{SOC}}_i)C={\∫}_{t_i^0}^{t_i^0+t_i}\stackrel{\‾}{P}dt---\left(3\right)$

结合公式(2)和(3)可以得到每台电动汽车的充电时长t_i；

(1.3)、计算每小时正在充电的电动汽车的充电总功率P_k

根据充电起始时刻和充电时长t_i，统计出每小时内正在充电的电动汽车的数量N_k，则每小时内正在充电的电动汽车的充电总功率P_k＝N_k·P_c，k＝1,2,…,24，代表一天24小时；

(2)、计算风机设备和光伏设备的出力

根据预先统计的某一地区平均一年中每小时的风速V_k、光照强度G_Tk和温度T_sk，结合威布尔出力模型，计算出风机设备的出力P_w(k)；

其中，P_e为风力发电机长期稳定工作下的最大功率；V_a为能使风力发电机运行的最小速度；V_e为能使风机在额定状态下工作的风速；V_b为能使风力发电机损坏的最小风速；m为威布尔参数；

结合HOMER光出力模型计算出光伏设备的出力P_v(k)；

$P_v\left(k\right)={\tilde{P}}_e{S}_v\frac{G_{Tk}}{G_S}\[1+D_p(T_{sk}-T_c)\]---\left(5\right)$

其中，为光伏电池板在标准测试下的稳定运行的最大功率；S_v为常数；G_S为标准测试条件下的光照强度；D_p为常系数；T_c为标准测试下的电池温度；

(3)、建立约束条件和目标函数

根据步骤(1)得到的充电总功率P_k，以及步骤(2)中得到的风机设备的出力P_w(k)和光伏设备的出力P_v(k)，建立约束条件为：

$\left\{\begin{array}{c}\frac{P_k-\&lsqb;N_w{P}_w\left(k\right)+N_p{P}_v\left(k\right)+N_d{P}_d\&rsqb;}{P_k}<\mathrm{\&sigma;}\%\\ \left\{\begin{array}{c}{N}_w<\frac{P_z}{P_w\left(k\right)}\\ N_p<\frac{P_z}{P_v\left(k\right)}\\ N_d<\frac{P_z}{P_d}\end{array}\right.\\ \left\{\begin{array}{c}(6N_w+5)d_w<L\\ N_p{S}_p<S\\ N_d{S}_d<S\end{array}\right.\end{array}\right.---\left(6\right)$

其中，P_d为每台储能电池的额定功率；N_w、N_p、N_d分别为风机设备个数、光伏设备个数和储能电池个数；σ为常数；P_z为风光储电动汽车充电站的装机容量；d_w为风力发电机叶片直径、S_p每台光伏设备占地面积、S_d每台储能电池占地面积；L为风光储电动汽车充电站的总长度、S为风光储电动汽车充电站的占地总面积；

建立目标函数为：

$\left\{\begin{array}{c}\max C={\mathrm{TC}}_d-\frac{r{(1+r)}^l}{{(1+r)}^l-l}\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{N}_j{C}_j\\ C_d=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(1-{\mathrm{SOC}}_i)C_0{\tilde{S}}_d\end{array}\right.---\left(7\right)$

其中，T为风光储电动汽车充电站存在收益的天数；C_d为平均一天n台电动汽车的充电收益；C₀为电动汽车电池容量；为每度电费的价格；r为发电设备折旧额与原始折旧价格的比例；l为发电设备使用的时间；N_j,j＝1,2,3分别为风机设备、光伏设备、储能设备的台数；C_j,j＝1,2,3为风力发电机、光伏设备、储能设备的单台价格；

(4)、利用改进的遗传算法计算出含风光储的电动汽车充电站容量配比结果

(4.1)、初始化种群个数为h、迭代次数为d、交叉概率为p₁、变异概率为p₂；

(4.2)、在步骤(3)中的约束条件下，对风机设备个数N_w、光伏设备个数N_p和储能电池个数N_d分别随机赋值成h组不同的风光储组合；

(4.3)、将步骤(3)中建立的目标函数设置为适应度函数；

(4.4)、根据适应度函数计算出每组风光储组合对应的适应度函数值，再将h组适用度函数值按从大到小的顺序排序；

将种群个数为h、迭代次数为d代入到公式h(c％)^d＞1中，计算出满足常数c的最大值为f，再按照排好的顺序，从h组风光储组合中选出适应度函数值最大的前h*f％组风光储组合；

(4.5)、根据交叉概率p₁、变异概率p₂，将h*f％组风光储组合进行交叉变异操作，生成新的h*f％组风光储组合，再判断新的h*f％组风光储组合是否满足步骤(3)中建立的约束条件，如果满足约束条件，则进行步骤(4.6)；如果不满足约束条件，则继续交叉变异，直到新的h*f％风光储组合满足约束条件，再进行步骤(4.6)；

(4.6)、以新的h*f％组风光储组合为基准，按照步骤(4.5)所述方法进行迭代，直到迭代次数到达d时，选出第d次迭代时，h*f％组风光储组合中适应度函数值最大的风光储组合，即为容量配比结果。

本发明的发明目的是这样实现的：

本发明一种含风光储的电动汽车充电站容量配比方法，以电动汽车充电需求，通过风机设备和光伏设备的出力数据、以及运行成本，以充电站经济收益最大化为目标，计算含风光储的电动汽车充电站中的风机设备、光伏设备、储能电池和充电桩的容量配比，在满足区域电动汽车充电需求的基础上，减小含风光储的电动汽车充电站建站成本和提高建站规划的合理性。

同时，本发明一种含风光储的电动汽车充电站容量配比方法还具有以下有益效果：

(1)、通过基于统计学的电动汽车充电功率需求模型，获得区域电动汽车充电功率需求；

(2)、采用威布尔出力模型和HOMER光出力模型分别得到风电设备、光伏设备的出力曲线；

(3)、以电动汽车充电功率需求、风光储装机容量等约束条件，建立基于电动汽车充电站充电收益最大化为目标函数的容量配比模型；

(4)、通过改进的遗传算法对建立的容量配比模型进行求解，得到风光储电动汽车充电站的容量配比最优结果。

附图说明

图1是本发明一种含风光储的电动汽车充电站容量配比方法流程图；

图2是电动汽车充电起始时刻的概率分布图；

图3是电动汽车初始时刻的SOC概率分布图；

图4是某充电站中每个小时正在充电的电动汽车数量；

图5是某地一年中平均每小时的风速数据曲线；

图6是某地一年中平均每小时的光照强度曲线；

图7是某地一年中平均每小时的温度曲线；

图8是某地一年中平均每小时单台风机设备的出力曲线；

图9是某地一年中平均每小时单台光伏设备出力曲线；

图10是三种容量配比下的输出功率与负荷功率。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种含风光储的电动汽车充电站容量配比方法流程图。

在本实施例中，如图1所示，本发明一种含风光储的电动汽车充电站容量配比方法，包括以下步骤：

S1、计算每小时正在充电的电动汽车的充电总功率P_k

(1.1)、计算每台电动汽车的充电起始时刻

设电动汽车的总数量为n＝600，通过对电动汽车行驶习惯进行调查，其调查数据结果用统计学方法进行处理，充电起始时刻近似为正态分布，其概率密度函数如下公式(1)，通过对概率密度函数随机取值，如图2所示，其中，横坐标表示0～24小时，纵坐标表示电动汽车充电起始时刻的概率，进而可以得到每台电动汽车的不同充电起始时刻

$f\left(t_i^0\right)=\left\{\begin{array}{c}\frac{1}{{\mathrm{\&sigma;}}_1\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(t_i^0-{\mathrm{\&mu;}}_1)}^2}{2{{\mathrm{\&sigma;}}_1}^2}\&rsqb;\\ \frac{1}{{\mathrm{\&sigma;}}_2\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(t_i^0-{\mathrm{\&mu;}}_2)}^2}{2{{\mathrm{\&sigma;}}_2}^2}\&rsqb;\end{array}\right.---\left(1\right)$

其中，i＝1,2,…,n；σ₁、σ₂、μ₁、μ₂均为常数；在本实施例中，概率密度函数的随机取值范围为[0.8,1]，μ₁＝17.6，σ₁＝3.4；μ₂＝14，σ₂＝10.6；

S1.2、计算每台电动汽车的充电时长t_i

电动汽车充电时长与电动汽车起始充电时刻、起始充电时刻SOC、电动汽车的电池容量、充电设备功率有关，而电动汽车的电池容量和充电设备的功率是恒定值，因此决定电动汽车充电时长的关键在于起始充电时刻SOC；

电动汽车开始充电时的SOC近似于正态分布N(0.2,0.32²)，由图3可以看出电动汽车初始时刻SOC在0.1～0.3之间的概率比较大，这个结果与实际情况比较相符。一般用户会在电动汽车电量达到0.1～0.3左右进行充电，如果充电电量过低可能导致电动汽车续航困难，如果电动汽车充电电量过高又会导致用户时间浪费。图3是由仿真软件对电动汽车初始时刻SOC概率密度的仿真结果，其中，横坐标表示电动汽车起始充电时的SOC值，纵坐标表示对应SOC值时的概率；对于给定的600辆电动汽车，取概率在0.8～1之间对应的SOC的随机值可得到每辆电动汽车初始充电时刻值SOC_i，i＝1,2,.....,600；

下面对每台电动汽车的充电时长t_i的计算方法进行详细说明，电动汽车充电功率与时间关系满足：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{P}=P_c{e}^{-\&part;t_i}\\ \&part;=\frac{P_c}{(1-{\mathrm{SOC}}_i)C}\end{array}\right.---\left(2\right)$

其中，为电动汽车充电功率；P_c为电动汽车充电设备的充电功率，为恒定值；SOC_i为第i台电动汽车开始充电时的电量占电池容量的百分比；C为电动汽车电池充满电时的电池电量；

电动汽车电量与功率关系满足：

$(1-{\mathrm{SOC}}_i)C={\&Integral;}_{t_i^0}^{t_i^0+t_i}\stackrel{\&OverBar;}{P}dt---\left(3\right)$

结合公式(2)和(3)可以得到每台电动汽车的充电时长t_i；

S1.3、计算每小时正在充电的电动汽车的充电总功率P_k

在确定了一天24小时电动汽车充电数量、每台电动汽车充电的起始时刻、每台电动汽车充电时长之后，每小时正在充电的电动汽车的充电总功率需求即可确定；

根据充电起始时刻和充电时长t_i，统计出600辆电动汽车中，每小时内正在充电的电动汽车的数量N_k，如图4所示，则每小时内正在充电的电动汽车的充电总功率P_k＝N_k·P_c，k＝1,2,…,24，代表一天24小时，其中，在图4中，横坐标表示0～24小时，纵坐标表示正在充电的电动汽车数量。

S2、计算风机设备和光伏设备的出力

根据预先统计的某一地区平均一年中每小时的风速V_k、光照强度G_Tk和温度T_sk，在本实施例中，收集某地一年的风光资源数据，通过求取平均值得到每小时风力、光照强度和温度数据，如表1；

表1

由上表可得出平均一年中，每小时的风力、光照强度、温度曲线，如图5～7所示，其中，横坐标表示0～24小时，纵坐标依次表示风速、光辐射强度和温度；其次，在本实施例中，风机设备的型号选择WPS-10000，其各项参数为：额定功率10kw，最大功率12kw，叶片直径6.2m，启动风速2.6m/s，切出风速20m/s，额定风速10m/s，额定电压220v，价格49000元；光伏设备的型号选择KE-GU5KTL，其各项参数为最大功率5KW，输出电压220v，输出电流22A，价格45000元；储能电池的参数为：容量28AH，充放电电压36V，价格为4000元；

下面先结合威布尔出力模型，计算出风机设备的出力P_w(k)；

其中，P_e＝12kw为风力发电机长期稳定工作下的最大功率；V_a＝2.6m/s为能使风力发电机运行的最小速度；V_e＝10m/s为能使风机在额定状态下工作的风速；V_b＝20m/s为能使风力发电机损坏的最小风速；m＝3为威布尔参数；

将表1中的风速数据和风机设备的参数代入公式(4)，可得出图8所示的每小时单台风机设备的出力曲线，其中，横坐标表示0～24小时，纵坐标表示风力发电机输出功率；

结合HOMER光出力模型计算出光伏设备的出力P_v(k)；

$P_v\left(k\right)={\tilde{P}}_e{S}_v\frac{G_{Tk}}{G_S}\&lsqb;1+D_p(T_{sk}-T_c)\&rsqb;---\left(5\right)$

其中，为光伏电池板在标准测试下的稳定运行的最大功率；S_v＝3.5为常数；G_S＝1000为标准测试条件下的光照强度；D_p＝-0.47％为常系数；T_c＝25为标准测试下的电池温度；

将表1中的光照强度、温度和光伏设备的参数代入公式(5)可得出图9所示的每小时单台风光伏设备的出力曲线，其中，横坐标表示0～24小时，纵坐标表示光伏设备输出功率。

S3、建立约束条件和目标函数

在确定了充电总功率、风、光出力之后，开始建立容量配比计算模型，该计算模型以电动汽车充电功率需求、风光储装机容量等作为约束条件，以含风光储的电动汽车充电站运行经济效益最大化为优化目标；

电动汽车充电站建站的大前提是满足电动汽车的充电功率需求，因此充电功率需求成为了首要的约束条件；

其次，电动汽车的充电功率需求是有限的，在建造电动汽车充电站之前需要根据充电功率的需求对风光储电动汽车充电站设定一个装机容量，该装机容量限制了风光储发电设备的个数和功率大小；

最后，在规划建设一个风光储电动汽车充电站时，其占地面积是事先规划好的，一般规定在建造风力发电机时，相邻的风力发电机之间的距离至少要大于5倍的风机叶片直径，可以通过这个规定确定风力发单机台数与场地长度的关系，因为通常风力发电机在高处，故一般不考虑风力发电机的地面面积，光伏发电设备和储能电池通常在地面，故其面积需要考虑；

结合上述因素，根据步骤S1得到的充电总功率P_k，以及步骤S2中得到的风机设备的出力P_w(k)和光伏设备的出力P_v(k)，建立约束条件为：

$\left\{\begin{array}{c}\frac{P_k-\&lsqb;N_w{P}_w\left(k\right)+N_p{P}_v\left(k\right)+N_d{P}_d\&rsqb;}{P_k}<\mathrm{\&sigma;}\%\\ \left\{\begin{array}{c}{N}_w<\frac{P_z}{P_w\left(k\right)}\\ N_p<\frac{P_z}{P_v\left(k\right)}\\ N_d<\frac{P_z}{P_d}\end{array}\right.\\ \left\{\begin{array}{c}(6N_w+5)d_w<L\\ N_p{S}_p<S\\ N_d{S}_d<S\end{array}\right.\end{array}\right.---\left(6\right)$

其中，P_d为每台储能电池的额定功率；N_w、N_p、N_d分别为风机设备个数、光伏设备个数和储能电池个数；σ为常数，一般去0.2；P_z为风光储电动汽车充电站的装机容量；d_w为风力发电机叶片直径、S_p每台光伏设备占地面积、S_d每台储能电池占地面积；L为风光储电动汽车充电站的总长度、S为风光储电动汽车充电站的占地总面积；

建立目标函数为：

$\left\{\begin{array}{c}\max C={\mathrm{TC}}_d-\frac{r{(1+r)}^l}{{(1+r)}^l-l}\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{N}_j{C}_j\\ C_d=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(1-{\mathrm{SOC}}_i)C_0{\tilde{S}}_d\end{array}\right.---\left(7\right)$

其中，T为风光储电动汽车充电站存在收益的天数；C_d为平均一天n台电动汽车的充电收益；C₀为电动汽车电池容量；为每度电费的价格；r为发电设备折旧额与原始折旧价格的比例；l为发电设备使用的时间；N_j,j＝1,2,3分别为风机设备、光伏设备、储能设备的台数；C_j,j＝1,2,3为风力发电机、光伏设备、储能设备的单台价格；

S4、利用改进的遗传算法计算出含风光储的电动汽车充电站容量配比结果

S4.1、初始化种群个数为h＝120、迭代次数为d＝30、交叉概率为p₁＝0.6、变异概率为p₂＝0.03；

S4.2、在步骤S3中的约束条件下，对风机设备个数N_w、光伏设备个数N_p和储能电池个数N_d分别随机赋值成h组不同的风光储组合；

S4.3、将步骤S3中建立的目标函数设置为适应度函数；

S4.4、根据适应度函数计算出每组风光储组合对应的适应度函数值，再将h组适用度函数值按从大到小的顺序排序；

将种群个数为h、迭代次数为d代入到公式h(c％)^d＞1中，计算出满足常数c的最大值为f，再按照排好的顺序，从h组风光储组合中选出适应度函数值最大的前h*f％组风光储组合；

S4.5、根据交叉概率p₁、变异概率p₂，将h*f％组风光储组合进行交叉变异操作，生成新的h*f％组风光储组合，再判断新的h*f％组风光储组合是否满足步骤S3中建立的约束条件，如果满足约束条件，则进行步骤S4.6；如果不满足约束条件，则继续交叉变异，直到新的h*f％风光储组合满足约束条件，再进行步骤S4.6；

S4.6、以新的h*f％组风光储组合为基准，按照步骤S4.5所述方法进行迭代，直到迭代次数到达d时，选出第d次迭代时，h*f％组风光储组合中适应度函数值最大的风光储组合，即为容量配比结果。

仿真：

风机设备	光伏设备	储能电池	10年收益(万)
				238	76	117	1569.37
381	108	167	1064.95
				467	89	94	842.49

表2

表2中第一行是通过改进的遗传算法得出的最优容量配比结果，后面两组结果是选择的种群中满足约束条件的两组种群结果，对比可以看出虽然后面组结果满足了电动汽车充电的功率需求，但是其十年收益效果没有第一组的收益好。

通过对表2的容量配比结果进行仿真，其结果如图10所示，其中，横轴代表0～24小时，纵轴代表功率；图10中的“*”、“+”、“0”、“x”分别表示电动汽车充电负荷、表2中第一行对应的风光储出力、表2中第二行对应的风光储出力、表2中第三行对应的风光储出力，

可以看出三种容量配比的风光储联合输出功率均满足了电动汽车的充电功率需求，这是因为三种不同的容量配比是在满足约束条件下遗传算法的种群，约束条件中电动汽车充电负荷限制了风光储的容量，其区别在于十年的电动汽车充电站收益不同。可以看出随着风机台数达到一定的数量值时随着风机台数的增加，收益并没有增大。其收益结果是与容量配比结果综合组合有关，与单项风力发电机、光伏设备、储能电池的数量没有直接的关系。仿真结果表明本发明可以在满足电动汽车充电功率的前提下，实现电动汽车充电站建站收益经济性的最大化。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种含风光储的电动汽车充电站容量配比方法，其特征在于，包括以下步骤：

(1)、计算每小时正在充电的电动汽车的充电总功率P_k

(1.1)、计算每台电动汽车的充电起始时刻

设电动汽车的总数量为n，对概率密度函数随机取值，可以得到每台电动汽车的不同充电起始时刻

$f\left(t_i^0\right)=\left\{\begin{array}{c}\frac{1}{{\mathrm{\&sigma;}}_1\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(t_i^0-{\mathrm{\&mu;}}_1)}^2}{2{{\mathrm{\&sigma;}}_1}^2}\&rsqb;\\ \frac{1}{{\mathrm{\&sigma;}}_2\sqrt{2\mathrm{\&pi;}}}\exp \&lsqb;-\frac{{(t_i^0-{\mathrm{\&mu;}}_2)}^2}{2{{\mathrm{\&sigma;}}_2}^2}\&rsqb;\end{array}\right.---\left(1\right)$

其中，i＝1,2,…,n；σ₁、σ₂、μ₁、μ₂均为常数；

(1.2)、计算每台电动汽车的充电时长t_i

电动汽车充电功率与时间关系满足：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{P}=P_c{e}^{-\&part;t_i}\\ \&part;=\frac{P_c}{(1-{\mathrm{SOC}}_i)C}\end{array}\right.---\left(2\right)$

其中，为电动汽车充电功率；P_c为电动汽车充电设备的充电功率，为恒定值；SOC_i为第i台电动汽车开始充电时的电量占电池容量容量的百分比；C为电动汽车电池充满电时的电池电量；

电动汽车电量与功率关系满足：

$(1-{\mathrm{SOC}}_i)C={\&Integral;}_{t_i^0}^{t_i^0+t_i}\stackrel{\&OverBar;}{P}dt---\left(3\right)$

结合公式(2)和(3)可以得到每台电动汽车的充电时长t_i；

(1.3)、计算每小时正在充电的电动汽车的充电总功率P_k

根据充电起始时刻和充电时长t_i，统计出每小时内正在充电的电动汽车的数量N_k，则每小时内正在充电的电动汽车的充电总功率P_k＝N_k·P_c，k＝1,2,…,24，代表一天24小时；

(2)、计算风机设备和光伏设备的出力

根据预先统计的某一地区平均一年中每小时的风速V_k、光照强度G_Tk和温度T_sk，结合威布尔出力模型，计算出风机设备的出力P_w(k)；

其中，P_e为风力发电机长期稳定工作下的最大功率；V_a为能使风力发电机运行的最小速度；V_e为能使风机在额定状态下工作的风速；V_b为能使风力发电机损坏的最小风速；m为威布尔参数；

结合HOMER光出力模型计算出光伏设备的出力P_v(k)；

$P_v\left(k\right)={\tilde{P}}_e{S}_v\frac{G_{Tk}}{G_S}\&lsqb;1+D_p(T_{sk}-T_c)\&rsqb;---\left(5\right)$

其中，为光伏电池板在标准测试下的稳定运行的最大功率；S_v为常数；G_S为标准测试条件下的光照强度；D_p为常系数；T_c为标准测试下的电池温度；

(3)、建立约束条件和目标函数

根据步骤(1)得到的充电总功率P_k，以及步骤(2)中得到的风机设备的出力P_w(k)和光伏设备的出力P_v(k)，建立约束条件可以为：

$\left\{\begin{array}{c}\frac{P_k-\&lsqb;N_w{P}_w\left(k\right)+N_p{P}_v\left(k\right)+N_d{P}_d\&rsqb;}{P_k}<\mathrm{\&sigma;}\%\\ \left\{\begin{array}{c}{N}_w<\frac{P_z}{P_v\left(k\right)}\\ N_p<\frac{P_z}{P_v\left(k\right)}\\ N_d<\frac{P_z}{P_d}\end{array}\right.\\ \left\{\begin{array}{c}(6N_w+5)d_w<L\\ N_p{S}_p<S\\ N_d{S}_d<S\end{array}\right.\end{array}\right.---\left(6\right)$

其中，P_d为每台储能电池的额定功率；N_w、N_p、N_d分别为风机设备个数、光伏设备个数和储能电池个数；σ为常数；P_z为风光储电动汽车充电站的装机容量；d_w为风力发电机叶片直径、S_p每台光伏设备占地面积、S_d每台储能电池占地面积；L为风光储电动汽车充电站的总长度、S为风光储电动汽车充电站的占地总面积；

建立目标函数为：

$\left\{\begin{array}{c}\max C={\mathrm{TC}}_d-\frac{r{(1+r)}^l}{{(1+r)}^l-l}\underset{j=1}{\overset{3}{\&Sigma;}}{N}_j{C}_j\\ C_d=\underset{i=1}{\overset{n}{\&Sigma;}}(1-{\mathrm{SOC}}_i)C_0{\tilde{S}}_d\end{array}\right.---\left(7\right)$

其中，T为风光储电动汽车充电站存在收益的天数；C_d为平均一天n台电动汽车的充电收益；C₀为电动汽车电池容量；为每度电费的价格；r为发电设备折旧额与原始折旧价格的比例；l为发电设备使用的时间；N_j,j＝1,2,3分别为风机设备、光伏设备、储能设备的台数；C_j,j＝1,2,3为风力发电机、光伏设备、储能设备的单台价格；

(4)、利用改进的遗传算法计算出含风光储的电动汽车充电站容量配比结果

(4.1)、初始化种群个数为h、迭代次数为d、交叉概率为p₁、变异概率为p₂；

(4.2)、在步骤(3)中的约束条件下，对风机设备个数N_w、光伏设备个数N_p和储能电池个数N_d分别随机赋值成h组不同的风光储组合；

(4.3)、将步骤(3)中建立的目标函数设置为适应度函数；

(4.4)、根据适应度函数计算出每组风光储组合对应的适应度函数值，再将h组适用度函数值按从大到小的顺序排序；

将种群个数为h、迭代次数为d代入到公式h(c％)^d＞1中，计算出满足常数c的最大值为f，再按照排好的顺序，从h组风光储组合中选出适应度函数值最大的前h*f％组风光储组合；

(4.5)、根据交叉概率p₁、变异概率p₂，将h*f％组风光储组合进行交叉变异操作，生成新的h*f％组风光储组合，再断新的h*f％组风光储组合是否满足步骤(3)中建立的约束条件，如果满足约束条件，则进行步骤(4.6)；如果不满足约束条件，则继续交叉变异，直到新的h*f％风光储组合满足约束条件，再进行步骤(4.6)；

(4.6)、以新的h*f％组风光储组合为基准，按照步骤(4.5)所述方法进行迭代，直到迭代次数到达d时，选出第d次迭代时，h*f％组风光储组合中适应度函数值最大的风光储组合，即为容量配比结果。

2.根据权利要求1所述的一种含风光储的电动汽车充电站容量配比方法，其特征在于，所述的概率密度函数的随机取值范围为[0.8,1]。