CN111162517B - 计及源荷相关性含电动汽车的分布式电源选址定容方法 - Google Patents

Abstract

本发明公开了计及源荷相关性含电动汽车的分布式电源选址定容方法，本方法将电动汽车充电负荷作为一种随机性的负荷参与配电网规划，并计及风电分布式电源、光伏分布式电源出力不确定性及配电网需求负荷不确定性之间相关性。本发明将拉丁超立方抽样与Cholesky分解和Nataf变换相结合，得到具有相关性的风速、光照强度与需求负荷样本；基于蒙特卡洛模拟得到随机性的电动汽车充电负荷，与考虑不确定因素的风电、光伏出力与负荷需求相结合，并通过场景聚类方法得到典型运行场景；利用机会约束规划方法结合建立规划模型，以改进的粒子群算法求解，得到更优化的分布式电源选址定容规划方案。

Description

计及源荷相关性含电动汽车的分布式电源选址定容方法

技术领域

本发明涉及城市配电网规划领域，具体地，涉及计及源荷相关性含电动汽车的分布式电源选址定容方法。

背景技术

随着新能源技术的快速发展与节能减排政策的推广，分布式电源(DistributionGeneration，DG)大规模并入电网，实现了能源结构的优化与可再生能源的就地消纳。然而分布式电源出力存在不确定性、间歇性等特点，同时负荷侧接入了高比例的电动汽车等柔性负荷，使得配电网由传统的单向电力传输的无源网络转变为复合的含DG、储能系统等的新型综合网络，极大地复杂了配电网的结构，给选址定容带来了新的挑战。

目前，国内外已对含DG与接入电动汽车的配电网选址定容进行了研究。大部分研究虽然考虑了DG出力的不确定性，但多为考虑单一的分布式电源机组出力，未综合考虑风电、光伏、负荷等不确定量之间的相关性；同时电动汽车作为一种高速发展的新兴产业，在城市需求负荷中将逐渐占据更高比例，如未计及电动汽车充电负荷作为一种具有随机性的负荷接入配电网的情况，将影响配电网选址定容规划模型的有效性。因此，需要一种计及源荷相关性含电动汽车的分布式电源选址定容方法。

发明内容

针对以上问题，本发明提供了一种优化的分布式电源选址定容规划方法，提高了规划模型的准确性与有效性。本发明核心内容在于(1)得到不确定性的风电分布式电源(WTG)、光伏分布式电源(PVG)及需求负荷间具有相关性的样本；(2)提供一种基于源荷相关性上，考虑因用户行为方式随机性带来的电动汽车充电负荷不确定性的运行场景，并将复杂、庞大的运行场景聚类得到有效的典型运行场景，加速模型运行速率。

为了达到上述目的，本发明采用的技术方案为：

建立计及源荷相关性含电动汽车的分布式电源选址定容模型，步骤如下：

S1、通过拉丁超立方抽样对数学模型进行采样，再将Cholesky分解和Nataf变换相结合，对采样样本进行重新排序，得到具有空间相关性的风速、光照强度与需求负荷的联合样本；

S2、基于蒙特卡洛模拟得到随机性的电动汽车充电负荷；

S3、将电动汽车充电负荷与风光荷联合样本正交生成运行场景，通过K-means场景聚类方法对运行场景进行聚类，得到典型运行场景；

S4、利用机会约束规划方法结合典型运行场景建立配电网规划模型，通过改进的粒子群算法对配电网规划模型求解，得到最优规划方案。

具体而言，步骤S1中所述通过拉丁超立方抽样对数学模型进行采样，再将Cholesky分解和Nataf变换相结合，对采样样本进行重新排序的步骤如下：

S11、利用拉丁超立方抽样方法对风速、光照强度及需求负荷进行采样：

设样本采样规模为N₁，随机变量的个数为m，Y_m＝F_m(X_m)为随机变量X_m的概率密度函数。将m维的每一维[0,1]区间划分为不重叠的N₂个区间，每个区间的概率均为1/N₂；在上述N₂个区间中，每个区间随机地抽取一个点y_i(i＝1，2，…，N₂)，利用反变换

得到采样值x_mi，

为F_m的反变换。当m维随机变量的采样完成后，即得到一个每一列为一个采样值的m×N₂维的初始样本矩阵S₀。

S12、采用Nataf变换与Cholesky分解将采样得到随机变量进行排序：

随机生成m×N₁阶的顺序矩阵L，L的每一行由整数1，2，…，N₁随机排列组成，计算L的秩相关系数矩阵ρ_L；

式(1)中，ρ_ij为随机变量X_i与X_j之间的相关系数，i＝1，2，…，m。通过Nataf变换将相关系数矩阵ρ_L中的非对角元素ρ_ij变换为

为相关系数ρ_ij经过变换后所对应位置的元素；

式(2)-式(3)中，ψ为变换后相关标准正态分布的累计概率密度函数；y_i、y_j为抽取的采样点；

为抽样点矩阵y的转置矩阵y^T中y_i对应的值；μ_i、μ_j表示对应随机变量的原非正态分布的均值；σ_i、σ_j表示对应随机变量的原非正态分布的标准差；

表示相关标准正态分布的联合概率密度；然后对相关系数矩阵ρ_L ^*进行Cholesky分解，ρ_L ^*为秩相关系数ρ_L通过Nataf变换后得到的相关系数矩阵；

ρ_L ^*＝QQ^T (4)

式(4)中，Q为下三角矩阵。再由G＝Q^-1L来消除随机排列造成的相关性。再由G中元素的排列顺序获得顺序矩阵Ls，Ls的每一行由1～N₂的数字排列构成，代表了样本矩阵G中对应行的元素按照大小关系所处的位置。将初始样本矩阵S₀根据顺序矩阵Ls进行排序,得到相关性的样本矩阵S₁。根据上述步骤，可得到具有相关性的风速、光照强度和需求负荷的采样值矩阵S，再将矩阵中的随机量转化为风电和光伏的出力值。

步骤S2中以蒙特卡洛模拟得到具有不确定性的电动汽车充电负荷样本的具体步骤如下：

S21、得到电动汽车日行驶里程数d、开始充电时间T、充电时间长度t_c、充电方式，其中将电动汽车充电方式划分为3种类型：常规充电、半快速充电与快速充电。根据充电时间长度得到第i辆电动汽车的日充电负荷为p_i(i＝1,2,…,N₁)，利用蒙特卡洛模拟方法重复计算单辆电动汽车的充电负荷N₁次，收敛条件为电动汽车数量，则N₁台电动汽车的充电负荷为：

在得到电动汽车充电负荷，风电、光伏分布式电源机组出力值、需求负荷间具有相关性的样本之后，根据步骤S3生产配电网选址定容规划典型运行场景：

S31、将N₂个风力、光伏出力值和需求负荷相关性样本与蒙特卡洛模拟得到的N₁个采样值正交得N＝N₁×N₂个含电动汽车的运行场景ξ_s。

S32、根据聚类有效性指标DB选择最佳聚类数目k。

S33、利用K-means场景聚类方法，得到k个典型运行场景。

步骤S4中根据所生成的场景，利用机会约束规划方法的具体含义如下：

S41、以年投资成本C最小为DG选址定容目标，DG为分布式电源，年投资成本包括初期投资成本C_g，年运行维护费C_m以及向上级购电费用C_b；初期投资成本C_g包括DG建设与占地费用等，数学表达式为：

式(7)中，r为折现率，y为使用年限，n₁、n₂为安装风机和光伏分布式电源的节点数目；P_r(s)为场景s的概率，

表示第s个场景中第i个节点中风机与光伏分布式电源单位容量初期投资成本，

与

分别表示安装在第s个场景中第i个节点中的风机与光伏分布式电源的额定容量；年运行维护费包括DG和充电站的维护费用，具体表示的数学表达式为：

式(8)中，C_ow、C_ov表示风机与光伏分布式电源分别的单位年发电量的维护费用，

代表第s个场景中第i个节点中风机与光伏分布式电源的年发电量；向上级购电费用表达式为：

C_b＝ρE_d (9)

式(9)中，ρ为向上级的单位购电成本；E_d为配电网向上级的购电量，其表达式为：

式(10)中，P_s ^LD表示第s个场景的需求负荷值；P_s ^EV表示第s个场景的电动汽车充电负荷值；

分别表示第s个场景中第i个节点中风机与光伏分布式电源的出力值。

约束条件包括配电网系统运行的潮流约束、节点电压约束、之路电流约束、DG容量约束、和DG安装数量约束；潮流约束为：

式(11)-式(12)中，s为场景数且s＝1,2,…,K；M为节点总数；P_i,s、Q_i,s分别为第s个场景节点i注入的有功功率和无功功率，n为配电网节点数；U_i,s、U_j,s分别为节点i和j的电压幅值，G_ij,s、B_ij,s、δ_ij,s为第s个场景的节点i和j之间的导纳和相角差；

DG容量约束为：

式(13)中，上式为节点最大安装容量约束，下式为DG总容量约束；

为节点i处安装的DG容量，S_i,max为第i个节点允许安装的DG的最大容量，

为配电网允许接入的总分布式电源容量；DG安装数量约束为：

式(14)中，

表示节点i规划的风机、光伏分布式电源数目，C_max表示DG规划的数目上限。

本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：

本发明能够将庞大的计及源荷相关性及电动汽车充电负荷不确定性的运行场景通过场景聚类得到典型的运行场景，不影响精度且极大地提升了规划模型的运算速率。本发明可以根据实际的城市电动汽车充电方式所占比例得到充电负荷情景，使规划的年投资成本更具准确性。本发明考虑了WTG、PVG出力与需求负荷之间的相关性，能够优化模型得到的选址定容结果，得到更有效的年投资成本，避免投资的保守性，并提升选址定容方案的经济性。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

图1为计及源荷相关性含电动汽车的分布式电源选址定容方法流程图；

图2为聚类有效性指标；

图3为改进的粒子群算法流程图；

图4为IEEE 33节点网络结构图；

图5为电动汽车在2种不同情景下的充电负荷。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。

可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

如图1所示，计及源荷相关性含电动汽车的分布式电源选址定容方法具体实施方式含4个步骤，分别为：

S1、通过拉丁超立方抽样对数学模型进行采样，再将Cholesky分解和Nataf变换相结合，对采样样本进行重新排序，得到具有空间相关性的风速、光照强度与需求负荷的联合样本；

S2、基于蒙特卡洛模拟得到随机性的电动汽车充电负荷；

S3、将电动汽车充电负荷与风光荷联合样本正交生成运行场景，通过K-means场景聚类方法对运行场景进行聚类，得到典型运行场景；

S4、利用机会约束规划方法结合典型运行场景建立配电网规划模型，通过改进的粒子群算法对配电网规划模型求解，得到最优规划方案。

步骤S1中所述通过拉丁超立方抽样对数学模型进行采样，再将Cholesky分解和Nataf变换相结合，对采样样本进行重新排序的步骤如下：

S11、利用拉丁超立方抽样方法对风速、光照强度及需求负荷进行采样：

设样本采样规模为N₁，随机变量的个数为m，Y_m＝F_m(X_m)为随机变量X_m的概率密度函数。将m维的每一维[0,1]区间划分为不重叠的N₂个区间，每个区间的概率均为1/N₂；在上述N₂个区间中，每个区间随机地抽取一个点y_i(i＝1，2，…，N₂)，利用反变换

得到采样值x_mi，

为F_m的反变换。当m维随机变量的采样完成后，即得到一个每一列为一个采样值的m×N₂维的初始样本矩阵S₀。

S12、采用Nataf变换与Cholesky分解将采样得到随机变量进行排序：

随机生成m×N₁阶的顺序矩阵L，L的每一行由整数1，2，…，N₁随机排列组成，计算L的秩相关系数矩阵ρ_L；

式(1)中，ρ_ij为随机变量X_i与X_j之间的相关系数，i＝1，2，…，m。通过Nataf变换将相关系数矩阵ρ_L中的非对角元素ρ_ij变换为

为相关系数ρ_ij经过变换后所对应位置的元素；

式(2)-式(3)中，ψ为变换后相关标准正态分布的累计概率密度函数；y_i、y_j为抽取的采样点；

为抽样点矩阵y的转置矩阵y^T中y_i对应的值；μ_i、μ_j表示对应随机变量的原非正态分布的均值；σ_i、σ_j表示对应随机变量的原非正态分布的标准差；

表示相关标准正态分布的联合概率密度；然后对相关系数矩阵ρ_L ^*进行Cholesky分解，ρ_L ^*为秩相关系数ρ_L通过Nataf变换后得到的相关系数矩阵；

ρ_L ^*＝QQ^T (4)

式(4)中，Q为下三角矩阵。再由G＝Q^-1L来消除随机排列造成的相关性。再由G中元素的排列顺序获得顺序矩阵Ls，Ls的每一行由1～N₂的数字排列构成，代表了样本矩阵G中对应行的元素按照大小关系所处的位置。将初始样本矩阵S₀根据顺序矩阵Ls进行排序,得到相关性的样本矩阵S₁。根据上述步骤，可得到具有相关性的风速、光照强度和需求负荷的采样值矩阵S，再将矩阵中的随机量转化为风电和光伏的出力值：

式(15)-式(16)中，P_r ^WG为风机额定功率，MW；v_in、v_r、v_out分别为切入风速、额定风速、切出风速，m/s；P_r ^PV为光伏的额定出力，S_r为额定光照强度。

步骤S2中以蒙特卡洛模拟得到具有不确定性的电动汽车充电负荷样本的具体步骤如下：

S21、确定电动汽车的数量N₂、充电方式的比率及功率，根据日行驶里程概率密度函数，随机产生电动汽车日行驶里程数d：

式(17)中，σ_d，μ_d分别表示用户日行驶里程的标准差与分布均值。再根据最后出行结束时间概率密度函数，随机产生电动汽车开始充电时间T：

式(18)中，σ_T，μ_T分别表示用户最后一次出现结束时间的标准差与分布均值。再根据电动汽车需求充电量、充电效率、额定充电功率和第2步所得到的日行驶里程，计算得到充电时间长度t_c：

式(19)中，E为电动汽车需求充电量，P_EV为额定充电功率，η为电池充电效率，W_EV为额定能耗水平。得到电动汽车日行驶里程数d、开始充电时间T、充电时间长度t_c、充电方式，其中将电动汽车充电方式划分为3种类型：常规充电、半快速充电与快速充电。根据充电时间长度得到第i辆电动汽车的日充电负荷为p_i(i＝1,2,…,N₁)，根据充电时间长度得到第i辆电动汽车的日充电负荷为p_i(i＝1,2,…,N₁)。利用蒙特卡洛模拟方法重复计算单辆电动汽车的充电负荷N₁次，收敛条件为电动汽车数量，则N₁台电动汽车的充电负荷为：

在得到电动汽车充电负荷，风电、光伏分布式电源机组出力值、需求负荷间具有相关性的样本之后，根据步骤S3生产配电网选址定容规划典型运行场景：具体而言，步骤3中得到分布式电源选址定容规划的典型运行场景的步骤如下：

S31、将N₂个风力、光伏出力值和需求负荷相关性样本与蒙特卡洛模拟得到的N₁个采样值正交得N＝N₁×N₂个含电动汽车的运行场景ξ_s。

S32、根据聚类有效性指标DB选择最佳聚类数目k：

式(6)中，K是聚类数目，W_i表示类C_i中的所有样本到其聚类中心的平均距离，W_j表示类C_i中的所有样本到类C_j中心的平均距离，C_ij表示类C_i和C_j中心之间的距离。DB越小表示类与类之间的相似度越低，从而对应越好的聚类结果。由图2所示，当典型运行场景数大于35时，DB值已经达到较小水平，选取k＝45为聚类中心点数，第k个典型运行场景对应的概率为P_r(k)，k＝1,2,…,45。

S33、利用K-means场景聚类方法，得到k个典型运行场景

步骤S4中根据所生成的场景，利用机会约束规划方法的具体含义如下：

S41、以年投资成本C最小为DG选址定容目标，DG为分布式电源，年投资成本包括初期投资成本C_g，年运行维护费C_m以及向上级购电费用C_b；初期投资成本C_g包括DG建设与占地费用等，数学表达式为：

式(7)中，r为折现率，y为使用年限，n₁、n₂为安装风机和光伏分布式电源的节点数目；P_r(s)为场景s的概率，

表示第s个场景中第i个节点中风机与光伏分布式电源单位容量初期投资成本，

与

分别表示安装在第s个场景中第i个节点中的风机与光伏分布式电源的额定容量；年运行维护费包括DG和充电站的维护费用，具体表示的数学表达式为：

式(8)中，C_ow、C_ov表示风机与光伏分布式电源分别的单位年发电量的维护费用，

代表第s个场景中第i个节点中风机与光伏分布式电源的年发电量；向上级购电费用表达式为：

C_b＝ρE_d (9)

式(9)中，ρ为向上级的单位购电成本；E_d为配电网向上级的购电量，其表达式为：

式(10)中，P_s ^LD表示第s个场景的需求负荷值；P_s ^EV表示第s个场景的电动汽车充电负荷值；

分别表示第s个场景中第i个节点中风机与光伏分布式电源的出力值。

约束条件包括配电网系统运行的潮流约束、节点电压约束、之路电流约束、DG容量约束、和DG安装数量约束；潮流约束为：

式(11)-式(12)中，s为场景数且s＝1,2,…,K；M为节点总数；P_i,s、Q_i,s分别为第s个场景节点i注入的有功功率和无功功率，n为配电网节点数；U_i,s、U_j,s分别为节点i和j的电压幅值，G_ij,s、B_ij,s、δ_ij,s为第s个场景的节点i和j之间的导纳和相角差；

DG容量约束为：

式(13)中，上式为节点最大安装容量约束，下式为DG总容量约束；

为节点i处安装的DG容量，S_i,max为第i个节点允许安装的DG的最大容量，

为配电网允许接入的总分布式电源容量；DG安装数量约束为：

式(14)中，

表示节点i规划的风机、光伏分布式电源数目，C_max表示DG规划的数目上限。

步骤S5中所述改进的粒子群算法步骤如图3所示的流程图所示。

采用典型IEEE33算例模型对本发明进行验证，该算例网络结构如图4所示。配电网的节点1为平衡节点，系统首端电压为12.66kV，在不考虑不确定的情况下，系统总负荷为3715kW+2300kvar。设待规划节点为7、11、15、18、29、32，每个节点的分布式电源安装容量上限为300kW，单台的分布式电源额定容量为100kW。

设风速按照k＝2.32，c＝8.96的Weibull分布，切入风速为3m/s，切出风速为20m/s，额定风速为13m/s。光照强度服从α＝0.66和β＝1.82的beta分布，额定光照强度为500W/m²，最大光照强度为600W/m²；负荷服从均值为IEEE33算例中节点负荷设定值，标准差为均值的10％的正态分布。

设单位容量WTG的投资成本为1500美元/kW，运行维护费每单位发电量价格为0.03美元/(kW·h)；单位容量PVG的投资成本为1750美元/kW，运行维护费每单位发电量价格为0.04美元/(kW·h)；配电网向上级购电费为0.05美元/(kW·h)，设备使用年限为20年。

设蒙特卡洛模拟得到N₁＝96个电动汽车充电负荷，拉丁超立方采样规模为N₂＝500，随机变量m＝3(风速、光照强度、负荷需求)，其相关系数矩阵为：

不考虑相关性时，ρ为单位矩阵。取典型运行场景k＝45，设改进的粒子群算法最大迭代数为500，种群规模为50，节点电压的允许范围为[0.9,1.1]，支路电流最大电流为1.2kA,节点电压与支路电流的置信水平为0.95。

设电动汽车数量为1000。根据充电功率的大小，本文将电动汽车充电方式划分为3种类型：常规充电、半快速充电与快速充电。在2种类型的情景下进行验证即：情景1为大多数电动汽车选择半快速充电与快速充电，情景2为多数电动汽车选择常规充电。2种情景下3种充电方式的比率与充电功率P_EV取值范围设定值如表1所示。

表1电动汽车充电功率表

设电池充电效率η＝0.8，额定能耗水平W_EV＝12.5kW；电动汽车用户日行驶里程d服从μ_d＝12.94，σ_d＝3.44的对数正态分布，用户最后一次出行结束时间T服从μ_T＝47.92，σ_T＝5.22的正态分布。两种情景下得到的电动汽车充电负荷曲线如图5所示。

根据设置的模型与算法，在考虑相关性的情况下，在如表1所示的2种电动汽车不同充电方式比率的情景下，得到最优规划方案如表2所示。

表2电动汽车不同充电方式DG最优规划方案

考虑风电出力、光伏出力与负荷需求之间相关性与不考虑相关性的规划方案如表3所示。

表3考虑相关性的DG最优规划方案

注：括号内的数字代表该节点安装的DG台数。

本发明的实例中，将庞大的计及源荷相关性及电动汽车充电负荷不确定性的运行场景通过场景聚类得到典型的运行场景，在不影响精度的情况下，极大地提升了规划模型的运算速率。本发明的规划模型中，可以根据实际情况选择不同的充电方式所占比例，得到更有效的规划投资成本；同时通过用户行为方式的随机性模拟了实际的电动汽车充电负致的不确定性，提高了规划模型的准确性。考虑与不考虑WTG、PVG出力与需求负荷之间的相关性将会因不同的典型运行场景得到不同的最优规划方案和年投资成本，风速和负荷之间呈负相关性，光照强度与负荷之间呈正相关性，光照强度与风速之间呈负相关性，它们之间的相关性影响了选址定容结果。不同的运行场景也同样导致了年投资成本的差异，考虑相关性时年投资成本C更低，若不考虑相关性，将影响规划方案的经济性。

本发明将电动汽车充电负荷作为一种随机性的负荷参与配电网规划，给出了优化的风力分布式电源与光伏分布式电源选址规划模型。通过拉丁超立方抽样与Cholesky分解和Nataf变换相结合，得到了具有相关性的风速、光照强度与需求负荷样本。基于蒙特卡洛模拟得到随机性的电动汽车充电负荷，与考虑不确定因素的风电、光伏出力与负荷需求相结合，通过场景聚类得到典型运行场景。根据实际情况，提倡电动汽车用户选择适合的充电方式降低电网负荷；考虑风力、光伏与负荷之间的相关性，规划方案将更具有经济性和指导意义。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.计及源荷相关性含电动汽车的分布式电源选址定容方法，其特征在于，所述方法包括：

S1、通过拉丁超立方抽样对风速、光照强度和需求负荷数学模型进行采样获得采样样本，将Cholesky分解与Nataf变换相结合，对采样样本进行重新排序，获得联合样本，联合样本中配电网同一节点位置处，该位置处的风速、光照强度和需求负荷具有空间相关性；

S2、基于蒙特卡洛模拟得到随机性的电动汽车充电负荷；

S3、将电动汽车充电负荷与联合样本进行正交生成运行场景，通过K-means场景聚类方法对运行场景进行聚类，得到典型运行场景；

S4、利用机会约束规划方法结合典型运行场景建立配电网规划模型，通过改进的粒子群算法对配电网规划模型求解，得到最优规划方案；

通过拉丁超立方抽样对风速、光照强度和需求负荷数学模型进行采样，具体包括：

设样本采样规模为N₁，随机变量的个数为m，Y_m＝F_m(X_m)为随机变量X_m的概率密度函数；将m维的每一维[0,1]区间划分为不重叠的N₁个区间，每个区间的概率均为1/N₁；在上述N₁个区间中，每个区间随机地抽取一个点y_i(i＝1，2，…，N₂)，利用反变换

得到采样值x_mi，

为F_m的反变换；当m维随机变量的采样完成后，即得到一个每一列为一个采样值的m×N₂维的初始样本矩阵S₀；

所述将Cholesky分解与Nataf变换相结合，对采样样本进行重新排序，获得联合样本，具体包括：

随机生成m×N₁阶的顺序矩阵L，L的每一行由整数1，2，…，N₁随机排列组成，计算L的秩相关系数矩阵ρ_L；

式(1)中，ρ_ij为随机变量X_i与X_j之间的相关系数，i＝1，2，…，m，通过Nataf变换将相关系数矩阵ρ_L中的非对角元素ρ_ij变换为

为相关系数ρ_ij经过变换后所对应位置的元素；

式(2)-式(3)中，ψ为变换后相关标准正态分布的累计概率密度函数，

为抽样点矩阵y的转置矩阵yT中yi对应的值；μi、μj表示对应随机变量的原非正态分布的均值；σi、σj表示对应随机变量的原非正态分布的标准差；

表示相关标准正态分布的联合概率密度；然后对相关系数矩阵ρ_L ^*进行Cholesky分解，ρ_L ^*为秩相关系数ρ_L通过Nataf变换后得到的相关系数矩阵；

ρ_L ^*＝QQ^T (4)

式(4)中，Q为下三角矩阵，Q^T为Q的转置矩阵；由G＝Q^-1L来消除随机排列造成的相关性；由G中元素的排列顺序获得顺序矩阵Ls，Ls的每一行由1，2，…，N₁的数字排列构成，代表了样本矩阵G中对应行的元素按照大小关系所处的位置；将初始样本矩阵S₀根据顺序矩阵Ls进行排序，得到相关性的样本矩阵S₁；根据上述步骤，得到采样值矩阵S，矩阵S中的风速、光照强度和需求负荷具有空间相关性，将矩阵S中的随机量转化为风电和光伏的出力值。

2.根据权利要求1所述的计及源荷相关性含电动汽车的分布式电源选址定容方法，其特征在于，随机性的电动汽车充电负荷采用以下方式获得：由用户行为导致的日出行距离d、开始充电时间的不确定性T、不同充电类型，根据蒙特卡洛模拟得到随机的第i辆电动汽车日充电负荷p_i，并重复计算电动汽车数量N₂次，收敛条件为电动汽车数量：

3.根据权利要求2所述的计及源荷相关性含电动汽车的分布式电源选址定容方法，其特征在于，电动汽车充电方式划分为3种类型：常规充电、半快速充电与快速充电。

4.根据权利要求1所述的计及源荷相关性含电动汽车的分布式电源选址定容方法，其特征在于，通过K-means场景聚类方法对运行场景进行聚类，得到典型运行场景，具体为：将N₁个风力、光伏出力值和需求负荷相关性样本与蒙特卡洛模拟得到的N₁个采样值正交得N＝N₁×N₂个含电动汽车的运行场景ξ_s。

5.根据权利要求4所述的计及源荷相关性含电动汽车的分布式电源选址定容方法，其特征在于，通过K-means场景聚类方法得到典型运行场景，具体为：根据聚类有效性指标DB选择最佳聚类数目k，使用K-means场景聚类方法得到k个典型运行场景：

式(6)中K是聚类数目，W_i表示类C_i中的所有样本到其聚类中心的平均距离，W_j表示类C_i中的所有样本到类C_j中心的平均距离，C_ij表示类C_i和C_j中心之间的距离。

6.根据权利要求1所述的计及源荷相关性含电动汽车的分布式电源选址定容方法，其特征在于，利用机会约束规划方法结合典型运行场景建立配电网规划模型，具体包括：

以年投资成本C最小为DG选址定容目标，DG为分布式电源，年投资成本包括初期投资成本C_g，年运行维护费C_m以及向上级购电费用C_b；初期投资成本C_g包括DG建设与占地费用，数学表达式为：

式(7)中，r为折现率，y为使用年限，n₁、n₂为安装风机和光伏分布式电源的节点数目；P_r(s)为场景s的概率，

表示第s个场景中第i个节点中风机与光伏分布式电源单位容量初期投资成本，

与

分别表示安装在第s个场景中第i个节点中的风机与光伏分布式电源的额定容量；年运行维护费包括DG和充电站的维护费用，具体表示的数学表达式为：

式(8)中，C_ow、C_ov分别表示风机与光伏分布式电源的单位年发电量的维护费用，

代表第s个场景中第i个节点中风机与光伏分布式电源的年发电量；向上级购电费用表达式为：

C_b＝ρE_d(9)

式(9)中，ρ为向上级的单位购电成本；E_d为配电网向上级的购电量，其表达式为：

式(10)中，P_s ^LD表示第s个场景的需求负荷值；P_s ^EV表示第s个场景的电动汽车充电负荷值；

分别表示第s个场景中第i个节点中风机与光伏分布式电源的出力值。

7.根据权利要求6所述的计及源荷相关性含电动汽车的分布式电源选址定容方法，其特征在于，约束条件包括配电网系统运行的潮流约束、节点电压约束、支 路电流约束、DG容量约束、和DG安装数量约束；潮流约束为：

式(11)-式(12)中，s为场景数且s＝1,2,…,K；M为节点总数；P_i,s、Q_i,s分别为第s个场景节点i注入的有功功率和无功功率，n为配电网节点数；U_i,s、U_j,s分别为节点i和j的电压幅值，G_ij,s、B_ij,s、δ_ij,s为第s个场景的节点i和j之间的导纳和相角差；

DG容量约束为：

式(13)中，上式为节点最大安装容量约束，下式为DG总容量约束；

为节点i处安装的DG容量，S_i,max为第i个节点允许安装的DG的最大容量，

为配电网允许接入的总分布式电源容量；DG安装数量约束为：

式(14)中，

表示节点i规划的风机、光伏分布式电源数目，C_max表示DG规划的数目上限。

Images