1.一种基于充电引导的城际高速路网光储充电站定容规划方法，其特征在于，包括以下步骤：A模型描述与假设

由于规划配置光储充电站内充电基础设施时受到的影响因素较多，为了更加全面地描述相应的约束因素，在不影响目标函数计算的前提下，做出如下假设：A1由于城际高速路网上每间隔50～60km均设有服务区，为用户提供餐饮、停车休息等服务，为了减少光储充电站的占地建设成本，假定光储充电站均建设在服务区内；

A2基于在高速路上车辆单向行驶的特点，2个方向的车流辆互不影响，因此研究对象仅为行驶在高速路上的单侧车辆、单侧的光储充电站；

A3由于充电引导系统的通用性与便捷性，EV用户普遍接受其做出的充电引导决策；

A4暂不考虑EV启停时的电量损失，根据传感器上传的数据信息，取最近2个时段内的平均速度作为相应EV行驶至光储充电站的速度；

A5EV预约充电后，相应光储充电站为EV预留充电机位，且以恒功率对EV进行充电；

B光储充电站内电动汽车排队等待时间

基于城际高速路网充电引导系统，EV实时上传荷电状态、累计行程、目的地等出行信息，在T时刻EV的荷电状态达到阈值时，引导系统为规避EV电池深度放电，延长其使用寿命，将根据行程中光储充电站的充电机数和充电计划为EV做出充电决策，选择排队等待时间较少的光储充电站预约充电机位，相应光储充电站等待其进站充电；

第i辆EV于初始时刻Ti0出行时，其最大行驶里程由最佳行驶里程和续航里程表示，计算公式分别如式(1)、式(2)和式(3)所示；

Si＝BE_Si+MA_Si       (1)

其中：Si为第i辆车初始出行时的最大行驶里程即累计行程；BE_Si、 分别为第i辆车初始出行时的最佳行驶里程、荷电状态；α为第i辆车荷电状态的阈值，0<α<1；Pi为第i辆车的百公里耗电量；Bi为第i辆车的电池容量；MA_Si为第i辆车初始出行时的续航里程；

T时刻第i辆车在光储充电站j'内的累计逗留时间 累计行程Si分别如式(4)和式(5)所示：

其中：J为城际高速路网内光储充电站的序号；K为引导系统累计服务车辆i的充电次数；xij'为充电标志变量，当第i辆车前往第j'个光储充电站充电时，xij'为1，否则为0； 为车辆i在第k次完成充电行为后的离站时间， 为相应EV的进站时间；Vi为第i辆车的行驶速度；

充电引导系统经由分析处理平台层云计算得到第i辆车在其续航里程下可供选择的光储充电站j、行驶时间Δti,j分别如式(6)和式(7)所示；

Si≤Lj≤Si+MA_Si       (6)

其中：Lj为光储充电站距车辆i出行起点的距离；

Δti,j时间内，光储充电站j内充电计划由两部分组成：T时刻前发出充电需求并且到达光储充电站j尚未完成充电行为的EV，以及T+Δti,j时刻前发出充电需求且到达光储充电站j的EV，基于排队理论，可得第i辆车的等待时间WA_Ti,j如式(8)所示；

其中：Mj为预约在光储充电站j内充电的车辆数；mj为光储充电站j内充电机台数；

ti'j,FirLea为第i辆车到达光储充电站j时，站内最先离去的车辆i’的离站时间；ti'j,CalLea为第i辆车到达光储充电站j时，站内第Mj-mj+1辆离站车辆i’的离站时间；

C光储充电站内功率平衡关系

光储充电站的电能来源于光伏发电和电网供电，光伏所产生的电能主要用于辅助发电；由于光伏出力具有一定的规律性和不确定性，光储充电站内的功率平衡关系如下所示：当光储充电站内光伏出力不能满足站内EV功率需求时，由电网和储能设备补充电能，此时：其中：M为充电站全天的运行时段数，Δtm为第m时段的时长,PPV,m为第m时段光伏出力的平均功率，PBI,m为第m时段储能设备放电的平均功率，PG,m为第m时段电网供电的平均功率,PEV,m为第m时段站内EV负荷的平均功率；

当光储充电站内光伏出力大于站内功率需求时，余电上网，此时：其中：P′BI,m为第m时段储能设备充电的平均功率，P′G,m为第m时段光伏上网的平均功率；

D光储充电站内设备利用率

利用充电引导系统，第i辆车选择光储充电站j充电，其到站j时荷电状态 如式(11)所示；

其中：t＝T+Δti,j，为车辆i到达光储充电站j的时刻， 为T时刻车辆i的荷电状态；

由于EV在城际间高速路网上的光储充电站充电时，车主出于节约出行时间考虑，充电电量能够完成剩余行程或是前往行程中的下几个充电站即可，由此，车辆i充电电量ΔBi,j如式(12)所示；

其中：β为EV充电后的荷电状态，

为了统一比较城际高速路网上光储充电站内充电设施使用情况，衡量充电设施的服务强度，定义光储充电站内充电设施的设备利用率为相应设备的服务时间与全天时间的比值，如式(13)所示；

其中：N为充电站j全天服务的EV数，PEV为充电机的充电功率；

E基于充电引导的光储充电站建模

E1光储充电站定容规划的目标函数

在满足用户出行便捷性需求，为确保光储充电站经济运行，本着优先消纳光伏、减少峰时段向电网购电费用的原则，提出如下的运行策略：谷时电价时段，一般没有光伏出力，电网为EV和储能设备提供电能；平时电价时段，当光伏出力大于EV负荷需求时，剩余电能用于储能，否则，由电网补充所需的电能；峰时电价时段，当光伏出力大于EV负荷需求时，剩余电能用于储能，否则，由储能设备补充所需的电能，若是储能设备容量不足，再由配网供给电能；

基于上述优化目标和运行策略，以各光储充电站内充电基础设施的日均寿命周期成本最小制定定容方案的目标函数为：其中：Cj、Nj分别为光储充电站j内充电机的购置成本、使用年限；CPV,j、CBI,j、CG,j、CRES,j分别为光储充电站j内光伏设备、储能设备在其寿命周期内购置费用、购电费用以及设备运行维护费用折算后的日均成本，CPV’,j为光伏上网电量的日均补偿费用；

E2光储充电站定容规划的约束

E2.1充电机的数量约束

一方面由于光储充电站占地面积、投资成本有限，因而站j内充电机的数量存在上下限：同时为了避免光储充电站内充电机配置过多造成的充电资源闲置或是充电设施不足引发站内拥堵现象，光储充电站内充电机的设备利用率存在下限：另一方面，由式(8)可知，光储充电站内充电机的数量影响EV用户的站内排队等待时间，为了缓解用户焦虑心理，方便用户出行，用户排队等待时间存在上限：E2.2光储设备功率约束

由于光伏出力受到光储充电站内典型日光照强度、光伏容量等因素的影响，因此，光伏出力存在上限：此外，光储充电站内储能设备充放电功率受储能设备容量的影响存在上下限：λBI,m·λ′BI,m＝0         (21)

λBI,m,λ′BI,m∈{0,1}        (22)其中：λBI,m、λ′BI,m为0、1变量，表示储能设备在任意优化时段内充电、放电状态唯一；

E3定容规划策略求解

采用自适应变异粒子群优化算法对该问题进行求解；该算法根据在粒子进化过程中整体的进化度和个体进化度来确定当前最佳粒子的变异因子，调节每个粒子的惯性权值，从而实现每个粒子进化速度和位置的自适应调节，粒子进入邻近区域后继续搜索，用以确定新的个体极值和全局极值；

基于自适应变异粒子群优化算法配置光储充电站时，以式(14)为目标函数，求解符合约束条件的充电机数量粒子、光伏容量粒子以及储能设备容量粒子，具体步骤、流程如下所示；

1)输入城际高速路网信息、光储充电站序号、地理位置信息，以及EV的数量；

2)初始化粒子群，模拟生成EV的出行参数，采用引导充电方式，当EV荷电状态到达阈值时，城际高速路网充电引导系统做出充电决策，引导相应EV进站充电；

3)令最大迭代次数为S，当前迭代次数s＝0；计算初始化粒子群的个体最优解和全局最优解；

4)令最大粒子数为Z，当前粒子数z＝0，更新粒子的速度和位置；

5)检验粒子是否满足约束条件，若满足，则计算当前粒子的适应度函数值；若不满足，则令该粒子的适应度值为无限大；

6)检验当前适应度函数值是否优于当前个体极值和群体极值，若满足，则更新个体最优解和全局最优解；否则转至步骤(7)；

7)令z＝z+1，检验粒子数z是否等于最大粒子数Z，若满足，则继续至步骤(8)；否则，返回至步骤(5)；

8)令s＝s+1，检验当前迭代次数s是否等于最大迭代次数S，若满足，则全局最优解即为光储充电站最优定容方案，求解结束；否则转至步骤(9)；

9)计算当前粒子群的群体适应度方差和全局最优解的变异概率，根据随机数决定是否变异，采用增加随机扰动的方法，对全局最优解进行变异操作，然后转至步骤(4)。