1.一种计及电动汽车充电负荷影响的分布式电源规划方法，其特征在于，所述方法包括如下步骤：

步骤1、建立分布式电源和负荷的数学模型；分布式电源的数学模型考虑风电和光伏随机性，包括风电出力随机模型和光伏出力随机模型；负荷的数学模型包括普通负荷随机模型和电动汽车充电负荷随机模型；

步骤2、根据分布式电源和负荷的特性，使用状态持续时间抽样技术对风速、光照强度、需求负荷进行采样；

步骤3、使用层次聚类法对风电出力、光伏出力、普通负荷需求功率、电动汽车充电负荷值进行场景聚类和缩减；

步骤4、根据分布式电源渗透率的定义，确定计及电动汽车的电源渗透率IEVP，将具有不确定性的电动汽车负荷看做是可从电网吸收功率的电源；

步骤5、以网损、无功损耗、线路负载指数和电压偏差作为评价系统网络性能的指标，将四个指标加权再相加得到系统网络综合性能指标；

步骤6、以所述系统网络综合性能指标最小和所述IEVP最大为目标函数，构建多目标分布式电源规划模型；

步骤7、对两个目标函数构建模糊隶属度函数，转化为单目标问题，以总体满意度表征优化结果；

步骤8、采用自适应权重粒子群算法与内点法结合的混合搜索策略求解所述单目标问题，得到该配电网规划的最优解；

其中，所述风电出力随机模型包括：采用韦伯分布模型，风机出力与风速的函数关系为：其中，PWT为风机出力，PS为风机额定功率，v为风速，vin、vs、vout分别为切入风速、额定风速、切出风速；

风速概率密度函数为：

其中，k，c为韦伯形状参数和尺度；

所述光伏出力随机模型包括：

光照分布采用Beta分布模型，输出功率与光照强度之间的关系为：其中，PPV为输出功率，G为实际光照强度，Pq为光伏的额定功率，Gq为额定光照强度；

光照强度概率密度函数为：

其中，Γ(*)表示伽马函数；Gmax为最大光照强度；α，β为Beta分布的形状参数；

所述普通负荷随机模型包括：

普通负荷满足正态分布，概率密度函数为：其中，Pl和Ql分别表示有功负荷与无功负荷；μP和σP分别为有功负荷的期望值与标准差；

μQ和σQ分别为无功负荷的期望值与标准差；

所述电动汽车充电负荷随机模型包括：电动汽车用户日行驶里程d近似服从对数正态分布，其概率密度函数及行驶期望值为：其中，f(d)为电动汽车用户日行驶里程d的概率密度函数，E(D)为行驶期望值；μd和σd为日行驶里程d的期望值与标准差；

开始充电时刻服从正态分布，其概率密度函数为：其中，x表示电动汽车开始充电时刻；f(x)为开始充电时刻的概率密度函数；μa和σa为开始充电时刻的期望值与标准差；

电动汽车充电时长服从正态分布，其概率密度函数为：其中，t表示电动汽车充电时长；f(t)为电动汽车充电时长的概率密度函数；μt和σt为充电时长的期望值与标准差；

所述状态持续时间抽样技术包括：按照时序特性，指定一个循环周期，对每一个状态进行计算，通过统计规律得到需要的指标数据，所述指标数据为：其中，n为循环次数；m为单个周期内采样值，xt为t时刻的状态变量；f(xt)为指标对状态变量的函数，为指标数据；

针对步骤1中的数学模型，所述状态变量为：其中，Rbeta(α，β)为符合参数为α，β的Beta随机数；RWeibull(k，c)为符合参数为k,c的韦伯随机数；Rnormal(μ，σ)为符合参数为μ，σ的正态分布随机数；PV为光伏出力，WG为风电出力；

所述场景聚类包括:

使用层次聚类法对生成的场景进行聚类，聚类中心所包含的场景发生的概率即为典型性场景数据，评价指标为类与新类之间的距离，使用肘部法则确定聚合系数，找到最佳聚类个数，公式如下：

其中，J为聚合系数，K为聚类个数，Ck表示第k个类，uk表示该类的重心位置，xi为第i个样本位置；

所述IEVP为：

其中，ηs为IEVP；η为分布式电源渗透率；ηEV为电动汽车负荷渗透率；αi、βi为0‑1决策变量，该节点存在分布式电源或电动汽车为1，否则为0；PDGi为第i个分布式电源的装机容量，PEVi为该节点电动汽车充电功率；PLmax为系统最大负荷，n为系统节点数量；

所述对两个目标函数构建模糊隶属度函数，转化为单目标问题，包括：对两个目标函数构造相对应的模糊隶属度函数，用于表达每个目标函数达到最优的程度，隶属度的值越趋近于1，表示该目标函数越趋近于最优，所述模糊隶属度函数如下式：对所述两个目标函数的模糊隶属度函数求最小值，使他们的最小值最大化，得到总体满意度：maxρ＝min{ρ1，ρ2}；

其中，i＝1,2；ρi为第i个目标函数对应的模糊隶属度；fi为第i个子目标的值，fimax为第i个目标函数上限值；fibest为第i个目标函数单独优化的最佳值；

其中，所述采用自适应权重粒子群算法与内点法结合的混合搜索策略求解所述单目标问题，得到该配电网规划的最优解，包括：由自适应权重粒子群算法进行迭代，记录每次迭代个体值和最优值；

将个体值作为内点法的初值进行求解，得到该初值对应的精确最优解；

记录所有迭代的解，取出最小值和对应的个体值，从而求出该配电网规划的最优解。

2.根据权利要求1所述的方法，其特征在于，所述网损指数为：

其中，RPloss为网损指数；PDGloss为有分布式电源和电动汽车潮流计算线路上损耗功率；

Ploss为没有分布式电源和电动汽车潮流计算线路上损耗功率；

所述无功损耗指数为：

其中，RQloss为无功损耗指数；QDGloss为有分布式电源和电动汽车潮流计算线路上损耗的无功功率；Qloss为没有分布式电源和电动汽车潮流计算线路上损耗的无功功率；

所述线路负载指数为：

其中，RL为线路负载指数；N为线路条数；PLi为该条线路负载；PSi为该条线路容量；

所述电压偏差指数为：

其中，RV为电压偏差指数；V1为变电站节点电压；Vi为第i节点电压偏差；

所述系统网络综合性能指标为：R＝ξ1RPloss+ξ2RQloss+ξ3RL+ξ4RV；

其中，ξ1，ξ2，ξ3，ξ4为各指标权重，由电网公司偏好决定。

3.根据权利要求2所述的方法，其特征在于，所述多目标分布式电源规划模型中的约束条件包括：系统运行潮流约束、电压偏差约束、线路负载约束、分布式电源渗透率约束和电动汽车充电负荷渗透率约束；

其中，所述系统运行潮流约束为：其中，k代表场景；i代表节点，Ui,k、Uj,k分别为第k个场景节点i和j的电压幅值，Pi,k、Qi,k分别为第k个场景第i个节点的有功功率和无功功率；n为节点总数；Gij,k、Bij,k、δij，k分别为第k个场景节点i与j之间的导纳和相角差；

所述电压偏差约束为：

|V1‑Vj|≤ΔVmax；

其中，Vj为第j节点电压偏差，ΔVmax为允许的最大电压偏差；

所述线路负载约束为：

PLi≤PSi；

所述分布式电源渗透率约束为：η≤ηmax；

其中，ηmax为分布式电源最大渗透率；

所述电动汽车充电负荷渗透率约束为：ηEV≤ηEVmax；

其中，ηEVmax为电动汽车充电负荷最大渗透率。