1.一种计及故障率影响含电动汽车的分布式电源选址定容方法，其特征在于：所述分布式电源包括风力发电机组和光伏发电机组，负荷包括用户负荷和电动汽车充电负荷，所述双层选址定容协调优化方法包括以下步骤：S1、建立分布式电源、用户负荷和电动汽车充电负荷的不确定性模型；

S11、风电出力不确定性模型风机出力PWT与风速v的函数关系为：式中：PS，WT为风机额定功率；vin为切入风速；vS为额定风速；vout为切出风速；

风速概率密度函数f(v)为：式中：k，c为威布尔形状参数和尺度；

S12、光伏出力不确定性模型光伏出力PPV与光照强度r的函数关系为：式中：sm为单位光伏阵列的面积；M为光伏阵列的总数；ηm为光伏阵列光电转换效率；

光伏阵列输出功率的概率密度函数为：式中：α，β为Beta分布的形状参数；Γ(*)为伽马函数；rmax为最大光照强度；

S13、用户负荷不确定性模型用户负荷的概率密度函数为：式中：Pl、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；

S14、电动汽车充电负荷不确定性模型电动汽车用户日行驶里程d服从对数正态分布，其概率密度函数f(d)及行驶期望值E(D)为：

式中：μd和σd为日行驶里程的期望值与标准差；

电动汽车开始充电时刻x服从正态分布，其概率密度函数f(x)为：式中：μa和σa为电动汽车开始充电时刻的期望值与标准差；

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

S2、建立元件时变故障模型，获得随时间变化的元件故障率、元件修复率、平均保障延误时间和元件失效率；

首先求出PV、WT、EVCS的单位光伏面板、风机和充电桩的故障率，然后再求出PV、WT和EVCS的整体故障率；

S21、元件故障率

在电力系统中，元件故障率的威布尔分布来表达式为：元件故障率的威布尔概率密度函数为：式中：λ(t)为元件故障率；γ为威布尔形状参数；θ为特征寿命；

S22、元件修复率

元件修复率由元件维修时间MTTR概率分布函数和元件维修时间概率密度函数决定，其中元件维修时间使用叠加指数分布来描述，元件维修时间概率分布函数G(t)和概率密度函数g(t)为：

式中：αr、βr为该指数的形状和尺寸参数；

则元件修复率μ(t)为：

式中：g(t)为元件维修时间概率密度函数；G(t)为元件维修时间概率分布函数；

S23、平均保障延误时间

平均保障延误时间MLDT通过产品稳态可用度获得，产品稳态可用度A和产品平均寿命MTBF为：

式中：ηr、δr为威布尔尺度和形状参数；

产品稳态可用度A简化表达为：式中：μ(t)为元件修复率；λ(t)为元件故障率；

其中，MTTR为元件维修时间；式(11)求期望得出，则由式(14)、(15)、(16)联立求得MLDT；

S4、元件失效率

元件失效率由元件故障概率密度函数f(t)和元件可靠性概率密度函数R(t)表示，其中元件可靠性概率密度函数R(t)为：式中：λA为可靠性常数；

元件失效率表示为：

S3、求解PV整体故障率、EVCS整体故障率和WT整体故障率；

S31、获得PV整体故障率用二项分布来表示光伏阵列的整体故障率，如下式：式中：k为正在运行的光伏面板数；M为光伏面板总数；λPV(t)为光伏面板故障率，由式(9)求得；

S32、获得EVCS整体故障率EVCS情况与光伏发电站情况相同，由同一型号的充电桩组成一个EVCS，每一个充电桩之间运行彼此独立，因此能用二项分布来表示EVCS整体故障率，如下式：式中：l为正在运行的EV充电桩数；N为EV充电桩总数；λEV(t)为光伏面板故障率，由式(9)求得；

S33、WT整体故障率

风电机组与上述两种情况不同，风电机组故障分为两种状态，即停运状态和降额状态。

在降额状态下运行时，风电的实际出力要乘以降额系数来表示；

使用Markov链分析该模型得风电机组的停运概率PS，WT和降额概率PD，WT为：式中：μD(t)为降额修复率；λS，WT(t)为停运转移率；λD，WT(t)为降额转移率；μs(t)为停运修复率；

则WT整体故障率和实际出力为：式中：U为[0,1]上的随机值；αD，WT为降额系数；

S34、系统运行风险满意度函数Rrisk能用下式表示：式中：rrisk表示系统运行风险指标；Pl，PV、Pl，WT、Pl，EV分别为PV、WT、EV充电桩的元件失效率；Pf，PV、Pf，WT、Pf，EV分别为PV、WT、EV充电桩的整体元件故障率；PRE，PV、PRE，WT、PRE，EV分别为PV、WT、EV充电桩的预期出力；ρ1、ρ2、ρ3分别为权重系数，满足ρ1+ρ2+ρ3＝1；PWT为WT实际出力；

tRE，PV、tRE，WT、tRE，EV分别为PV、WT、EV充电桩的平均维修时间；tDE，PV、tDE，WT、tDE，EV分别为PV、WT、EV充电桩的平均保障延误时间；

S5、系统综合性能指标包含系统网损指数、无功损耗指数、线路负载指数和电压偏差指数：

①系统网损指数RPloss：式中： 为有DG和EVCS潮流计算线路上损耗功率；Ploss为没有DG和EVCS潮流计算线路上损耗功率；

RPloss表明了DG和EVCS的渗透对于系统有功网损的影响，RPloss越小系统性能越好；

②无功损耗指数RQloss:式中： 为有DG和EVCS潮流计算线路上损耗的无功功率；Qloss为没有DG和EVCS潮流计算线路上损耗的无功功率；

表明了DG和EVCS的渗透对于系统无功网损的影响，RQloss越小系统性能越好；

③线路负载指数RL:

式中：RLi为第i条线路负载；PSi为第i条线路容量；

RL表明了所有线路中线路负载与容量比值的最大值，RL越小线路可用容量越大，系统性能越好；

④电压偏差指数RV：

式中：V1为变电站节点电压；Vi为第i节点电压偏差；

RV表明了节点与变电站电压偏差比值的最大值，RV越小表示电压偏差越小，系统性能越好；

加权后得到系统网络综合性能指标：式中：αr为收缩系数；取0.4，ξ1、ξ2、ξ3、ξ4为各指标权重，满足ξ1+ξ2+ξ3+ξ4＝1，R越大，系统性能越好；

S6、双层DG、EVCS协调规划模型S61、建立上层模型

S611、确定上层目标函数上层目标函数为步骤(4)中所述的系统运行风险满意度Rrisk最大；

S612、确定上层约束条件上层约束包含潮流约束和DG约束，S6121、潮流约束

①系统功率平衡约束

式中：Pis、Qis分别为第i个节点的有功和无功注入功率；Ui、Uj为节点i和节点j的电压幅值；Gij、Bij、δij分别为节点i与j之间的导纳和相角差；

②电压偏差约束

|V1‑Vj|≤ΔVmax        (31)式中：ΔVmax为允许的最大电压偏差；

③线路负载约束

PLi≤PSi         (32)式中：PSi为第i条线路的最大容量；

S6122、DG约束

①DG渗透率约束

ηDG≤ηDG，max        (33)式中：ηDG，max为DG最大渗透率；

②DG节点最大安装容量约束Pi，DG≤Pimax，DG            (34)式中：Pi，DG为第i节点DG安装总容量；Pimax，DG为第i节点DG最大安装容量；

S62、建立下层模型

S621、确定下层目标函数下层目标函数即步骤(5)中所述的系统综合性能最大，S622、确定下层约束条件下层约束包含潮流约束和EV约束；

S6221、潮流约束

潮流约束包含系统功率平衡约束、电压偏差约束、线路负载约束，与上层规划中所述的潮流约束一致；

S6222、EV约束

①EVCS渗透率约束

ηEV≤ηEV，max             (35)式中：ηEV，max为EVCS最大渗透率；

②DG就地消纳约束

EVCS的选址位置影响了DG消纳效果，EVCS选在DG位置的节点或附近的节点能促进DG的消纳，并对EV选址位置进行约束，如下：式中：α为0‑1决策变量，该节点存在DG或EVCS为1，否则为0；αi，DG，αij，EV分别为第i节点DG 0‑1决策变量和与它相邻节点的EVCS 0‑1决策变量；

S7、利用改进粒子群算法与内点法结合的混合搜索策略求解上述模型。

2.根据权利要求1所述的计及故障率影响含电动汽车的分布式电源选址定容方法，其特征在于：在所述S7中，利用粒子群算法的搜索能力产生逼向最优解的初值，将不断优化的初值带入内点法中求解，取迭代过程中的最小值作为该问题的最优解。

3.根据权利要求2所述的计及故障率影响含电动汽车的分布式电源选址定容方法，其特征在于：粒子群算法中固定权重为自适应权重，随着粒子适应度值改变而改变；固定学习因子改为同步收缩因子，收缩因子随迭代次数改变而改变。

4.根据权利要求2所述的计及故障率影响含电动汽车的分布式电源选址定容方法，其特征在于：所述混合搜索策略具体步骤如下：S1、获取节点配电网线路和节点信息，获取风机、光伏面板和EV充电桩的各项参数；

S2、设定上层算法初始参数，包括种群数量、维度、最大权重、最小权重、最大学习因子、最小学习因子和最大迭代次数T；初始化种群和粒子，每个粒子代表一种DG的待选位置和容量；

S3、进行潮流计算并求出上层粒子适应度和系统运行风险满意度函数，更新上层个体最优；

S4、将上层个体最优作为内点法初值进行计算，将结果作为上层全局最优；

S5、更新系统网络并进入下层模型；

S6、读取上层模型的系统网络，下层初始参数设置与上层基本一致，每个粒子代表EVCS的待选位置和容量；

S7、进行潮流计算并求出下层粒子适应度和系统综合指标，更新下层个体最优；

S8、将下层个体最优作为内点法初值进行计算，将结果作为下层全局最优；

S9、更新系统网络若达到最大迭代次数则输出结果，否则更新权重和学习因子返回S3。