1.考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，包括步骤：
步骤1、根据电动汽车历史数据，建立电动汽车负荷模型；
步骤2、建立充电体验指数，以充电体验指数、充电站建设成本和用户便捷性为充电站选址定容优化目标建立上层综合目标，并提出上层规划约束条件；
步骤3、提出计及空间权重的元-点加权Voronoi图进行服务范围分区；
步骤4、基于上层优化目标采用遗传禁忌混合算法建立上层规划流程；
步骤5、以新建馈线成本和配电网的运行风险为充电站负荷接入节点优化目标建立下层综合目标，并提出下层约束条件；
步骤6、基于下层综合目标采用循环替换法建立下层规划流程。
2.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，步骤1所述的根据电动汽车历史数据，建立电动汽车负荷模型包括以下步骤：
步骤1-1、采用电动汽车容量来描述区域内电动汽车的规模，所述电动汽车容量为区域内所有电动汽车额定充电功率的总和，包括处于充电状态和非充电状态的全部电动汽车；
将单位面积电动汽车容量定义为电动汽车容量密度；
步骤1-2、根据电动汽车电池实际充电过程，构建电动汽车恒流-恒压二阶段变功率充电模型：
电动汽车在充电过程中，采用一种恒流-恒压二阶段变功率充电模式，当电池端电压小于最大电池端电压Ubmax时，电池是以恒电流模式进行充电；当电池端电压达到最大电池端电压Ubmax时，电池进入恒压阶段，电流迅速衰减为零，充电功率为零；描述其充电过程的方程为：
式中，Ub(t)为t时刻电池两端的电压，ic为充电时的电流，C0是电池的标称容量，R为电池内阻，K0是电池的极化常数，E0是电池的恒定电势，A0和B0分别为电池充电指数段的乘积系数和指数系数，SOC(t0)代表电池在开始充电时的剩余电量，h(t)为t时刻电池的可充电容量，即已放电容量；
在恒流充电过程中，电流i为常数，电动汽车的充电功率表示为：
P(t)＝Ub(t)In                        (2)
式中，In为恒流充电模式下的充电电流，P(t)为t时刻的充电功率；
步骤1-3、根据电动汽车历史出行数据，构建电动汽车充电负荷时序概率模型：
电动汽车的充电负荷模拟须根据电动汽车的类型来选择各抽样环节的概率模型，抽取其行驶距离、到达时间、起始荷电状态和离开时间，从而确定每个时刻电动汽车的行为状态，进而计算相应时刻电动汽车的SOC值，得到其一天的SOC曲线，计算公式为：
(1)充电时
式中，SOC(t)是电动汽车的起始荷电状态；
(2)行驶时
SOC(t+Δt)＝SOC(t)-dr/Dr·Δt/Tr                 (4)
式中，dr是电动汽车的行驶距离，Dr是电动汽车的最大续航里程，Tr是电动汽车的行驶时长，Δt为时间间隔；
然后，借助公式(1)和公式(2)算出其一天的充电功率；再将各类电动汽车的负荷逐辆叠加，得到电动汽车充电总负荷；t时刻电动汽车充电总负荷有功功率的计算公式为：
式中：N1、N2和N3分别代表t时刻该地区处于充电状态的电动私家车、公交车和出租车的数量；P1nt、P2nt和P3nt分别代表t时刻第n辆处于充电状态的电动私家车、公交车和出租车的实时充电功率；
步骤1-4、建立最大充电同时率：
为了清楚地了解某个区域电动汽车一天中同时充电的最大比例，定义电动汽车最大充电同时率为一天中电动汽车最大负荷与电动汽车容量的比值，即：
式中，Pt为t时刻区域内电动汽车充电总负荷，Kz为该区域的电动汽车容量。
3.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，步骤2建立充电体验指数，以充电体验指数、充电站建设成本和用户便捷性为充电站选址定容优化目标建立上层综合目标，并提出上层规划约束条件包括以下步骤：
步骤2-1、综合充电路程用时、充前SOC值和是否需要排队要求满足程度建立充电体验指数：
定义充电体验指数为充电过程中用户的充电体验要求得到满足的程度，并综合充电路程用时、充前SOC值和是否需要排队要求的满足程度来反映用户的充电体验指数；
(1)充电路程用时满足率
不同区域的人们由于时间的紧迫程度不同，对充电路上花费时间的要求不同，即充电路程用时要求不同；定义充电路程用时限值为用户对充电路上花费时间的接受极限值；充电过程中花费的时间大于充电路程用时限值时，则不满足充电体验要求；基于此，为考察所有用户的充电路程用时要求的满足程度，定义充电路程用时满足率为：
式中，ηt_sat为充电路程用时满足率；εd(i)为第i个点的电动汽车容量密度；va为充电过程中电动汽车的平均行驶速度；Td(i)为第i个点的充电路程用时限值，即其所属区域的充电路程用时限值；Mt_sat为满足充电路程用时要求的点的电动汽车容量密度的集合；N0为点的个数；Ld(i)为规划区第i个点到所属充电站的直角距离；
(2)充前SOC值满足率
电动汽车在前往充电前的SOC值满足一定概率分布，当SOC值低于一定值时，将会损害电动汽车电池的寿命，因此可定义充前SOC值满足率为用户到达充电站时SOC值满足不损害电动汽车电池寿命的最低SOC值的概率。通过M次蒙特卡罗抽样得到M个SOC值，则充前SOC值满足率的算法为：
式中，ηs_sat为充前SOC值满足率；pd(i)为第i个点满足充前SOC值要求的概率；εd(i)为第i个点的电动汽车容量密度；Srange为相应电动汽车的最大续航里程；SOC(j)为蒙特卡罗抽样的第j个SOC值；Ωd(i)为第i个点M个SOC值中满足充前SOC值要求的SOC值的集合；card()为集合中元素的个数，SOCmin为不损害电池寿命的最低SOC值；M为蒙特卡罗抽样次数；
(3)无需排队满足率
若电动汽车充电需求大于充电站的配置容量，则用户充电前需要排队，不满足无需排队要求。定义无需排队满足率为用户不需要排队的概率。通过蒙特卡罗抽样得到各充电站M次一天24个时刻的充电站负荷数据，则无需排队满足率的算法为：
式中，ηp_sat为无需排队满足率；pCD(i)为充电站i满足无需排队要求的平均概率；П(j)为充电站i第j次蒙特卡罗抽样一天中充电站负荷满足无需排队要求的时刻的集合；J(i)为充电站i的充电机配置数量；PCD(j,k)为充电站i第j次蒙特卡罗抽样第k个时刻的负荷；Pc为单台充电机的额定功率；αc为充电效率；KCD(i)表示充电站i的电动汽车容量，为其服务范围内所有点的电动汽车容量之和；
(4)用户充电体验指数计算方法
综合充电路程用时满足率、充前SOC值满足率和无需排队满足率来反映充电体验指数，算法为：
ηg_sat＝ηt_satηs_satηp_sat                     (10)
式中，ηg_sat为充电体验指数；
步骤2-2、建立充电站建设成本：
充电站建设成本包括变压器、充电机和其他设备的建设成本以及土地费用；因此充电站i的建设成本的算法为：
Cz_t(i)＝Cs(i)+Cd(i)                           (11)
式中，Cs(i)为第i个充电站的变压器、充电机和设备的建设成本，由充电站的充电机数量决定；Cd(i)为第i个充电站的土地费用，其算法为：
Cd(i)＝Sd(i)Dd                            (12)
式中，Sd(i)为第i个充电站的占用土地面积，由充电站的充电机数量决定，Dd为单位面积土地费用；
则规划区的充电站建设总成本为：
Cg_t＝∑Cz_t(i)                          (13)
步骤2-3、建立用户便捷性指标：
用户便捷性以充电平均距离来表示；在规划区内平均取点，每个点的电动汽车容量密度为其所属区域的电动汽车容量密度，以每个点的电动汽车容量密度为权重对充电距离进行加权平均得到充电平均距离；则规划区的充电平均距离的算法为：
式中，εd(i)和Ld(i)分别为规划区第i个点的电动汽车容量密度和其到所属充电站的直角距离；
步骤2-4、建立上层综合目标：
充电站的上层规划以充电站建设成本、用户便捷性和充电体验指数为目标，对充电站进行选址定容优化；因此，上层综合目标的算法为：
式中，α1、α2和α3为权重系数，其作用为各指标的数量级相同，同时用于消掉各指标的单位，使得上层综合目标为无量纲,B1为上层综合目标；
步骤2-5、建立上层规划约束条件：
(1)相邻站间距离约束
为保证用户的充电需求，充电站的服务范围不能太大，同时为了避免资源浪费，应避免充电站分布过于集中；因此相邻充电站间的直角距离Lcc要满足约束条件：
Lmin＜Lcc＜Lmax     (16)
式中，Lmin和Lmax分别为相邻站间距离约束的上下限；
(2)充电机数约束
为了满足用户的充电需求，同时出于对社会资源的充分利用，保证充电机有较高的利用率，充电站的充电机配置数量应满足充电机数约束：
Jmin≤JCD≤Jmax                             (17)
式中，Jmin和Jmax分别为最小充电机配置数和最大充电机配置数，JCD为充电站充电机的配置数量，算法为：
式中，ZCD是充电站服务范围内的最大充电需求；KCD为充电站服务范围内的电动汽车容量。
4.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，步骤3提出计及空间权重的元-点加权Voronoi图进行服务范围分区包括以下步骤：
步骤3-1、提出元-点加权Voronoi图：
针对传统的加权Voronoi图不能反映不同区域权重差异的缺陷，提出元-点加权
Voronoi图来进行服务范围划分，以空间权重描述不同区域权重的大小；生成元生成Voronoi图的速度不仅与生成元的权重有关，还与各区域的空间权重有关；由于考虑空间权重，不同的行驶路径两点之间的加权距离不同，因此定义点A到点B的有向路径为A向B先纵向行驶，再横向行驶的路径，并定义加权有向距离为有向路径的加权距离；
基于此，元-点加权Voronoi图定义为：
V(Ri)＝{P∈V(Ri)|D(Ri,P)≤D(Rj,P),j＝1,2,…,m1；j≠i}       (19)
式中，D(Ri，P)为点Ri到点P的加权有向距离，m1为生成元的个数，D(Rj,P)为点Rj到点P的加权有向距离，若Ri的权重为vi，Ri到点P的有向路径经过区域Q1，Q2，…，Qn，n为Ri到点P的有向路径经过的区域个数，相应的空间权重为θ1，θ2，…，θn，Ri到点P的有向路径经过的边界点分别为P1，P2，…，Pn-1，d(Pn-1,P)为点Pn-1到点P的有向距离，则Ri到点P的加权有向距离为：
步骤3-2、建立充电站权重：
在地价低的地方建设服务范围更大、容量更大的充电站，能减小充电站建设总成本；因此在服务范围划分时，设充电站权重的平方与其占用土地单价的倒数成反比，则充电站i的权重为：
式中，Di为充电站i的占用土地单价；
步骤3-3、建立空间权重：
综合不同类型区域的充电路程用时要求和电动汽车容量密度来建立区域的空间权重，则区域类型i的空间权重的算法为：
式中，θq(i)、εq(i)、Tq(i)分别为区域类型i的空间权重、电动汽车容量密度和充电路程用时限值，β1和β2为权重系数；
步骤3-4、充电站服务范围划分：
为便于计算，在利用元-点加权Voronoi图进行充电站规划时，规划区内均匀生成点，邻近点的移动步长为Δx＝Δy＝Δl，用矩阵分别记录每个点的坐标、电动汽车容量密度、土地单价、充电路程用时限值信息，建立点数据库；在画Voronoi图时，每个点都用一个方块来代表，方块的边长为移动步长，点位于方块的中心；方块的电动汽车容量为方块的面积与点的电动汽车容量密度的乘积；
若权重为vi的充电站Ri到点O的有向路径依次经过O1，O2，…，On-1，各点相应的空间权重为θq1，θq2，…，θqn，则Ri到点O的加权有向距离为：
将各生成元到某点的加权有向距离进行比较，加权有向距离最小对应的生成元将该点划进其服务范围；
充电站的电动汽车容量为其服务范围内所有点的电动汽车容量之和，算法为：
式中，εd(i)为该充电站服务范围内第i个点的电动汽车容量密度，ΔS为单个方块的面积。
5.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，步骤4基于上层优化目标采用遗传禁忌混合算法建立上层规划流程包括：
采用遗传禁忌混合算法(GATS)进行充电站上层规划，主要步骤如下：
Ⅰ.采集点数据库信息，作为优化的基础数据；
Ⅱ.利用点数据库的电动汽车容量密度信息，求出规划区内的电动汽车容量，即Kz，进而计算规划区的最大充电需求Zz，算法为：
Ⅲ.根据规划区内的最大充电需求Zz，以充电站的最小充电机配置数Jmin和最大充电机配置数Jmax为约束，计算充电站的最小座数Nmin和最大座数Nmax，即：
Ⅳ.基于上层综合目标采用GATS和元-点加权Voronoi图进行选址定容优化，包括以下步骤：
(1)记充电站数为g，设置GA的最大迭代数Ngen、禁忌表长度Tlength1、群体规模Npop、重组概率pch和变异概率pm；TSM中禁忌表长度Tlength2、邻域解个数Nh和最大迭代数Nt参数；
(2)tr表示迭代次数，令tr＝0，将规划区平均分为g个区，分别从各区中随机抽取一个地址，得到染色体的地址序列[x1，y1；…；xi，yi；…；xg，yg]，(xi，yi)为染色体的地址序列中的第i个地址，地址之间不满足站间距离约束的重新生成；
(3)计算当代群体的上层综合目标；
(4)按滚轮盘方式选出Npop个染色体；
(5)生成0和1之间的随机数ri，i＝1，2，…，Npop，若ri水平相比，若更好，则破禁进下一代；若更差，但不属于禁忌，则接受这个子代，若属于禁忌，则选最优父代进下一代；
(6)生成0和1之间的随机数qi，i＝1，2，…，Npop；若qia.以当前染色体作为最优染色体，将其上层综合目标作为最优上层综合目标，置TSM的禁忌表为空；
b.以当前地址基因为中心生成邻域地址基因(x+Δx，y)、(x-Δx，y)、(x，y+Δy)和(x，y-Δy)，加上当前地址基因构成等位基因序列，进行全排列得到5^g个染色体并从中随机抽出Nh个；
c.将这Nh个染色体中不满足站间距离约束的剔除；剩余的不在禁忌表中的染色体为候选染色体，计算其分区后满足充电机数约束的上层综合目标；
d.以上层综合目标最小选出最优候选染色体，并用它替代当前染色体和最早进入不满足的染色体；
e.判断最优候选染色体的上层综合目标是否小于最优上层综合目标，是则用它替换最优染色体，并将其上层综合目标替换最优上层综合目标，然后转步骤f；否则直接转到步骤f；
f.判断是否达到最大迭代数Nt，或最优上层综合目标已连续30次保持不变，是则输出最优染色体；否则返回步骤b；
(7)tr＝tr+1，若tr6.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于,步骤5以新建馈线成本和配电网的运行风险为充电站负荷接入节点优化目标建立下层综合目标，并提出下层约束条件包括以下步骤：
步骤5-1、计算新建馈线成本：
充电站负荷要接入配电网，要通过建设新的馈线来接入配电网的节点；假定新建馈线是沿直线铺设的，则充电站的新建馈线成本算法为：
Ck＝Dk∑Lk(i)                             (27)
式中，Dk为馈线的单位长度造价；Lk(i)为第i个充电站的新建馈线长度，即第i个充电站到接入节点的直角距离；
步骤5-2、计算配电网运行风险：
(1)元件风险指标
基于加权熵原理，以加权电压分布熵表征电压越限及电压分布不确定性引起的电压风险，以加权潮流分布熵表征潮流越限及潮流分布不确定性引起的潮流风险，算法为：
式中，Hv_i(t)和Hl_i(t)分别为t时刻节点i的加权电压分布熵和支路i的加权潮流分布熵；nv_i(t)和nl_i(t)分别为t时刻节点i的电压状态数和支路i的潮流状态数；Sv_j(t)和Pv_j(t)分别为t时刻节点i第j个电压状态的电压损失严重度和概率；Sl_j(t)和Pl_j(t)分别为t时刻支路i第j个潮流状态的潮流损失严重度和概率；
损失严重度S的算法为：
式中，μ为损失严重度的放大系数，以调节损失严重度的灵敏性；w为损失量；
(2)网络风险指标
综合电压风险和潮流风险对含大规模电动汽车的配电网进行运行风险评估；为考察配电网运行风险一天的变化情况，将t时刻网络运行风险定义为：
Hw(t)＝γ1Hv(t)+γ2Hl(t)                    (30)
式中，Hw(t)为t时刻的网络运行风险；γ1和γ2为权重系数；Hv(t)和Hl(t)分别为t时刻的网络电压风险和网络潮流风险，算法为：
式中，z1和z2分别为配电网的节点数和支路数；
为研究配电网安全运行面对的最严重的风险情况，定义网络最大运行风险为网络运行风险一天的最大值，即：
Hwmax＝max(Hw(t)) t＝1,2,…,24                  (32)
步骤5-3、提出下层综合目标：
充电站下层规划综合考虑新建馈线成本和配电网的运行风险，对充电站负荷接入节点进行优化；定义下层综合目标为：
B2＝ρ1Ck+ρ2Hwmax                        (33)
式中，Ck和Hwmax分别为新建馈线成本和网络最大运行风险；ρ1和ρ2为权重系数；
步骤5-4、提出下层规划约束条件：
(1)馈线长度约束
当新建馈线太长时，不仅馈线成本过大，同时馈线的阻抗过大，会增大功率损耗和电压损耗,因此新建的馈线应满足馈线长度约束：
Lk(i)≤Lkmax                             (34)
式中，Lkmax为新建馈线的长度限值；
(2)充电站负荷约束
由于充电站的充电负荷不可能大于其安装容量，因此要满足约束：
PCD(i)≤αcJ(i)Pc                          (35)
式中，PCD(i)为充电站i的充电负荷。
7.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于,步骤6基于下层综合目标采用循环替换法建立下层规划流程包括以下步骤：
(1)输入充电站地址及各分区电动汽车容量、充电过程参数、配电网络参数数据；
(2)通过蒙特卡罗抽样计算各个充电站分区的Nm次日充电负荷数据；
(3)将充电站负荷就近接入配电网节点作为当前方案，计算下层综合目标；
(4)记充电站的个数为g，确定各分区的优化顺序，bm＝0；
(5)bm＝bm+1，计算充电站bm到各节点的距离，将满足约束的节点作为候选节点；
(6)保持其他接入节点不变，将充电站bm的负荷分别接入各候选节点，计算下层综合目标，以下层综合目标最小选最优候选方案；
(7)判断最优候选方案与当前方案的优劣，若最优候选方案比当前方案更优，则以最优候选方案替换当前方案，否则保留当前方案不变；
(8)判断是否有bm(9)不断循环优化，直至充电站负荷接入方案不再改变为止。