近年来,随着能源危机和环境问题的日益严峻,传统集中式发电的大电网供电模式带来的问题逐渐凸显。分布式电源和电动汽车作为一种新能源利用方式,在应对能源短缺和环境污染方面有着天然的优势,引起了各国政府的广泛关注。然而分布式电源和电动汽车接入电网也为配电网带来了较强的随机性、间歇性等不确定因素,给配电网系统的安全、经济、可靠运行带来了新的挑战。研究发现,分布式电源对配电网的影响程度主要与其安装的位置和容量大小有关。为此,在考虑分布式电源和电动汽车不确定因素的基础上,合理配置分布式电源对于建设环境友好型社会、保障电力系统安全可靠运行至关重要。本文在拉丁超立方蒙特卡洛模拟的基础上引入了径向基函数神经网络,传统拉丁超立方蒙特卡洛模拟在获取具有相关性的分布式电源随机样本之后,需求解潮流方程,为了降低算法计算负担,本文运用径向基函数神经网络在函数逼近方面的优越表现代替传统潮流计算方程,直接利用生成的包含不确定因素的随机样本,避免了计算雅可比矩阵和偏导,极大地降低了概率潮流的计算时间。建立了包含年投资成本、购电成本和有功损耗成本的多目标优化函数模型。对于模型求解算法,本文在基于成功历史记录的参数自适应差分进化算法的基础上,引入了小生境技术,根据基于欧几里得距离的小生境策略对原算法种群规模不能自适应调整的缺陷进行改进,保留了其交叉率和缩放因子自适应机制,增强种群多样性的同时加快算法收敛速度,避免早熟。此外,在实际应用中充分考虑了分布式电源和电动汽车的不确定因素,利用改进的拉丁超立方蒙特卡洛模拟对风电、光伏、负荷和电动汽车充电负荷的概率模型进行求解,将概率潮流计算嵌入改进的基于成功历史记录的参数自适应差分进化算法进行全局寻优求得最终优化配置方案。对于改进的拉丁超立方蒙特卡洛模拟算法在IEEE14和IEEE118节点系统中进行仿真验证;运用CEC2014和CEC2013测试函数对改进的基于成功历史记录的参数自适应差分进化算法的收敛特性进行分析;在IEEE33节点系统中利用本文所提算法对含电动汽车的分布式电源优化配置方案进行求解,分析了本文所提算法和其对比算法的收敛特性以及优化后节点电压分布情况。仿真结果表明,本文所提算法具有收敛精度高、计算时间短、能够高效的求解优化配置方案的优势,为包含电动汽车的分布式电源规划问题提供了一种新的解决方案。