随着道路上电动汽车数量的增加，对高效、绿色充电基础设施的需求也在增加[1]。风能和光伏（PV）系统结合电池储能可以提供可持续的能源供应，减少对不可再生电网的依赖[2]。混合系统能够在高需求或低发电时段确保能源供应[3]，电池在发电过剩时储存多余的能量[4]。将这些可再生能源集成到电动汽车充电站中可以减少温室气体排放，并促进电动汽车的普及[5]。优化风能-光伏-电池系统的运行、规划和调度对于实现经济高效、可靠的充电至关重要[6][7][8]；更广泛的可再生能源整合可以提升全球电动汽车基础设施的可访问性和普及率[9,10]，但性能和可靠性仍然至关重要[11]。面临的挑战包括可再生能源的间歇性[12][13][14]、电池尺寸和优化问题[15,16]，以及有效的电动汽车充电调度以避免电网过载[17,18]。此外，整合可再生能源会引入技术和经济不确定性[19,20]，高昂的初始资本成本限制了在资源匮乏地区的应用[21]。
基于风能-光伏-电池的电动汽车充电站依赖于先进的预测、建模和优化技术。随着各国追求碳中和并向清洁能源转型，优化可再生能源驱动的电动汽车充电变得尤为重要，尤其是交通运输是主要的排放源。将风能和太阳能发电与高效储能和智能调度相结合，可以显著减少碳足迹，支持可持续的出行方式。尽管如此，现有研究尚未将基于格兰杰因果图神经网络（GCIGNN）的电动汽车负荷预测与沃尔夫-伯德优化器（WBO）驱动的最优调度结合在分时定价（TOU）和需求响应（DR）条件下应用于风能-光伏-电池-电动汽车框架中，也未结合电池热建模和深度学习预测的最新进展来优化混合可再生能源充电站。
文献中的一些研究集中在基于风能-光伏-电池的电动汽车充电站的最优容量配置和调度上，具体内容如下：
索米娅·萨蒂安等人[22]开发了一种混合优化和决策框架，用于确定带有电池备份的光伏驱动电动汽车充电站的最优配置，考虑了经济、社会、可靠性和环境因素。该方案提供了一个平衡多种性能标准的完整解决方案，但由于方法的复杂性以及对权重选择的依赖性，需要大量的计算资源和精细的参数调整才能产生有用的结果。
郭浩等人[23]开发了一种混合自适应调度（HADS）结构，用于与光伏发电和储能系统（ESS）相结合的电网连接型电动汽车充电站。该框架协调了可再生能源发电、储能和电网互动，并使用混合整数线性规划（MILP）共同优化能源调度和电动汽车充电。
周毅等人[24]开发了一种MPSO方法，用于确定电动汽车充电站的最佳位置，解决了可再生能源的可适应性和插电式混合动力汽车（PHEV）充电需求的挑战。该方法在考虑站点覆盖范围和周边区域的同时，最小化了选址成本。
洛克伦德拉·库马尔和拉维[25]开发了一种详细的电动汽车充电站方法，考虑了车辆到达和离开时间、电池容量和充电状态等因素。为了最大化能源利用和盈利能力，这些充电站与太阳能电池板和储能系统相连。
法比奥·科蒂等人[26]设计了由可再生能源和储能系统供电的轻型电动汽车（LEVs）的离网充电站。该研究通过遗传算法（GA）结合每日充电需求的统计估计，优化了光伏系统和储能系统的额定功率。
莫汉等人[27]研究了将电动汽车充电站（EVCS）与分布式发电（DGs）的最佳结合方式，以提高电力系统性能。为了测量功率损失和电压曲线，该研究在IEEE 69和118总线系统上进行了负荷流分析。
桑达拉莫尔蒂和奇特拉塞尔维[28]研究了通过改进的能源存储和管理系统来增强传统电动汽车的性能。他们利用蚁群优化（Ant Colony Optimization）和PSO增强了MPPT方法，优化了电力提取，并安装了单端初级电感转换器（SEPIC）以提高电压。表1展示了文献综述的比较结果，表2总结了2021-2025年关于光伏-电池热管理和混合能源系统的最新研究。
现有的关于可再生能源驱动的电动汽车充电系统的文献仍存在各种局限性。此外，很少有研究将电池和光伏的热效应与优化相结合，从而限制了其实际应用。许多研究依赖于确定性模型、单一数据集和通用用户行为假设，且缺乏多目标性、可扩展性和现实世界的有效性。尽管GA、PSO和MOPSO被广泛用于可再生能源和电动汽车充电系统的优化，但这些框架也存在特定限制。GA和PSO都存在显著的限制，如过早收敛、计算效率低，且在处理多约束调度问题时常常遇到挑战，尤其是在发电和/或电动汽车到达时间不确定的情况下。MOPSO也有类似的问题，主要集中在缩小帕累托前沿的数量上，但缺乏决策选择机制。
为了克服上述挑战，本文首次提出了结合GCIGNN和沃尔夫-伯德优化器（WBO）的方法，以实现风能-光伏-电池充电环境中高度准确的电动汽车负荷预测和最优调度。与传统优化方法（MOPSO、GA、PSO）不同，所提出的GCIGNN-WBO框架能够捕捉电动汽车负荷模式中的复杂时空依赖性，并在分时定价和需求响应条件下提供更稳健的全球优化策略。这种结合预测和优化的框架提高了预测可靠性，降低了运营成本，提升了系统效率，为下一代可再生能源驱动的电动汽车充电站提供了新颖的端到端智能解决方案。
本研究的重要贡献总结如下：
•提出了一种用于基于风能-光伏-电池的电动汽车充电站最优容量配置和调度的新型GCIGNN-WBO框架。
•降低了电费成本（COE）（0.286元/千瓦时），确保了充电站的经济高效运行。
•提高了计算效率，显著缩短了计算时间。
•展示了可再生能源、储能和需求响应在可持续电动汽车充电基础设施中的整合。
手册的其余部分安排如下：第2部分讨论了电动汽车充电站的配置；第3部分描述了提出的方法；第4部分提供了讨论和结果；第5部分给出了结论。
