CN104578120B - 分布式储能系统的优化配置方法 - Google Patents

Abstract

本发明公开了一种分布式储能系统的优化配置方法，包括以下步骤：获取历史数据，并对历史数据进行分类以确定聚类数目和初始聚类中心；根据聚类数目和初始聚类中心进行聚类以获取聚类结果；根据聚类结果生成多个典型日；对分布式储能系统的配置方案按照多个典型日进行经济性评估，并通过遗传算法进行优化，以生成最优配置。本发明的方法综合考虑了储能系统的安装成本、电网运行成本、储能系统的套利收益等，能够优化配置储能系统在配电网中的位置和容量，提高全社会的经济效益。

Description

分布式储能系统的优化配置方法

技术领域

本发明涉及配电网储能系统配置优化技术领域，特别涉及一种分布式储能系统的优化配置方法。

背景技术

随着全球经济的快速发展及负荷需求的不断增长，电力系统未来的发展将基于可靠、优质、安全、经济、灵活等方面。电力系统在运行的过程中发生着翻天覆地的变化，而一些问题也逐渐暴露出来，在配电网方面，关键的问题包括：1、电力负荷需求存在越来越大的峰谷差，系统装机容量不能满足高峰时期配电网负荷的需求；2、配电网中的用户对电能质量和可靠性要求日益增高；3、需要就环境保护等因素对电力系统持续发展的影响进行深入考虑。为了解决这些问题，在智能电网中的配电网层面需要考虑接入风电和光伏两种分布式电源。考虑到分布式电源的出力受到天气和季节等多种客观因素的影响，具有间歇性和不稳定的特点，所以需要在配电网中加入储能系统来解决电能供需不平衡的问题，以满足配电网在安全性和经济性方面的要求。

目前，相关技术提出了一种储能电站规划与运行综合优化方法及系统(专利申请号：201310452591.1)。通过仔细研究发现，采用该优化方法能够将储能电站的运行和规划问题统一考虑，有效减少电网的弃风损失，满足储能电站规划运行的要求，符合新能源发电与控制的发展趋势。但该优化方法的不足在于，对于新能源仅仅考虑风电，而忽略了电网中广泛存在的光伏发电；在目标函数中考虑了储能电站的投资成本、运维成本及网损成本，而对于储能电站套利产生的成本以及无功功率所引起的费用考虑较少。

发明内容

本发明旨在在一定程度上解决上述相关技术中的技术问题。

为此，本发明的目的在于提出一种分布式储能系统的优化配置方法，该方法综合考虑了储能系统的安装成本、电网运行成本、储能系统的套利收益等，能够优化配置储能系统在配电网中的位置和容量，提高全社会的经济效益。

为达到上述目的，本发明的实施例提出了一种分布式储能系统的优化配置方法，包括以下步骤：获取历史数据，并对所述历史数据进行分类以确定聚类数目和初始聚类中心；根据所述聚类数目和初始聚类中心进行聚类以获取聚类结果；根据所述聚类结果生成多个典型日；以及对分布式储能系统的配置方案按照所述多个典型日进行经济性评估，并通过遗传算法进行优化，以生成最优配置。

另外，根据本发明上述实施例的分布式储能系统的优化配置方法还可以具有如下附加的技术特征：

在本发明的一个实施例中，对所述历史数据进行分类以确定聚类数目和初始聚类中心，具体包括：确定聚类的数目m，并将样本进行从小到大排列，再将样本平均分成m个区间，确定每个区间的样本数，按照排列后的样本从小到大开始进行区间划分，最后对每个区间的样本进行平均值的计算，平均值即为该区间的初始聚类中心。

在本发明的一个实施例中，根据所述聚类数目和初始聚类中心进行聚类以获取聚类结果，具体包括：通过K均值算法进行聚类：通过聚类原则进行反复修正聚类，不合适的重新进行聚类直至合适为止，其中，聚类原则采用如下公式：

其中，a为初始聚类中心个数，N为样本数，n为样本号，c_nm为第n个样本是否属于m类，xⁿ为待聚类日的相关因素构成的向量，ω_m为类R_m的聚类中心。

在本发明的一个实施例中，所述方法对分布式储能系统的配置方案按照所述多个典型日进行经济性评估，具体包括以下步骤：S1：根据工程经济参数，确定规划周期年数N_Y，贴现率a，安装储能系统的单位费用Pr_DESS($/MW)，不同负荷水平下的时间间隔数量N_L,i，第i年第k个时间间隔的时间长度ΔT_i,k(h)，第i年第k个时间间隔的单位网损费用Pr_L,i,k($/MW·h)，第i年第k个时间间隔的高压网侧注入无功功率的单位费用Pr_HV,i,k($/Mvar·h)，第i年第k个时间间隔的分布式电源提供无功功率的单位费用Pr_DG,i,k($/Mvar·h)，第i年第k个时间间隔的有功能量的单位费用Pr_En,i,k($/MW·h)，考虑通货膨胀情况下Pr_L,i,k每年的增长率α_L，考虑通货膨胀情况下Pr_HV,i,k每年的增长率α_HV，考虑通货膨胀情况下Pr_DG,i,k每年的增长率α_DG，考虑通货膨胀情况下Pr_En,i,k每年的增长率α_DESS；S2：根据电网参数，确定节点导纳矩阵的实部、虚部G、B，节点总数N，以及允许储能系统接入的最大功率P_max；S3：根据储能系统的特性参数，确定充电效率η_C和放电效率η_D，储能系统的最小荷电状态SOC_min和最大荷电状态SOC_max，以及储能系统的额定功率P_s；S4：确定成本目标函数，取得成本最小值的方案即为最优方案，其中，目标函数包括网损带来的费用和储能系统的安装费用、高压网侧注入无功功率所引起的费用、分布式电源提供无功的费用以及通过储能系统实现价格套利等费用，此外，考虑在配电网整个规划周期内展开计算，在一年内分析多个典型日，同时考虑到规划期内资金的时间价值，统一将成本费用折算成现值，具体通过如下公式计算：

F＝C_LOSS+C_Q,HV+C_Q,DG+C_PA+C_DESS (2)

其中：

其中，C_LOSS指的是网损所引起的费用，C_Q,HV指的是从高压网侧注入无功功率所引起的费用，C_Q,DG指的是分布式电源提供无功功率所引起的费用，C_PA指的是价格套利所引起的费用，C_DESS指的是安装储能系统所引起的费用，P_L,i,k为第i年第k个时间间隔的网损值(MW)，Q_HV,i,k为第i年第k个时间间隔的高压网侧注入无功功率值(Mvar)，Q_DG,i,k为第i年第k个时间间隔的分布式电源提供的无功功率值(Mvar)，P_DESS,i,k为第i年第k个时间间隔的所有分布式储能系统总的有功功率值(MW)，P_DESS,j为第j个分布式储能系统的有功功率值(MW)，n_DESS为安装有储能系统的总个数；S5：考虑电网运行约束，其中，所述电网运行约束包括潮流约束(8)和(9)、发电机出力约束(10)、节点电压约束(11)、支路有功约束(12)和储能系统充放电约束(13)至(21)，具体表示如下：

其中，P_it、Q_it为t时段节点i的注入有功和无功功率，V_it、V_it为t时段节点i、j的电压幅值，δ_it、δ_jt为t时段节点i、j的相角，

其中，分别为第i个发电单元的最小和最大发电功率，分别为节点i电压幅值的下限和上限，为支路l最大的有功功率，P_lt为l支路在t时段流过的有功功率，

SOC_min≤SOC_t≤SOC_max t＝1,2,…,T (14)

P_DESS≤P_max (16)

|P_C,t|≤P_s t＝1,2,…,T (18)

|P_D,t|≤P_s t＝1,2,…,T (19)

n_DESS≤n_max (21)

其中，P_C,h、P_D,h分别为充电和放电功率，SOC₀、SOC_t分别为储能系统零时刻和t时刻的荷电状态，P_DESS,i为节点i处储能系统的实际接入功率，在最大功率范围内取离散值，P_C,t、P_D,t分别为t时段的充电和放电功率，n_DESS为配电网中接入储能系统的实际个数，n_max为允许接入储能系统个数的上限。

在本发明的一个实施例中，所述通过遗传算法进行优化，以生成最优配置，具体包括：S6：基于优化程序对储能系统的配置方案进行各个典型日的经济性评估；S7：对步骤S6中得到的经济评估的结果进行比较，筛选出较优的配置方案，并保留到下一代，通过外层的遗传算法不断优化，直至最大遗传代数。

根据本发明实施例的分布式储能系统的优化配置方法，通过聚类方法从配电网历史运行数据中提取出多个典型日下风电、光伏以及负荷的功率曲线，并提出了考虑多种成本的目标函数。在外层使用遗传算法对配置方案进行优化，内层使用最优潮流算法对方案进行评估，得到最优的配置方案。因此，该方法具有以下有益效果：1)提出了考虑网损的储能系统规划模型，综合考虑了储能系统的安装成本、电网运行成本、储能系统的套利收益等，能够优化配置储能系统在配电网中的位置和容量，提高全社会的经济效益；2)采用分层优化的方法求解含整数的非线性优化问题：内层使用优化程序求解最优潮流、评估经济效益，外层使用遗传算法筛选并生成配置方案，通过多步的内外迭代得到最终的结果，求解思路清晰明了，易于实现。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的分布式储能系统的优化配置方法的流程图；

图2为根据本发明另一个实施例的分布式储能系统的优化配置方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度小于第二特征。

下面参照附图描述根据本发明实施例的分布式储能系统的优化配置方法。

图1为根据本发明一个实施例的分布式储能系统的优化配置方法的流程图。图2为根据本发明另一个实施例的分布式储能系统的优化配置方法的流程图。结合图1和图2所示，该方法包括以下步骤：

步骤S101，获取历史数据，并对历史数据进行分类以确定聚类数目和初始聚类中心。

换言之，首先输入历史记录的每日风电、光伏出力以及负荷的历史数据，并将每日数据进行标幺化，以更好地反映数据的变化趋势。

在本发明的一个实施例中，考虑样本之间的特点并进行初步的分类。具体包括：确定聚类的数目m，并将样本进行从小到大排列，再将样本平均分成m个区间，确定每个区间的样本数，按照排列后的样本从小到大开始进行区间划分，最后对每个区间的样本进行平均值的计算，平均值即为该区间的初始聚类中心。

步骤S102，根据聚类数目和初始聚类中心进行聚类以获取聚类结果。

具体而言，通过K均值算法进行聚类：通过聚类原则进行反复修正聚类，不合适的重新进行聚类直至合适为止，其中，聚类原则采用如下公式：

其中，a为初始聚类中心个数，N为样本数，n为样本号，c_nm为第n个样本是否属于m类，xⁿ为待聚类日的相关因素构成的向量，ω_m为类R_m的聚类中心。

步骤S103，根据聚类结果生成多个典型日。具体地说，基于步骤S102中得到的聚类结果，考虑风电、光伏发电及负荷这三者之间的相关性，进行相互分组，可以得到多个场景N_t下的组合典型日曲线，每个场景在一年之中对应的有相应的天数N_days,m。

步骤S104，对分布式储能系统的配置方案按照多个典型日进行经济性评估，并通过遗传算法进行优化，以生成最优配置。

在本发明的一个实施例中，对分布式储能系统的配置方案按照多个典型日进行经济性评估，具体包括以下步骤：

步骤S1：根据工程经济参数，确定规划周期年数N_Y，贴现率a，安装储能系统的单位费用Pr_DESS($/MW)，不同负荷水平下的时间间隔数量N_L,i，第i年第k个时间间隔的时间长度ΔT_i,k(h)，第i年第k个时间间隔的单位网损费用Pr_L,i,k($/MW·h)，第i年第k个时间间隔的高压网侧注入无功功率的单位费用Pr_HV,i,k($/Mvar·h)，第i年第k个时间间隔的分布式电源提供无功功率的单位费用Pr_DG,i,k($/Mvar·h)，第i年第k个时间间隔的有功能量的单位费用Pr_En,i,k($/MW·h)，考虑通货膨胀情况下Pr_L,i,k每年的增长率α_L，考虑通货膨胀情况下Pr_HV,i,k每年的增长率α_HV，考虑通货膨胀情况下Pr_DG,i,k每年的增长率α_DG，考虑通货膨胀情况下Pr_En,i,k每年的增长率α_DESS。

步骤S2：根据电网参数，确定电网节点导纳矩阵的实部、虚部G、B，节点总数N，以及允许储能系统接入的最大功率P_max。

步骤S3：根据储能系统的特性参数，确定充电效率η_C和放电效率η_D，储能系统的最小荷电状态SOC_min和最大荷电状态SOC_max，以及储能系统的额定功率P_s。

进一步地，在一些示例中，生成遗传算法的初始种群，通过多为0/1对初始给定的储能系统配置方案进行编码。

步骤S4，确定成本目标函数，取得成本最小值的方案即为最优方案，其中，经济评估所使用的目标函数包括网损带来的费用和储能系统的安装费用、高压网侧注入无功功率所引起的费用、分布式电源提供无功的费用以及通过储能系统实现价格套利等费用，此外，考虑在配电网整个规划周期内展开计算，在一年内分析多个典型日，同时考虑到规划期内资金的时间价值，统一将成本费用折算成现值，具体通过如下公式计算：

F＝C_LOSS+C_Q,HV+C_Q,DG+C_PA+C_DESS (2)

其中：

其中，C_LOSS指的是网损所引起的费用，C_Q,HV指的是从高压网侧注入无功功率所引起的费用，C_Q,DG指的是分布式电源提供无功功率所引起的费用，C_PA指的是价格套利所引起的费用，C_DESS指的是安装储能系统所引起的费用，P_L,i,k为第i年第k个时间间隔的网损值(MW)，Q_HV,i,k为第i年第k个时间间隔的高压网侧注入无功功率值(Mvar)，Q_DG,i,k为第i年第k个时间间隔的分布式电源提供的无功功率值(Mvar)，P_DESS,i,k为第i年第k个时间间隔的所有分布式储能系统总的有功功率值(MW)，P_DESS,j为第j个分布式储能系统的有功功率值(MW)，n_DESS为安装有储能系统的总个数。

步骤S5：考虑电网运行约束，其中，所述电网运行约束包括潮流约束(8)和(9)、发电机出力约束(10)、节点电压约束(11)、支路有功约束(12)和储能系统充放电约束(13)至(21)，具体表示如下：

其中，P_it、Q_it为t时段节点i的注入有功和无功功率，V_it、V_it为t时段节点i、j的电压幅值，δ_it、δ_jt为t时段节点i、j的相角。

其中，分别为第i个发电单元的最小和最大发电功率，分别为节点i电压幅值的下限和上限，为支路l最大的有功功率，P_lt为l支路在t时段流过的有功功率。

SOC_min≤SOC_t≤SOC_max t＝1,2,…,T (14)

P_DESS≤P_max (16)

|P_C,t|≤P_s t＝1,2,…,T (18)

|P_D,t|≤P_s t＝1,2,…,T (19)

n_DESS≤n_max (21)

其中，P_C,h、P_D,h分别为充电和放电功率，SOC₀、SOC_t分别为储能系统零时刻和t时刻的荷电状态，P_DESS,i为节点i处储能系统的实际接入功率，在最大功率范围内取离散值，P_C,t、P_D,t分别为t时段的充电和放电功率，n_DESS为配电网中接入储能系统的实际个数，n_max为允许接入储能系统个数的上限。

进一步地，在本发明的另一个实施例中，通过遗传算法进行优化，以生成最优配置，具体包括以下步骤：

步骤S6：基于优化程序对储能系统的配置方案进行各个典型日的经济性评估。

步骤S7：对步骤S6中得到的经济评估的结果进行比较，筛选出较优的配置方案，并保留到下一代，通过外层的遗传算法不断优化，直至最大遗传代数。

换言之，即对上述步骤S5中得到的各方案的成本进行比较，并对配置方案进行进化、变异、交叉等操作，以生成新一代的配置方案，然后重复执行上述步骤S5和步骤S6，直至到达最大遗传代数，并从结果中筛选出成本最低的解作为最优解。整体流程例如图2所示。

根据本发明实施例的分布式储能系统的优化配置方法，通过聚类方法从配电网历史运行数据中提取出多个典型日下风电、光伏以及负荷的功率曲线，并提出了考虑多种成本的目标函数。在外层使用遗传算法对配置方案进行优化，内层使用最优潮流算法对方案进行评估，得到最优的配置方案。因此，该方法具有以下有益效果：1)提出了考虑网损的储能系统规划模型，综合考虑了储能系统的安装成本、电网运行成本、储能系统的套利收益等，能够优化配置储能系统在配电网中的位置和容量，提高全社会的经济效益；2)采用分层优化的方法求解含整数的非线性优化问题：内层使用优化程序求解最优潮流、评估经济效益，外层使用遗传算法筛选并生成配置方案，通过多步的内外迭代得到最终的结果，求解思路清晰明了，易于实现。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种分布式储能系统的优化配置方法，其特征在于，包括以下步骤：

获取历史数据，并对所述历史数据进行分类以确定聚类数目和初始聚类中心；

根据所述聚类数目和初始聚类中心进行聚类以获取聚类结果；

根据所述聚类结果生成多个典型日；

对分布式储能系统的配置方案按照所述多个典型日进行经济性评估，并通过遗传算法进行优化，以生成最优配置；

其中，

所述方法对分布式储能系统的配置方案按照所述多个典型日进行经济性评估，具体包括以下步骤：

S1：根据工程经济参数，确定规划周期年数N_Y，贴现率a，安装储能系统的单位费用Pr_DESS($/MW)，不同负荷水平下的时间间隔数量N_L,i，第i年第k个时间间隔的时间长度ΔT_i,k(h)，第i年第k个时间间隔的单位网损费用Pr_L,i,k($/MW·h)，第i年第k个时间间隔的高压网侧注入无功功率的单位费用Pr_HV,i,k($/Mvar·h)，第i年第k个时间间隔的分布式电源提供无功功率的单位费用Pr_DG,i,k($/Mvar·h)，第i年第k个时间间隔的有功能量的单位费用Pr_En,i,k($/MW·h)，考虑通货膨胀情况下Pr_L,i,k每年的增长率α_L，考虑通货膨胀情况下Pr_HV,i,k每年的增长率α_HV，考虑通货膨胀情况下Pr_DG,i,k每年的增长率α_DG，考虑通货膨胀情况下Pr_En,i,k每年的增长率α_DESS；

S2：根据电网参数，确定节点导纳矩阵的实部、虚部G、B，节点总数N，以及允许储能系统接入的最大功率P_max；

S3：根据储能系统的特性参数，确定充电效率η_C和放电效率η_D，储能系统的最小荷电状态SOC_min和最大荷电状态SOC_max，以及储能系统的额定功率P_s；

S4：确定成本目标函数，取得成本最小值的方案即为最优方案，其中，目标函数包括网损带来的费用和储能系统的安装费用、高压网侧注入无功功率所引起的费用、分布式电源提供无功的费用以及通过储能系统实现价格套利费用，此外，考虑在配电网整个规划周期内展开计算，在一年内分析多个典型日，同时考虑到规划期内资金的时间价值，统一将成本费用折算成现值，具体通过如下公式计算：

F＝C_LOSS+C_Q,HV+C_Q,DG+C_PA+C_DESS (2)

其中：

$C_{LOSS}=\underset{m=1}{\overset{N_t}{\Σ}}\underset{i=1}{\overset{N_Y}{\Σ}}\[N_{days,m}\×{\left(\frac{1+{\mathrm{\α}}_L}{1+a}\right)}^{i-1}\×\underset{k=1}{\overset{N_{L,i}}{\Σ}}\left({\mathrm{Pr}}_{L,i,k}{P}_{L,i,k}{\mathrm{\ΔT}}_{i,k}\right)\]---\left(3\right)$

$C_{Q,HV}=\underset{m=1}{\overset{N_t}{\Σ}}\underset{i=1}{\overset{N_Y}{\Σ}}\[N_{days,m}\×{\left(\frac{1+{\mathrm{\α}}_{HV}}{1+a}\right)}^{i-1}\×\underset{k=1}{\overset{N_{L,i}}{\Σ}}\left({\mathrm{Pr}}_{HV,i,k}{Q}_{HV,i,k}{\mathrm{\ΔT}}_{i,k}\right)\]---\left(4\right)$

$C_{Q,DG}=\underset{m=1}{\overset{N_t}{\Σ}}\underset{i=1}{\overset{N_Y}{\Σ}}\[N_{days,m}\×{\left(\frac{1+{\mathrm{\α}}_{DG}}{1+a}\right)}^{i-1}\×\underset{k=1}{\overset{N_{L,i}}{\Σ}}\left({\mathrm{Pr}}_{DG,i,k}{Q}_{DG,i,k}{\mathrm{\ΔT}}_{i,k}\right)\]---\left(5\right)$

$C_{PA}=\underset{m=1}{\overset{N_t}{\Σ}}\underset{i=1}{\overset{N_Y}{\Σ}}\[N_{days,m}\×{\left(\frac{1+{\mathrm{\α}}_{DESS}}{1+a}\right)}^{i-1}\×\underset{k=1}{\overset{N_{L,i}}{\Σ}}\left({\mathrm{Pr}}_{En,i,k}{P}_{DESS,i,k}{\mathrm{\ΔT}}_{i,k}\right)\]---\left(6\right)$

$C_{DESS}={\mathrm{Pr}}_{DESS}\underset{j=1}{\overset{n_{DESS}}{\Σ}}{P}_{DESS,j}---\left(7\right)$

其中，C_LOSS指的是网损所引起的费用，C_Q,HV指的是从高压网侧注入无功功率所引起的费用，C_Q,DG指的是分布式电源提供无功功率所引起的费用，C_PA指的是价格套利所引起的费用，C_DESS指的是安装储能系统所引起的费用，P_L,i,k为第i年第k个时间间隔的网损值(MW)，Q_HV,i,k为第i年第k个时间间隔的高压网侧注入无功功率值(Mvar)，Q_DG,i,k为第i年第k个时间间隔的分布式电源提供的无功功率值(Mvar)，P_DESS,i,k为第i年第k个时间间隔的所有分布式储能系统总的有功功率值(MW)，P_DESS,j为第j个分布式储能系统的有功功率值(MW)，n_DESS为安装有储能系统的总个数；

S5：考虑电网运行约束，其中，所述电网运行约束包括潮流约束(8)和(9)、发电机出力约束(10)、节点电压约束(11)、支路有功约束(12)和储能系统充放电约束(13)至(21)，具体表示如下：

$\begin{array}{ccc}{P}_{it}=V_{it}\underset{j=1}{\overset{N}{\Σ}}{V}_{jt}\[G_{lj}cos({\mathrm{\δ}}_{it}-{\mathrm{\δ}}_{jt})+B_{lj}sin({\mathrm{\δ}}_{it}-{\mathrm{\δ}}_{jt})\]& i,j=1,2,...,N,& t=1,2,...,T\end{array}---\left(8\right)$

$\begin{array}{ccc}{Q}_{it}=V_{it}\underset{j=1}{\overset{N}{\Σ}}{V}_{jt}\[G_{ij}sin({\mathrm{\δ}}_{it}-{\mathrm{\δ}}_{jt})-B_{ij}cos({\mathrm{\δ}}_{it}-{\mathrm{\δ}}_{jt})\]& i,j=1,2,...,N,& t=1,2,...,T\end{array}---\left(9\right)$

其中，P_it、Q_it为t时段节点i的注入有功和无功功率，V_it、V_it为t时段节点i、j的电压幅值，δ_it、δ_jt为t时段节点i、j的相角，

P_i ^min≤P_i≤P_i ^max (10)

V_i ^min≤V_it≤V_i ^max i＝1,2,…,N，t＝1,2,…,T (11)

-P_l ^max≤P_lt≤P_l ^max l＝1,2,…,L，t＝1,2,…,T (12)

其中，P_i ^min、P_i ^max分别为第i个发电单元的最小和最大发电功率，V_i ^min、V_i ^max分别为节点i电压幅值的下限和上限，P_l ^max为支路l最大的有功功率，P_lt为l支路在t时段流过的有功功率，

$\begin{array}{ccc}{\mathrm{SOC}}_t={\mathrm{SOC}}_0+\frac{\underset{h=1}{\overset{t}{\Σ}}(P_{C,h}{\mathrm{\η}}_C+\frac{P_{D,h}}{{\mathrm{\η}}_D})\mathrm{\Δ}T}{E_s}& h=1,2,...,t,& t=1,2,...,T\end{array}---\left(13\right)$

SOC_min≤SOC_t≤SOC_max t＝1,2,…,T (14)

$P_{DESS,i}=x_i(P_C{\mathrm{\η}}_C+\frac{P_D}{{\mathrm{\η}}_D})---\left(15\right)$

P_DESS≤P_max (16)

|P_C,t|≤P_s t＝1,2,…,T (18)

|P_D,t|≤P_s t＝1,2,…,T (19)

$n_{DESS}=\underset{i=1}{\overset{n_{max}}{\Σ}}{x}_i---\left(20\right)$

n_DESS≤n_max (21)

其中，P_C,h、P_D,h分别为充电和放电功率，SOC₀、SOC_t分别为储能系统零时刻和t时刻的荷电状态，P_DESS,i为节点i处储能系统的实际接入功率，在最大功率范围内取离散值，P_C,_t、P_D,t分别为t时段的充电和放电功率，n_DESS为配电网中接入储能系统的实际个数，n_max为允许接入储能系统个数的上限。

2.如权利要求1所述的分布式储能系统的优化配置方法，其特征在于，所述方法对历史数据进行分类以确定聚类数目和初始聚类中心，具体包括：

确定聚类的数目m，并将样本进行从小到大排列，再将样本平均分成m个区间，确定每个区间的样本数，按照排列后的样本从小到大开始进行区间划分，最后对每个区间的样本进行平均值的计算，平均值即为该区间的初始聚类中心。

3.如权利要求1所述的分布式储能系统的优化配置方法，其特征在于，所述方法根据聚类数目和初始聚类中心进行聚类以获取聚类结果，具体包括：

通过K均值算法进行聚类：通过聚类原则进行反复修正聚类，不合适的重新进行聚类直至合适为止，其中，聚类原则采用如下公式：

$\min K=\underset{m=1}{\overset{a}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}{c}_{nm}\left|\right|x^n-{\mathrm{\ω}}_m|{|}^2---\left(1\right)$

其中，a为初始聚类中心个数，N为样本数，n为样本号，c_nm为第n个样本是否属于m类，xⁿ为待聚类日的相关因素构成的向量，ω_m为类R_m的聚类中心。

4.如权利要求1所述的分布式储能系统的优化配置方法，其特征在于，所述通过遗传算法进行优化，以生成最优配置，具体包括：

S6：基于优化程序对储能系统的配置方案进行各个典型日的经济性评估；

S7：对步骤S6中得到的经济评估的结果进行比较，筛选出较优的配置方案，并保留到下一代，通过外层的遗传算法不断优化，直至最大遗传代数。