CN106096757A - 基于改进量子遗传算法的微网储能选址定容优化方法 - Google Patents

Abstract

一种基于改进量子遗传算法的微网储能选址定容优化方法，包括：建立储能选址定容优化模型，包括储能选址定容优化模型的目标函数公式和约束公式；对量子遗传算法进行改进；使用改进后的量子遗传算法对储能选址定容优化模型求解。本发明建立了储能选址定容模型，以储能全寿命周期成本、削峰填谷收益以及网损收益为目标，约束考虑了潮流、储能充放电以及储能充放电能量平衡；修正了量子遗传算法，使用量子旋转门旋转角度的动态调整策略提高了搜索效率，使用模拟退火法进行选择操作和佳点集进行交叉操作避免陷入局部最优；采用34节点微网进行验证，表明本发明所提出的算法可行，且有效提高了量子遗传算法的收敛效率和跳出局部最优的能力。

Description

基于改进量子遗传算法的微网储能选址定容优化方法

技术领域

本发明涉及一种微网储能选址定容优化方法。特别是涉及一种能够在微网中寻找到经济性最佳的储能位置和容量的基于改进量子遗传算法的微网储能选址定容优化方法。

背景技术

分布式电源以微网的形式接入大电网运行是发挥分布式供能系统效能的最有效方式，也是未来电力系统发展的趋势之一。但由于分布式电源具有间歇性、波动性等特点，微网也存在电压、电能质量、对主网冲击等问题^[2]。储能能够很好的解决分布式电源带来的不利影响。储能接入位置与容量的不同对微网优化效果的影响很大，因此本发明对其接入位置与容量的选择展开研究。

由于储能价格昂贵、规划期较长，从长远的观点看，规划期内的更新成本、运维成本有时会大于它的初建成本，而且初建成本的高低对未来更新和运维成本的高低会产生很大的影响，因此有必要从储能的全寿命周期成本(life cycle cost，LCC)角度对其进行规划。目前全寿命周期理论在电力系统中主要应用于电网规划^[3]和变电站设备改造^[4]等。

储能选址定容优化是非线性规划问题。目前常用的人工智能现代化优化方法有粒子群算法、差分算法、遗传算法等，但以上算法都存在收敛速度较慢、容易陷入局部最优等问题。量子遗传算法(Quantum Genetic algorithm)是一种新兴的概率进化算法，它结合量子计算的一些概念和理论，利用量子位编码染色体，量子门更新染色体执行进化操作，很好的解决了遗传算法存在的多样性差异和选择压力大的问题，具有收敛快、搜索范围广等优点，因此本发明选用改进量子遗传算法对微网中储能位置与容量优化模型进行求解。

发明内容

本发明所要解决的技术问题是，提供一种可以更好的收敛速度和全局寻优能力寻找到最优的储能位置和容量，降低储能全寿命周期成本的基于改进量子遗传算法的微网储能选址定容优化方法。

本发明所采用的技术方案是：一种基于改进量子遗传算法的微网储能选址定容优化方法，包括如下步骤：

1)建立储能选址定容优化模型，包括储能选址定容优化模型的目标函数公式和约束公式，所述的储能选址定容优化模型的目标函数公式包括：

(1)建立储能全寿命周期成本净现值公式：

$f_1=\underset{j=1}{\overset{n}{\Σ}}\frac{C_j}{{(1+F_D)}^j}---\left(1\right)$

C_j＝C_j,Cap+C_j,Rep+C_j,OM+C_j,Sal (2)

式中，f₁为储能规划期n年的净现值；F_D为贴现率；C_,j为储能在第j年的现金流，包括第j年的初建成本C_,j,Cap、更新成本C_,j,Rep、运行维护成本C_,j,OM和残值C_,j,Sal；

所述的初建成本：

$C_{j,Cap}=\left\{\begin{array}{cc}{C}_{ESS}*E_{ESS}^R& j=0\\ 0& j=1,2,\mathrm{...},n\end{array}\right.---\left(3\right)$

式中，C_ESS为储能初建成本单价，单位为元/kWh；为储能系统容量；

所述的更新成本：

$C_{j,\mathrm{Re}p}=\left\{\begin{array}{cc}{R}_{ESS}*E_{ESS}^R& j=(1,2,\mathrm{...},k)*L_{ESS}\\ 0& j\≠(1,2,\mathrm{...},k)*L_{ESS}\end{array}\right.---\left(4\right)$

式中，R_ESS为储能更新成本单价，单位为元/kWh，k为规划期n年内，寿命为L_ESS年的储能设备共经历更新的次，表示为：

k＝n/L_ESS (5)

所述的运行维护成本：

$C_{j,OM}=\{\begin{array}{cc}{\mathrm{OM}}_{ESS}*E_{ESS}^R& j=1,2,...,n\\ 0& j=0\end{array}---\left(6\right)$

式中，OM_ESS为运行维护成本单价，单位为元/kWh；

所述的残值：

$C_{j,Sal}=\{\begin{array}{cc}-R_{ESS}*E_{ESS}^R*\frac{{\mathrm{kL}}_{ESS}-n}{L_{ESS}}& j=n\\ 0& j\≠n\end{array}---\left(7\right)$

(2)建立储能削峰填谷收益公式：

$f_2=\underset{j}{\overset{n}{\Σ}}\underset{i}{\overset{365}{\Σ}}\underset{m}{\overset{24}{\Σ}}\[E_{ESS}\[j,i,m\]*C\left(m\right)\]---\left(8\right)$

式中，E_ESS[j,i,m]为第j年第i天第m个小时的储能能量值，C(m)为第m个小时的电能单价；

(3)建立网损减小收益公式

$f_3=\underset{i}{\overset{n}{\Σ}}\underset{i}{\overset{365}{\Σ}}\underset{m}{\overset{24}{\Σ}}\[{\mathrm{\ΔE}}_{LOSS}\[j,i,m\]*C\left(m\right)\]---\left(9\right)$

式中，△E_LOSS[j,i,m]为第j年第i天第m个小时的网损值。

考虑储能全寿命周期成本、削峰填谷收益和网损减小值情况后，储能选址定容优化模型的目标函数为：

minF＝min(f₁-f₂-f₃) (10)

所述的储能选址定容优化模型的约束公式包含潮流平衡约束、支路潮流约束、电压约束、储能充放电约束、以及储能荷电状态约束；

2)对量子遗传算法进行改进，包括：

(1)量子比特编码

量子比特表示如下：

式中，为量子比特，α、β为复数，满足：

|α|²+|β|²＝1 (17)

式中，|α|²表示量子比特状态为0的概率，|β|²表示量子比特状态为1的概率；

量子态向量形式：

(2)动态旋转门：

${\mathrm{\&theta;}}_i=\left\{\begin{array}{cc}\frac{k_1(f_{max}-f)}{f_{max}-f_{average}}& f\&GreaterEqual;f_{average}\\ k_2& f<f_{average}\end{array}\right.---\left(19\right)$

式中，k₁和k₂∈(0.001π,0.05π)，f_max为种群中最大适应度值，f_average为当代种群的平均适应度值，f为进行量子更新的个体的适应度值。该式表示，在进行量子更新个体的适应度值低于平均适应度值，表示该个体不是优良个体，对其旋转角要采用较大的值，反之，要根据适应度值取相应的旋转角。

(3)使用模拟退火进行选择操作；

(4)坍塌测量：

通过编码染色体进行测量得到长度为m的二进制字符串p＝[x₁ x₂ … x_m]，其中，x₁ x₂ … x_m为0～1之间的实数，测量过程如下：

随机产生一个0～1之间的实数r，若则x₁＝1；若则x₁＝0；

3)使用改进后的量子遗传算法对储能选址定容优化模型求解，包括：

(1)设定原始数据：包括分布式电源和负荷的原始功率数据，储能容量单价、贴现率和寿命值，以及遗传算法遗传代数、变异概率、种群数目和模拟退火的初始温度、终止温度以及每个温度下迭代次数；

(2)种群初始化：将储能的位置和容量以及充放电功率进行量子编码，得到初始种群，将种群各个体的量子比特编码都初始化为

(3)量子坍塌：对种群进行坍塌测量，得到一组确定的二进制染色体；

(4)目标值计算：将所有个体带入储能选址定容优化模型的潮流平衡约束公式，得到电压和网损值，将储能容量、单价、充放电功率和网损值带入储能选址定容优化模型的目标函数公式，计算得到目标值；

(5)评价每个种群的适应度。

(6)动态旋转门更新：对种群根据更新每个个体的量子位；

(7)进行模拟退火选择操作；

(8)进行佳点集交叉变异操作：

(9)判断是否达到最大代数，如果达到，则计算结束，否则将第(8)步的结果代入第(3)步，重复第(3)～第(9)步。

本发明的基于改进量子遗传算法的微网储能选址定容优化方法，建立了储能选址定容模型，以储能全寿命周期成本、削峰填谷收益以及网损收益为目标，约束考虑了潮流、储能充放电以及储能充放电能量平衡；修正了量子遗传算法，使用量子旋转门旋转角度的动态调整策略提高了搜索效率，使用模拟退火法进行选择操作和佳点集进行交叉操作避免陷入局部最优；采用34节点微网进行验证，表明本发明所提出的算法可行，且有效提高了量子遗传算法的收敛效率和跳出局部最优的能力。本发明可以更好的收敛速度和全局寻优能力寻找到最优的储能位置和容量，降低储能全寿命周期成本。

附图说明

图1是本发明最佳实施方式的微网结构示意图；

图2是DG功率波动曲线图；

图3是两种算法目标值迭代过程对比图。

具体实施方式

下面结合实施例和附图对本发明的基于改进量子遗传算法的微网储能选址定容优化方法做出详细说明。

本发明的基于改进量子遗传算法的微网储能选址定容优化方法，包括如下步骤：

1)建立储能选址定容优化模型，一般储能系统规划期较长，必须考虑其时间价值，因此本发明使用储能全寿命周期成本(LCC)净现值作为目标函数。净现值计算首先要得到储能每年总成本，之后使用贴现率进行折算，进而得到储能规划期内总净现值。

所述储能选址定容优化模型，包括储能选址定容优化模型的目标函数公式和约束公式，所述的储能选址定容优化模型的目标函数公式包括：

(1)建立储能全寿命周期成本净现值公式：

$f_1=\underset{j=1}{\overset{n}{\&Sigma;}}\frac{C_j}{{(1+F_D)}^j}---\left(1\right)$

C_j＝C_j,Cap+C_j,Rep+C_j,OM+C_j,Sal (2)

式中，f₁为储能规划期n年的净现值；F_D为贴现率；C_,j为储能在第j年的现金流，包括第j年的初建成本C_,j,Cap、更新成本C_,j,Rep、运行维护成本C_,j,OM和残值C_,j,Sal；

所述的初建成本：

$C_{j,Cap}=\left\{\begin{array}{cc}{C}_{ESS}*E_{ESS}^R& j=0\\ 0& j=1,2,\mathrm{...},n\end{array}\right.---\left(3\right)$

式中，C_ESS为储能初建成本单价，单位为元/kWh；为储能系统容量；

所述的更新成本：

$C_{j,\mathrm{Re}p}=\left\{\begin{array}{cc}{R}_{ESS}*E_{ESS}^R& j=(1,2,\mathrm{...},k)*L_{ESS}\\ 0& j\&NotEqual;(1,2,\mathrm{...},k)*L_{ESS}\end{array}\right.---\left(4\right)$

式中，R_ESS为储能更新成本单价，单位为元/kWh，k为规划期n年内，寿命为L_ESS年的储能设备共经历更新的次，表示为：

k＝n/L_ESS (5)

本发明寿命使用雨流计数法计算。所有设备更新所需费用，由于辅助设施已经建好，更新费用一般小于初次建设费用。

所述的运行维护成本：

对某一种具体设备来说，每年的运行维护费用为一定值。

$C_{j,OM}=\{\begin{array}{cc}{\mathrm{OM}}_{ESS}*E_{ESS}^R& j=1,2,...,n\\ 0& j=0\end{array}---\left(6\right)$

式中，OM_ESS为运行维护成本单价，单位为元/kWh；

所述的残值：

在系统经济评估寿命周期结束时，某些设备可能仍有残余寿命，相应的也会有残余价值，此即残值。残值必定产生于经济评估寿命的最后一年，可以等效为“负成本”。

$C_{j,Sal}=\{\begin{array}{cc}-R_{ESS}*E_{ESS}^R*\frac{{\mathrm{kL}}_{ESS}-n}{L_{ESS}}& j=n\\ 0& j\&NotEqual;n\end{array}---\left(7\right)$

(2)建立储能削峰填谷收益公式：

电网存在峰谷电价，当储能充放电功率起到削峰填谷效益时，获得收益：

$f_2=\underset{j}{\overset{n}{\&Sigma;}}\underset{i}{\overset{365}{\&Sigma;}}\underset{m}{\overset{24}{\&Sigma;}}\&lsqb;E_{ESS}\&lsqb;j,i,m\&rsqb;*C\left(m\right)\&rsqb;---\left(8\right)$

式中，E_ESS[j,i,m]为第j年第i天第m个小时的储能能量值，C(m)为第m个小时的电能单价；

(3)建立网损减小收益公式

微网中加入储能后，由于起到削峰填谷的作用，会降低微网中的网损值，获得收益：

$f_3=\underset{i}{\overset{n}{\&Sigma;}}\underset{i}{\overset{365}{\&Sigma;}}\underset{m}{\overset{24}{\&Sigma;}}\&lsqb;{\mathrm{\&Delta;E}}_{LOSS}\&lsqb;j,i,m\&rsqb;*C\left(m\right)\&rsqb;---\left(9\right)$

式中，△E_LOSS[j,i,m]为第j年第i天第m个小时的网损值。

考虑储能全寿命周期成本(LCC)、削峰填谷收益和网损减小值情况后，储能选址定容优化模型的目标函数为：

minF＝min(f₁-f₂-f₃) (10)

所述的储能选址定容优化模型的约束公式包含潮流平衡约束公式、支路潮流约束公式、电压约束公式以及储能荷电状态约束公式，具体如下：

潮流平衡约束公式：

P_DG+P_HG+P_BESS＝P_L (11)

Q_DG+Q_HG+Q_BESS＝Q_L (12)

P_DG、P_HG、P_BESS、P_L分别为分布式电源、高压电网、储能、负荷有功功率，Q_DG、Q_HG、Q_BESS、Q_L分别为分布式电源、高压电网、储能、负荷无功功率。

支路潮流约束公式：

S_ijmin≤S_ij≤S_ijmax (13)

S_ijmax、S_ijmin分别为线路ij视在功率上下限，S_ij为注入支路ij的实际视在功率

电压约束公式：

$\begin{array}{c}{V}_{\min }\&le;V_{\mathrm{jr}}\&le;V_{\max }\\ j=\mathrm{0,1},...,N_{\mathrm{node}}\end{array}---\left(14\right)$

V_max、V_min分别为节点电压的上下限，V_jr为节点j的实际电压，N_no_de为微网节点总数。

储能荷电状态约束公式：

SOC_min≤SOC_r(i)≤SOC_max (15)

SOC_max、SOC_min分别为节点电压的上下限，SOC_r为实际储能荷电状态。。

2)对量子遗传算法进行改进；

(1)量子比特编码

量子比特表示如下：

式中，为量子比特，α、β为复数，满足：

|α|²+|β|²＝1 (17)

式中，|α|²表示量子比特状态为0的概率，|β|²表示量子比特状态为1的概率。

量子态向量形式：

(2)动态旋转门，即动态旋转门公式:

${\mathrm{\&theta;}}_i=\left\{\begin{array}{cc}\frac{k_1(f_{max}-f)}{f_{max}-f_{average}}& f\&GreaterEqual;f_{average}\\ k_2& f<f_{average}\end{array}\right.---\left(19\right)$

式中，k₁，k₂∈(0.001π,0.05π)，f_max为种群中最大适应度值，f_average为当代种群的平均适应度值，f为进行量子更新的个体的适应度值。该式表示，在进行量子更新个体的适应度值低于平均适应度值，表示该个体不是优良个体，对其旋转角要采用较大的值，反之，要根据适应度值取相应的旋转角。

(3)使用模拟退火进行选择操作

第1步：种群初始化，根据目标函数设定初始温度，并设置每个温度下的迭代次数L；

第2步：设定温度控制参数初值t_L＝1,t_L∈1,2,3…,L；

第3步：设当前解为f(i)，根据邻域函数产生新解为f(j)，计算f(j)增量ΔE＝f(j)-f(i)；

第4步：若ΔE<0，则接受新解，ΔE≥0，在0～1之间随机产生一个值p，e-ΔE/kt_L>p，其中，e为自然数，k为玻尔兹曼常数，则接受新解，e-ΔE/kt_L≤p，保留当前解；

第5步：t_L＝t_L+1，若t_L未达到温度控制参数L，则返回第3步，若达到温度控制参数L，则进入第6步；

第6步：若未达到冷却状态，则对当前温度实施降温，返回第2步，若己达到冷却状态，则输出当前最优解，算法结束。

(4)坍塌测量：

通过编码染色体进行测量得到长度为m的二进制字符串p＝[x₁ x₂ … x_m]，其中，x₁ x₂ … x_m为0～1之间的实数，测量过程如下：

随机产生一个0～1之间的实数r，若则x₁＝1；若则x₁＝0。

3)使用改进后的量子遗传算法对储能选址定容优化模型求解。

量子遗传算法是在遗传算法的基础上引入量子计算的概念和理论。由于应用了量子位编码表示染色体信息，这就使得一条染色体能够表达多个叠加的态。这种概率优化方法可以缩小种群规模，增加种群多样性，应用量子的纠缠设计的使得种群中更加容易产生和发展出优秀的个体。然而量子遗传算法由于种群中的所有个体都是朝着父代最优个体的方向进化，很容易陷入局部最优，全局搜索能力较差。本发明提出的改进量子遗传算法(Improved Quantum Genetic Algorithm,IQGA)引入量子旋转门旋转角度的动态调整策略提高搜索效率，使用佳点集进行交叉操作和模拟退火法进行选择操作避免陷入局部最优。

使用改进后的量子遗传算法对储能选址定容优化模型求解，包括：

(1)设定原始数据：包括分布式电源和负荷的原始功率数据，储能容量单价、贴现率和寿命值，以及遗传算法遗传代数、变异概率、种群数目和模拟退火的初始温度、终止温度以及每个温度下迭代次数；

(2)种群初始化：将储能的位置和容量以及充放电功率进行量子编码，得到初始种群，为使一个染色体取得所有可能值相等，将种群各个体的量子比特编码都初始化为

(3)量子坍塌：对种群进行坍塌测量，得到一组确定的二进制染色体；

(4)目标值计算：将所有个体带入储能选址定容优化模型的潮流平衡约束公式，得到电压和网损值，将储能容量、单价、充放电功率和网损值带入储能选址定容优化模型的目标函数公式，计算得到目标值；

(5)评价每个种群的适应度。

(6)动态旋转门更新：对种群根据更新每个个体的量子位；

(7)进行模拟退火选择操作，

(8)进行佳点集交叉变异操作，

(9)判断是否达到最大代数，如果达到，则计算结束，否则将第(8)步的结果代入第(3)步，重复第(3)～第(9)步。

下面给出最佳实施方式

本实施例是采用如图1所示微网结构进行的。

1、给出基础数据

该区域的峰谷分时电价：高峰1.1648元/kWh，时间：9～21点；低谷0.3778元/kWh，时间：0～7点，23～24点；平时0.7603元/kWh，时间：7～9点，21～23点。在节点5、12、33接入200kW光伏，节点15、25接入200kW风电。

储能SOC上限设为100％，下限为40％。规划期为20年。本发明储能类型使用锂电池，其单位容量初建成本和更新成本均为3000元，每年单位容量运维成本为50元。贴现率设为3％。分布式电源的功率波动曲线如图2所示。

算法种群设为100，最大遗传代数为100，模拟退火算法初始温度设为200，结束温度为0.01，降温速率为0.9，交叉概率为0.5，变异概率为0.1。

线路数据如表1。

表1 线路数据

2、为证明本发明方法的有效性，提出三种方案，并分别进行对比：

方案1：以储能LCC、削峰填谷和网损收益为目标，使用改进量子遗传算法，对微网储能选址定容模型进行求解。

方案2：方案1中的目标值改为储能初始投资成本、削峰填谷和网损收益。

方案3：方案1中的算法改为量子遗传算法。

将所述基础数据代入到本发明基于改进量子遗传算法的微网储能选址定容优化方法的步骤3)，使用改进后的量子遗传算法对储能选址定容优化模型进行求解，得到3种方案优化结果及对比如表2所示：

表2 各方案优化结果

由表2可知，方案1和方案2相比较，储能接入的位置和容量均不同。方案2两个节点的容量均明显小于方案1的容量，但其目标储能LCC值f₁大于方案1，削峰填谷和网损减少收益略少于方案1。储能LCC值具体对比值见表3：

表3 方案1和2的储能LCC值

以初始投资成本最低为目标的方案1，虽然初始投资要小于以储能LCC最小为目标的方案2，储能初建成本较低，但由于寿命小，增加了其更新成本，从而使得LCC总值较高。

方案1的储能初建成本为158和216.3万元,初建成本占总成本的36％，方案2的储能初建成本为146.5和192.3万元,初建成本只占总成本的29％，得出结论如下：

1)以初建成本为目标的方案2，更新和运维成本占到了很大的比重，不是全寿命周期费用最优的方案。

2)前期投资成本的高低会对后期的运营阶段的成本产生很大的影响，方案1高的初建成本可能会降低未来更新和运维成本，从而使得规划方案的整个寿命周期内的费用降低

总结可知仅依靠初建成本进行决策的方案选择方法具有明显的局限性，仅考虑初建成本，不考虑其规划期内的更新和运维成本，导致其虽初建成本较低，优化的储能总LCC值偏大。

由表2可知，方案1和3相比较，储能接入位置接近，但其容量较高。原因是量子粒子群算法本身容易陷入局部最优的缺陷，图3为两种算法目标值遗传迭代过程：

由图3可以看出，相比较与量子遗传算法(QGA)，改进量子遗传算法(IQGA)初始收敛速度更快，到39代已取得最优解，而QGA于53代时即陷入局部最优，这是因为QGA的自我认知过程单一，一旦与社会认知相匹配，便不再迭代；而IQGA由于利用动态旋转门，加快了收敛速度，并且基于模拟退火选择和佳点集交叉选点的方式让其能逐步趋近更可靠的全局最优解。

通过以上分析，IQGA与QGA相比有以下几个优点：

1)具有更好的摆脱局部最优，实现全局寻优的能力，优化得到更好的结果。

2)在相同的算法设置条件下，具有更好的收敛能力和更快的收敛速度，以更少的代数寻找到了更优的解。

Claims (3)

1.一种基于改进量子遗传算法的微网储能选址定容优化方法，其特征在于，包括如下步骤：

1)建立储能选址定容优化模型，包括储能选址定容优化模型的目标函数公式和约束公式，所述的储能选址定容优化模型的目标函数公式包括：

(1)建立储能全寿命周期成本净现值公式：

$f_1=\underset{j=1}{\overset{n}{\&Sigma;}}\frac{C_j}{{(1+F_D)}^j}---\left(1\right)$

C_j＝C_j,Cap+C_j,Rep+C_j,OM+C_j,Sal (2)

式中，f₁为储能规划期n年的净现值；F_D为贴现率；C_,j为储能在第j年的现金流，包括第j年的初建成本C_,j,Cap、更新成本C_,j,Rep、运行维护成本C_,j,OM和残值C_,j,Sal；

所述的初建成本：

$C_{j,Cap}=\left\{\begin{array}{cc}{C}_{ESS}*E_{ESS}^R& j=0\\ 0& j=1,2,\mathrm{...},n\end{array}\right.---\left(3\right)$

式中，C_ESS为储能初建成本单价，单位为元/kWh；为储能系统容量；

所述的更新成本：

$C_{j,\mathrm{Re}p}=\left\{\begin{array}{cc}{R}_{ESS}*E_{ESS}^R& j=(1,2,\mathrm{...},k)*L_{ESS}\\ 0& j\&NotEqual;(1,2,\mathrm{...},k)*L_{ESS}\end{array}\right.---\left(4\right)$

式中，R_ESS为储能更新成本单价，单位为元/kWh，k为规划期n年内，寿命为L_ESS年的储能设备共经历更新的次，表示为：

k＝n/L_ESS (5)

所述的运行维护成本：

$C_{j,OM}=\{\begin{array}{cc}{\mathrm{OM}}_{ESS}*E_{ESS}^R& j=1,2,...,n\\ 0& j=0\end{array}---\left(6\right)$

式中，OM_ESS为运行维护成本单价，单位为元/kWh；

所述的残值：

$C_{j,Sal}=\{\begin{array}{cc}-R_{ESS}*E_{ESS}^R*\frac{{\mathrm{kL}}_{ESS}-n}{L_{ESS}}& j=n\\ 0& j\&NotEqual;n\end{array}---\left(7\right)$

(2)建立储能削峰填谷收益公式：

$f_2=\underset{j}{\overset{n}{\&Sigma;}}\underset{i}{\overset{365}{\&Sigma;}}\underset{m}{\overset{24}{\&Sigma;}}\&lsqb;E_{ESS}\&lsqb;j,i,m\&rsqb;*C\left(m\right)\&rsqb;---\left(8\right)$

式中，E_ESS[j,i,m]为第j年第i天第m个小时的储能能量值，C(m)为第m个小时的电能单价；

(3)建立网损减小收益公式

$f_3=\underset{i}{\overset{n}{\&Sigma;}}\underset{i}{\overset{365}{\&Sigma;}}\underset{m}{\overset{24}{\&Sigma;}}\&lsqb;{\mathrm{\&Delta;E}}_{LOSS}\&lsqb;j,i,m\&rsqb;*C\left(m\right)\&rsqb;---\left(9\right)$

式中，ΔE_LOSS[j,i,m]为第j年第i天第m个小时的网损值。

考虑储能全寿命周期成本、削峰填谷收益和网损减小值情况后，储能选址定容优化模型的目标函数为：

minF＝min(f₁-f₂-f₃) (10)

所述的储能选址定容优化模型的约束公式包含潮流平衡约束、支路潮流约束、电压约束、储能充放电约束、以及储能荷电状态约束；

2)对量子遗传算法进行改进，包括：

(1)量子比特编码

量子比特表示如下：

式中，为量子比特，α、β为复数，满足：

|α|²+|β|²＝1 (17)

式中，|α|²表示量子比特状态为0的概率，|β|²表示量子比特状态为1的概率；

量子态向量形式：

(2)动态旋转门：

${\mathrm{\&theta;}}_i=\left\{\begin{array}{cc}\frac{k_1(f_{max}-f)}{f_{max}-f_{average}}& f\&GreaterEqual;f_{average}\\ k_2& f<f_{average}\end{array}\right.---\left(19\right)$

式中，k₁和k₂∈(0.001π,0.05π)，f_max为种群中最大适应度值，f_average为当代种群的平均适应度值，f为进行量子更新的个体的适应度值。该式表示，在进行量子更新个体的适应度值低于平均适应度值，表示该个体不是优良个体，对其旋转角要采用较大的值，反之，要根据适应度值取相应的旋转角。

(3)使用模拟退火进行选择操作；

(4)坍塌测量：

通过编码染色体进行测量得到长度为m的二进制字符串p＝[x₁ x₂ … x_m]，其中，x₁ x₂… x_m为0～1之间的实数，测量过程如下：

随机产生一个0～1之间的实数r，若i＝1,2…,m，则x₁＝1；若则x₁＝0；

3)使用改进后的量子遗传算法对储能选址定容优化模型求解，包括：

(1)设定原始数据：包括分布式电源和负荷的原始功率数据，储能容量单价、贴现率和寿命值，以及遗传算法遗传代数、变异概率、种群数目和模拟退火的初始温度、终止温度以及每个温度下迭代次数；

(2)种群初始化：将储能的位置和容量以及充放电功率进行量子编码，得到初始种群，将种群各个体的量子比特编码都初始化为

(3)量子坍塌：对种群进行坍塌测量，得到一组确定的二进制染色体；

(4)目标值计算：将所有个体带入储能选址定容优化模型的潮流平衡约束公式，得到电压和网损值，将储能容量、单价、充放电功率和网损值带入储能选址定容优化模型的目标函数公式，计算得到目标值；

(5)评价每个种群的适应度。

(6)动态旋转门更新：对种群根据更新每个个体的量子位；

(7)进行模拟退火选择操作；

(8)进行佳点集交叉变异操作：

(9)判断是否达到最大代数，如果达到，则计算结束，否则将第(8)步的结果代入第(3)步，重复第(3)～第(9)步。

2.根据权利要求1所述的基于改进量子遗传算法的微网储能选址定容优化方法，其特征在于，步骤1)所述的储能选址定容优化模型的约束公式如下：

潮流平衡约束公式：

P_DG+P_HG+P_BESS＝P_L (11)

Q_DG+Q_HG+Q_BESS＝Q_L (12)

P_DG、P_HG、P_BESS、P_L分别对应为分布式电源、高压电网、储能、负荷有功功率，Q_DG、Q_HG、Q_BESS、Q_L分别对应为分布式电源、高压电网、储能、负荷无功功率。

支路潮流约束公式：

S_ijmin≤S_ij≤S_ijmax (13)

S_ijmax、S_ijmin分别为线路ij视在功率上下限，S_ij为注入支路ij的实际视在功率

电压约束公式：

$\begin{array}{c}{V}_{\min }\&le;V_{\mathrm{jr}}\&le;V_{\max }\\ j=\mathrm{0,1},...,N_{\mathrm{node}}\end{array}---\left(14\right)$

V_max、V_min分别为节点电压的上下限，V_jr为节点j的实际电压，N_node为微网节点总数。

储能荷电状态约束公式：

SOC_min≤SOC_r(i)≤SOC_max (15)

SOC_max、SOC_min分别为节点电压的上下限，SOC_r为实际储能荷电状态。

3.根据权利要求1所述的基于改进量子遗传算法的微网储能选址定容优化方法，其特征在于，步骤2)中第(2)步所述的使用模拟退火进行选择操作包括：

第1步：种群初始化，根据目标函数设定初始温度，并设置每个温度下的迭代次数L；

第2步：设定温度控制参数初值t_L＝1,t_L∈1,2,3…,L；

第3步：设当前解为f(i)，根据邻域函数产生新解为f(j)，计算f(j)增量ΔE＝f(j)-f(i)；

第4步：若ΔE<0，则接受新解，ΔE≥0，在0～1之间随机产生一个值p，e-ΔE/kt_L>p，其中，e为自然数，k为玻尔兹曼常数，则接受新解，e-ΔE/kt_L≤p，保留当前解；

第5步：t_L＝t_L+1，若t_L未达到温度控制参数L，则返回第3步，若达到温度控制参数L，则进入第6步；

第6步：若未达到冷却状态，则对当前温度实施降温，返回第2步，若己达到冷却状态，则输出当前最优解，算法结束。