CN111932012B - 储能系统-分布式电源-电容器综合控制无功优化方法 - Google Patents

Abstract

本发明公开了储能系统‑分布式电源‑电容器综合控制无功优化方法，建立目标函数，按照预设算法进行定容选址计算，得到预设函数的候选解，并对第一最优解优化处理，挖掘出第二最优解，根据多策略融合的粒子群优化算法获得的最优帕累托前沿，确定当前优化问题的目标理想点以及每个第二最优解到理想点的欧式距离平方，得出决策折中解；本发明使用多种元件组合优化电能质量，提高配电网对分布式电源的消纳能力，并改善系统无功功率分布及电压水平，降低网络损耗；本发明引入多策略融合的粒子群优化算法对陷入局部最优的个体执行彻底搜索，具备较强的全局搜索能力，以及局部搜索能力，粒子跳出局部能力较强，大幅度地降低了种群陷入早熟收敛的概率。

Description

储能系统-分布式电源-电容器综合控制无功优化方法

技术领域

本发明属于电网优化技术领域，具体涉及储能系统-分布式电源-电容器综合控制无功优化方法。

背景技术

近年来我国分布式电源发展迅速，多省份形成了“点多面广，局部高密度并网”的发展态势。高渗透率的分布式电源改变了中低压配电网的潮流和电压分布，部分配电台区出现功率倒送、电压过高或网损增加的现象。传统的配电网规划调度大都针对理想情况下的系统进行配置，并未考虑分布式电源出力及负荷的不确定性。在对分布式电源选址定容时，如果将优化所得的分布式能源最佳出力作为安装容量，则只能以很小概率，甚至无法达到预期优化目标。

发明内容

本发明的目的是提供储能系统-分布式电源-电容器综合控制无功优化方法，提高配电网对分布式电源的消纳能力，并改善系统无功功率分布及电压水平，降低网络损耗。

本发明采用的技术方案是，储能系统-分布式电源-电容器综合控制无功优化方法，具体按照以下步骤实施：

步骤1、建立储能系统-分布式电源-电容器综合控制的数学模型；

步骤2、根据数据模型，计算使储能系统-分布式电源-电容器综合控制下的有功网损、电压偏差以及无功补偿容量为最小的目标函数；

步骤3、按照预设粒子群优化算法进行定容定址计算，并在候选解附近挖掘出第一最优解；

步骤4、根据多策略融合的粒子群算法对第一最优解进行多策略融合优化处理，捕获第二最优解；

步骤5、将第二最优解作为最优帕累托前沿，对通过最优帕累托前沿获得的目标函数进行归一化处理，确定当前优化问题的目标理想点以及每个最优帕累托前沿到理想点的欧式距离平方，得出决策折中解，根据决策折中解配置分布式电源选址及储能电池定容。

本发明的特点还在于：

数学模型为：

风力发电有功出力为：

式中，k₁,k₂表示形状参数，k₁＝P_r/(v_r-v_ci)，k₂＝-k₁v_ci；P_r表示风力发电机额定功率；v_ci,v_r,v_co表示切入风速、额定风速和切出风速；

光伏发电出力特性：

光照强度变化一般服从Beta分布，对应概率密度曲线为：

式中，r_max表示最大光照强度；α,β表示Beta分布形状参数；Γ表示Gramma函数；

光伏有功出力与光照强度、光照面积及光电转换效率等因素有关，其对应的概率密度曲线为：

式中，P_s表示光伏有功出力，P_s＝rAη，其中r为光照强度，A为光照面积，η为光电转换效率；P_max表示光伏最大输出功率；

储能系统的充放电功率可表示为：

式中：和/>分别为t时段储能系统的放电和充电功率值；/>和/>分别为t时段储能系统的放电和充电状态变量，值为0时表示非，值为1时表示是。

使储能系统-分布式电源-电容器综合控制下的有功网损、电压偏差以及无功补偿容量为最小具体为：

式中，U_i,U_j,θ_ij分别为节点i,j的电压幅值及两者间的相角差；Y_ij为节点i和j之间的导纳；N_l代表所有支路集合；为节点j的额定电压值；N_j为总的节点集合；Q_ci为第i节点无功补偿的容量；N_c为补偿候选节点集合。

目标函数中有功、无功、电压、蓄电池容量、碳排放量应满足预设约束条件。

预设约束条件具体为：

用储能系统-分布式电源-电容器综合控制下的潮流方程作为等式约束，以状态变量和控制变量作为不等式约束，确定潮流方程约束、分布式电源无功出力约束、电压约束、补偿容量约束、蓄电池功率约束、碳排放约束：

U_i,min≤U_i≤U_i,max

式中，n为网络支路数；P_i,Q_i分别为节点i注入的有功功率和无功功率；U_i,max和U_i,min分别为节点i电压上、下限值；分别为时段t内分布式电源无功出力最大、最小值；/>和/>分别为储能系统允许的最大充电和放电功率值；e_t为时段t的碳排放量；MTEA为最大允许碳排放量。

步骤3具体过程为：

将所设目标函数的候选解作为粒子个体，粒子在优化空间里的位置代表求解优化问题的变量有功网损、电压偏差以及无功补偿容量，粒子在优化空间中通过学习自身经历作为个体最优p_best与社会经历作为全局最优g_best，改变自身飞行的速度和方向，以获取全局最佳点；

假设在D维的搜索空间中，种群大小为N；其中，第i个粒子的位置X_i＝(x_i,1,x_i,2,...,x_i,D)和速度V_i＝(v_i,1,v_i,2,...,v_i,D)的更新公式即第一最优解为：

式中，v_i，d(t+1)和x_i，d(t+1)分别为第i个粒子的第d维在第t+1代的速度和位置，w为惯性权重，c₁和c₂为学习系数，r₁和r₂为[0,1]间均匀分布的随机数；

式中，t为当前迭代次数，T为总迭代次数，w_max,w_min分别为最大权重、最小权重。

步骤4多策略融合具体为：三黑洞系统捕获策略、多维随机干扰策略、早熟扰动策略融合。

步骤4具体过程为：x_i被三黑洞系统捕获后，粒子位置为：

其中：x_max/x_min为粒子搜索区域的上/下限，常数阈值p₁,p₂∈[0,1]，且p₁＞p₂，r₃为[-1,1]的随机数；

设常数阈值pp∈[0,1]，对每一粒子的每一维产生一随机数k∈[0,1]，若k≤pp，则采取干扰策略：

其中：为干扰程度，r₄为[-1,1]的随机数；

当满足下式时，重置粒子的位置，使其随机分布在g_best附近，从而潜在地跳出局部最优，得到第二最优解，即：

|F_g(t)-F_g(t-1)|＜0.01·|F_g(t)|

x(t)＝(gbest(t)+gbest(t-1))·r_a

其中：F_g(t),F_g(t-1)分别为第t/t-1代全局最优对应的函数值，r_a为[-1,1]的随机数。

步骤5具体过程为：

步骤5.1、将第二最优解作为最优帕累托前沿，对通过最优帕累托前沿获得的目标函数进行归一化处理：

式中:y_h表示第h个目标函数的归一值；x^m代表第m个第二最优解；

步骤5.2、归一化后的帕累托前沿理想点为(0,0,0)，即计算出每个最优帕累托前沿到理想点的欧式距离平方：

式中:E_m为第m个最优帕累托前沿到理想点的欧式距离平方；ω_h为第h个目标的权重系数；

步骤5.3、构造各个目标的最优权重模型：

步骤5.4、决策折中解可确定为：

更新后的决策折中解即全局最佳点，根据所述全局最佳点信息配置分布式电源选址及储能电池定容。

本发明的有益效果是：

本发明储能系统-分布式电源-电容器综合控制无功优化方法，一方面，使用多种元件组合优化电能质量，解决实际问题中分布式电源出力不足，以及电能质量较差的问题，可显著提高配电网对分布式电源的消纳能力，并改善系统无功功率分布及电压水平，降低网络损耗；另一方面，通过预设算法，引入多策略融合的粒子群优化算法对陷入局部最优的个体执行彻底搜索，在迭代前期具备较强的全局搜索能力，后期具备较强的局部搜索能力，粒子跳出局部能力较强，大幅度地降低了种群陷入早熟收敛的概率。

附图说明

图1为本发明储能系统-分布式电源-电容器综合控制无功优化方法流程图；

图2为本发明实施例中输电线路模型图；

图3为本发明实施例中多策略融合的粒子群优化算法优化的理想点决策示意图；

图4为本发明实施例中两目标函数下不同算法的种群粒子算法前沿比较示意图；

图5为本发明实施例中三目标函数下不同算法的种群粒子算法前沿比较示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明储能系统-分布式电源-电容器综合控制无功优化方法，具体按照以下步骤实施：

考虑到分布式电源出力的随机性和不确定性，计及储能接入影响确定分布式电源的最佳安装容量，解决实际问题中由于分布式电源出力不足导致的系统运行无法达到最优解的问题，可显著提高配电网对清洁能源的消纳能力，并改善系统电压水平，减少网络损耗。

步骤1、建立储能系统-分布式电源-电容器综合控制的数学模型；

数学模型为：

风力发电有功出力为：

式中，k₁,k₂表示形状参数，k₁＝P_r/(v_r-v_ci)，k₂＝-k₁v_ci；P_r表示风力发电机额定功率；v_ci,v_r,v_co表示切入风速、额定风速和切出风速；

光伏发电出力特性：

光照强度变化一般服从Beta分布，对应概率密度曲线为：

式中，r_max表示最大光照强度；α,β表示Beta分布形状参数；Γ表示Gramma函数；

光伏有功出力与光照强度、光照面积及光电转换效率等因素有关，其对应的概率密度曲线为：

式中，P_s表示光伏有功出力，P_s＝rAη，其中r为光照强度，A为光照面积，η为光电转换效率；P_max表示光伏最大输出功率；

根据预测风速和光照获取分布式电源有功出力和相应无功调节范围，风速和光照不确定性传导至实际有功输出，进而导致可用无功容量不确定性。假设时段t预测有功出力为实际出力可能为P_t ^DG,H或P_t ^DG,L，对应无功极限为/>和/> 有功出力变化扩展无功极限，满足无功调控；/>分布式电源无功调节范围收缩，将越极限调节。

储能系统的充放电功率可表示为：

式中：和/>分别为t时段储能系统的放电和充电功率值；/>和/>分别为t时段储能系统的放电和充电状态变量，值为0时表示非，值为1时表示是。

本发明为了解决配电网络中由于网络元件单一而造成的电能质量较差，线路末端电压较低的问题，对影响配电网输电能力因素无功补偿设备容量进行分析。

无功优化的目的主要是在满足电网电压和无功调节设备的实际运行条件约束下，通过调整系统的无功分布减少系统网损，提高系统运行的长期经济性。无功补偿设备的静态补偿容量可以近似看作是电容值为C的电容器的补偿容量。图2为输电线路模型图，U_i和U_j分别为输电线路首端电压和此条输电线的末端电压，P_ij和Q_ij是线路流过的的有功功率和无功功率，X_ij为线路电抗，ΔU为线路的电压损耗。由下式可知，在线路末端补偿无功功率Q_c可以改变电力网的无功潮流分布，减少线路无功流动，减小线路电压损耗，提高线路末端电压，从而改善用户的电能质量。

本发明为了解决配电网络中由于网络元件单一而造成的电能质量较差，分布式发电清洁能源消纳效率不足的问题，通过合理地配置DG的地点以及储能系统的容量，以提高清洁能源的利用率，优化电能质量，采用储能系统-分布式电源-电容器联合控制，以有功网损、电压偏差及无功补偿容量为目标函数。

步骤2、根据数据模型，计算使储能系统-分布式电源-电容器综合控制下的有功网损、电压偏差以及无功补偿容量为最小的目标函数；

使储能系统-分布式电源-电容器综合控制下的有功网损、电压偏差以及无功补偿容量为最小具体为：

式中，U_i,U_j,θ_ij分别为节点i,j的电压幅值及两者间的相角差；Y_ij为节点i和j之间的导纳；N_l代表所有支路集合；为节点j的额定电压值；N_j为总的节点集合；Q_ci为第i节点无功补偿的容量；N_c为补偿候选节点集合。

要确保电网安全可靠的运行，目标函数中有功、无功、电压、蓄电池容量、碳排放量应满足预设约束条件。

预设约束条件具体为：

用储能系统-分布式电源-电容器综合控制下的潮流方程作为等式约束，以状态变量和控制变量作为不等式约束，确定潮流方程约束、分布式电源无功出力约束、电压约束、补偿容量约束、蓄电池功率约束、碳排放约束：

U_i,min≤U_i≤U_i,max

式中，n为网络支路数；P_i,Q_i分别为节点i注入的有功功率和无功功率；U_i,max和U_i,min分别为节点i电压上、下限值；分别为时段t内分布式电源无功出力最大、最小值；/>和/>分别为储能系统允许的最大充电和放电功率值；e_t为时段t的碳排放量；MTEA为最大允许碳排放量。

步骤3、按照预设粒子群优化算法进行定容定址计算，将所设函数的候选解作为粒子个体，粒子在优化空间的位置代表求解优化问题的变量有功损耗、电压偏差、无功补偿容量，通过在优化空间中改变位置向量获取全局最佳点，作为第一最优解；步骤3具体过程为：

将所设目标函数的候选解作为粒子个体，粒子在优化空间里的位置代表求解优化问题的变量有功网损、电压偏差以及无功补偿容量，粒子在优化空间中通过学习自身经历作为个体最优p_best与社会经历作为全局最优g_best，改变自身飞行的速度和方向，以获取全局最佳点；

假设在D维的搜索空间中，种群大小为N；其中，第i个粒子的位置X_i＝(x_i,1,x_i,2,...,x_i,D)和速度V_i＝(v_i,1,v_i,2,...,v_i,D)的更新公式即第一最优解为：

式中，v_i,d(t+1)和x_i,d(t+1)分别为第i个粒子的第d维在第t+1代的速度和位置，w为惯性权重，c₁和c₂为学习系数，r₁和r₂为[0,1]间均匀分布的随机数；

式中，t为当前迭代次数，T为总迭代次数，w_max,w_min分别为最大权重、最小权重。

步骤4、根据多策略融合的粒子群算法对第一最优解进行多策略融合优化处理，捕获第二最优解；

多策略融合具体为：三黑洞系统捕获策略、多维随机干扰策略、早熟扰动策略融合。

步骤4具体过程为：

三黑洞系统捕获策略：

若x_i被三黑洞系统捕获后，分别以g_best、(g_best+x_max)/2和(g_best+x_min)/2为中心，r为黑洞半径，形成三个黑洞区域。产生一随机数l₁∈[0,1]。若l₁＞p₁，则x_i被系统中黑洞1捕获；若l₁∈[p₂,p₁]，则x_i被黑洞2捕获；若l₁＜p₂，则x_i被黑洞3捕获，被捕获后的粒子位置为：

其中：x_max/x_min为粒子搜索区域的上/下限，常数阈值p₁,p₂∈[0,1]，且p₁＞p₂，r₃为[-1,1]的随机数；

多维随机干扰策略：

设常数阈值pp∈[0,1]，对每一粒子的每一维产生一随机数k∈[0,1]，若k≤pp，则采取干扰策略：

其中：为干扰程度，r₄为[-1,1]的随机数；

早熟扰动策略：

当满足下式时，重置粒子的位置，使其随机分布在g_best附近，从而潜在地跳出局部最优，得到第二最优解，即：

|F_g(t)-F_g(t-1)|＜0.01·|F_g(t)|

x(t)＝(gbest(t)+gbest(t-1))·r_a

其中：F_g(t),F_g(t-1)分别为第t/t-1代全局最优对应的函数值，r_a为[-1,1]的随机数。

步骤5、将第二最优解作为最优帕累托前沿，对通过最优帕累托前沿获得的目标函数进行归一化处理，确定当前优化问题的目标理想点以及每个最优帕累托前沿到理想点的欧式距离平方，得出决策折中解，即为储能系统-分布式电源-电容器综合控制无功分布。

步骤5具体过程为：

步骤5.1、将第二最优解作为最优帕累托前沿，对通过最优帕累托前沿获得的目标函数进行归一化处理：

式中:y_h表示第h个目标函数的归一值；x^m代表第m个第二最优解；

步骤5.2、归一化后的帕累托前沿理想点为(0,0,0)，即计算出每个最优帕累托前沿到理想点的欧式距离平方：

式中:E_m为第m个最优帕累托前沿到理想点的欧式距离平方；ω_h为第h个目标的权重系数；

步骤5.3、构造各个目标的最优权重模型：

步骤5.4、决策折中解可确定为：

更新后的决策折中解即全局最佳点，如图3所示，获取全局最佳点信息，全局最佳点信息包括有功损耗、电压偏差、无功补偿容量信息，根据所述全局最佳点信息配置分布式电源选址及储能电池定容。

实施例

由图4和图5所示可知，在设定同样的迭代步数、种群数量及存储池规模情况下，多策略融合的粒子群优化算法MSPSO获得的帕累托前沿明显比其他2种粒子群算法更逼近理想帕累托前沿，同时其分布要较为均匀。

表1给出了储能系统-分布式电源-电容器综合控制无功优化和仅考虑电容器无功优化的帕累托结果对比。

表1

根据表1可以看出，当考虑储能系统-分布式电源-电容器综合控制无功优化时，帕累托前沿在每个目标的最大值与最小值之间相差更大，分布更广，同时每个目标的最小值明显更低，这充分说明储能系统-分布式电源-电容器综合控制无功优化可以明显提高电网运行的经济性和安全性。

表2给出了不同算法在IEEE33节点测试系统下获得帕累托前沿统计指标对比结果:

表2

根据表2可知，MSPSO多策略融合的粒子群优化算法的指标最大最小值差别更大，这说明获得的帕累托前沿分别更广；同时算法获得的最好指标均是最低的。

通过上述方式，本发明储能系统-分布式电源-电容器综合控制无功优化方法，通过建立目标函数，使储能系统-分布式电源-电容器综合控制下的有功网损、电压偏差以及无功补偿容量为最小，按照预设算法进行定容选址计算，得到预设函数的候选解，并对挖掘出的第一最优解进行优化处理后挖掘出第二最优解，根据多策略融合的粒子群优化算法获得的最优帕累托前沿，确定当前优化问题的目标理想点以及每个非支配解到理想点的欧式距离平方，得出决策折中解。一方面，使用多种元件组合优化电能质量，解决实际问题中分布式电源出力不足，以及电能质量较差的问题，可显著提高配电网对分布式电源的消纳能力，并改善系统无功功率分布及电压水平，降低网络损耗；另一方面，通过预设算法，及引入多策略融合的粒子群优化算法对陷入局部最优的个体执行彻底搜索，在迭代前期具备较强的全局搜索能力，后期具备较强的局部搜索能力，粒子跳出局部能力较强，大幅度地降低了种群陷入早熟收敛的概率。

Claims (7)

1.储能系统-分布式电源-电容器综合控制无功优化方法，其特征在于，具体按照以下步骤实施：

步骤1、建立储能系统-分布式电源-电容器综合控制的数学模型；

步骤2、根据数据模型，计算使储能系统-分布式电源-电容器综合控制下的有功网损、电压偏差以及无功补偿容量为最小的目标函数；

步骤3、按照预设粒子群优化算法进行定容定址计算，并在候选解附近挖掘出第一最优解；

步骤4、根据多策略融合的粒子群算法对第一最优解进行多策略融合优化处理，捕获第二最优解；所述多策略融合具体为：三黑洞系统捕获策略、多维随机干扰策略、早熟扰动策略融合；具体过程为：x_i被三黑洞系统捕获后，粒子位置为：

其中：x_max/x_min为粒子搜索区域的上/下限，常数阈值p₁,p₂∈[0,1]，且p₁>p₂，r₃为[-1,1]的随机数；

设常数阈值pp∈[0,1]，对每一粒子的每一维产生一随机数k∈[0,1]，若k≤pp，则采取干扰策略：

其中：为干扰程度，r₄为[-1,1]的随机数；

当满足下式时，重置粒子的位置，使其随机分布在g_best附近，从而潜在地跳出局部最优，得到第二最优解，即：

|F_g(t)-F_g(t-1)|<0.01·|F_g(t)|

x(t)＝(gbest(t)+gbest(t-1))·r_a

其中：F_g(t),F_g(t-1)分别为第t/t-1代全局最优对应的函数值，r_a为[-1,1]的随机数；

步骤5、将第二最优解作为最优帕累托前沿，对通过最优帕累托前沿获得的目标函数进行归一化处理，确定当前优化问题的目标理想点以及每个最优帕累托前沿到理想点的欧式距离平方，得出决策折中解，根据决策折中解配置分布式电源选址及储能电池定容。

2.根据权利要求1所述储能系统-分布式电源-电容器综合控制无功优化方法，其特征在于，所述数学模型为：

风力发电有功出力为：

式中，k₁,k₂表示形状参数，k₁＝P_r/(v_r-v_ci)，k₂＝-k₁v_ci；P_r表示风力发电机额定功率；v_ci,v_r,v_co表示切入风速、额定风速和切出风速；

光伏发电出力特性：

光照强度变化一般服从Beta分布，对应概率密度曲线为：

式中，r_max表示最大光照强度；α,β表示Beta分布形状参数；Γ表示Gramma函数；

光伏有功出力与光照强度、光照面积及光电转换效率等因素有关，其对应的概率密度曲线为：

式中，P_s表示光伏有功出力，P_s＝rAη，其中r为光照强度，A为光照面积，η为光电转换效率；P_max表示光伏最大输出功率；

储能系统的充放电功率可表示为：

式中：和/>分别为t时段储能系统的放电和充电功率值；/>和/>分别为t时段储能系统的放电和充电状态变量，值为0时表示非，值为1时表示是。

3.根据权利要求1所述储能系统-分布式电源-电容器综合控制无功优化方法，其特征在于，所述使储能系统-分布式电源-电容器综合控制下的有功网损、电压偏差以及无功补偿容量为最小具体为：

式中，U_i,U_j,θ_ij分别为节点i,j的电压幅值及两者间的相角差；Y_ij为节点i和j之间的导纳；N_l代表所有支路集合；为节点j的额定电压值；N_j为总的节点集合；Q_ci为第i节点无功补偿的容量；N_c为补偿候选节点集合。

4.根据权利要求1所述储能系统-分布式电源-电容器综合控制无功优化方法，其特征在于，所述目标函数中有功、无功、电压、蓄电池容量、碳排放量应满足预设约束条件。

5.根据权利要求4所述储能系统-分布式电源-电容器综合控制无功优化方法，其特征在于，所述预设约束条件具体为：

用储能系统-分布式电源-电容器综合控制下的潮流方程作为等式约束，以状态变量和控制变量作为不等式约束，确定潮流方程约束、分布式电源无功出力约束、电压约束、补偿容量约束、蓄电池功率约束、碳排放约束：

U_i,min≤U_i≤U_i,max

式中，n为网络支路数；P_i,Q_i分别为节点i注入的有功功率和无功功率；U_i,max和U_i,min分别为节点i电压上、下限值；分别为时段t内分布式电源无功出力最大、最小值；和/>分别为储能系统允许的最大充电和放电功率值；e_t为时段t的碳排放量；MTEA为最大允许碳排放量。

6.根据权利要求1所述储能系统-分布式电源-电容器综合控制无功优化方法，其特征在于，步骤3具体过程为：

将所设目标函数的候选解作为粒子个体，粒子在优化空间里的位置代表求解优化问题的变量有功网损、电压偏差以及无功补偿容量，粒子在优化空间中通过学习自身经历作为个体最优p_best与社会经历作为全局最优g_best，改变自身飞行的速度和方向，以获取全局最佳点；

假设在D维的搜索空间中，种群大小为N；其中，第i个粒子的位置X_i＝(x_i,1,x_i,2,...,x_i,D)和速度V_i＝(v_i,1,v_i,2,...,v_i,D)的更新公式即第一最优解为：

式中，v_i,d(t+1)和x_i,d(t+1)分别为第i个粒子的第d维在第t+1代的速度和位置，w为惯性权重，c₁和c₂为学习系数，r₁和r₂为[0,1]间均匀分布的随机数；

式中，t为当前迭代次数，T为总迭代次数，w_max,w_min分别为最大权重、最小权重。

7.根据权利要求1所述储能系统-分布式电源-电容器综合控制无功优化方法，其特征在于，步骤5具体过程为：

步骤5具体过程为：

步骤5.1、将第二最优解作为最优帕累托前沿，对通过最优帕累托前沿获得的目标函数进行归一化处理：

式中:y_h表示第h个目标函数的归一值；x^m代表第m个第二最优解；

步骤5.2、归一化后的帕累托前沿理想点为(0,0,0)，即计算出每个最优帕累托前沿到理想点的欧式距离平方：

式中:E_m为第m个最优帕累托前沿到理想点的欧式距离平方；ω_h为第h个目标的权重系数；

步骤5.3、构造各个目标的最优权重模型：

步骤5.4、决策折中解可确定为：

更新后的决策折中解即全局最佳点，根据所述全局最佳点信息配置分布式电源选址及储能电池定容。