CN117767369B - 一种考虑中长期规划的储能选址和分级配置方法 - Google Patents

Abstract

一种考虑中长期规划的储能选址和分级配置方法，包括以下步骤：首先，采用耦合分位数回归分析和基于标准差加权距离的密度峰值聚类算法得到配电网的典型净负荷场景集，以描述新能源出力和负荷的不确定性；其次，基于储能充电和放电两种状态下对配电网的损耗的影响不同，综合考虑配电网各节点网损敏感度的日变化情况，提出基于网损敏感度的标准差的储能选址方法；综合考虑储能的经济性，电能质量，中长期规划对储能容量的逐渐增加的需求，建立储能的三目标优化配置模型；最后，基于全局和局部帕累托前沿的多模态多目标优化算法对所建立模型进行求解。该模型在保证经济性和电能质量的同时加入了储能的分级容量扩展，以应对未来配电网的变化。

Description

一种考虑中长期规划的储能选址和分级配置方法

技术领域

本发明涉及一种考虑中长期规划的储能选址和分级优化配置方法，属于储能优化配置领域。

背景技术

随着我国能源结构的转变，在建设生态文明、发展低碳经济，积极实现能源的可持续发展和利用的背景下，具有投资少、灵活性高、环境友好等优势的新能源发电被广泛应用和推广，以摆脱对传统化石能源的依赖。但是，新能源发电的出力取决于环境的光照或风力，导致新能源发电的输出具有随机性和波动性，当新能源发电不能满足负荷需求时，需要足够的备用容量来满足此时的需求，当新能源输出大于负荷需求时，会向主网反送功率，产生额外的网络损耗，提高电网电压，极大影响了电网的安全性和稳定性。针对上述问题，电池储能以其响应速度快、灵活性高的优势，可以实现能量时空上的转换，以进行削峰填谷和保持电力的供需平衡，提高了电网的供电质量和可靠性，但电池储能的建设成本相对较高，需要综合考虑储能的经济性以及其对电网的影响，进行储能的优化选址和配置。净负荷的不确定性增加了储能优化配置的难度，其不确定性表现为预测功率与实际功率之间误差的不确定性。同时，由于储能在一天的运行周期内的不同时间的运行方式不同，不同时刻对网损的影响也不相同。另外，在电网的中长期规划中，新能源的安装容量和负荷需求的阶段性增长增加了对储能扩容的需求。如何高效合理的构建电网的中长期规划模型，如何进行储能选址和分级优化配置是行业内迫切需要解决的问题。

发明内容

针对上述问题，本发明提供一种考虑储能可扩展容量的储能选址和优化配置方法，首先，采用耦合分位数回归分析和基于标准差加权距离的密度峰值聚类算法得到配电网的典型净负荷场景集，以描述新能源出力和负荷的不确定性；其次，考虑储能充电和放电两种状态下对配电网的损耗的影响不同，提出基于网损敏感度的标准差的储能选址方法，综合考虑了配电网各节点网损敏感度的日变化情况；综合考虑储能的经济性，电能质量，中长期规划对储能容量的逐渐增加的需求，建立储能的三目标优化配置模型；最后，基于全局和局部帕累托前沿的多模态多目标优化算法对所建立模型进行求解。在优化配置模型中加入了储能的分解容量扩展，得到了考虑多因素均衡的储能配置节点和容量，同时为满足后续的负荷增长和新能源装机规模增长提供了足够的储能可扩展容量。

具体的，本发明为解决上述技术问题而采用以下技术方案：

一种考虑中长期规划的储能选址和分级配置方法，包括以下步骤：

S1：将密度峰值聚类算法DPC进行改进，提出基于标准差加权距离的密度峰值聚类算法，使其能够充分考虑单个特征对相似性和后续聚类的不同贡献，并用于场景聚类；

S2：采用耦合分位数回归分析与基于标准差加权距离的DPC算法得到配电网的典型净负荷场景集，以描述新能源出力和负荷的不确定性；

S3：考虑储能充电和放电两种状态下对配电网的损耗的影响不同，基于节点的网损敏感度标准差确定储能接入节点的顺序；

S4：采用基于两因素结合的混合灵敏度指数减容逼近法得到储能的分级容量扩展的数学模型；

S5：根据配电网的典型净负荷场景和基于节点网损敏感度标准差的储能选址依据，构建配电网的储能优化配置模型，优化目标包括经济性最优、电压偏差最小，以及分级容量扩展最大；

S6：采用考虑全局和局部帕累托前沿的多模态多目标优化算法求解配电网的储能优化配置模型，并采用基于熵权法的灰靶决策得到配电网的最优储能配置方案。

进一步的，步骤S1具体包括如下步骤：

标准化待处理的数据，计算各数据间的标准偏差加权距离，计算各数据的局部密度和其他具有较高局部密度的点之间的最小标准差加权距离，检测密度峰值，得到聚类中心，检测聚类过程中的异常值，通过KNN算法将非异常值分配给最合适的聚类中心，通过FKNN算法将异常值分配给合适的聚类中心。

进一步的，步骤S2具体包括如下步骤：

基于耦合分位数回归分析方法建立净负荷实际功率分位数和预测功率的线性映射关系，通过插值计算历史净负荷实际功率对应的分位数，利用logit函数将服从0-1分布的分位数集合转换为服从逻辑斯蒂分布的集合，采用基于标准差加权距离的密度峰值聚类算法对净负荷场景进行缩减，利用logit逆函数将缩减后的分位数集合转化为服从均匀分布的集合，最后根据分位数回归拟合方法和插值计算得到净负荷场景集以及相应的概率。

优选的，步骤S3具体包括如下步骤：

对所述配电网进行潮流计算，计算各节点的负荷在t时段造成的网损，计算各节点的网损敏感度，进而计算各节点的平均网损敏感度，最后计算各节点的网损敏感度标准差，将节点的网损敏感度标准差的大小作为储能选址的依据。

进一步的，节点i的网损敏感度标准差的计算公式为：

式中：SDNL_i为节点i的网损敏感度标准差，T_SD为一个调度周期，SNL_i(t)为节点i在t时刻的网损敏感度，为节点i的平均网损敏感度，

然后，对每个节点的SDNL_i进行排序，并选择SDNL_i较大的节点作为储能优先接入的节点。

进一步的，步骤S4包括如下步骤：

S41：对于选定的节点，预设一个初始值，并按照一定步长进行削减；

S42：采用电压偏差灵敏度和负荷波动灵敏度加权求和的方式计算得到选定节点的混合灵敏度指数；

S43：恢复节点的储能容量，继续执行S31，直至计算所有节点为止；

S44：选择灵敏度最大的节点，将该节点的储能容量进行削减，重新进行潮流计算，判断是否满足终止条件或安全约束，如果不满足则执行S41，将削减后的各节点的容量求和。

进一步的，步长公式如下：

式中，N为迭代次数，N_max为计算储能可扩展容量的最大迭代次数，N_BESS为配置储能的节点数，为第N次迭代时节点j的储能容量，ξ为步长。

优选的，混合灵敏度指数计算为：

S_i＝η_ldS_ld+η_udS_ud (9)

式中：S_i表示混合灵敏度指数，η_ld和η_ud分别为电压偏差重要性系数和负荷波动重要性系数，S_ud为电压偏差灵敏度，S_ld为负荷波动灵敏度，U_d,N和L_d,N分别代表第N次迭代时的电压偏差和负荷波动。

进一步的，储能的分级容量扩展SCES如下式表示：

式中，为节点j经削减后的储能容量。

优选的，配电网的储能优化配置模型约束条件包括系统运行约束和储能配置约束，系统运行约束包括节点功率平衡约束、节点电压约束；储能配置约束包括储能的功率和容量约束、储能充放电约束、SOC约束和储能安装位置约束。

与现有技术相比，本发明的有益效果：

1、本发明对密度峰值聚类算法进行改进，提出基于标准差加权距离的密度峰值聚类算法，使其能够充分考虑单个特征对相似性和后续聚类的不同贡献，并用于场景聚类，本发明能够充分考虑单个特征对相似性和后续聚类的不同贡献。DPC算法常用于社区检测、机器故障诊断等，本发明将其改进并用于净负荷场景聚类，相比于常见的k-means聚类算法，具有聚类中心不敏感、不需要事先确定聚类数目等明显优势；

2、本发明充分考虑储能充电和放电两种状态下对配电网的损耗的影响不同，基于节点的网损敏感度标准差确定储能接入节点的顺序，通过综合考虑各节点网损灵敏度的日常变化，确定配电网各节点储能接入的优先级。储能充电时，相当于负载，有效地增加了节点的负载，增加了网络损耗，在这种情况下，应该选择对活跃网络损耗敏感度较低的节点，以最大限度地减少由于充电而增加的网络损耗；当储能放电时，它相当于电源，可以有效地降低节点的负载和上级电网输电造成的损耗，在这种情况下，应该选择对网络损耗更敏感的节点，以最大限度地减少来自上级电网的传输所造成的损耗。因此，在确定储能接入节点的顺序时，不能仅将t时段的网损敏感性作为储能选址的依据，基于节点的网损敏感度标准差确定储能接入节点的顺序。

3、本发明设计分级容量扩展目标，在配电网储能的中长期规划中，需要留有足够的储能分级容量扩展以维持电力供需平衡，因此将储能的分级容量扩展最大作为第三优化目标。在满足当前负荷需求和新能源装机规模的前提下，为后续的负荷增长提供足够的储能承载潜力，同时有效地解决了中长期规划中新能源装机规模逐渐增大带来的新能源消纳问题，进而增强了配电网的可靠性。

附图说明

图1为本发明整体流程示意图；

图2为系统净负荷场景集生成流程图；

图3为储能分级容量扩展的数学模型推导流程。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明。本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明提出一种考虑中长期规划的储能选址和分级配置方法，如图1所示，一种考虑中长期规划的储能选址和分级配置方法，具体包括以下步骤：首先，采用耦合分位数回归分析和基于标准差加权距离的密度峰值聚类算法得到配电网的典型净负荷场景集，以描述新能源出力和负荷的不确定性；其次，考虑储能充电和放电两种状态下对配电网的损耗的影响不同，综合考虑配电网各节点网损敏感度的日变化情况，提出基于网损敏感度的标准差的储能选址方法；综合考虑储能的经济性，电能质量，中长期规划对储能容量的逐渐增加的需求，建立储能的三目标优化配置模型；最后，基于全局和局部帕累托前沿的多模态多目标优化算法对所建立模型进行求解。该模型在保证经济性和电能质量的同时加入了储能的分级容量扩展，以应对未来配电网的变化，可以得到满足当前负荷需求和新能源规模的多因素均衡的储能配置节点和容量，同时更有效地应对负荷增长、实现节能减排。

具体的，该方法包括以下具体步骤：

步骤S1如图2所示，

首先，将待处理的数据标准化，计算各数据间的标准偏差加权距离，

式中，sd_ij表示点i和点j之间的标准偏差加权距离；x_i和x_j为数据点，且x_i＝(x_i1,...,x_im)，x_j＝(x_j1,...,x_jm)，n是数据集中的点数，m是每个样本的特征数，ξ_k表示某一特征占总离散程度的比例，s_k表示数据特征的标准差，表示平均数据点。

计算各数据的局部密度υ_i和距离ψ_i，

式中：Φ_i是由点i的K个最邻近的点组成的点集，υ_i表示局部密度；ψ_i表示距离。

检测密度峰值，得到聚类中心，检测聚类过程中的异常值，通过KNN算法将非异常值分配给最合适的聚类中心，通过FKNN算法将异常值分配给合适的聚类中心。

接下来，计算净负荷实际功率的分位数与预测功率的线性映射关系。

设随机变量y<y_σ的概率为σ，则y_σ为y的σ分位数；设高比例新能源系统的净负荷实际功率矩阵、预测功率矩阵分别为P_a、P_p，p_a(i,j)、p_p(i,j)分别为P_a、P_p的第i行第j列元素，分别表示第i日净负荷实际功率、预测功率的第j个采样点；在σ分位数情况下，采用分位数回归拟合p_a(i,j)的分位数与p_p(i,j)的线性映射关系，如下式：

p_a,σ(i,j)＝a_σp_p(i,j)+b_σ (18)

式中，a_σ、b_σ为线性拟合曲线的参数值。

估计参数a_σ、b_σ：

式中，F(σ)为σ目标函数；y_σ(x)为检验函数。I、J分别为净负荷总场景数、日采样点数。不同的σ值可获得不同的曲线拟合参数，对于同一预测功率P_p，相应可以得到1组实际功率的分位数点

步骤S2：典型净负荷场景的生成。

通过插值计算得到历史净负荷实际功率p_a(i,j)对应的分位数{σ_i,j|i＝1,2…,I；j＝1,2,…,J}；令N_I,J＝[σ_i,j]，采用logit函数将服从0-1分布的N_I,J转换为I个服从J维逻辑斯蒂分布的L_J(μ,∑)(μ、∑为多元逻辑斯蒂分布的参数)；采用基于标准差加权距离的密度峰值聚类算法(Density Peak Clustering Algorithm,DPC)将I个净负荷场景缩减为m个典型净负荷场景，并获取其分布概率ω_per,m；采用logit逆函数将m个服从J维逻辑斯蒂分布的向量转换为m个服从均匀分布的向量N_J＝[σ_s,1σ_s,2…σ_s,J]^T，其中l＝1，2，…,m，σ_s,j(j＝1,2,…,J)为典型净负荷场景s第j个采样点的分位数；利用分位数回归拟合方法获取已知净负荷预测功率的分位数矩阵P_a,σ，然后根据P_a,σ对所得m个分位数向量N_J组成的矩阵进行线性插值，获得对应净负荷预测功率序列的m个净负荷典型场景集，如下式所示：

ω_per,m＝[ω₁ ω₂ ... ω_m]^T (22)

式中，[p_a,i,1p_a,i,2…p_a,i,J]^T(i＝1,2,…,k)第i个净负荷场景的净负荷功率向量；ω_i为第i个净负荷场景的分布概率。

步骤S3：进行配电网的潮流计算，计算节点的网损敏感度标准差。

进行潮流计算，计算节点i的负荷在t时段内造成的网损。

式中，P_i(t)和Q_i(t)分别为t时段流入节点i的有功功率和无功功率；U_i为节点i在t时段的电压；R_i为系统始端到节点i的等效电阻。

计算节点i的网损敏感度。

式中：SNL_i为节点i的网损敏感度。

计算节点i的平均网损敏感度。

式中：为节点i的平均网损敏感度；T_SD为一个调度周期。

计算节点i的网损敏感度标准差。

式中：SDNL_i为节点i的网损敏感度标准差。

对每个节点的SDNL_i进行排序，并选择SDNL_i较大的节点作为储能优先接入的节点。

步骤S4如图3所示，

首先，计算各节点储能容量削减的步长。

对于选定的节点，预设一个足够大的初始值。

式中，δ是比例系数，作用是使得削减后的储能的容量小于初始容量；为第j台储能的额定容量。

对储能容量进行削减，步长如下式。

式中，N为迭代次数，N_max为计算储能可扩展容量的最大迭代次数；N_BESS为配置储能的节点数；为第N次迭代时节点j的储能容量；ξ为步长，将会影响计算精度和速度，其取决于最大迭代次数。

恢复节点的储能容量，继续计算下一节点，直至计算所有节点为止。

计算节点的灵敏度指数。

S_i＝η_ldS_ld+η_udS_ud (29)

式中：η_ld和η_ud为系数，根据电压偏差和负荷波动的重要性进行设置；S_ud为电压偏差灵敏度，S_ld为负荷波动灵敏度；U_d,N和L_d,N分别代表第N次迭代时的电压偏差和负荷波动。

电压偏差和负荷波动的数学模型如下式：

式中，U(t)为t时段节点的电压，U_N为额定电压；P_L(t)为t时段的负荷，P_RES(t)为t时段新能源的出力，P_dis/cha(t)为t时段储能的充/放电功率，为调度周期内的平均负荷。

选择S_i最大的节点，将该节点的储能容量按步长减少，然后重新进行潮流计算。判断是否满足终止条件或安全约束，如果不满足则执行S5，否则继续下一步，将削减后的节点的容量进行求和，储能的分级容量扩展如下式表示。

式中，为节点j经削减后的储能容量。

步骤S5：综合考虑储能的经济性、电压偏差和储能的分级容量扩展，建立储能的三目标优化配置模型。

首先，以储能的经济性最优建立优化模型。

minF₁＝F_inv+F_OM-F_S-P-F_sub (35)

式中，F_inv为储能的等年值投资成本；F_OM为储能的运维成本；F_S-P为低储高发套利；F_sub为消纳新能源出力的补偿。

其中：

式中，P_BESS,j和E_BESS,j分别为第j台储能的配置功率和容量；α和β分别为储能的单位功率和单位容量成本；T_BESS为储能的使用年限；ζ为折现率，采用加权平均资金成本计算。

式中，C_OM为运维系数，表示储能的年运维成本占等值年投资成本的比例。

式中：ω_s为场景s发生的概率；P_dis,j(t)和P_cha,j(t)分别为第j台储能在t时段内的放电和充电功率；TOU(t)为t时段内的分时电价；T为储能的一个调度周期。

式中，C_cur为减少弃电的单位补偿电价；P_cur,j(t)为节点j消纳的新能源出力。

其次，以系统电压偏差最小为优化目标。

式中，U_d,i为节点i的电压偏差。

式中，U_i(t)为t时段内节点i的电压；U_N为额定电压。

最后，以储能的分级容量扩展最大为优化目标。

minF₃＝-SCES (42)

式中：SCES为储能分级容量扩展。

至此，通过上述计算步骤建立储能的三目标优化模型。

对所述模型的约束条件如下。

(1)节点功率平衡约束

式中，U_j(t)为t时段节点j的电压；θ_ij为t时段节点i和节点j的电压相位差；G_ij和B_ij为节点i和节点j之间的线路的等效电导和电纳。

(2)节点电压约束

U_i,min≤U_i(t)≤U_i,max (44)

式中，U_i,max和U_i,min分别为节点i的电压的上下限。

(3)储能的功率和容量约束

式中，E_BESS,max、E_BESS,min、P_BESS,max、P_BESS,min分别为储能配置容量的上下限和配置功率的上下限。

(4)储能充放电约束

式中，τ_cha和τ_dis分别为储能的充电效率和放电效率。

(5)设置SOC约束

SOC_min≤SOC_j(t)≤SOC_max (47)

式中，SOC_max和SOC_min分别为储能的SOC的上下限。

储能t时段的SOC如式()

式中，Δt为充放电时长。

(6)设置储能安装位置约束

式中，J_BESS,j为第j台储能的安装节点；J_grid为配电网与主网的联络点。需要说明的是，储能可以安装在非联络节点的任意节点，但不能安装在同一节点，同时优先安装在网损敏感度标准差较大的节点。

步骤S6：求解所述三目标优化模型

输入配电网各节点的负荷和支路参数、光伏参数等原始数据。设置多模态多目标优化算法的参数和变量约束；初始化种群R，计算式(23)、式(28)和式(30)的适应度函数，并确保满足式(31)-式(37)的约束；计算种群的局部收敛指标T_LC和拥挤距离d_c，将所述两项指标作为挑选父代个体的依据；通过T_LC和d_c，基于二元竞争方式确定父代种群；通过交叉变异产生后代种群Q；通过环境选择产生新的种群R；判断是否满足收敛条件，如果满足则返回最终的R作为Pareto最优解，采用基于熵权法的灰靶决策选择最终解。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种考虑中长期规划的储能选址和分级配置方法，其特征在于，包括以下步骤：

S1：将密度峰值聚类算法DPC进行改进，提出基于标准差加权距离的密度峰值聚类算法，使其能够充分考虑单个特征对相似性和后续聚类的不同贡献，并用于场景聚类；

S2：采用耦合分位数回归分析与基于标准差加权距离的DPC算法得到配电网的典型净负荷场景集，以描述新能源出力和负荷的不确定性；

S3：考虑储能充电和放电两种状态下对配电网的损耗的影响不同，基于节点的网损敏感度标准差确定储能接入节点的顺序；

S4：采用基于两因素结合的混合灵敏度指数减容逼近法得到储能的分级容量扩展的数学模型；

S5：根据配电网的典型净负荷场景和基于节点网损敏感度标准差的储能选址依据，构建配电网的储能优化配置模型，优化目标包括经济性最优、电压偏差最小，以及分级容量扩展最大；

S6：采用考虑全局和局部帕累托前沿的多模态多目标优化算法求解配电网的储能优化配置模型，并采用基于熵权法的灰靶决策得到配电网的最优储能配置方案；

步骤S4包括如下步骤：

S41：对于选定的节点，预设一个初始值，并按照一定步长进行削减；

S42：采用电压偏差灵敏度和负荷波动灵敏度加权求和的方式计算得到选定节点的混合灵敏度指数；

S43：恢复节点的储能容量，继续执行S31，直至计算所有节点为止；

S44：选择灵敏度最大的节点，将该节点的储能容量进行削减，重新进行潮流计算，判断是否满足终止条件或安全约束，如果不满足则执行S41，将削减后的各节点的容量求和；

步长公式如下：

式中，N为迭代次数，N_max为计算储能可扩展容量的最大迭代次数，N_BESS为配置储能的节点数，为第N次迭代时节点j的储能容量，ξ为步长；

混合灵敏度指数计算为：

S_i＝η_ldS_ld+η_udS_ud (2)

式中：S_i表示混合灵敏度指数，η_ld和η_ud分别为电压偏差重要性系数和负荷波动重要性系数，S_ud为电压偏差灵敏度，S_ld为负荷波动灵敏度，U_d,N和L_d,N分别代表第N次迭代时的电压偏差和负荷波动。

2.根据权利要求1所述的一种考虑中长期规划的储能选址和分级配置方法，其特征在于，步骤S1具体包括如下步骤：

标准化待处理的数据，计算各数据间的标准偏差加权距离，计算各数据的局部密度和其他具有较高局部密度的点之间的最小标准差加权距离，检测密度峰值，得到聚类中心，检测聚类过程中的异常值，通过KNN算法将非异常值分配给最合适的聚类中心，通过FKNN算法将异常值分配给合适的聚类中心。

3.根据权利要求1所述的一种考虑中长期规划的储能选址和分级配置方法，其特征在于：步骤S2具体包括如下步骤：

基于耦合分位数回归分析方法建立净负荷实际功率分位数和预测功率的线性映射关系，通过插值计算历史净负荷实际功率对应的分位数，利用logit函数将服从0-1分布的分位数集合转换为服从逻辑斯蒂分布的集合，采用基于标准差加权距离的密度峰值聚类算法对净负荷场景进行缩减，利用logit逆函数将缩减后的分位数集合转化为服从均匀分布的集合，最后根据分位数回归拟合方法和插值计算得到净负荷场景集以及相应的概率。

4.根据权利要求1所述的一种考虑中长期规划的储能选址和分级配置方法，其特征在于，步骤S3具体包括如下步骤：

对所述配电网进行潮流计算，计算各节点的负荷在t时段造成的网损，计算各节点的网损敏感度，进而计算各节点的平均网损敏感度，最后计算各节点的网损敏感度标准差，将节点的网损敏感度标准差的大小作为储能选址的依据。

5.根据权利要求4所述的一种考虑中长期规划的储能选址和分级配置方法，其特征在于，节点i的网损敏感度标准差的计算公式为：

式中：SDNL_i为节点i的网损敏感度标准差，T_SD为一个调度周期，SNL_i(t)为节点i在t时刻的网损敏感度，为节点i的平均网损敏感度，

然后，对每个节点的SDNL_i进行排序，并选择SDNL_i较大的节点作为储能优先接入的节点。

6.根据权利要求1所述的一种考虑中长期规划的储能选址和分级配置方法，其特征在于，

储能的分级容量扩展SCES如下式表示：

式中，为节点j经削减后的储能容量。

7.根据权利要求1所述的一种考虑中长期规划的储能选址和分级配置方法，其特征在于：

配电网的储能优化配置模型约束条件包括系统运行约束和储能配置约束，系统运行约束包括节点功率平衡约束、节点电压约束；储能配置约束包括储能的功率和容量约束、储能充放电约束、SOC约束和储能安装位置约束。