配网分布式电源容量布点的模糊机会约束规划方法与系统与流程

本发明涉及配电网优化规划技术领域，特别是涉及一种配网分布式电源容量布点的模糊机会约束规划方法与系统。

背景技术：

随着社会经济建设的迅速发展，能源危机和环境问题日益凸显，传统的能源利用形式和电网结构正发生深刻的变化，作为传统大电网的有效补充和有力支撑，分布式发电技术具有投资小、清洁环保、供电可靠、发电方式灵活等优势。

随着分布式电源渗透率的增加，分布式发电系统对大电网也带来一系列的影响，例如分布式电源的并网运行改变了传统配电网的辐射状运行结构，导致系统的潮流具有双向性，对保护协调与电压调节带来了问题；比如一些分布式电源的出力随外部自然条件的变化而变化，如光伏发电、风力发电等，具有非常强的间歇性和随机性，给负荷带来了较大的冲击。由于分布式电源的接入改变了传统配电网的辐射型网架结构，潮流分布不再单一地由母线流入末端负荷，从而引起配电网网络损耗的变化，同时由于分布式电源的功率注入，对配电网的节点电压也起到了一定的支撑作用。因此合理的分布式电源接入位置和恰当的运行出力对降低配电网网损、提高电压质量起到了至关重要的作用。

分布式电源并网对配电网有很大影响，包括电压水平、线损、故障水平、网络可靠性等方面，且其影响程度与分布式电源的安装位置和容量密切相关。如何优化配置分布式电源，减小分布式电源对配电网的不良影响同时减少线损并提高供电可靠性，是分布式电源规划要解决的问题，而传统的分布式电源规划中设置的刚性约束条件无法在目标函数最优和约束条件之间取得折中。

技术实现要素：

基于此，有必要针对传统分布式电源规划中的刚性约束条件无法在目标函数最优和约束条件之间取得折中的问题，提供一种可以在目标函数最优和约束条件之间取得折中的配网分布式电源容量布点的模糊机会约束规划方法与系统。

一种配网分布式电源容量布点的模糊机会约束规划方法，分布式电源包括风力发电系统pq模型、光伏发电系统pi模型和光伏发电系统pv模型，包括步骤：

根据配电网有功损耗和分布式电源运行成本计算公式，建立分布式电源容量布点优化的目标函数；

根据潮流功率约束，建立配电网安全运行的约束条件；

根据分布式电源与负荷随机功率的概率模型，建立机会约束条件；

根据约束条件和机会约束条件，求解目标函数；

根据求解结果对分布式电源容量布点进行优化。

一种配网分布式电源容量布点的模糊机会约束规划系统，分布式电源包括风力发电系统pq模型、光伏发电系统pi模型和光伏发电系统pv模型，包括：

目标函数建立模块，用于根据配电网有功损耗和分布式电源运行成本计算公式，建立分布式电源容量布点优化的目标函数；

约束条件建立模块，用于根据潮流功率约束，建立配电网安全运行的约束条件；

机会约束条件建立模块，用于根据分布式电源与负荷随机功率的概率模型，建立机会约束条件；

函数求解模块，用于根据约束条件和机会约束条件，求解目标函数；

优化模块，用于根据求解结果对分布式电源容量布点进行优化。

上述配网分布式电源容量布点的模糊机会约束规划方法与系统，包括根据配电网有功损耗和分布式电源运行成本计算公式，建立分布式电源容量布点优化的目标函数；根据潮流功率约束，建立配电网安全运行的约束条件；根据分布式电源与负荷随机功率的概率模型，建立机会约束条件；根据约束条件和机会约束条件，求解目标函数，根据求解结果对分布式电源容量布点进行优化，该配网分布式电源容量布点的模糊机会约束规划方法与系统可以很好地解决分布式电源容量布点不确定联合规划问题，通过对不等式约束条件转化为高于一定置信水平的机会约束条件，可以在目标函数最优和约束条件之间取得折中，能很好地解决对配电网分布式电源容量布点联合优化问题，为分布式新能源发电及智能电网安全运行提供可靠的技术支撑。

附图说明

图1为一个实施例中配网分布式电源容量布点的模糊机会约束规划方法的流程示意图；

图2为一个实施例中配网分布式电源容量布点的模糊机会约束规划系统的结构示意图；

图3为一个实施例中单变电站多用户三电压等级配电系统的物理模型示意图。

具体实施方式

世界各国在电网接入可再生能源呈快速增长趋势，光伏发电接入增长是最快的，年增长率为60％；其次是风力发电和生物燃料发电，年增长率分别为27％和18％，分布式发电系统在城市配电网大规模接入是一种必然趋势。分布式电源的选址定容需要考虑一次能源的资源、地域条件和政府相关能源政策，评估分布式电源的出现对系统规划潮流、电应稳定性、继电保护、系统安全可靠性的影响，通过合理有效的优化配置方法确定分布式电源的最佳安装位置和容量，使分布式电源的效益最大化，同时保持电网运行的安全性和经济性。分布式发电对配电网的运行和规划具有重要的影响，分布式电源的出现会使电力系统的负荷预测、规划和运行与过去相比有更大的不确定性，由于用户安装分布式电源提供电能，使得配电网规划人员更加难以准确预测负荷的增长情况，从而影响后续的规划。另外，分布式电源虽然可以减少电能损耗，可以推迟或减少对电网升级的投资，但如果分布式电源的位置和规模不合适，反而可能会导致电能损耗的增加，导致网络中某些节点电压的下降或出现过电压，甚至还会改变故障电流的大小、持续时间及其方向。由此可见，对分布式电源容量布点联合优化是一个大规模的多目标寻优问题，而各个子目标之间的优化存在着相互制约相互矛盾的可能性，因此为获得正确的决策，必须对分布式电源的影响做出准确的评估，即最优化工具必须能够准确评估分布式电源对所在电网的各种影响，给出分布式电源的最优位置和规模，使得分布式电源在电网的逐步渗透过程中不会破坏电网运行的安全性和经济性。分布式电源容量布点联合优化问题在数学上是一个复杂的非线性、多目标，在离散、非凸空间上寻优的问题，理论上很难找到最优解，处理该问题的方法大致可分为经典的数学优化算法、启发式算法和人工智能算法。相对于传统的算法，人工智能算法在求解过程中不依赖于目标函数本身的数学信息，对离散、非凸空间的优化问题具有很好的适应能力，因而被广泛应用于配电网规划方面的研究。

研究配电网分布式电源容量布点联合优化问题，可以考虑把分布式电源统一处理为分布式电源的pq模型，但由于不同的分布式电源节点模型接入配电网，对各支路的潮流方向影响有较大差异，将引起配电网网络损耗的变化，配电网网络损耗与分布式电源的安装位置和分配到各节点的功率值相关，故需考虑分布式电源不同节点模型(pq模型、pi模型和pv模型)的并网特性，并在此基础上考虑分布式电源的随机出力问题。常用的确定性规划包括线性规划、非线性规划、多目标规划、目标规划、动态规划、多层规划等，但对于不确定规划问题，经典的优化理论难以准确描述和解答，而机会约束规划允许决策在一定程度上不满足约束条件，该决策使约束条件满足的概率不小于某一置信水平，从而使传统优化中的刚性约束条件保持一定程度的柔性，以在目标函数最优和满足约束条件间取得适度的折中。

在一个实施例中，如图1所示，一种配网分布式电源容量布点的模糊机会约束规划方法，分布式电源包括风力发电系统pq模型、光伏发电系统pi模型和光伏发电系统pv模型，包括步骤：

s100，根据配电网有功损耗和分布式电源运行成本计算公式，建立分布式电源容量布点优化的目标函数。

具体的，根据配电网有功损耗和分布式电源运行成本计算公式，建立分布式电源容量布点优化的目标函数f＝min(ω1f1+ω2f2)，其中，ω1、ω2为预设的两个子目标配电网有功网损f1和分布式电源运行成本f2的权重系数，且ω1+ω2＝1。更为具体地，有功损耗分布式电源运行成本其中，潮流中节点i电压vi，潮流中节点j电压vj，潮流中节点ij间电导gij，潮流中节点ij间电纳bij，潮流中节点ij间阻抗角θij，系统的运行状态空间ω包括分布式电源发电状态和负荷波动状态，p(xi)为第i个系统状态的概率，pdgk(t)为t时刻分布式电源k的有功功率，ndg为分布式电源的总数目，△r为预设的分布式电源安装与运行参数，△t为预设的运行时间。

s200，根据潮流功率约束，建立配电网安全运行的约束条件。

具体而言，建立配电网安全运行的约束条件包括：

潮流约束：

节点负荷功率约束：

分布式电源接入功率约束：

无功补偿电容器组投切容量约束：

储能设备吸放功率约束：

电动汽车充电功率约束：

节点电压约束：

pq模型容量约束：

pi模型电流约束：

idgmin≤idgi≤idgmax

pv模型电压约束：

vdgmin≤vdgi≤vdgmax

其中，潮流中节点i的有功功率pi，潮流中节点i的无功功率qi，潮流中节点i电压vi，潮流中节点j电压vj，潮流中节点i电导gii，潮流中节点i电纳bii，潮流中节点ij间电导gij，潮流中节点ij间电纳bij，潮流中节点ij间阻抗角θij，节点i的负荷功率最大值和最小值sdxi，分布式电源接入功率的最大值和最小值sdgxi，无功补偿电容器组投切容量的最大值和最小值qci，储能设备吸放功率的最大值和最小值sdsxi，电动汽车充放电功率的最大值和最小值sevxi，电压幅值的最大值和最小值vxi，风力发电系统pq模型的额定功率sdgi，光伏发电系统pi模型的输出电流的最大值和最小值idgi，光伏发电系统pv模型的端电压的最大值和最小值vdgi。

s300，根据分布式电源与负荷随机功率的概率模型，建立机会约束条件。

具体而言，建立机会约束条件包括：

节点负荷功率机会约束：

分布式电源接入功率机会约束：

无功补偿电容器组投切容量机会约束：

储能设备吸放功率机会约束：

电动汽车充电功率机会约束：

节点电压机会约束：

pq模型容量机会约束：

pi模型电流机会约束：

pr{idgmin≤idgi≤idgmax}≥β

pv模型电流机会约束：

pr{vdgmin≤vdg≤vdgmax}≥β

其中，pr{}为给定置信水平β下的概率，节点i的负荷功率最大值和最小值sdxi，分布式电源接入功率的最大值和最小值sdgxi，无功补偿电容器组投切容量的最大值和最小值qci，储能设备吸放功率的最大值和最小值sdsxi，电动汽车充放电功率的最大值和最小值sevxi，电压幅值的最大值和最小值vxi，风力发电系统pq模型的额定功率sdgi，光伏发电系统pi模型的输出电流的最大值和最小值idgi，光伏发电系统pv模型的端电压的最大值和最小值vdgi。

s400，根据约束条件和机会约束条件，求解目标函数。

进一步地，根据约束条件和机会约束条件，求解目标函数的步骤包括：

根据分布式电源容量布点优化的目标函数，构建目标函数的概率函数；

根据约束条件和机会约束条件，求解目标函数的概率函数。

目标函数的概率函数为：

其中，pr{}为给定置信水平α下的概率，为给定置信水平下目标函数f1有功损耗的最优解，为给定置信水平下目标函数f2分布式电源运行成本的最优解，潮流中节点i电压vi，潮流中节点j电压vj，潮流中节点ij间电导gij，潮流中节点ij间电纳bij，潮流中节点ij间阻抗角θij，系统的运行状态空间ω包括分布式电源发电状态和负荷波动状态，p(xi)为第i个系统状态的概率，pdgk(t)为t时刻分布式电源k的有功功率，ndg为分布式电源的总数目，△r为预设的分布式电源安装与运行参数，△t为预设的运行时间。

s500，根据求解结果对分布式电源容量布点进行优化。

上述配网分布式电源容量布点的模糊机会约束规划方法，包括根据配电网有功损耗和分布式电源运行成本计算公式，建立分布式电源容量布点优化的目标函数；根据潮流功率约束，建立配电网安全运行的约束条件；根据分布式电源与负荷随机功率的概率模型，建立机会约束条件；根据约束条件和机会约束条件，求解目标函数，根据求解结果对分布式电源容量布点进行优化，该配网分布式电源容量布点的模糊机会约束规划方法可以很好地解决分布式电源容量布点不确定联合规划问题，通过对不等式约束条件转化为高于一定置信水平的机会约束条件，可以在目标函数最优和约束条件之间取得折中，能很好地解决对配电网分布式电源容量布点联合优化问题，为分布式新能源发电及智能电网安全运行提供可靠的技术支撑。

在一个实施例中，配网分布式电源容量布点的模糊机会约束规划方法中，根据配电网有功损耗和分布式电源运行成本计算公式，建立分布式电源容量布点优化的目标函数的步骤之前还包括：

获取预设的环境数据信息，计算风力发电系统pq模型的有功功率和无功功率；

获取预设的光伏发电系统运行数据和环境预测数据，计算光伏发电系统pi模型和光伏发电系统pv模型的并网功率。

具体的，通过风力发电场所在地监控中心获取预设周期内各时段的相关环境数据信息，包括风电机组发电环境的空气密度ρwg、风电机组单位时间内所扫描的面积ht、风能利用效率参数ηwgt、考虑风速预测误差的瞬时风速值(v-δv)，计算配电网分布式风力发电系统pq模型的有功功率pwg和无功功率qwg，其中，λ为分布式风力发电系统pq模型运行的功率因数，v为风速实测值，δv为服从均值为0、标准差为σv的正态分布的风速预测误差。考虑日照强度、日照时间、日照阴影、日照偏角等的不确定性和随机性，从相关数据库中获取光伏发电系统运行数据，包括光伏发电板输出功率、接入点的短路电路值和开路电压值等，按照抽取一定周期，比如5年(以30分钟或1小时或2小时作为一个时段)的数据规模，进行概率处理、计算和分析；并根据环境预报数据，获取未来日、月、年、多年等一定周期内日照强度及其对应的日照时间等数据，由从光伏发电监控中心获取光伏阵列发出有功功率的预测值ppv.pre、光伏阵列有功出力的预测误差δω，δω服从以μ为均值、σ为标准差的正态分布，计算调度周期内某时刻太阳能光伏阵列出力的实际值ppv＝ppvpre+δω。太阳能光伏电池组所发的直流电通过电流控制型逆变器并网，形成光伏发电系统的pi模型，考虑逆变器效率的pi模型的并网功率其中，ηpv.i2为电流控制型逆变器二次效率因数，ηpv.i1电流控制型逆变器一次效率因数，cpv.i为光伏发电系统pi模型的修正系数。太阳能光伏电池组通过电压控制型逆变器并网，形成光伏发电系统的pv模型，pv模型的并网功率其中，ηpv.v2为电压控制型逆变器二次效率因数，ηpv.v1为电压控制型逆变器一次效率因数，cpv.v为光伏发电系统pv模型的修正系数。

在一个实施例中，如图2所示，一种配网分布式电源容量布点的模糊机会约束规划系统，分布式电源包括风力发电系统pq模型、光伏发电系统pi模型和光伏发电系统pv模型，包括：

目标函数建立模块100，用于根据配电网有功损耗和分布式电源运行成本计算公式，建立分布式电源容量布点优化的目标函数。

约束条件建立模块200，用于根据潮流功率约束，建立配电网安全运行的约束条件。

具体的，约束条件建立模块包括：

潮流约束单元：

节点负荷功率约束单元：

分布式电源接入功率约束单元：

无功补偿电容器组投切容量约束单元：

储能设备吸放功率约束单元：

电动汽车充电功率约束单元：

节点电压约束单元：

pq模型容量约束单元：

pi模型电流约束单元：

idgmin≤idgi≤idgmax

pv模型电压约束单元：

vdgmin≤vdgi≤vdgmax

其中，潮流中节点i的有功功率pi，潮流中节点i的无功功率qi，潮流中节点i电压vi，潮流中节点j电压vj，潮流中节点i电导gii，潮流中节点i电纳bii，潮流中节点ij间电导gij，潮流中节点ij间电纳bij，潮流中节点ij间阻抗角θij，节点i的负荷功率最大值和最小值sdxi，分布式电源接入功率的最大值和最小值sdgxi，无功补偿电容器组投切容量的最大值和最小值qci，储能设备吸放功率的最大值和最小值sdsxi，电动汽车充放电功率的最大值和最小值sevxi，电压幅值的最大值和最小值vxi，风力发电系统pq模型的额定功率sdgi，光伏发电系统pi模型的输出电流的最大值和最小值idgi，光伏发电系统pv模型的端电压的最大值和最小值vdgi。

机会约束条件建立模块300，用于根据分布式电源与负荷随机功率的概率模型，建立机会约束条件。

具体的，机会约束条件建立模块包括：

节点负荷功率机会约束单元：

分布式电源接入功率机会约束单元：

无功补偿电容器组投切容量机会约束单元：

储能设备吸放功率机会约束单元：

电动汽车充电功率机会约束单元：

节点电压机会约束单元：

pq模型容量机会约束单元：

pi模型电流机会约束单元：

pr{idgmin≤idgi≤idgmax}≥β

pv模型电流机会约束单元：

pr{vdgmin≤vdg≤vdgmax}≥β

其中，pr{}为给定置信水平β下的概率，节点i的负荷功率最大值和最小值sdxi，分布式电源接入功率的最大值和最小值sdgxi，无功补偿电容器组投切容量的最大值和最小值qci，储能设备吸放功率的最大值和最小值sdsxi，电动汽车充放电功率的最大值和最小值sevi，电压幅值的最大值和最小值vxi，风力发电系统pq模型的额定功率sdgi，光伏发电系统pi模型的输出电流的最大值和最小值idgi，光伏发电系统pv模型的端电压的最大值和最小值vdgi。

函数求解模块400，用于根据约束条件和机会约束条件，求解目标函数。

具体的，函数求解模块包括：

概率函数建立单元，用于根据分布式电源容量布点优化的目标函数，构建目标函数的概率函数；

概率函数求解单元，用于根据约束条件和机会约束条件，求解目标函数的概率函数。

优化模块500，用于根据求解结果对分布式电源容量布点进行优化。

上述配网分布式电源容量布点的模糊机会约束规划系统，可以很好地解决分布式电源容量布点不确定联合规划问题，通过对不等式约束条件转化为高于一定置信水平的机会约束条件，可以在目标函数最优和约束条件之间取得折中，能很好地解决对配电网分布式电源容量布点联合优化问题，为分布式新能源发电及智能电网安全运行提供可靠的技术支撑。

在一个实施例中，配网分布式电源容量布点的模糊机会约束规划系统中目标函数建立模块之前还包括：

pq模型功率获取模块，用于获取预设的环境数据信息，计算风力发电系统pq模型的有功功率和无功功率；

pi和pv模型功率获取模块，用于获取预设的光伏发电系统运行数据和环境预测数据，计算光伏发电系统pi模型和光伏发电系统pv模型的并网功率。

在一个实施例中，如图3所示，以单变电站多用户三电压等级配电系统物理模型为例，图中1为110kv变电站主变压器高压侧母线，2为主变压器110kv高压侧功率，3为主变压器阻抗，4为主变压器损耗，5为主变压器低压侧功率，6为110kv变电站主变压器低压侧母线，7为主变压器低压侧母线的10kv侧有1条配电支线，其注入功率为sb1；8为10kv配电线路上的第1个节点，9为主变压器低压侧母线的10kv节点1侧接入的无功补偿电容器组，10为主变压器低压侧母线的10kv节点1侧接入的电动汽车，11为主变压器低压侧母线的10kv节点1侧接入的储能设备，12为主变压器低压侧母线的10kv节点1侧的负荷，13为主变压器低压侧母线的10kv节点1侧接入的分布式电源，14为10kv高压侧功率，15为10kv变压器阻抗，16为注入10kv低压侧的380v节点1侧的功率，17为10kv低压侧的380v节点1侧接入的电动汽车，18为10kv低压侧的380v节点1侧的负荷，19为10kv低压侧的380v节点1侧接入的分布式电源，20为主变压器低压侧母线的10kv侧有1条配电支线，其注入功率为sb2；21为10kv配电线路上的第2个节点，22为110kv低压侧母线的10kv配电线路nab-1的首端功率，23为110kv低压侧母线的10kv配电线路nab-1的线路阻抗，24为110kv低压侧母线的10kv配电线路nab-1的线路损耗，25为110kv低压侧母线的10kv配电线路nab-1的末端功率，26为10kv节点nab侧有1条配电支线，其注入功率为sbnba；27为10kv配电线路上的第nab个节点，28为10kv节点nab侧接入的无功补偿电容器组，29为10kv节点nab侧接入的电动汽车，30为10kv节点nab侧接入的储能设备，31为10kv节点nab侧的负荷，32为10kv节点nab侧接入的分布式电源，33为10kv节点nab高压侧功率，34为10kv节点nab变压器阻抗，35为注入10kv低压侧的380v节点nab侧的功率，36为10kv低压侧的380v节点nab侧接入的电动汽车，37为10kv低压侧的380v节点nab侧的负荷，38为10kv低压侧的380v节点nab侧接入的分布式电源，其中nab＝1,2，…，n。

针对图3所示的三电压等级的配电网系统，在该配电系统中接入的分布式电源模型为风力发电系统的pq模型、光伏发电系统的pi模型和pv模型，考虑到各节点位于不同地理区域，各区域的设备差异、风能资源、风速特性等因素造成风电机组出力的不确定性，以及各区域环境温度、日照强度、日照时间、日照阴影、日照偏角等因素造成光伏电源出力的随机性，配电网分布式电源的位置和容量规划难度增加。配电网分布式电源的位置和容量规划优化方法中的决策变量包括离散型变量和连续型变量，对配电线路中的分布式电源运行参数和线路有功网络损耗同时进行优化，为供电管理以及电网调度运行提供必要的技术支撑。三电压等级的配电系统包括n个负荷节点，通过一条馈线与上一级变压器低压侧连接，分布式风力发电系统的pq模型、光伏发电系统的pi模型和pv模型主要接入10kv中压配电系统，少量光伏发电系统的pi模型接入380kv低压配电系统，假设10kv配电支路第i个节点上的负荷功率为sdai，分布式电源接入功率为sdgai，无功补偿电容器组的投切容量为qci，储能设备的吸放功率为sdsai，电动汽车的充放电功率为sevai以及电压幅值为vai；380v配电支路第i个节点上的负荷功率为sdbi，分布式电源接入功率为sdgbi，电动汽车的充放电功率为sevbi，电压幅值为vbi；第i个节点上的负荷功率最大值和最小值分别为sdxi，分布式电源接入功率的最大值和最小值分别为sdgxi，无功补偿电容器组投切容量的最大值和最小值分别为qci，储能设备吸放功率的最大值和最小值分别为sdsai，电动汽车充放电功率的最大值和最小值别为sevxi，电压幅值的最大值和最小值分别为vxi，其中下标x＝a或b，用a标识10kv中压配电系统，b标识380v低压配电系统；风力发电系统pq模型的的额定功率为sdgi，光伏发电系统pi模型输出电流的最大值和最小值分别为idgi，光伏发电系统pv模型机端电压的最大值和最小值分别为vdgi。配电网分布式电源容量布点联合优化的前提是确保电网安全经济可靠运行，并受制于配电网功率平衡关系和潮流等式约束关系，基于机会约束规划的配电网分布式电源容量布点联合优化的方法，包括构建配电系统等效物理模型，建立以配电网经济性与稳定性为前提的分布式电源运行成本与有功损耗最小的多目标函数，将约束条件转化为高于一定置信水平的机会约束条件，使刚性约束条件具有一定程度的柔性，以在目标函数最优和满足约束条件间取得适度的折中，实现对不确定规划问题的有效求解。

首先，从风力发电场所在地监控中心获取一定周期内各时段的相关环境数据信息，包括风电机组发电环境的空气密度ρwg、风电机组单位时间内所扫描的面积ht，风能利用效率参数ηwgt、考虑风速预测误差的瞬时风速值(v-△v)，计算pq模型分布式风力发电系统有功功率和无功功率：

上式中，λ为分布式风力发电系统pq模型运行的功率因数，v为风速实测值，风速预测误差△v服从均值为0、标准差为σv的正态分布。

其次，考虑日照强度、日照时间、日照阴影、日照偏角等的不确定性和随机性，从相关数据库中获取光伏发电系统运行数据，包括光伏发电板输出功率、接入点的短路电路值和开路电压值等，按照抽取一定周期，比如5年(以30分钟或1小时、2小时作为一个时段)的数据规模，进行概率处理、计算和分析。根据环境预报数据，获取未来日、月、年、多年等一定周期内日照强度及其对应的日照时间等数据，从光伏发电监控中心获取光伏阵列发出有功功率的预测值ppv.pre、光伏阵列有功出力的预测误差△ω，计算调度周期内某时刻的太阳能光伏阵列出力的实际值：

ppv＝ppvpre+△ω

上式中，△ω服从以μ为均值、σ为标准差的正态分布。

太阳能光伏电池组所发的直流电通过电流控制型逆变器并网，形成光伏发电系统的pi模型，考虑逆变器效率的pi模型并网功率为：

上式中，ηpv.i2为电流控制型逆变器二次效率因数，ηpv.i1电流控制型逆变器一次效率因数，cpv.i为光伏发电系统pi模型的修正系数。

太阳能光伏电池组通过电压控制型逆变器并网，形成光伏发电系统的pv模型，考虑逆变器效率的pv模型并网功率为：

上式中，ηpv.v2为电压控制型逆变器二次效率因数，ηpv.v1电压控制型逆变器一次效率因数，cpv.v为光伏发电系统pv模型的修正系数。

然后，构建配电网分布式电源容量布点联合优化的目标函数：

f＝min(ω1f1+ω2f2)

式中，f1、f2分别为配电网有功网损和分布式电源运行成本的两个目标函数；其中，ω1、ω2分别为两个子目标的的权重系数，且ω1+ω2＝1。

从电网能量管理系统获取相关数据，包括：设第i个节点上的负荷功率最大值和最小值分别为sdxi，分布式电源接入功率的最大值和最小值分别为sdgxi，无功补偿电容器组投切容量的最大值和最小值分别为qci，储能设备吸放功率的最大值和最小值分别为sdsai，电动汽车充放电功率的最大值和最小值别为sevxi，电压幅值的最大值和最小值分别为vxi，其中下标x＝a或b；风力发电系统pq模型的额定功率为sdgi，光伏发电系统pi模型的输出电流的最大值和最小值分别为idgi，光伏发电系统pv模型的机端电压的最大值和最小值分别为vdgi，构建如下约束条件：

sdai+sdsai+sevai+s'tai+lli＝sdgai+qci+sbi

sevbi+sdbi+llai＝s'tai+sdgbi

idgmin≤idgi≤idgmax

vdgmin≤vdg≤vdgmax

考虑分布式电源随机接入与随机出力的问题，结合分布式电源与负荷随机功率的概率模型，将上述问题转化为约束条件中含随机变量的机会约束规划问题，定义系统的运行状态空间ω由分布式电源发电的状态和负荷波动的状态组成，针对配电网分布式电源容量布点联合优化问题构建如下机会约束条件：

式中，pr{·}为给定置信水平β下的概率。

基于机会约束条件的配电网分布式电源容量布点联合优化的目标函数的概率表示形式为：

其中，pr{}为给定置信水平α下的概率，为给定置信水平下目标函数f1有功损耗的最优解，为给定置信水平下目标函数f2分布式电源运行成本的最优解，潮流中节点i电压vi，潮流中节点j电压vj，潮流中节点ij间电导gij，潮流中节点ij间电纳bij，潮流中节点ij间阻抗角θij，p(xi)为第i个系统状态的概率，pdgk(t)为t时刻分布式电源k的有功功率，ndg为分布式电源的总数目，△r为预设的分布式电源安装与运行参数，△t为预设的运行时间。

最后，通过改进的模拟退火粒子群算法求解优化后的决策变量，包括：pq模型的分布式风力发电系统运行参数sdgi，pi模型和pv模型的光伏发电系统运行参数idgi和vdgi，电容器组的投切容量qci，储能设备的吸放功率sdsi以及电动汽车的充放电功率sevi。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。