技术特征：
1.一种配网侧分布式储能优化调度方法，其特征在于，所述配网包括分布式储能、分布式电源、配网节点、配网线路和配网变压器，所述方法包括以下步骤：获取多个历史时刻的配网数据和对应的变量数据，并根据所述变量数据得到各历史时刻配电网的安全裕度数据，其中，所述配网数据包括所述分布式储能的功率、所述分布式电源的出力、市场电价、用电负荷，所述变量数据包括节点电压、线路电流和变压器功率，所述安全裕度数据包括电压安全裕度值、电流安全裕度值和负载安全裕度值；建立表征配电网安全运行边界的深度神经网络模型，其中，所述深度神经网络模型的输入为储能的功率、电源的出力、市场电价和用电负荷，输出为电压安全裕度值、电流安全裕度值和负载安全裕度值；利用所述配网数据和所述安全裕度数据，训练所述深度神经网络模型并得到配电网安全约束条件；结合所述配电网安全约束条件，构建内嵌配电网安全约束的储能约束条件和储能成本收益函数；根据所述储能约束条件和所述储能成本收益函数，建立并求解储能优化调度的混合整数线性规划模型。2.根据权利要求1所述的配网侧分布式储能优化调度方法，其特征在于，通过下式分别得到t时刻配电网的电压安全裕度值电流安全裕度值和负载安全裕度值和负载安全裕度值和负载安全裕度值和负载安全裕度值其中，v
max
和v
min
分别为电压上限值和电压下限值，n
bus
为配网节点集合，v
it
为历史t时刻节点i的电压；i
j，max
为线路j的电流上限值，n
branch
为配网线路集合，为历史t时刻线路j的电流；p
m，max
为变压器m的负载功率上限值，n
transfo
为配网变压器集合，为历史t时刻变压器m的功率。3.根据权利要求2所述的配网侧分布式储能优化调度方法，其特征在于，所述深度神经网络模型包括依次连接的输入层、第一隐含层、激活层、第二隐含层和输出层，所述第一隐含层和所述第二隐含层的总层数为l，各层的神经元数为n
l
，所述激活层的激活函数为relu(x)，其中，各层间神经元权重的矩阵关系如下：x1＝w1·
y
in
+b1，y
1，k
＝max{x
1，k
，0}，k＝1，2，3，...，n1x2＝w2·
y1+b2，y
2，k
＝max{x
2，k
，0}，k＝1，2，3，...，n2…
其中，为历史t时刻分布式储能s的功率，为历史t时刻分布式
电源n的出力，为历史t时刻配网的总用电负荷，为历史t时刻的市场电价，y
in
为所述深度神经网络模型的输入，x1为隐含层1的输入，w
l
，l＝1，2，...，l和b
l
，l＝1，2，...，l分别为n
l
×
n
l-1
维和n
l
×
1维的神经网络线性参数矩阵和偏倚向量，y
l，k
为隐含层l第k个神经元的权重，x
l，k
为隐含层l第k个神经元的输入，x2为隐含层2的输入，y1为隐含层1的输出，y
′
out
为所述深度神经网络模型的输出。4.根据权利要求3所述的配网侧分布式储能优化调度方法，其特征在于，所述利用所述配网数据和所述安全裕度数据，训练所述深度神经网络模型并得到配电网安全约束条件，包括：步骤3-1，建立所述深度神经网络模型的损失函数；步骤3-2，随机初始化神经网络参数w
l
和b
l
，l＝1，2，...，l；步骤3-3，从所述配网数据和所述安全裕度数据中随机抽取若干组数据构成训练数据集n
batch
，对应的数据标注为ξ∈n
batch
，将所述训练数据集中的训练数据输入至所述深度神经网络模型，并采用前向传播算法计算各层的输入x
l
和输出y
l
；步骤3-4，通过反向传播算法得到令所述损失函数最小化的w
l
和b
l
；步骤3-5，重复步骤3-3和3-4直至所述损失函数不再降低，并将此时的w
l
和b
l
分别记为和得到训练好的深度神经网络模型；步骤3-6，根据所述训练好的深度神经网络模型，得到一组混合整数线性形式的配电网安全约束条件。5.根据权利要求4所述的配网侧分布式储能优化调度方法，其特征在于，所述损失函数通过下式表示：其中，f
dnn
(y
in
|w，b)表示所述深度神经网络模型的预测输出值，y
out
为实际输出值。6.根据权利要求4所述的配网侧分布式储能优化调度方法，其特征在于，所述根据所述训练好的深度神经网络模型，得到一组混合整数线性形式的配电网安全约束条件，包括：获取待优化时刻的配网数据；将所述待优化时刻的配网数据输入至所述训练好的深度神经网络模型，得到一组混合整数线性形式的配电网安全约束条件，如下：y
1，k
＝max{x
1，k
，0}k＝1，2，3，...，n1y
2，k
＝max{x
2，k
，0}，k＝1，2，3，...，n2…
其中，为待优化t时刻分布式储能s的功率，为待优化t时刻分布式电源n的出力，为待优化t时刻配网的总用电负荷，为待优化t时刻的市场电价，形如y＝max{x，0}的约束条件采用以下标准形式：
y≥x，y≥0，y≤x+g
·
(1-c)，y≤g
·
c，c为0-1整数变量，g为充分大的正实数。7.根据权利要求6所述的配网侧分布式储能优化调度方法，其特征在于，所述结合所述配电网安全约束条件，构建内嵌配电网安全约束的储能约束条件和储能成本收益函数，包括：步骤4-1，构建储能电量的动态方程：其中，e
s，t
为储能s在待优化t时刻的电量，η
c
与η
d
分别为储能的充电效率和放电效率，δt为优化调度的时间颗粒度，优化调度变量和分别为储能s在待优化t时刻的充电功率和放电功率；步骤4-2，构建储能的充放电功率和电量的运行约束条件如下：2，构建储能的充放电功率和电量的运行约束条件如下：2，构建储能的充放电功率和电量的运行约束条件如下：2，构建储能的充放电功率和电量的运行约束条件如下：其中，为储能s在待优化t时刻的充放电状态，取0-1变量，为储能s的功率容量，为储能s的最大电池能量；步骤4-3，构建储能充放电功率的安全约束条件如下：3，构建储能充放电功率的安全约束条件如下：以及所述混合整数线性形式的配电网安全约束条件；步骤4-4，构建储能充放电功率的循环寿命折损成本如下：其中，e
s，τ
为e
s，t
在1，
…
，t上的第τ个极点，c
s
为e
s，t
极点的集合，为储能s的电池投资成本，k
p
为拟合曲线常数，为储能的满循环失效次数；步骤4-5，构建分布式储能的新能源消纳收益如下：其中，为所有分布式储能t时刻在配电网内消纳的新能源电量，λ
re
为新能源消纳的单位电量收益式，构建储能在电力市场中的充放电套利收益如下：8.根据权利要求7所述的配网侧分布式储能优化调度方法，其特征在于，所述根据所述储能约束条件和所述储能成本收益函数，建立并求解储能优化调度的混合整数线性规划模
型，包括：根据所述循环寿命折损成本、所述新能源消纳收益和所述充放电套利收益，得到储能充放电优化调度的目标函数；根据所述运行约束条件和安全约束条件，将所述目标函数转化为混合整数线性规划模型并求解，得到优化后的分布式储能的充电功能功率和放电功率。9.根据权利要求8所述的配网侧分布式储能优化调度方法，其特征在于，所述目标函数通过下式表示：max(f
ea
+f
re-f
rc
)。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-9中任一项所述的配网侧分布式储能优化调度方法。
技术总结
本发明公开了一种配网侧分布式储能优化调度方法、存储介质，配网包括分布式的储能、电源和配网的节点、线路、变压器，方法包括：获取多个历史时刻的配网数据和对应的变量数据，根据变量数据得到电压、电流、负载的安全裕度值，配网数据包括储能的功率、电源的出力、市场电价、用电负荷，变量数据包括节点电压、线路电流和变压器功率；建立表征配电网安全运行边界的深度神经网络模型，输入为配网数据，输出为安全裕度值；利用配网数据和安全裕度数据训练模型并得到配电网安全约束条件，结合约束条件构建内嵌配电网安全约束的储能约束条件和储能成本收益函数；根据储能约束条件和储能成本收益函数建立并求解储能优化调度的混合整数线性规划模型。性规划模型。性规划模型。
技术研发人员：李晓鹏 皇甫奋宇 李岩 孙晓新 赵启新 苏雅亨
受保护的技术使用者：内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司
技术研发日：2022.03.11
技术公布日：2022/6/10