一种基于电池储能系统优化配置的油区电网灵活供电方法与流程

1.本技术属于电池储能系统技术领域，更具体地说，涉及一种基于电池储能系统优化配置的油区电网灵活供电方法。


背景技术：

2.由于新疆油区电网运行环境的复杂性和多工况的影响，导致油区用户用电可靠性及用电质量受到一定程度的影响，从而使得用户产生经济损失；传统的解决方案是采用集中式蓄电池进行电能质量改善或者在停电时进行供电以保证生产的正常运行；然而，集中式蓄电池一次性投资较大，蓄电池的运行维护较为困难，对于大多数用户来说经济性较低；同时，由于对生产负荷预测不清楚，油区用户相关变压器容量存在冗余或不足的现象，用户变压器改造投资也存在技术及经济性问题。
3.相比之下，采用云储能模式时，云储能供应商可以通过调动周边分布式储能设备，根据油区用户的实时用电需求进行供电，改善用户用电质量，同时也能合理改善相关变压器容量不匹配的问题；此外，云储能模式具有灵活性和可扩展性，可以根据用户需求进行容量和数量的调整，从而提高用户用电的经济性和可靠性。
4.然而，目前储能配置方案主要存在如下几点问题：
5.1.随着油区用户生产规模扩大，设备的应用使得对电能质量以及供电需求有了更高的要求；而配电网由于各种影响因素会造成电能质量甚至断电问题，因此对于油区部分用户需要配置储能装置进行改善；现有储能装置基本是集中式储能，一次投资大，运行维护繁琐；另一方面，设计规划时油区变压器容量与实际生产不匹配，容易造成资源浪费；
6.2.云储能供应商对油区用户电质量认识不清楚，缺乏合理的用电可靠性指标体系，对如何配置合理的储能装置容量以及位置存在不确定性。
7.3.云储能供应商缺乏对云储能方案合理的评判性，难以量化用户储能需求，达到用户与供应商的利益双赢。


技术实现要素：

8.本发明提供了一种基于电池储能系统优化配置的油区电网灵活供电方法，拟解决背景技术中所提到的问题。
9.一种基于电池储能系统优化配置的油区电网灵活供电方法，包括以下步骤：
10.建立用电可靠性指标，将所建立的用电可靠性指标存储到数据库中；调用所述库中所存储的用电可靠性指标，并通过topsis熵权法对油区用户用电可靠性进行评估，得到用电可靠性比例系数ci；并将得到的可靠性比例系数ci存储到数据库中；
11.获取与收益分析和支出分析相关的数据，并将所述数据存储到数据库中，基于数据库中存储的相关数据进行收益分析和支出分析，并将分析结果存储到数据库中；调用数据库中存储的收益分析和支出分析结果，基于收益分析和支出分析的结果得到电网运行的净收益，并将所得到的净收益存储到数据库中，所述收益分析基于用电可靠性比例系数ci进行计算；
12.调用数据库中存储的可靠性比例系数ci和电网运行的净收益，基于用电可靠性比例系数ci以及电网运行的净收益，采用粒子群算法与萤火虫优化算法对储能装置的容量以及位置进行分配；所述粒子群算法中引入有动态自适应参数控制机制；
13.建立经济性影响指标，并将经济影响指标存储到数据库中；调用数据库中存储的经济影响指标，基于sobol全局敏感性分析算法和somm机器学习算法对经济影响性进行分析，再基于分析结果，调整收益分析和支出分析中的相关参数。
14.本发明首先对油区用户电能数据进行分析，提出针对油区用户合理的用电可靠性指标，然后通过改进粒子群算法结合萤火虫算法，对云储能相关分布式储能装置进行优化配置；最后，通过考虑云储能供应方案的经济性指标，通过somm神经网络改进sobol全局灵敏度分析算法分析各影响因素对云储能方案收益影响，进而改进云储能配置方案，达到经济性与可靠性的需求。
15.优选的，所述用电可靠性指标包括供电侧指标和用户侧指标；
16.所述供电侧指标包括供电停电次数和供电停电时间；
17.所述用户侧指标包括用电可靠率、用户短时停电时间、用户停电时间、用户侧停电次数、重复停电次数、部分设备停运次数以及电压合格率；
18.所述用电可靠率基于用户侧电压质量合格可用供应时间与总统计时间之比得到；
19.所述用户短时停电时间为统计时间内停电时间小于3min的总停电时长；
20.所述用户停电时间为统计时间内总停电时长；
21.所述用户侧停电次数为统计时间内总停电次数；
22.所述重复停电次数为统计时间内月停电次数超过两次及以上；
23.所述部分设备停运次数为由于电能质量问题导致的系统不停电但是部分设备停运次数；
24.所述电压合格率为统计时间内电压合格时长与统计时长的比值；
25.所述供电停电次数为统计时间内电网侧原因导致的用户停电次数；
26.所述供电停电时间为统计时间内电网侧原因导致的用户电网停电时长。
27.优选的，通过topsis熵权法对油区用户用电可靠性进行评估，得到用电可靠性比例系数ci的具体步骤如下：
28.步骤1：构建m
×
n阶原始数据矩阵x：
[0029][0030]
式中：x
ij
代表第i个样本第j项评价指标的数值，i代表样本，i＝{1,2,3
……
m}；j代表评价指标，j＝{1,2,3
……
n}；
[0031]
步骤2：对各项评价指标进行预处理；
[0032]
步骤3：基于预处理后的结构建立比重矩阵：
[0033][0034]
式中：x’ij
表示x
ij
预处理后的数值，p
ij
表示第j个指标中第i个用户标志值的比重；其中0≤p
ij
≤1，基于此得出新的矩阵p：
[0035][0036]
步骤4：根据得到的矩阵p计算第i个指标的熵值ei：
[0037][0038]
式中，m为矩阵x行数；
[0039]
步骤5：基于所得到的熵值计算第j个指标的差异程度，再基于差异程度计算第j个指标的权重：
[0040]dj
＝1-ej；
[0041][0042]
式中：dj表示第j个指标的差异程度，wj表示第j个指标的权重；
[0043]
步骤6：对原始数据矩阵中的数据进行数据平方和归一化，并对其加权，得到新的矩阵z：
[0044][0045][0046]
步骤7：基于所建立的新矩阵z，建立最优值向量和最劣值向量z
+
和z-：
[0047][0048][0049]
式中：指选取第j列中最小值；指选取第j列中最大值；j＝{1,2,3
……
n}；
[0050]
步骤8：分别计算所评价的用户与正理想解距离d
+
和负理想解距离d-：
[0051][0052][0053]
式中：z
ij
为矩阵z中第i行第j列的元素；表示第i个指标与最大值的距离；表示第i个指标与最小值的距离；
[0054]
步骤9：根据步骤8中所得到的正理想解距离d
+
和负理想解距离d-计算得出接近程度值c；并对接近程度值c进行排序；
[0055][0056]
式中：ci表示第i个样本的接近程度值c。
[0057]
优选的，所述净收益的计算方式如下：
[0058]
f＝f1+f
2-c
1-c2；
[0059]
式中：f1表示降低需量电费带来的收益，f2表示提高用电可靠性带来的收益；其中c1表示储能装置的安装成本，c2表示储能装置的运行维护成本。
[0060]
优选的，所述收益分析和支出分析的具体步骤如下：
[0061]
收益分析：
[0062]
计算投资回收时间：
[0063][0064]
式中：t
t
为投资回收时间，i
t
与o
t
分别为第t年的资金转入和流出，ir为通货膨胀率，d为贴现率；t为时间；
[0065]
计算降低需量电费带来的收益f1：
[0066][0067]
式中：y为变压器每年运行月数，b
p
为通过减少每年所需电费带来的经济收益，py为云储能服务商供应储能额定功率；
[0068]
计算提高用电可靠性带来的收益f2：
[0069][0070]
式中：ci为方案能够提供用电可靠性比例系数，n为每年发生停电次数，s为减少的单次停电造成的经济损失；
[0071]
支出分析：
[0072]
储能装置的安装成本计算：
[0073][0074]
式中：r为基准折现率；m为储能系统的寿命；c
p
为储能系统的单位功率成本；cs为储
能系统的单位容量成本；p
p
为储能系统的额定功率；es为储能系统的额定容量；
[0075]
储能装置的运行维护成本c2计算：
[0076][0077]
式中：c
pw
为储能系统单位功率的年固定运维成本；c
sw
为储能系统单位容量的可变运维成本；ds为安装储能装置位置与用户电气距离；y为储能装置与用户间电气距离造成的损耗成本系数；pc(t)、pf(t)分别为t时刻储能系统中储能设备充、放电的功率。
[0078]
优选的，对储能装置的容量以及位置进行分配的具体步骤如下：
[0079]
a.收集油区相关用户电能需求情况数据；
[0080]
b.定义目标函数，以所述净收益为目标函数；
[0081]
c.建立优化问题的约束条件；
[0082]
d.对粒子群算法与萤火虫优化算法进行迭代，直至达到最大迭代次数或小于最优解的最小变化；
[0083]
e.通过将优化后的分布式储能配置与原始系统或基准测试进行比较，评估优化后的分布式储能配置的性能；
[0084]
f.结合实时数据，细化目标函数和约束条件，不断改进优化粒子群算法和萤火虫优化算法。
[0085]
优选的，所述约束条件包括：
[0086]
储能功率约束：储能装置充放电功率应小于等于其额定功率；
[0087]
储能容量约束：储能装置额定容量应大于相关用户对于云储能方案需求总容量；
[0088]
地理位置约束：储能装置与需求用户电网相关节点应当在预设的最大允许电气距离内；
[0089]
用电可靠性约束：用电可靠性系数应当大于预设的最低用电可靠性系数；
[0090]
经济约束条件：净收益应当大于等于预设的最低净收益。
[0091]
优选的，所述步骤d包括以下步骤：
[0092]
d1.设置参数：种群规模n、惯性权重w、认知系数c1、社交系数c2、最大速度v
max
、吸引力β0、光吸收系数γ以及最大亮度i0；
[0093]
d2.修改惯性权重w：在优化过程中对惯性权重w进行动态调整：
[0094][0095]
式中：w
max
和w
min
是初始和最终惯性权重，t是当前迭代次数，t是迭代总次数；
[0096]
d3.自适应调整认知系数c1和社交系数c2：
[0097][0098][0099]
式中：c
1，max
，c
1，min
，c
2，max
和c
2，min
分别是c1和c2的初始和最终值，t是当前迭代次数，t是迭代总次数；
[0100]
d4.更新每个粒子的位置和速度：
[0101]
vi(t+1)＝vi(t)+c1(t)*r1*(p
best,i-xi(t))+c2(t)*r2*(g
best,i-xi(t))；
[0102]
xi(t+1)＝xi(t)+vi(t+1)；
[0103]
式中：vi和xi分别是粒子i的速度和位置，p
best，i
是粒子i的个体最优解，g
best，i
是全局最优解，r1和r2是0和1之间的随机数；
[0104]
d5.更新每个萤火虫的位置：
[0105][0106]
式中：xi和xj是萤火虫i和j的位置，r
ij
是萤火虫i和j之间的距离，α是随机化参数，ε是-1到1之间的随机数；γ为光强吸收系数；
[0107]
d6.更新萤火虫的亮度和吸引值，寻找最优萤火虫的位置及最优发光强度：
[0108][0109][0110]
式中：i0为萤火虫的最大荧光亮度；γ为光强吸收系数；β0为最大吸引度；
[0111]
d7.合并种群：将pso种群和fa种群合并为一个组合种群，组合种群的大小等于pso种群加上fa种群的大小；
[0112]
d8.计算组合种群适应度：采用目标函数计算组合种群中的每个粒子或萤火虫的适应度值；
[0113]
d9.根据适应度值对组合种群进行排序，选择适应度最高的一定数量的粒子或萤火虫作为最优解；
[0114]
d10.在组合种群上执行粒子群和萤火虫优化算法迭代；
[0115]
d11.根据d4中所述的公式更新每个粒子的位置和速度；
[0116]
d12.根据d5中所述的公式更新每个萤火虫的位置；
[0117]
d13.计算更新后的组合种群中的每个粒子和萤火虫的适应度值；
[0118]
d14.更新粒子群中的个体最优解，并更新萤火虫的亮度和吸引值；
[0119]
d15.重复执行d6，直至到达到停止准则；所述停止准则为大到最大迭代次数或小于最优解的最小变化。
[0120]
优选的，所述基于sobol全局敏感性分析算法和somm机器学习算法对经济影响性进行分析，再基于分析结果，调整收益分析和支出分析中的相关参数；其具体步骤如下：
[0121]
a.基于所建立的建立影响指标确定经济分析所需要的输入参数；
[0122]
b.采用sobol序列方法对每个输入参数生成样本集；
[0123]
c.对somm神经网络进行聚类；
[0124]
d.计算sobol全局敏感性指标：计算每个输入参数的sobol一阶敏感性指标：
[0125]
d1.通过基于方差分解的方法将净收益相应函数f(x)拆分成单个模型参量及参量相互作用的子项函数之和：
[0126][0127]
式中，xi与xj代表会对f(x)造成影响的第i个与第j个参数；此处全部的子项的个数为2n，各子项相互正交；
[0128]
d2.另各子项通过下述多重积分求得：
[0129][0130][0131][0132]
d3.对d1中公式的等式两边进行平方再积分，由子项互相正交的性质得到：
[0133][0134]
基于此得到所有的敏感性指标都是非负数且和为1；
[0135]
每个子项对其所包含的的任意变量进行积分后等于零；
[0136]
d4.基于sobol敏感性分析方法计算每个参数的影响力：
[0137][0138]
式中：d表示目标响应f(x)的总方差；hn为整个x的n维的参数域；
[0139]
各子项的偏方差：
[0140][0141]
式中：指求取各子项偏方差时的参数，1≤i1≤
…
≤is≤n；
[0142]
sobol全局敏感性指标定义：
[0143][0144]
基于全局灵敏度分析方法，确定影响云储能服务经济性的主要因素，并进行相应的交互分析，得到分布式储能装置配置中各因素对用户用电可靠性的影响程度，进而改变收益分析和支出分析中的约束。
[0145]
优选的，对somm神经网络进行聚类的具体步骤如下：
[0146]
初始化神经网络的权重：随机生成互不相同的数值作为权重的初始值，并用n来表示迭代次数；
[0147]
网络初始化：从训练样本向量中随机选取一个经济影响因素作为somm神经网络的输入；
[0148]
计算最佳匹配神经元：计算输入模式的最佳神经元：
[0149][0150]
确定最佳匹配神经元的邻域函数：
[0151][0152]
φk＝φ
k-1
∪|d
j,i
|；
[0153][0154][0155]ak
＝a
k-1
∪λ
j,i,x
(n)；
[0156]
式中：somm二维平面上，神经元i和神经元j的离散位置分别为ri和rj；gaussian函数的有效宽度σ(n)会随着学习时间的增加而不断减小，σ0表示σ(n)的初始值；uk′
为距离值最小的系数；τ1表示指数衰减的时间常数；引入索引集合ak与观测矩阵φk，将最佳神经元领域函数λ
j,i
(n)的序号λ
j,i,k
(n)加入到ak中，将神经元i和神经元j的距离加入到观测矩阵φk中；
[0157]
通过最小二乘法计算使距离值最小的系数uk′
：
[0158][0159]
式中：表示观测矩阵φk的转置矩阵；uk为观测矩阵φk中对应的距离值；u表示神经元i和神经元j距离值；对邻域内的所有神经元进行权值修正：
[0160]
wj(n+1)＝wj(n)+λ(n)λ
j,i
(n)(u-wj(n))；
[0161][0162]
式中：u为输入模式，η(n)为时变的学习率；wj指神经元j的权值；λ
j,i
(n)为最佳神经元领域函数；τ2为指数衰减的时间常数；
[0163]
若形成稳定的映射特征，则学习过程结束，否则令n＝n+1，返回最佳匹配神经元的计算进行迭代。
[0164]
与现有技术相比，本发明的有益效果包括：
[0165]
1.本发明首先对油区用户电能数据进行分析，提出针对油区用户合理的用电可靠性指标，然后通过改进粒子群算法结合萤火虫算法，对云储能相关分布式储能装置进行优化配置；最后，通过考虑云储能供应方案的经济性指标，通过somm神经网络改进sobol全局灵敏度分析算法分析各影响因素对云储能方案收益影响，进而改进云储能配置方案，达到经济性与可靠性的需求。
[0166]
2.本发明考虑传统储能装置设置的合理性，通过云储能技术，提供分布式储能用以改善油区用户对储能容量的需求，另一方面合理缓减了变压器容量与实际生产不匹配的问题。
[0167]
3.本发明提出合理的用电可靠性评价指标，使云储能供应商及用户了解实际用电质量状况，通过优化配置算法设计相关的云储能配置方案。
[0168]
4.本发明通过构建相关的经济性指标，采用全局灵敏度分析算法对经济影响因素进行分析，从而对云储能供应方案进行改善。
附图说明
[0169]
图1为本发明的ipso-sa优化配置算法流程图。
[0170]
图2为本发明的改进全局敏感性分析算法流程图。
具体实施方式
[0171]
为了使本技术所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0172]
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
[0173]
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
[0174]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0175]
参见图1～图2所示，对本发明的最优实施例做进一步的说明；
[0176]
步骤1：用户用电可靠性分析；
[0177]
用户用电可靠性指标：
[0178]
配电系统中，为了更好的评估配电区域的用电可靠性，本发明提出了用户用电可靠性指标；所述用户用电可靠性指标综合反映该簇内所有用户的实际用电情况，并且能够更精准的反映整个配电区域的用电可靠性水平，从而为云储能服务筛选潜在用户；本实施例中首先根据研究对象的不同分为两个主要指标，进一步建立用电可靠性的次要指标，具体如表1所示：
[0179]
表1用户用电可靠性指标
[0180][0181]
用户侧指标旨在反映用户的用电可靠性水平；
[0182]
表1中所述的用电可靠率a1是指用户侧电压质量合格可用供应时间与总统计时间之比：
[0183][0184]
式中：t表示统计时间长度；tm表示统计时间内供应合格电压质量时间；
[0185]
所述用户短时停电时间a2是指统计时间内停电时间小于3min的总停电时长：
[0186]
a2＝∑td；
[0187]
式中，td表示单次停电时间不超过3min时停电时长；
[0188]
所述用户停电时间a3是指统计时间内总停电时长：
[0189]
a3＝∑t
p
；
[0190]
式中：t
p
表示用户单次停电时长；
[0191]
所述用户侧停电次数a4是指统计时间内总停电次数；
[0192]
所述重复停电次数a5是指统计时间内月停电次数超过2次及以上；
[0193]
所述部分设备停运次数a6是由于电能质量问题导致的系统不停电但是部分设备停运次数；
[0194]
所述电压合格率a7是统计时间内电压合格时长与统计时长比值：
[0195][0196]
式中：th表示单次电压合格时长；
[0197]
所述供电侧指标主要是由于电网侧检修或故障导致的用户侧停电或电能质量差的问题；
[0198]
所述供电停电次数g1，统计时间内电网侧原因导致的用户停电次数。
[0199]
所述供电停电时间g2，统计时间内电网侧原因导致的用户电网停电时长。
[0200]
g2＝∑td；
[0201]
式中：td表示电网单次停电时长。
[0202]
建立基于熵权topsis法的用电可靠性分析模型：
[0203]
通过设置用电可靠性指标，并由熵权topsis法对油区用户用电可靠性进行评估，得到用电可靠性系数ci，从而确定云储能供应服务潜在用户，进而针对此类用户设计合理的云储能配置技术方案。
[0204]
熵权topsis法的原理是，首先根据数据的离散程度，运用熵权法确认每个指标的权重，然后我们将得到的权重值，套入topsis的分析模型中，最终通过对最优解和最劣解的计算，算出正理想解的距离和负理想解的距离，得到贴近值，通过对贴近值的比较，表明评价对象的优劣，贴近值越大，则指标越优。
[0205]
首先采用熵权topsis法进行权重计算；假设有m个待评价用户，n个评价指标。其中x
ij
代表第i个样本第j项评价指标的数值，构建原始数据矩阵如下：
[0206][0207]
数据预处理：为了消除量纲对评价结果的影响，需要对各指标进行归一化处理或者标准化处理。若x
ij
归一化后的数值是x’ij
，则指标为正向指标时，代入下式，即指标取值越大则越好：
[0208][0209]
若指标为负向指标时，代入下式，即指标取值越小则越好：
[0210][0211]
建立比重矩阵：计算第j个指标中，第i个用户标志值得比重为p
ij
，得出新的矩阵p：
[0212][0213]
式中：0≤p
ij
≤1，然后形成新的矩阵p：
[0214][0215]
计算第i个指标的熵值ei：
[0216][0217]
式中，m为矩阵x行数；
[0218]
定义第j个指标的差异程度dj，并确定权重wj，熵值ej越小，则权重wj越大：
[0219]dj
＝1-ej；
[0220][0221]
式中：dj表示第j个指标的差异程度，wj表示第j个指标的权重；
[0222]
通过上述步骤，确定各用电可靠性指标的比重系数，进一步通过topsis算法对各用户进行可靠性分析。原始矩阵如下：
[0223][0224]
由于原始矩阵中数据的度量标准、单位不一样，为了避免此方面的影响，将数据平方和归一化：
[0225][0226]
最终计算得到新的矩阵：
[0227][0228]
基于新的矩阵找到最优和最劣的矩值，建立最优和最劣值向量z
+
和z-，公式如下：
[0229][0230][0231]
分别计算评价用户与正理想解距离d
+
或负理想解距离d-：
[0232][0233][0234]
式中：指选取第j列中最小值；指选取第j列中最大值；j＝{1,2,3
……
n}；
[0235][0236][0237]
式中：z
ij
为矩阵z中第i行第j列的元素；表示第i个指标与最大值的距离；表示第i个指标与最小值的距离；
[0238]
研究用户d
+
值越大，说明与最优解距离越远；d-值越大，说明与最劣解距离越远；最理想的指标是d
+
值越小的同时d-值越大。
[0239]
结合距离值计算得出接近程度c值，进行排序：
[0240][0241]ci
越大，表明评价用户越接近最优解，即用户用电可靠性越高。
[0242]
步骤2：经济指标分析；
[0243]
在步骤1中提出了采用云储能技术对供电可靠性较低的用户提供云储能配置方案，该方案利用储能设备来维持电网的稳定运行。为了更好地展示这种方案的经济效益，对其进行经济性分析，净收益的计算公式如下：
[0244]
f＝f1+f
2-c
1-c2；
[0245]
式中：f1表示降低需量电费带来的收益，f2表示提高用电可靠性带来的收益；其中c1表示储能装置的安装成本，c2表示储能装置的运行维护成本；
[0246]
收益分析：
[0247]
投资回收时间的计算公式如下：
[0248][0249]
式中：t
t
为投资回收时间，i
t
与o
t
分别为第t年的资金转入和流出，ir为通货膨胀率，d为贴现率；t为时间；
[0250]
降低对专用变压器容量需求可以有效减少每月基本电费支出，并获得相应的需量电费减免收益：
[0251][0252]
式中：y为变压器每年运行月数，b
p
为通过减少每年所需电费带来的经济收益，py为云储能服务商供应储能额定功率；
[0253]
考虑用电可靠性带来的收益，如下式所示：
[0254][0255]
式中：ci为方案能够提供用电可靠性比例系数，n为每年发生停电次数，s为减少的单次停电造成的经济损失；
[0256]
支出分析：
[0257]
储能系统的投资成本主要是向云储能运营商支付的租赁资金，记为c，该支出主要包括储能装置的安装成本c1、运行维护c2以及云储能商家收益c3，其中，c1与c2的计算公式如下：
[0258][0259]
式中：r为基准折现率；m为储能系统的寿命；c
p
为储能系统的单位功率成本；cs为储能系统的单位容量成本；p
p
为储能系统的额定功率；es为储能系统的额定容量；
[0260][0261]
式中：c
pw
为储能系统单位功率的年固定运维成本；c
sw
为储能系统单位容量的可变运维成本；ds为安装储能装置位置与用户电气距离；y为储能装置与用户间电气距离造成的损耗成本系数；pc(t)、pf(t)分别为t时刻储能系统中储能设备充、放电的功率。
[0262]
参见图1所示，步骤3：储能装置配置；
[0263]
云储能涉及多个分布式储能装置的集成，以创建一个虚拟发电厂，可以大规模存储、管理和分配能源。本发明提出基于改进粒子群与萤火虫优化算法(improved particle swarm optimization and firefly algorithm，ipso-sa)对储能装置的容量以及位置进行分配。为解决粒子群算法收敛到全局最优的问题，本发明引入动态自适应参数控制机制，从而平衡算法的探索和利用能力，并提高其性能。同时，利用了原有粒子群算法与萤火虫算法的优势，提高了全局搜索能力，降低局部最优的风险，加快收敛速度，增强了鲁棒性和可靠性。最后，进一步优化系统，确定每个分布式储能设备的最佳安装位置和容量，其中，种群内的粒子及萤火虫设定为二维因子，每个因子代表每个方案的储能装置安装位置以及容量配置。以下是实现这种优化的具体步骤：
[0264]
数据收集：收集油区相关用户电能需求情况，根据步骤1中得到明确用户对电能可靠性需求状态。
[0265]
定义目标函数：设定优化目标，本实施例提出的云储能方案旨在提高用户整体电能稳定性；采用净收益f为目标函数。
[0266]
约束条件：
[0267]
储能功率约束：储能装置充放电功率应小于等于其额定功率；
[0268]
0≤pc(t)≤p
p
；
[0269]
0≤pf(t)≤p
p
；
[0270]
储能容量约束：储能装置额定容量应大于相关用户对云储能方案需求总容量；
[0271]
0≤ei≤es；
[0272]
式中：ei是用户需求储能方案总容量；
[0273]
地理位置约束：储能装置应邻近与需求用户电网相关节点，使储能装置与用户间电气距离最小，以便于针对性提供服务并减少损耗；
[0274]
0≤ds≤dm；
[0275]
式中：dm为最大允许电气距离；
[0276]
用电可靠性约束条件：储能装置改善用户用电质量以后，其用电可靠性系数应大于允许最低可靠性系数：
[0277]cmin
≤ci[0278]
式中：ci为安装储能装置后用户用电可靠性系数；c
min
为允许最低用电可靠性系数。
[0279]
经济约束条件：安装储能装置容量与位置应满足经济性需求：
[0280]fmin
≤f；
[0281]
式中：f
min
为最低净收益；f为净收益。
[0282]
ipso-sa迭代：
[0283]
a.设置参数：种群规模n、惯性权重w、认知系数c1、社交系数c2、最大速度v
max
、吸引力β0、光吸收系数γ、最大亮度i0。
[0284]
b.修改惯性权重w：在优化过程中动态调整；一开始，w应较高以促进全局搜索和探索，而在接近结束时，w应较低以鼓励局部搜索和利用；
[0285][0286]
其中w
max
和w
min
是初始和最终惯性权重，t是当前迭代次数，t是迭代总次数。
[0287]
c.在优化过程中自适应地调整认知系数c1和社交系数c2：
[0288][0289][0290]
式中：c
1，max
，c
1，min
，c
2，max
和c
2，min
分别是c1和c2的初始和最终值，t是当前迭代次数，t是迭代总次数。
[0291]
d.更新每个粒子的位置和速度：
[0292]
vi(t+1)＝vi(t)+c1(t)*r1*(p
best,i-xi(t))+c2(t)*r2*(g
best,i-xi(t))；
[0293]
xi(t+1)＝xi(t)+vi(t+1)；
[0294]
其中vi和xi分别是粒子i的速度和位置，p
best，i
是粒子i的个体最优解，g
best，i
是全局最优解，r1和r2是0和1之间的随机数；
[0295]
计算更新后粒子的适应度，并相应地更新个体最优解和全局最优解。
[0296]
e.更新每个萤火虫的位置：
[0297][0298]
式中：xi和xj是萤火虫i和j的位置，r
ij
是萤火虫i和j之间的距离，α是随机化参数，ε是-1到1之间的随机数；γ为光强吸收系数；
[0299]
f.计算更新后萤火虫的适应度，并相应地更新亮度和吸引值；寻找最优萤火虫位
置及最优发光强度：
[0300][0301][0302]
g.合并种群：
[0303]
将pso种群与fa种群合并为一个新的种群。新种群的大小等于pso种群大小加上fa种群大小。
[0304]
h.计算组合种群适应度：
[0305]
对于组合种群中的每个粒子/萤火虫，使用之前定义的目标函数f计算其适应度值。
[0306]
i.选择最优解：根据适应度值对组合种群进行排序。选择适应度最高的一定数量的粒子/萤火虫作为最优解。
[0307]
j.在组合种群上执行ipso和fa迭代。
[0308]
k.更新每个粒子的位置和速度，如d步骤所述。
[0309]
l.更新每个萤火虫的位置，如e步骤所述。
[0310]
m.对更新后的组合种群中的每个粒子/萤火虫计算适应度值。
[0311]
n.更新个体最优解(对于ipso粒子)和亮度及吸引值(对于fa萤火虫)。
[0312]
o.重复执行步骤f，直到达到停止准则。停止准则为达到最大迭代次数或小于最优解的最小变化。
[0313]
性能评估：通过将优化后的分布式储能配置与原始系统或基准测试进行比较，评估优化后分布式储能配置的性能。
[0314]
迭代改进：结合实时数据，细化目标函数和约束条件，不断改进优化算法。
[0315]
通过ipso-sa算法，本发明定位到合理的分布式储能装置配置容量以及地点。
[0316]
步骤4：经济收益分析；
[0317]
灵敏度分析主要通过对某一个指标的影响因素进行灵敏度算法计算，从而得到各影响因素变化时对该指标的影响程度。通过上述分析，经济性影响指标汇总如下表2所示：
[0318]
表2经济性影响因素汇总
[0319][0320][0321]
由于sobol灵敏度分析算法在应对高维复杂模型时，由于计算复杂度过高导致计算效率低下。因此，本发明采用somm机器学习算法对sobol全局敏感性分析算法进行改进，从而对经济影响性进行分析。somm神经网络是基于som神经网络改进的。本发明基于som神
经网络，通过最小二乘法改进最佳匹配元领域函数，改进原有最佳匹配元领域函数寻找方法，从而提高聚类精度以及算法迭代速度。somm神经网络算法利用其自动发现输入数据间相似性的能力，将相似数据配置在网络中，通过最小二乘法改进最佳匹配元领域函数，使得该网络能有针对性地对输入数据进行反馈，这种方法可以帮助somm神经网络更加精准地处理输入数据。改进算法通过对目标模型输出方差进行分解，通过对经济性影响因素进行聚类，利用模型中聚类结果的方差量化参数对最终结果的影响程度来识别和定量化评估模型参量。该算法的优势在于使用somm神经网络对参数和变量进行映射分类，可以有效减少样本数量，提高分析的精度与效率。在云储能配置方案的背景下，我们可以使用sobol方法来评估各种经济因素对净收益f的影响。参见图2所示，具体步骤如下：
[0322]
(1)确定输入参数：首先确定经济分析的输入参数，输入参数包括表2内指标所对应的所有对经济性造成影响的参数。
[0323]
(2)生成样本集：使用sobol序列方法为每个输入参数生成样本集。这些样本集应该在参数范围内均匀分布。
[0324]
(3)somm神经网络聚类：
[0325]
a.初始化神经网络的权重：随机生成互不相同的数值作为权重的初始值，并用n来表示迭代次数；
[0326]
b.网络初始化：从训练样本向量中随机选取一个经济影响因素b
p
作为somm神经网络的输入；
[0327]
c.计算最佳匹配神经元：计算输入模式的最佳匹配神经元，用i来表示，这一步操作能够提高模型处理输入数据的精度。
[0328][0329]
d.确定最佳匹配神经元的邻域函数：
[0330][0331]
φk＝φ
k-1
∪|d
j,i
|；
[0332][0333][0334]ak
＝a
k-1
∪λ
j,i,x
(n)；
[0335]
式中，somm二维平面上，神经元i和神经元j的离散位置分别为ri和rj。gaussian函数的有效宽度σ(n)会随着学习时间的增加而不断减小，σ0表示σ(n)的初始值；uk′
为距离值最小的系数；τ1表示指数衰减的时间常数；引入索引集合ak与观测矩阵φk，将最佳神经元领域函数λ
j,i
(n)的序号λ
j,i,k
(n)加入到ak中，将神经元i和神经元j的距离加入到观测矩阵φk中。
[0336]
e.通过最小二乘法计算使得距离值最小的系数uk′
：
[0337]
[0338]
式中：表示观测矩阵φk的转置矩阵；uk为观测矩阵φk中对应的距离值；u表示神经元i和神经元j距离值；
[0339]
f.对邻域内的所有神经元进行权值修正：
[0340]
wj(n+1)＝wj(n)+η(n)λ
j,i
(n)(u-wj(n))；
[0341][0342]
式中：u为输入模式，η(n)为时变的学习率；wj指神经元j的权值；λ
j,i
(n)为最佳神经元领域函数；τ2为指数衰减的时间常数；
[0343]
g.如果形成了稳定的特征映射，则学习过程结束；否则令n＝n+1，返回第c步迭代。
[0344]
(4)计算sobol全局敏感性指标：计算每个输入参数sobol一阶敏感性指标。这些指标衡量每个参数对模型输出方差的贡献；数值越高，表明对产出的影响越大。以下是sobol指数计算方法：
[0345]
通过基于方差分解的方法，将净收益响应函数f(x)拆分成单个模型参量及参量相互作用的子项函数之和：
[0346][0347]
此处全部的子项的个数为2n，各子项相互正交。若令各子项通过下面的多重积分求得：
[0348][0349][0350][0351]
对净收益响应函数f(x)两边平方再积分，由子项相互正交的性质可得：
[0352][0353]
因此所有的敏感性指标都是非负数且和为1。
[0354]
通过类似的方法，可以求出其他更高阶的子项；需要注意的是，除了常数项f0之外，每个子项对其所包含的任意变量进行积分后等于零：
[0355][0356]
在以上条件的基础上，sobol敏感性分析方法可以确定模型参数以及它们之间的相互作用对目标响应的影响程度。具体而言，sobol敏感性分析方法通过计算偏方差和总方差来衡量每个参数的影响力，并根据它们的比值来衡量参数及其交互作用对目标响应的影响程度；其中目标响应f(x)的总方差d为:
[0357]
d＝∫
hn
f2(x)dx-f
02
；
[0358]
式中：hn为整个x的n维的参数域；
[0359]
各子项的偏方差为：
[0360][0361]
式中：指求取各子项偏方差时的参数，1≤i1≤
…
≤is≤n；
[0362]
sobol全局敏感性指标定义为:
[0363][0364]
(5)分析sobol指数，了解各参数对净收益f的影响。sobol指数越高的参数对模型输出的影响越大，可以为云储能配置方案的决策提供参考。
[0365]
通过全局灵敏度分析方法，可以确定影响云储能服务经济性的主要因素，并进行相应的交互分析，从而得到分布式储能装置配置中各因素对用户用电可靠性的影响程度；进一步通过改变步骤2中相关约束条件，从而对云储能分布式储能装置配置进一步改善；这种方法可以大大提高云储能服务的经济性和可行性。
[0366]
以上仅为本技术的较佳实施例而已，并不用以限制本技术，凡在本技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，包括以下步骤：建立用电可靠性指标，将所建立的用电可靠性指标存储到数据库中；调用所述库中所存储的用电可靠性指标，并通过topsis熵权法对油区用户用电可靠性进行评估，得到用电可靠性比例系数c
i
；并将得到的可靠性比例系数c
i
存储到数据库中；获取与收益分析和支出分析相关的数据，并将所述数据存储到数据库中，基于数据库中存储的相关数据进行收益分析和支出分析，并将分析结果存储到数据库中；调用数据库中存储的收益分析和支出分析结果，基于收益分析和支出分析的结果得到电网运行的净收益，并将所得到的净收益存储到数据库中，所述收益分析基于用电可靠性比例系数c
i
进行计算；调用数据库中存储的可靠性比例系数c
i
和电网运行的净收益，基于用电可靠性比例系数c
i
以及电网运行的净收益，采用粒子群算法与萤火虫优化算法对储能装置的容量以及位置进行分配；所述粒子群算法中引入有动态自适应参数控制机制；建立经济性影响指标，并将经济影响指标存储到数据库中；调用数据库中存储的经济影响指标，基于sobol全局敏感性分析算法和somm机器学习算法对经济影响性进行分析，再基于分析结果，调整收益分析和支出分析中的相关参数。2.根据权利要求1所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，所述用电可靠性指标包括供电侧指标和用户侧指标；所述供电侧指标包括供电停电次数和供电停电时间；所述用户侧指标包括用电可靠率、用户短时停电时间、用户停电时间、用户侧停电次数、重复停电次数、部分设备停运次数以及电压合格率；所述用电可靠率基于用户侧电压质量合格可用供应时间与总统计时间之比得到；所述用户短时停电时间为统计时间内停电时间小于3min的总停电时长；所述用户停电时间为统计时间内总停电时长；所述用户侧停电次数为统计时间内总停电次数；所述重复停电次数为统计时间内月停电次数超过两次及以上；所述部分设备停运次数为由于电能质量问题导致的系统不停电但是部分设备停运次数；所述电压合格率为统计时间内电压合格时长与统计时长的比值；所述供电停电次数为统计时间内电网侧原因导致的用户停电次数；所述供电停电时间为统计时间内电网侧原因导致的用户电网停电时长。3.根据权利要求1所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，通过topsis熵权法对油区用户用电可靠性进行评估，得到用电可靠性比例系数c
i
的具体步骤如下：步骤1：构建m
×
n阶原始数据矩阵：
式中：x
ij
代表第i个样本第j项评价指标的数值，i代表样本，i＝{1,2,3
……
m}；j代表评价指标，j＝{1,2,3
……
n}；步骤2：对各项评价指标进行预处理；步骤3：基于预处理后的结构建立比重矩阵：式中：x’ij
表示x
ij
预处理后的数值，p
ij
表示第j个指标中第i个用户标志值的比重；其中0≤p
ij
≤1，基于此得出新的矩阵p：步骤4：根据得到的矩阵p计算第i个指标的熵值e
i
：式中，m为矩阵x行数；步骤5：基于所得到的熵值计算第j个指标的差异程度，再基于差异程度计算第j个指标的权重：d
j
＝1-e
j
；式中：d
j
表示第j个指标的差异程度，w
j
表示第j个指标的权重；步骤6：对原始数据矩阵中的数据进行数据平方和归一化，并对其加权，得到新的矩阵z：z：步骤7：基于所建立的新矩阵z，建立最优值向量和最劣值向量z
+
和z-：
式中：指选取第j列中最小值；指选取第j列中最大值；j＝{1,2,3
……
n}；步骤8：分别计算所评价的用户与正理想解距离d
+
和负理想解距离d-：：式中：z
ij
为矩阵z中第i行第j列的元素；表示第i个指标与最大值的距离；表示第i个指标与最小值的距离；步骤9：根据步骤8中所得到的正理想解距离d
+
和负理想解距离d-计算得出接近程度值c；并对接近程度值c进行排序；式中：c
i
表示第i个样本的接近程度值c。4.根据权利要求1所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，所述净收益的计算方式如下：f＝f1+f
2-c
1-c2；式中：f1表示降低需量电费带来的收益，f2表示提高用电可靠性带来的收益；其中c1表示储能装置的安装成本，c2表示储能装置的运行维护成本。5.根据权利要求4所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，所述收益分析和支出分析的具体步骤如下：收益分析：计算投资回收时间：式中：t
t
为投资回收时间，i
t
与o
t
分别为第t年的资金转入和流出，i
r
为通货膨胀率，d为贴现率；t为时间；计算降低需量电费带来的收益f1：式中：y为变压器每年运行月数，b
p
为通过减少每年所需电费带来的经济收益，p
y
为云储能服务商供应储能额定功率；计算提高用电可靠性带来的收益f2：式中：c
i
为方案能够提供用电可靠性比例系数，n为每年发生停电次数，s为减少的单次
停电造成的经济损失；支出分析：储能装置的安装成本计算：式中：r为基准折现率；m为储能系统的寿命；c
p
为储能系统的单位功率成本；c
s
为储能系统的单位容量成本；p
p
为储能系统的额定功率；e
s
为储能系统的额定容量；储能装置的运行维护成本c2计算：式中：c
pw
为储能系统单位功率的年固定运维成本；c
sw
为储能系统单位容量的可变运维成本；d
s
为安装储能装置位置与用户电气距离；y为储能装置与用户间电气距离造成的损耗成本系数；p
c
(t)、p
f
(t)分别为t时刻储能系统中储能设备充、放电的功率。6.根据权利要求1所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，对储能装置的容量以及位置进行分配的具体步骤如下：a.收集油区相关用户电能需求情况数据；b.定义目标函数，以所述净收益为目标函数；c.建立优化问题的约束条件；d.对粒子群算法与萤火虫优化算法进行迭代，直至达到最大迭代次数或小于最优解的最小变化；e.通过将优化后的分布式储能配置与原始系统或基准测试进行比较，评估优化后的分布式储能配置的性能；f.结合实时数据，细化目标函数和约束条件，不断改进优化粒子群算法和萤火虫优化算法。7.根据权利要求6所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，所述约束条件包括：储能功率约束：储能装置充放电功率应小于等于其额定功率；储能容量约束：储能装置额定容量应大于相关用户对于云储能方案需求总容量；地理位置约束：储能装置与需求用户电网相关节点应当在预设的最大允许电气距离内；用电可靠性约束：用电可靠性系数应当大于预设的最低用电可靠性系数；经济约束条件：净收益应当大于等于预设的最低净收益。8.根据权利要求6所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，所述步骤d包括以下步骤：d1.设置参数：种群规模n、惯性权重w、认知系数c1、社交系数c2、最大速度v
max
、吸引力β0、光吸收系数γ以及最大亮度i0；d2.修改惯性权重w：在优化过程中对惯性权重w进行动态调整：
式中：w
max
和w
min
是初始和最终惯性权重，t是当前迭代次数，t是迭代总次数；d3.自适应调整认知系数c1和社交系数c2：：式中：c
1，max
，c
1，min
，c
2，max
和c
2，min
分别是c1和c2的初始和最终值，t是当前迭代次数，t是迭代总次数；d4.更新每个粒子的位置和速度：v
i
(t+1)＝v
i
(t)+c1(t)*r1*(p
best，i-x
i
(t))+c2(t)*r2*(g
best，i-x
i
(t))；x
i
(t+1)＝x
i
(t)+v
i
(t+1)；式中：v
i
和x
i
分别是粒子i的速度和位置，p
best，i
是粒子i的个体最优解，g
best，i
是全局最优解，r1和r2是0和1之间的随机数；d5.更新每个萤火虫的位置：式中：x
i
和x
j
是萤火虫i和j的位置，r
ij
是萤火虫i和j之间的距离，a是随机化参数，ε是-1到1之间的随机数；γ为光强吸收系数；d6.更新萤火虫的亮度和吸引值，寻找最优萤火虫的位置及最优发光强度：d6.更新萤火虫的亮度和吸引值，寻找最优萤火虫的位置及最优发光强度：式中：i0为萤火虫的最大荧光亮度；γ为光强吸收系数；β0为最大吸引度；d7.合并种群：将pso种群和fa种群合并为一个组合种群，组合种群的大小等于pso种群加上fa种群的大小；d8.计算组合种群适应度：采用目标函数计算组合种群中的每个粒子或萤火虫的适应度值；d9.根据适应度值对组合种群进行排序，选择适应度最高的一定数量的粒子或萤火虫作为最优解；d10.在组合种群上执行粒子群和萤火虫优化算法迭代；d11.根据d4中所述的公式更新每个粒子的位置和速度；d12.根据d5中所述的公式更新每个萤火虫的位置；d13.计算更新后的组合种群中的每个粒子和萤火虫的适应度值；d14.更新粒子群中的个体最优解，并更新萤火虫的亮度和吸引值；d15.重复执行d6，直至到达到停止准则；所述停止准则为大到最大迭代次数或小于最优解的最小变化。9.根据权利要求1所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，所述基于sobol全局敏感性分析算法和somm机器学习算法对经济影响性进行分析，再基于分析结果，调整收益分析和支出分析中的相关参数；其具体步骤如下：a.基于所建立的建立影响指标确定经济分析所需要的输入参数；
b.采用sobol序列方法对每个输入参数生成样本集；c.对somm神经网络进行聚类；d.计算sobol全局敏感性指标：计算每个输入参数的sobol一阶敏感性指标：d1.通过基于方差分解的方法将净收益相应函数f(x)拆分成单个模型参量及参量相互作用的子项函数之和：式中，x
i
与x
j
代表会对f(x)造成影响的第i个与第j个参数；此处全部的子项的个数为2
n
，各子项相互正交；d2.另各子项通过下述多重积分求得：d2.另各子项通过下述多重积分求得：d2.另各子项通过下述多重积分求得：d3.对d1中公式的等式两边进行平方再积分，由子项互相正交的性质得到：基于此得到所有的敏感性指标都是非负数且和为1；每个子项对其所包含的的任意变量进行积分后等于零；d4.基于sobol敏感性分析方法计算每个参数的影响力：式中：d表示目标响应f(x)的总方差；h
n
为整个x的n维的参数域；各子项的偏方差：式中：指求取各子项偏方差时的参数，1≤i1≤
…
≤i
s
≤n；sobol全局敏感性指标定义：基于全局灵敏度分析方法，确定影响云储能服务经济性的主要因素，并进行相应的交互分析，得到分布式储能装置配置中各因素对用户用电可靠性的影响程度，进而改变收益分析和支出分析中的约束。10.根据权利要求9所述的一种基于电池储能系统优化配置的油区电网灵活供电方法，其特征在于，对somm神经网络进行聚类的具体步骤如下：初始化神经网络的权重：随机生成互不相同的数值作为权重的初始值，并用n来表示迭代次数；
网络初始化：从训练样本向量中随机选取一个经济影响因素作为somm神经网络的输入；计算最佳匹配神经元：计算输入模式的最佳神经元：确定最佳匹配神经元的邻域函数：φ
k
＝φ
k-1
∪|d
j,i
|；|；a
k
＝a
k-1
∪λ
j,i,x
(n)；式中：somm二维平面上，神经元i和神经元j的离散位置分别为r
i
和r
j
；gaussian函数的有效宽度σ(n)会随着学习时间的增加而不断减小，σ0表示σ(n)的初始值；u
k
′
为距离值最小的系数；τ1表示指数衰减的时间常数；引入索引集合a
k
与观测矩阵φ
k
，将最佳神经元领域函数λ
j,i
(n)的序号λ
j,i,k
(n)加入到a
k
中，将神经元i和神经元λ的距离加入到观测矩阵φ
k
中；通过最小二乘法计算使距离值最小的系数u
k
′
：式中：表示观测矩阵φ
k
的转置矩阵；u
k
为观测矩阵φ
k
中对应的距离值；u表示神经元i和神经元j距离值；对邻域内的所有神经元进行权值修正：i和神经元j距离值；对邻域内的所有神经元进行权值修正：式中：u为输入模式，η(n)为时变的学习率；w
j
指神经元j的权值；λ
j,i
(n)为最佳神经元领域函数；τ2为指数衰减的时间常数；若形成稳定的映射特征，则学习过程结束，否则令n＝n+1，返回最佳匹配神经元的计算进行迭代。

技术总结
本发明属于电池储能系统技术领域，更具体地说，涉及一种基于电池储能系统优化配置的油区电网灵活供电方法，对油区用户电能数据进行分析，提出针对油区用户合理的用电可靠性指标，然后通过改进粒子群算法结合萤火虫算法，对云储能相关分布式储能装置进行优化配置；最后，通过考虑云储能供应方案的经济性指标，通过SOMM神经网络改进Sobol全局灵敏度分析算法分析各影响因素对云储能方案收益影响，进而改进云储能配置方案，达到经济性与可靠性的需求。求。求。


技术研发人员：汪颖 李元聪 肖先勇 李言章 滕卫卫 何涛 胡小琴
受保护的技术使用者：新疆海纳同创智能科技有限公司
技术研发日：2023.06.15
技术公布日：2023/9/14