CN116345507A - 适应变储能周期储能电站容量多目标优化配置方法与*** - Google Patents

Abstract

本发明适应变储能周期储能电站容量多目标优化配置方法与***，首先从电力调度***获取负荷功率曲线、常规能源发电出力曲线，得到新能源发电净需求曲线；根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量；接着计算规划期长内不同的储能电站容量下的机会碳成本和储能电站容量投资成本，构建机会碳成本函数和储能电站容量投资成本函数，进而构建基于机会碳成本函数和储能电站容量投资成本函数的多目标储能电站容量优化配置模型，计算多目标帕累托优化集，根据模糊集函数确定多目标帕累托优化集元素权重大小，有序输出储能电站多目标优化容量值，为储能电站容量多目标优化配置提供有效方法和决策支撑。

Description

适应变储能周期储能电站容量多目标优化配置方法与***

技术领域

本发明属于低碳电力***技术领域，具体涉及适应变储能周期储能电站容量多目标优化配置方法与***。

背景技术

电力***低碳化，事关我国能源绿色低碳转型发展和经济社会稳定发展。为实现电力***低碳化，一方面必须在能源供给端尽可能减少高碳排放的火力发电、增加低碳或零碳排放的风力、太阳能等新能源发电，另一方面必须确保在风力、太阳能等新能源发电高波动性、强随机性下电力***仍能使能源消费端的电力用户获得可靠的、稳定的电能。因此，储能成为电力***低碳化极其重要的环节，电化学储能电站、抽水蓄能电站、光热发电站等储能电站正在大规模规划和建设中，其中电化学储能电站采用钠离子电池、锂离子电池、液流电池等电池组件，储能时长一般小于4小时；抽水蓄能电站作为当前容量最大、技术最成熟、经济性最优、最具大规模开发条件的储能电站，储能时长在4小时以上、甚至高达数天或数周；光热发电站采用熔盐储热等技术，利用储热介质的温度变化、相态变化或化学反应实现热能的存储与释放，具有储热密度高、工作状态稳定、储热时间长等优点，适合大规模中高温储热，单机可实现100MWh以上的储热容量，一般作为光热发电的配套储能设施用来提高太阳能利用率、减少功率波动、促进光热发电站稳定输出。目前，对储能电站的规划设计和运行调度的研究已成为国家能源监管机构、电力调度机构、储能电站运营主体关注的热点。

储能电站容量配置与风力、太阳能等新能源发电高波动性和强随机性密切相关、与储能时长和储能周期密切相关，并受制于储能电站运营主体投资限额。在我国，储能电站容量配置多是由政府通过政策鼓励推动或是由储能电站运营主体根据自身投资需要进行，国家能源监管机构、电力调度机构、储能电站运营主体等对储能电站容量配置尚无统一、有效的决策方法。

发明内容

本发明的目的是解决现有技术存在的上述问题，提供适应变储能周期的储能电站容量多目标优化配置方法与***，以电力调度***提供的负荷功率曲线、新能源发电出力曲线、常规能源发电出力曲线为基础，通过新能源发电净需求曲线、储能周期、规划期长三者关系得到储能电站最优配置容量，进而构建基于机会碳成本函数和储能电站容量投资成本函数的多目标储能电站容量优化配置模型，得到多目标帕累托(Pareto)优化集，根据该优化集即可进行适应变储能周期的储能电站容量多目标优化决策。该方法为储能电站容量配置提供了量化的、精确的技术手段，解决了目前储能电站容量配置主观性强、缺少量化分析支持、仅适应特定储能周期的缺点，为储能电站容量优化配置提供有效手段和决策支持。

为实现以上目的，本发明提供了以下技术方案：

一种适应变储能周期储能电站容量多目标优化配置方法，分为以下步骤：

S1、从电力调度***获取负荷功率曲线和常规能源发电出力曲线。

负荷功率曲线记为P_load(t)，t表示时间，t∈[0,t_max]，t_max为t的最大取值；P_load(t)具有日、周的周期性，其中日周期性体现在负荷功率曲线存在明显的高峰时段、腰荷时段和低谷时段特征，周周期性体现在负荷功率曲线存在明显的工作日、非工作日特征。常规能源发电出力曲线记为P_lod(t)，包括水电出力曲线P_hydro(t)、火电出力曲线P_therm(t)和核电出力曲线P_nuclear(t)。常规能源发电出力曲线与水电出力曲线、火电出力曲线、核电出力曲线的关系为：

P_old(t)＝P_hydro(t)+P_therm(t)+P_nuclear(t)。

S2、从电力调度***获取风力发电出力曲线P_wind(t)和太阳能发电出力曲线P_pv(t)，从而得到新能源发电出力曲线P_new(t)：

P_new(t)＝P_wind(t)+P_pv(t)。

S3、根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线P_demand(t)：

P_demand(t)＝P_load(t)-P_hydro(t)-P_therm(t)-P_nuclear(t)。

新能源发电净需求曲线表示的是负荷功率扣除常规能源发电出力后的缺额，此缺额：

(1)若能由风电和太阳能发电出力全额提供，则表明风电和太阳能发电出力已被电力***全额消纳，风电和太阳能发电利用率为100％。

(2)若不能由风电和太阳能发电出力全额提供，则表明储能电站容量配置不足，风电和太阳能发电出力不能被电力***全额消纳，已经出现弃风弃光，风电和太阳能发电利用率小于100％。

S4、根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量，具体如下：

S4-1、计算第一个储能周期[0,T₁]内储能电站最优配置容量

。

储能周期记为T₁，T₁∈[0,t_max]，在储能周期内储能电站存在充电和放电行为，储能电站充电的总时长为储能时长；规划期长为nT₁，n为储能周期的倍数：

其中，符号

表示下取整。

设新能源发电净需求曲线P_demand(t)与新能源发电出力曲线P_new(t)在第一个储能周期[0,T₁]内交点的最大个数为

交点时间轴坐标依次为：

且满足：

其中i表示两个曲线在第一个储能周期[0,T₁]内的交点编号，

分别计算

区间的储能面积/>

…,

…,

并且第一个储能周期[0,T₁]内

这表明第一个储能周期内储能电站将完成充电、放电整个循环过程。

第一个储能周期[0,T₁]内储能电站最优配置容量

计算如下：

其中α取值如下：

S4-2、按照S4-1中的方法依次计算第二个储能周期[T₁,2T₁]内储能电站最优配置容量

第三个储能周期[2T₁,3T₁]内储能电站最优配置容量/>

…、第n个储能周期[(n-1)T₁,nT₁]内储能电站最优配置容量/>

。

S4-3、计算规划期长内储能电站最优配置容量E：

其中，符号max{·,…,·,}表示取最大值。

此处计算出的规划期长内储能电站最优配置容量E是与储能周期T₁相对应的，因此根据储能时长将储能周期T₁设置为不同的值，就可以得到适应不同储能时长或储能周期的储能电站最优配置容量。

S5、根据规划期长内储能电站最优配置容量E计算储能电站最优配置容量投资成本。

规划期长[0,nT₁]内储能电站最优配置容量为E，单位容量投资成本为∈，则储能电站最优配置容量投资成本C_cap,E根据下式计算：C_cap,E＝E*∈。

S6、计算规划期长内不同储能电站容量下机会碳成本和储能电站容量投资成本，构建机会碳成本函数和储能电站容量投资成本函数；具体如下：

S6-1、计算第一个储能周期[0,T₁]内储能电站容量E′下的机会碳成本

在整个规划期长内，当储能电站容量低于储能电站最优配置容量时，则风电和太阳能发电出力不能被电力***全额消纳，已经出现弃风弃光，此时将产生机会碳成本。设储能电站容量相对于最优配置容量的变化值为ΔE，ΔE∈[0,E]，则储能电站容量E′计算如下：

E′＝E-ΔE。

在储能电站容量E′下，第一个储能周期[0,T₁]内的机会碳成本

为：

其中β取值如下：

S6-2、按照S6-1中的方法依次计算第二个储能周期[T₁,2T₁]内储能电站容量E′下的机会碳成本

第三个储能周期[2T₁,3T₁]内储能电站容量E′下的机会碳成本

…、第n个储能周期[(n-1)T₁,nT₁]内储能电站容量E′下的机会碳成本/>

S6-3、计算规划期长内储能电站容量E′下的机会碳成本C_opp,E′:

其中，ε为单位电量对应的碳价。

S6-4、计算储能电站容量E′下的投资成本C_cap,E′：C_cap,E′＝E′*∈。

S6-5、改变ΔE，得到不同储能电站容量E″下的机会碳成本C_opp和储能电站容量投资成本C_cap，进而得到规划期长内不同储能电站容量E″下的机会碳成本函数和储能电站容量投资成本函数：

f(E″):E″→C_opp,

g(E″):E″→C_cap

其中，f(E″)为不同储能电站容量E″下的机会碳成本函数，g(E″)为不同储能电站容量E″下的储能电站容量投资成本函数，符号→表示储能电站容量E″与不同的储能电站容量E″下的机会碳成本C_opp或储能电站容量投资成本C_cap的函数映射关系。

S7、根据规划期长内不同储能电站容量E″下的机会碳成本函数和储能电站容量投资成本函数构建多目标储能电站容量优化配置模型，并计算多目标帕累托优化集。

多目标储能电站容量优化配置模型为：

min{f(E″),g(E″)}

其中，min{·,·}表示对机会碳成本函数f(E″)和储能电站容量投资成本函数g(E″)最小化，s.t.表示约束条件，

和/>

分别表示机会碳成本最大值和储能电站容量投资成本最大值。由于f(E″)和g(E″)是互斥目标，因此计算结果为多目标帕累托优化集P_areto。

多目标储能电站容量优化配置模型的求解方法为多目标优化算法，包括但不限于多目标梯度下降算法、增强Pareto进化算法(SPEA)、基于分解的多目标进化算法(MOEA/D)、非支配排序遗传算法(NSGA)等。经计算得到多目标帕累托优化集：

其中，j为P_areto中元素编号，j_max为P_areto中元素最大个数，E′_opt,j为P_areto中第j个元素即第j个储能电站多目标优化容量值。此时P_areto中储能电站多目标优化容量值有j_max个，排序由多目标优化算法自动生成，不能直接用于储能电站容量优化配置的决策。

S8、根据模糊集函数确定多目标帕累托优化集P_areto中元素权重，根据权重由大到小有序输出储能电站多目标优化容量值。此结果为储能电站容量优化配置提供决策支持。

模糊集函数定义如下：

其中，ρ_f和γ_f分别为机会碳成本阈值的上限和下限，ρ_f和γ_f取值由储能电站容量优化配置者根据机会碳成本要求确定且γ_f<ρ_f，ρ_g和γ_g分别为储能电站容量投资成本阈值上限和下限，ρ_g和γ_g取值由储能电站容量优化配置者根据容量投资成本要求确定且γ_g<ρ_g，η_f(E′_opt,j)为P_areto中第j个元素E′_opt,j的机会碳成本模糊集函数，η_g(E′_opt,j)为P_areto中第j个元素E′_opt,j的储能电站容量投资成本模糊集函数，η_f(E′_opt,j)和ηg(E′_opt,j)的取值均介于0和1之间。

P_areto中第P个元素E′_opt,j的权重η_j根据下式计算：

根据权重η_j由大到小有序输出储能电站多目标优化容量值，此结果为储能电站容量优化配置提供决策支持。

本发明还提供一种适应变储能周期的储能电站容量多目标优化配置***，包括基础数据提取模块、新能源发电净需求曲线生成模块、储能电站容量优化配置模型构建模块、储能电站容量优化配置模型求解模块、***输出模块；

所述基础数据提取模块用于从电力调度***获取负荷功率曲线、常规能源发电出力曲线(包括水电出力曲线、火电出力曲线、核电出力曲线)、风力发电出力曲线、太阳能发电出力曲线等；

所述新能源发电净需求曲线生成模块用于根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线；

所述储能电站容量优化配置模型构建模块用于：根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量及其投资成本；计算规划期长内不同的储能电站容量下的机会碳成本和储能电站容量投资成本；构建机会碳成本函数和储能电站容量投资成本函数；构建多目标储能电站容量优化配置模型。

所述储能电站容量优化配置模型求解模块用于求解多目标储能电站容量优化配置模型，计算得到多目标帕累托优化集，求解方法为多目标优化算法，包括多目标梯度下降算法、增强Pareto进化算法(SPEA)、基于分解的多目标进化算法(MOEA/D)、非支配排序遗传算法(NSGA)等。

所述***输出模块用于根据模糊集函数确定多目标帕累托优化集中元素权重，然后根据权重由大到小有序输出储能电站容量优化配置结果。

上述适应变储能周期的储能电站容量多目标优化配置***中的各个模块可全部或部分通过软件、硬件及其组合来实现。

上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

与现有技术相比，本发明的有益效果为：

一、储能电站容量优化配置中考虑了储能周期的影响，使得储能电站容量优化配置结果能适应不同的储能周期(如日、数日或数周)和不同的储能时长(如短、中、长时储能)，为不同储能周期、不同储能时长条件下储能电站容量优化配置提供了普适性方法，实现了变储能周期的储能电站容量多目标优化配置，克服了现有储能电站容量优化配置方法仅适应特定储能时长或特定储能周期的局限性；

二、储能电站容量优化配置中考虑了机会碳成本和储能电站容量投资成本的影响，构建了多目标储能电站容量优化配置模型，以多目标帕累托优化集作为决策依据，克服了现有储能电站容量优化配置仅基于单一目标的局限性，使得储能电站容量优化决策者能做出权衡多种成本的、更为合理的决策；

三、储能电站容量优化配置中考虑了决策非确定性因素，通过引入机会碳成本阈值和储能电站容量投资成本阈值构建模糊集函数，实现了根据帕累托优化集元素的权重大小有序输出储能电站多目标优化容量值，方便储能电站运营主体做出决策。

因此，本发明实现了权衡机会碳成本和储能电站容量投资成本的储能电站容量多目标优化配置，为储能电站容量优化配置提供了有效方法和决策支持。

附图说明

图1是本发明中适应变储能周期储能电站容量多目标优化配置方法的流程图；

图2是本发明中储能时长、储能周期、规划期长关系示意图；

图3是本发明中新能源发电出力曲线和新能源发电净需求曲线关系示意图；

图4是本发明中适应变储能周期的储能电站容量多目标优化配置***结构图。

具体实施方式

下面结合具体实施方式和附图对本发明作进一步的说明。

图1是本发明中适应变储能周期储能电站容量多目标优化配置方法的流程图。

S1、从电力调度***获取负荷功率曲线和常规能源发电出力曲线。

S2、从电力调度***获取风力发电出力曲线P_wind(t)和太阳能发电出力曲线P_pv(t)，从而得到新能源发电出力曲线P_new(t)。

S3、根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线P_demand(t)。

S4、根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量。

S5、根据规划期长内储能电站最优配置容量计算储能电站最优配置容量投资成本。

S6、计算规划期长内不同储能电站容量下机会碳成本和储能电站容量投资成本，构建机会碳成本函数和储能电站容量投资成本函数。

S7、根据规划期长内不同储能电站容量下的机会碳成本函数和储能电站容量投资成本函数构建多目标储能电站容量优化配置模型，并计算多目标帕累托优化集。

S8、根据模糊集函数确定多目标帕累托优化集P_areto中元素权重，根据权重由大到小有序输出储能电站多目标优化容量值。

图2是本发明中储能时长、储能周期、规划期长关系示意图。图中横坐标表示时间t，纵坐标表示功率，此坐标图适合所有以功率为纵坐标、时间为横坐标的多种类型的功率曲线，包括负荷功率曲线、常规能源发电出力曲线、风力发电出力曲线、太阳能发电出力曲线、新能源发电出力曲线、新能源发电净需求曲线等。图中储能周期记为T₁，在储能周期内储能电站存在充电和放电行为，储能电站充电的总时长为储能时长；规划期长为nT₁，n为储能周期的倍数。在每个储能周期内(如[0,T₁]、[T₁,2T₁]、…、[(n-1)T₁,nT₁])均存在储能电站一个最优配置容量，储能电站在此最优配置容量下可以实现电力***全额消纳风电和太阳能发电出力，即风电和太阳能发电利用率为100％；若储能电站容量在最优配置容量之下，则表明储能电站容量配置不足，风电和太阳能发电出力不能被电力***全额消纳，已经出现弃风弃光，即风电和太阳能发电利用率小于100％。

图3是本发明中新能源发电出力曲线和新能源发电净需求曲线关系示意图。图中实线表示新能源发电出力曲线P_new(t)，虚线表示新能源发电净需求曲线P_demand(t)，横坐标表示时间t，纵坐标表示功率。储能周期记为T₁，在储能周期内储能电站存在充电和放电行为。在第一个储能周期[0,T₁]内，新能源发电净需求曲线与新能源发电出力曲线交点的最大个数

为4，交点时间轴坐标依次为：

且满足：

分别计算内

区间的储能面积

并且，

和/>

均大于0，表示储能电站在/>

区间内进行充电；/>

和/>

均小于0，表示储能电站在/>

和/>

区间内进行放电。

图4是本发明中适应变储能周期的储能电站容量多目标优化配置***结构图。该***由基础数据提取、新能源发电净需求曲线生成、储能电站容量优化配置模型构建、储能电站容量优化配置模型求解、***输出等模块组成。其中，基础数据提取模块从电力调度***获取基础数据，包括负荷功率曲线、常规能源发电出力曲线(包括水电出力曲线、火电出力曲线、核电出力曲线)、风力发电出力曲线、太阳能发电出力曲线等；新能源发电净需求曲线生成模块用于根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线；储能电站容量优化配置模型构建模块用于：①根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量及其投资成本，②计算规划期长内不同的储能电站容量下的机会碳成本和储能电站容量投资成本，并构建机会碳成本函数和储能电站容量投资成本函数，③构建基于机会碳成本函数和储能电站容量投资成本函数的多目标储能电站容量优化配置模型；储能电站容量优化配置模型求解模块用于求解多目标储能电站容量优化配置模型，求解方法为多目标优化算法，包括多目标梯度下降算法、增强Pareto进化算法(SPEA)、基于分解的多目标进化算法(MOEA/D)、非支配排序遗传算法(NSGA)等，经计算最后得到多目标帕累托优化集；***输出模块用于：①根据模糊集函数确定多目标帕累托优化集中元素权重；②根据权重由大到小有序输出储能电站多目标优化容量值。

Claims (7)

1.一种适应变储能周期储能电站容量多目标优化配置方法，其特征在于，该方法分为以下步骤：

S1、从电力调度***获取负荷功率曲线和常规能源发电出力曲线

负荷功率曲线记为P_load(t)，t表示时间，t∈[0，t_max]，t_max为t的最大取值；P_load(t)具有日、周的周期性，其中日周期性体现在负荷功率曲线存在明显的高峰时段、腰荷时段和低谷时段特征，周周期性体现在负荷功率曲线存在明显的工作日、非工作日特征；常规能源发电出力曲线记为P_old(t)，包括水电出力曲线P_hydro(t)、火电出力曲线P_therm(t)和核电出力曲线P_nuclear(t)；常规能源发电出力曲线与水电出力曲线、火电出力曲线、核电出力曲线的关系为：

P_old(t)＝P_hydro(t)+P_therm(t)+P_nuclear(t)；

S2、从电力调度***获取风力发电出力曲线P_wind(t)和太阳能发电出力曲线P_pv(t)，从而得到新能源发电出力曲线P_new(t)：

P_new(t)＝P_wind(t)+P_pv(t)；

S3、根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线P_demand(t)：

P_demand(t)＝P_load(t)-P_hydro(t)-P_therm(t)-P_nuclear(t)；

S4、根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量，具体如下：

S4-1、计算第一个储能周期[0，T₁]内储能电站最优配置容量

储能周期记为T₁，T₁∈[0，t_max]，在储能周期内储能电站存在充电和放电行为，储能电站充电的总时长为储能时长；规划期长为nT₁，n为储能周期的倍数：

其中，符号

表示下取整；

设新能源发电净需求曲线P_demand(t)与新能源发电出力曲线P_new(t)在第一个储能周期[0，T₁]内交点的最大个数为

交点时间轴坐标依次为：

且满足：

其中i表示两个曲线在第一个储能周期[0，T₁]内的交点编号，

分别计算

区间的储能面积/>

…，

…，

并且第一个储能周期[0，T₁]内

这表明第一个储能周期内储能电站将完成充电、放电整个循环过程；

第一个储能周期[0，T₁]内储能电站最优配置容量

计算如下：

其中α取值如下：

S4-2、按照S4-1中的方法依次计算第二个储能周期[T₁，2T₁]内储能电站最优配置容量

第三个储能周期[2T₁，3T₁]内储能电站最优配置容量/>

…、第n个储能周期[(n-1)T₁，nT₁]内储能电站最优配置容量/>

S4-3、计算规划期长内储能电站最优配置容量E：

其中，符号max{·，…，·，}表示取最大值；

S5、根据规划期长内储能电站最优配置容量E计算储能电站最优配置容量投资成本：规划期长[0，nT₁]内储能电站最优配置容量为E，单位容量投资成本为∈，则储能电站最优配置容量投资成本C_cap，E根据下式计算：C_cap，E＝E*∈；

S6、计算规划期长内不同储能电站容量下机会碳成本和储能电站容量投资成本，构建机会碳成本函数和储能电站容量投资成本函数；具体如下：

S6-1、计算第一个储能周期[0，T₁]内储能电站容量E′下的机会碳成本

在整个规划期长内，当储能电站容量低于储能电站最优配置容量时，则风电和太阳能发电出力不能被电力***全额消纳，已经出现弃风弃光，此时将产生机会碳成本；设储能电站容量相对于最优配置容量的变化值为ΔE，ΔE∈[0，E]，则储能电站容量E′计算如下：

E′＝E-ΔE，

在储能电站容量E′下，第一个储能周期[0，T₁]内的机会碳成本

为：

其中β取值如下：

S6-2、按照S6-1中的方法依次计算第二个储能周期[T1，2T1]内储能电站容量E′下的机会碳成本

第三个储能周期[2T₁，3T₁]内储能电站容量E′下的机会碳成本/>

…、第n个储能周期[(n-1)T₁，nT₁]内储能电站容量E′下的机会碳成本/>

S6-3、计算规划期长内储能电站容量E′下的机会碳成本C_opp，E′：

其中，ε为单位电量对应的碳价；

S6-4、计算储能电站容量E′下的投资成本C_cap，E′：C_cap，E′＝E′*∈；

S6-5、改变ΔE，得到不同储能电站容量E″下的机会碳成本C_opp和储能电站容量投资成本C_cap，进而得到规划期长内不同储能电站容量E″下的机会碳成本函数和储能电站容量投资成本函数：

f(E″)：E″→C_opp，

g(E″)：E″→C_cap，

其中，f(E″)为不同储能电站容量E″下的机会碳成本函数，g(E″)为不同储能电站容量E″下的储能电站容量投资成本函数，符号→表示储能电站容量E″与不同的储能电站容量E″下的机会碳成本C_opp或储能电站容量投资成本C_cap的函数映射关系；

S7、根据规划期长内不同储能电站容量E″下的机会碳成本函数和储能电站容量投资成本函数构建多目标储能电站容量优化配置模型，并计算多目标帕累托优化集

多目标储能电站容量优化配置模型为：

min{f(E″)，g(E″)}

其中，min{·，·}表示对机会碳成本函数f(E″)和储能电站容量投资成本函数g(E″)最小化，s.t.表示约束条件，

和/>

分别表示机会碳成本最大值和储能电站容量投资成本最大值；由于f(E″)和g(E″)是互斥目标，因此计算结果为多目标帕累托优化集P_areto；

采用多目标优化算法计算得到多目标帕累托优化集：

其中，j为P_areto中元素编号，j_max为P_areto中元素最大个数，E′_opt，j为P_areto中第j个元素即第j个储能电站多目标优化容量值；

S8、根据模糊集函数确定多目标帕累托优化集P_areto中元素权重，根据权重由大到小有序输出储能电站多目标优化容量值，此结果为储能电站容量优化配置提供决策支持模糊集函数定义如下：

其中，ρ_f和γ_f分别为机会碳成本阈值的上限和下限，ρ_f和γ_f取值由储能电站容量优化配置者根据机会碳成本要求确定且γ_f＜ρ_f，ρ_g和γ_g分别为储能电站容量投资成本阈值上限和下限，ρ_g和γ_g取值由储能电站容量优化配置者根据容量投资成本要求确定且γ_g＜ρ_g，η_f(E′_opt，j)为P_areto中第j个元素E′_opt，j的机会碳成本模糊集函数，η_g(E′_opt，j)为P_areto中第j个元素E′_opt，j的储能电站容量投资成本模糊集函数；

P_areto中第j个元素E′_opt，j的权重η_j根据下式计算：

根据权重η_j由大到小有序输出储能电站多目标优化容量值，此结果为储能电站容量优化配置提供决策支持。

2.一种根据权利要求1所述适应变储能周期储能电站容量多目标优化配置方法，其特征在于：S4-3中，根据储能时长将储能周期T₁设置为不同的值，就可以得到适应不同储能时长或储能周期的储能电站最优配置容量。

3.一种根据权利要求1或2所述适应变储能周期储能电站容量多目标优化配置方法，其特征在于：S7中，多目标优化算法包括多目标梯度下降算法、增强Pareto进化算法、基于分解的多目标进化算法、非支配排序遗传算法。

4.一种根据权利要求1或2所述适应变储能周期储能电站容量多目标优化配置方法，其特征在于：S8中，η_f(E′_opt，j)和η_g(E′_opt，j)的取值均介于0和1之间。

5.一种基于权利要求1所述方法的适应变储能周期的储能电站容量多目标优化配置***，其特征在于：包括基础数据提取模块、新能源发电净需求曲线生成模块、储能电站容量优化配置模型构建模块、储能电站容量优化配置模型求解模块、***输出模块；

所述基础数据提取模块用于从电力调度***获取负荷功率曲线、常规能源发电出力曲线、风力发电出力曲线、太阳能发电出力曲线，所述常规能源发电出力曲线包括水电出力曲线、火电出力曲线、核电出力曲线；

所述新能源发电净需求曲线生成模块用于根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线；

所述储能电站容量优化配置模型构建模块用于：根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量及其投资成本；计算规划期长内不同的储能电站容量下的机会碳成本和储能电站容量投资成本；构建机会碳成本函数和储能电站容量投资成本函数；构建多目标储能电站容量优化配置模型；

所述储能电站容量优化配置模型求解模块用于求解多目标储能电站容量优化配置模型，计算得到多目标帕累托优化集，求解方法为多目标优化算法；

所述***输出模块用于根据模糊集函数确定多目标帕累托优化集中元素权重，然后根据权重由大到小有序输出储能电站容量优化配置结果。

6.一种根据权利要求5所述的适应变储能周期的储能电站容量多目标优化配置***，其特征在于：所述适应变储能周期的储能电站容量多目标优化配置***中的各个模块可全部或部分通过软件、硬件及其组合来实现。

7.一种根据权利要求5所述的适应变储能周期的储能电站容量多目标优化配置***，其特征在于：所述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

Images