1.本发明实施例涉及电力系统及自动化技术领域，尤其涉及一种分布式储能资源的聚合灵活性辨识方法及装置。
背景技术：2.分布式资源可以友好地主动响应电网需求，在大电网供电紧张的高峰时段，提供可靠的清洁电能，缓解输电阻塞，对电力系统电源规划和扩展规划具有重要意义。而分布式资源具有接入电压等级低、单体装机容量小、运行参数随机性和时变性强的特点，通常难以直接参与电网优化运行。为提升分布式资源的可控性，聚合是行之有效的手段，通过先进的控制、计量、通信等技术聚合分布式发电以及储能系统、可控负荷等不同类型的分布式资源，更有利于资源的合理优化配置及利用，同时提高供电可靠性。
3.风电出力具有显著的不确定性和波动性，配网中的有功和无功负荷同样存在不确定性。如果仅根据点预测结果计算分布式资源的可行域，可能由于分布式资源出力的波动和负荷预测的误差导致调度结果无法执行，这可能会引起配电网功率缺额、配电网电压越限、配电网潮流越限等安全问题。
技术实现要素：4.鉴于此，为解决上述技术问题或部分技术问题，本发明实施例提供一种分布式储能资源的聚合灵活性辨识方法及装置。
5.第一方面，本发明实施例提供一种分布式储能资源的聚合灵活性辨识方法，包括：
6.对风电场所在区域的风速进行预测，得到风速预测数据；
7.基于所述风速预测数据确定所述风电场的机组出力数据；
8.基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型；
9.基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性。
10.在一个可能的实施方式中，所述方法还包括：
11.获取所述风电场所在区域的多个历史风速数据；
12.基于所述多个历史风速数据对所述风电场所在区域的未来风速进行预测，得到风速预测数据。
13.在一个可能的实施方式中，所述方法还包括：
14.将所述多个历史风速数据从小到大进行排列，组成风速样本数据集；
15.将所述风速样本数据集分成多个区间，并统计每个区间的观测风速频率；
16.基于所述观测风速频率确定概率密度函数的尺度参数和形状参数；
17.基于所述概率密度函数对所述风电场所在区域的未来风速进行预测，得到风速预测数据。
18.在一个可能的实施方式中，所述方法还包括：
19.基于所述风速预测数据，以预设时间段为区间，确定每个区间的平均风速；
20.计算每个区间内大于对应平均风速的第一风速平均值，以及每个区间内小于对应平均风速的第二风速平均值；
21.基于所述第一风速平均值和所述第二风速平均值，确定每个区间内的风速变化区间。
22.在一个可能的实施方式中，所述方法还包括：
23.基于所述每个区间内的风速变化区间，确定风电场的机组出力变化区间。
24.在一个可能的实施方式中，所述方法还包括：
25.获取配电网的运行基础参数；
26.基于所述配电网的运行基础参数、所述机组出力数据以及预先设置的约束条件，构建含风电、储能的配电网安全运行约束模型。
27.在一个可能的实施方式中，所述方法还包括：
28.基于所述含风电、储能的配电网安全运行约束模型，通过benders分解法确定分布式储能资源聚合的功率上限的最优取值区间和对应的电量范围；
29.基于所述最优取值区间辨识所述分布式储能资源的聚合灵活性。
30.第二方面，本发明实施例提供一种分布式储能资源的聚合灵活性辨识装置，包括：
31.预测模块，用于对风电场所在区域的风速进行预测，得到风速预测数据；
32.确定模块，用于基于所述风速预测数据确定所述风电场的机组出力数据；
33.构建模块，用于基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型；
34.辨识模块，用于基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性。
35.第三方面，本发明实施例提供一种计算机设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的分布式储能资源的聚合灵活性辨识程序，以实现上述第一方面中所述的分布式储能资源的聚合灵活性辨识方法。
36.第四方面，本发明实施例提供一种存储介质，包括：所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面中所述的分布式储能资源的聚合灵活性辨识方法。
37.本发明实施例提供的分布式储能资源的聚合灵活性辨识方案，通过对风电场所在区域的风速进行预测，得到风速预测数据；基于所述风速预测数据确定所述风电场的机组出力数据；基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型；基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性，相比于现有技术中仅根据点预测结果计算分布式资源的可行域，可能由于分布式资源出力的波动和负荷预测的误差导致调度结果无法执行，引起配电网功率缺额、配电网电压越限、配电网潮流越限等安全问题，由本方案，通过最大化分布式储能资源为电力系统运行提供的灵活性，为聚合分布式资源参与电力系统优化调度提供参考，有助于提升配电网运行的安全性与经济性。
附图说明
38.图1为本发明实施例提供的一种分布式储能资源的聚合灵活性辨识方法的流程示意图；
39.图2为本发明实施例提供的另一种分布式储能资源的聚合灵活性辨识方法的流程示意图；
40.图3为本发明实施例提供的一种分布式储能资源的聚合灵活性辨识装置的结构示意图；
41.图4为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
42.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
44.图1为本发明实施例提供的一种分布式储能资源的聚合灵活性辨识方法的流程示意图，如图1所示，该方法具体包括：
45.s11、对风电场所在区域的风速进行预测，得到风速预测数据。
46.本发明实施例中，设风电场的风速服从两参数威布尔分布，其中两参数威布尔分布的概率密度函数如公式1所示：
[0047][0048]
式中，α是尺度参数，表征风速情况，风速越大，α值越大；β是形状参数，影响曲线的形状；v代表风速。
[0049]
进一步的，通过最小二乘-极大似然估计法确定概率密度函数的尺度参数和形状参数，基于所述概率密度函数对风电场所在区域的未来风速进行预测，得到风速预测数据。
[0050]
s12、基于所述风速预测数据确定所述风电场的机组出力数据。
[0051]
根据风电场风速与机组出力的关系，可以确定风电场的机组出力数据，风电场风速与机组出力的关系如公式2所示：
[0052][0053]
式中，ρ是空气密度，a为风力机的扫掠面积，c
p
是风力机的风能利用系数，与风力机的结构有关，表征风力机从风中获得的有用风能的比例，风电场的机组出力与风速的立方成正比。
[0054]
s13、基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型。
[0055]
构建含风电、储能的配电网安全运行约束模型，首先，获取配电系统运行基础参数，包括：配电网网络参数：配电网拓扑结构及线路参数、变压器的电导、电纳参数、配电线
路传输容量极限、节点电压上下限；风电运行参数：分布式电源装机容量、最小有功出力、最大功率因数角；预测参数：有功负荷预测、无功负荷预测。
[0056]
配电网安全运行约束模型，具体包括以下公式：
[0057][0058][0059][0060][0061][0062][0063][0064][0065]
式中，k是调度时段，δk是时间间隔。公式3是分布式储能的充电方程，是储能n在时段k的电量，是储能n在时段k的充电功率，αn是储能n的自放电系数；公式4是储能的充电功率上下限约束，分别是储能n的最大、最小充电功率；公式5是储能n的电量上下限约束，是储能的电量上限；公式6和公式7分别配置储能n的电网节点在时段k的有功、无功平衡约束，和分别是以节点n为终点的配电线路在时段k的有功功率和无功功率，为区间表示的节点n的风电出力为区间表示的节点n的风电出力和分别是节点n在时段k的有功负荷和无功负荷，是储能n在时段k吸收的无功功率；公式8是配电网潮流方程，vn(k)是节点n在时段k的电压，rn和xn分别是以节点n为终点的配电线路的电阻和电抗；公式9是配电线路的传输容量约束，和分别是以节点n为终点的配电线路的有功功率传输上限和下限；公式10是节点电压的上下限约束，和vn分别是节点n的电压上限和下限。
[0066]
s14、基于所述含风电、储能的配电网安全运行约束模型通过benders 分解法辨识分布式储能资源的聚合灵活性。
[0067]
通过benders分解法辨识分布式储能资源的聚合灵活性，为提升分布式资源的灵活性，构建优化模型，使分布式储能资源的聚合灵活性在可行域内最优，即最大化储能的功率上限及电量范围，具体如下公式：
[0068]
maxη
t
θ
ꢀꢀꢀꢀꢀꢀ
公式11
[0069]
式中，θ是分布式储能资源聚合的功率上限电量上下限eb和构成的列向量，
这两个参数为储能资源聚合后的电量上下限，是优化求解的参数，η是常向量，其元素个数与θ的行数相同，当各变量没有偏好时，η的元素可都取为1；当有偏好时可作灵活调整，如η＝[1；10；10]。
[0070]
进一步的，分别构建和求解最好最优值模型与最差最优值模型，并利用benders法通过求解器cplex分别计算，得到θ的最优解区间。
[0071]
需要注意的是，本模型包含区间等式约束，需要用最优目标函数代替区间目标函数，不等式约束用最大范围不等式代替，等式约束用两个边界不等式代替，求解最好最优值θ；用最差目标函数代替区间目标函数，不等式约束用最小范围不等式代替，等式约束用两个边界不等式代替，求解最差最优值则最优值的取值区间为得到分布式储能的功率最优值区间，即得到了分布式储能资源聚合的最优模型参数，即可表征分布式储能的聚合灵活性。
[0072]
本发明实施例提供的分布式储能资源的聚合灵活性辨识方法，通过对风电场所在区域的风速进行预测，得到风速预测数据；基于所述风速预测数据确定所述风电场的机组出力数据；基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型；基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性，相比于现有技术中仅根据点预测结果计算分布式资源的可行域，可能由于分布式资源出力的波动和负荷预测的误差导致调度结果无法执行，引起配电网功率缺额、配电网电压越限、配电网潮流越限等安全问题，由本方法，通过最大化分布式储能资源为电力系统运行提供的灵活性，为聚合分布式资源参与电力系统优化调度提供参考，有助于提升配电网运行的安全性与经济性。
[0073]
图2为本发明实施例提供的另一种分布式储能资源的聚合灵活性辨识方法的流程示意图，如图1所示，该方法具体包括：
[0074]
s21、获取所述风电场所在区域的多个历史风速数据。
[0075]
s22、将所述多个历史风速数据从小到大进行排列，组成风速样本数据集。
[0076]
s23、将所述风速样本数据集分成多个区间，并统计每个区间的观测风速频率。
[0077]
s24、基于所述观测风速频率确定概率密度函数的尺度参数和形状参数。
[0078]
s25、基于所述概率密度函数对所述风电场所在区域的未来风速进行预测，得到风速预测数据。
[0079]
s26、基于所述风速预测数据，以预设时间段为区间，确定每个区间的平均风速。
[0080]
s27、计算每个区间内大于对应平均风速的第一风速平均值，以及每个区间内小于对应平均风速的第二风速平均值。
[0081]
s28、基于所述第一风速平均值和所述第二风速平均值，确定每个区间内的风速变化区间。
[0082]
以下对s21～s28进行统一说明：
[0083]
获取风电场所在区域的多个历史风速数据，以1h内的平均值风速代替瞬时风速，构成样本数据集{v1,v2,v3,
……
,vn}，按照数值从小到大排列；将样本集分为m个区间统计每个区间内观测风速的频率，记为f1,f2,
……
,fn，则累计频率为f1＝f1，f2＝ f1+f2，
……
，fn＝f
n-1
+fn；计算回归方程的变
量xi和yi，公式如下：
[0084]
xi＝lnviꢀꢀꢀꢀꢀ
公式13
[0085]
yi＝ln[-ln(1-fi)]
ꢀꢀꢀꢀꢀ
公式14
[0086]
进一步的，求解尺度参数和形状参数的迭代初值，公式如下：
[0087][0088][0089]
进一步的，构造简化似然方程，利用牛顿-拉夫逊法迭代至满足误差容限，求解尺度参数和形状参数，公式如下：
[0090][0091][0092]
进一步的，利用历史风速数据与气象数据，预测未来时段的分钟风速，并以1h为区间求解平均风速vi；分别计算每个区间内大于平均风速vi的风速平均值，记为小于平均风速vi的风速平均值，记为vi，则每个区间的风速变化区间表示为
[0093]
s29、基于所述每个区间内的风速变化区间，确定风电场的机组出力变化区间。
[0094]
s210、获取配电网的运行基础参数。
[0095]
s211、基于所述配电网的运行基础参数、所述机组出力数据以及预先设置的约束条件，构建含风电、储能的配电网安全运行约束模型。
[0096]
s212、基于所述含风电、储能的配电网安全运行约束模型，通过benders 分解法确定分布式储能资源聚合的功率上限的最优取值区间和对应的电量范围。
[0097]
s213、基于所述最优取值区间辨识所述分布式储能资源的聚合灵活性。
[0098]
以下对s29～s213进行统一说明：
[0099]
根据风电场风速与机组出力的关系，可以确定风电场的机组出力数据，风电场风速与机组出力的关系如公式2所示：
[0100][0101]
式中，ρ是空气密度，a为风力机的扫掠面积，c
p
是风力机的风能利用系数，与风力机的结构有关，表征风力机从风中获得的有用风能的比例，风电场的机组出力与风速的立方成正比。
[0102]
构建含风电、储能的配电网安全运行约束模型，首先，获取配电系统运行基础参数，包括：配电网网络参数：配电网拓扑结构及线路参数、变压器的电导、电纳参数、配电线
路传输容量极限、节点电压上下限；风电运行参数：分布式电源装机容量、最小有功出力、最大功率因数角；预测参数：有功负荷预测、无功负荷预测。
[0103]
配电网安全运行约束模型，具体包括以下公式：
[0104][0105][0106][0107][0108][0109][0110][0111][0112]
式中，k是调度时段，δk是时间间隔。公式3是分布式储能的充电方程，是储能n在时段k的电量，是储能n在时段k的充电功率，αn是储能n的自放电系数；公式4是储能的充电功率上下限约束，分别是储能n的最大、最小充电功率；公式5是储能n的电量上下限约束，是储能的电量上限；公式6和公式7分别配置储能n的电网节点在时段 k的有功、无功平衡约束，和分别是以节点n为终点的配电线路在时段k的有功功率和无功功率，为区间表示的节点n的风电出力为区间表示的节点n的风电出力和分别是节点n在时段k的有功负荷和无功负荷，是储能n在时段k吸收的无功功率；公式8是配电网潮流方程，vn(k)是节点n在时段k的电压，rn和xn分别是以节点n为终点的配电线路的电阻和电抗；公式9是配电线路的传输容量约束，和分别是以节点n为终点的配电线路的有功功率传输上限和下限；公式10是节点电压的上下限约束，和vn分别是节点n的电压上限和下限。
[0113]
通过benders分解法辨识分布式储能资源的聚合灵活性，为提升分布式资源的灵活性，构建优化模型，使分布式储能资源的聚合灵活性在可行域内最优，即最大化储能的功率上限及电量范围，具体如下公式：
[0114]
maxη
t
θ
ꢀꢀꢀꢀꢀꢀ
公式11
[0115]
式中，θ是分布式储能资源聚合的功率上限电量上下限eb和构成的列向量，这两个参数为储能资源聚合后的电量上下限，是优化求解的参数，η是常向量，其元素个数与θ的行数相同，当各变量没有偏好时，η的元素可都取为1；当有偏好时可作灵活调整，如η
＝[1；10；10]。
[0116]
进一步的，分别构建和求解最好最优值模型与最差最优值模型，并利用benders法通过求解器cplex分别计算，得到θ的最优解区间。
[0117]
需要注意的是，本模型包含区间等式约束，需要用最优目标函数代替区间目标函数，不等式约束用最大范围不等式代替，等式约束用两个边界不等式代替，求解最好最优值θ；用最差目标函数代替区间目标函数，不等式约束用最小范围不等式代替，等式约束用两个边界不等式代替，求解最差最优值则最优值的取值区间为得到分布式储能的功率最优值区间，即得到了分布式储能资源聚合的最优模型参数，即可表征分布式储能的聚合灵活性。
[0118]
本发明实施例提供的分布式储能资源的聚合灵活性辨识方法，通过对风电场所在区域的风速进行预测，得到风速预测数据；基于所述风速预测数据确定所述风电场的机组出力数据；基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型；基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性，由本方法，通过最大化分布式储能资源为电力系统运行提供的灵活性，为聚合分布式资源参与电力系统优化调度提供参考，有助于提升配电网运行的安全性与经济性。
[0119]
图3为本发明实施例提供的一种分布式储能资源的聚合灵活性辨识装置的结构示意图，如图3所示，该装置包括：
[0120]
预测模块301，用于对风电场所在区域的风速进行预测，得到风速预测数据。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0121]
确定模块302，用于基于所述风速预测数据确定所述风电场的机组出力数据。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0122]
构建模块303，用于基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0123]
辨识模块304，用于基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
[0124]
本发明实施例提供的分布式储能资源的聚合灵活性辨识装置，用于执行上述实施例提供的分布式储能资源的聚合灵活性辨识方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
[0125]
图4示出了本发明实施例的一种计算机设备，如图4所示，该计算机设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图4中以通过总线连接为例。
[0126]
处理器901可以为中央处理器(central processing unit，cpu)。处理器901还可以为其他通用处理器、数字信号处理器(digital signalprocessor，dsp)、专用集成电路(application specific integrated circuit， asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0127]
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中所提供方法所对应的程序指令/模块。
处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
[0128]
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器 901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0129]
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
[0130]
上述计算机设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0131]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory， rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘 (solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0132]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
技术特征：1.一种分布式储能资源的聚合灵活性辨识方法，其特征在于，包括：对风电场所在区域的风速进行预测，得到风速预测数据；基于所述风速预测数据确定所述风电场的机组出力数据；基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型；基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性。2.根据权利要求1所述的方法，其特征在于，所述对风电场所在区域的风速进行预测，得到风速预测数据，包括：获取所述风电场所在区域的多个历史风速数据；基于所述多个历史风速数据对所述风电场所在区域的未来风速进行预测，得到风速预测数据。3.根据权利要求2所述的方法，其特征在于，所述基于所述多个历史风速数据对所述风电场所在区域的未来风速进行预测，得到风速预测数据，包括：将所述多个历史风速数据从小到大进行排列，组成风速样本数据集；将所述风速样本数据集分成多个区间，并统计每个区间的观测风速频率；基于所述观测风速频率确定概率密度函数的尺度参数和形状参数；基于所述概率密度函数对所述风电场所在区域的未来风速进行预测，得到风速预测数据。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：基于所述风速预测数据，以预设时间段为区间，确定每个区间的平均风速；计算每个区间内大于对应平均风速的第一风速平均值，以及每个区间内小于对应平均风速的第二风速平均值；基于所述第一风速平均值和所述第二风速平均值，确定每个区间内的风速变化区间。5.根据权利要求4所述的方法，其特征在于，所述基于所述风速预测数据确定所述风电场的机组出力数据，包括：基于所述每个区间内的风速变化区间，确定风电场的机组出力变化区间。6.根据权利要求5所述的方法，其特征在于，所述基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型，包括：获取配电网的运行基础参数；基于所述配电网的运行基础参数、所述机组出力数据以及预先设置的约束条件，构建含风电、储能的配电网安全运行约束模型。7.根据权利要求6所述的方法，其特征在于，所述基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性，包括：基于所述含风电、储能的配电网安全运行约束模型，通过benders分解法确定分布式储能资源聚合的功率上限的最优取值区间和对应的电量范围；基于所述最优取值区间辨识所述分布式储能资源的聚合灵活性。8.一种分布式储能资源的聚合灵活性辨识装置，其特征在于，包括：预测模块，用于对风电场所在区域的风速进行预测，得到风速预测数据；确定模块，用于基于所述风速预测数据确定所述风电场的机组出力数据；
构建模块，用于基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型；辨识模块，用于基于所述含风电、储能的配电网安全运行约束模型通过benders分解法辨识分布式储能资源的聚合灵活性。9.一种计算机设备，其特征在于，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的分布式储能资源的聚合灵活性辨识程序，以实现权利要求1～7中任一项所述的分布式储能资源的聚合灵活性辨识方法。10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～7中任一项所述的分布式储能资源的聚合灵活性辨识方法。
技术总结本发明实施例涉及一种分布式储能资源的聚合灵活性辨识方法及装置，所述方法包括：对风电场所在区域的风速进行预测，得到风速预测数据；基于所述风速预测数据确定所述风电场的机组出力数据；基于所述机组出力数据构建含风电、储能的配电网安全运行约束模型；基于所述含风电、储能的配电网安全运行约束模型通过Benders分解法辨识分布式储能资源的聚合灵活性，由此方法，通过最大化分布式储能资源为电力系统运行提供的灵活性，为聚合分布式资源参与电力系统优化调度提供参考，有助于提升配电网运行的安全性与经济性。网运行的安全性与经济性。网运行的安全性与经济性。
技术研发人员：张险峰 王璇 于傲 谭振飞 杨洪斌 钟海旺
受保护的技术使用者：清华大学
技术研发日：2022.07.14
技术公布日：2022/11/1
