利用人工智能技术的配电网储能运行优化方法开题报告

1. 研究目的与意义

近年来，配电网内的储能元件日益增多，为配电网运行带来了客观的弹性。

储能的弹性在配电网中具有多种应用，例如应对可再生能源出力的波动、缓解线路拥堵等等。

然而，因为储能电池本身的物理特性，过于频繁的充、放电状态改变会加快其的老化速度，因而在配电网的运行优化中，一般限制储能元件的状态在某一时刻固定为充电和放电这两种状态中的一种，因此就需要在优化模型中引入相应的0-1变量，这使得优化模型的计算复杂度大大提升。

2. 课题关键问题和重难点

课题关键问题：解决 0-1变量，不确定性因素给优化问题求解带来的困难。

难点：（1）学习了解储能元件运行机制，了解储能元件在配电网中的不同应用，利用储能元件的弹性，多方面提升配电网运行水平。

（2）构建配电网储能元件优化模型。

3. 国内外研究现状（文献综述）

配电网公司（disco）是电力负荷与大电网的中间环节。

分布式发电，冷、 热、电联产等多种供能方式以及微电网，电动汽车聚合商等以不同的并网方式接入配电网运行。

各种大容量动态负荷如电动汽车聚合商、微电网、电动机、空调的接入改变了配电网的运行特性，增加了供电不确定性，影响了供电可靠性和电能质量。

4. 研究方案

该课题提出了用机器学习的方法快速确定所建立配电网内储能元件优化调度的模型中储能元件各个时刻充放电状态0-1变量，之后基于已确定的储能元件状态，通过凸优化方法求解优化模型中的其他决策变量，测试并改进机器学习模型所做决策的准确率并讨论与原始优化模型比较，机器学习方法对整个运行时间的减少程度，综合分析储能元件在配电网运行中的应用效果。

5. 工作计划

1-2周：翻译导师下发英文文献，并反复阅读学习相关知识，能够清晰理出文献思路。

查阅与选题相关文献并进行整理阅读、完成文献综述。

3-5周：综合分析储能元件在配电网运行中的应用效果。