一种计及风电不确定性的储能系统随机配置方法、终端及存储介质

技术领域

本发明涉及风电技术领域，尤其涉及一种计及风电不确定性的储能系统随机配置方法、终端及存储介质。

背景技术

随着一次能源的消耗，环境污染加剧，为减少化石燃料的使用，促进电力系统的持续发展，风能作为一种无污染的可再生能源开始大规模并网。然而，风电出力具有随机性和不可控的特点，并网后对系统运行影响较大，一方面如何考虑风电出力的不确定性向电网规划提出了挑战，利用常规机组的启停方式调节增加系统运行成本，且反应速度慢，难以适应风电出力的波动；另一方面高渗透率的风电为系统带来不稳定问题，随着储能技术的快速发展，风电场和储能系统的联合运行能够在一定程度上保证电力系统的稳定和电能质量，储能接入位置和容量的不同对改善效果影响很大，因此，储能接入位置与容量的确定也是一个亟待解决问题。

对于当前来讲，针对考虑风电不确定性的优化问题常用解决办法有随机规划法和鲁棒优化法，该鲁棒优化法计算效率虽高，但常伴有一定的保守型性，针对考虑风电不确定性的电网规划问题，提出了基于三点估计的风电建模，按照三点估计的原理对风电场的出力进行采样，将不确定性模型转换为确定性模型求解，该方法虽使得计算量减小，能满足电网规划要求，但对整体特征的代表较差，计算准确度略低。

在三点估计基础上，现有技术又提出五点估计来对风电建模，虽对整体风电分布的特征代表优于三点估计，但也存在计算准确度低的缺点。场景削减技术作为随机优化的一种被广泛应用于处理不确定性场合，将一个含有大量场景的概率分布削减为若干个代表性的场景数量较少的概率分布，并保持与削减前的相似特征，应用于与风电不确定性相关的规划运行问题，减少计算量，提高计算效率。

随着储能技术的快速发展，大规模储能系统在风电并网中的应用越来越引起国内外学者的注意。其中，针对风电并网给电网安全稳定性带来的挑战，提出应用储能装置解决大规模风电并网的想法思路，对储能技术解决风电并网问题的前景进行了分析。现有技术中，对应用于风电中的混合储能系统的容量按经验进行了定性分析，但未进行定量研究；在一些发明献中，考虑风电随机性，提出了基于机会约束的混合储能系统容量配置方法，建立机会约束模型，对约束条件及风电出力的随机变化处理更加灵活。

又在一些发明献中，提出了风电和储能系统的混合优化调度模型，考虑了详细的运行约束，降低了风电随机性对电网运行的不利影响，但没考虑对风电随机性的模拟。

又在一些发明献中，以风机出力预测值为基础，研究了含风电和储能系统的电力系统机组组合问题，考虑清洁能源的优势，提高系统能源利用率，降低火电机组的出力。以上研究对应用于风电中的储能均未进行安装位置的考虑，且考虑风电出力随机性的较少。

发明内容

为了克服上述现有技术中的不足，本发明提供一种计及风电不确定性的储能系统随机配置方法，方法包括：

步骤一、根据所在地区的风能分布，设定尺度参数c和形状参数k，生成场景数s，削减后场景数n；

步骤二、利用双参数威布尔分布模拟随机风速，调用wblrnd函数生成设定的s个场景，各场景概率取相等；

步骤三、通过场景削减算法中的快速前推算法，将原场景数目削减为若干个代表性的m个场景；

步骤四、若削减后的场景数多于设定的保留场景数，则循环场景削减直到达到设定的场景数，并利用风速和风电出力关系式，将削减后的风速场景转换为风电功率场景；

步骤五、通过基于序列二次规划法的GAMS/SNOPT求解模型；

若求解结果不满足约束条件，则重新修改完善模型；

若求解结果满足约束条件，则输出求解得到的储能系统安装节点、容量和目标函数的值。

进一步需要说明的是，步骤二还包括：

采用威布尔分布描述风速概率密度；

式中，v表示随机风速，m/s；c表示尺度参数；k为形状参数，k可确定威布尔分布的函数曲线形状，k>0；

风机出力大小与风速密切相关，设风电场所有风机的输入风速近似相等，描述二者关系的具体函数表达式为

式中，v为实际风速，m/s；v

进一步需要说明的是，根据地区实际风速拟合的尺度参数和形状参数，选用双参数威布尔分布模拟随机风速，调用威布尔分布的wblrnd函数随机生成大量风速场景；

将一个包含较多场景的场景集合基于场景削减算法削减为预设基数的代表性场景子集，并将最优概率赋值给保留下来的场景，被削减掉的场景概率为零，使保留下来的场景子集与原场景集合间的概率距离最小；即达到 Kantorovich距离d

其中，

x

式中，p

进一步需要说明的是，基于GAMS平台利用场景削减算法处理连续的风速随机场景变量，得到具有代表性的保留风速场景，场景削减后最终风速结果及相应概率如下：

p

式中，Ω

根据风电出力和风速的关系表达式(2)，得到风电在各保留风速场景下的风电功率，此时风电功率与相应的风速场景对应相同的概率。

进一步需要说明的是，基于风电功率削减后的概率分布，建立计及风电随机性的包含发电机组燃料成本、风电运行和储能系统运行成本的经济优化模型；

配置目标函数，目标函数为：

式中，s表示风速对应的相应风电功率场景；N表示场景数，经过场景削减保留下来的代表性风电功率场景；p

进一步需要说明的是，发电机煤耗成本G

式中，G表示系统中发电机总台数；a

风机运行成本W

W

式中，C

储能系统运行成本E

式中，bus为节点总数目；x

风机接入电网后其出力随机性将引起电网电压的随机波动，基于电压偏移大小DI作为储能系统接入后改善可再生能源引起的电压随机波动的效果评价指标；

式中，U

进一步需要说明的是，经济配置模型的约束条件包括潮流约束、风电出力约束、储能功率约束、电压约束和发电机出力约束；

潮流约束为：

式中，P

风电场出力功率约束为：

式中，

储能功率约束为：

P

式中，P

电压约束和发电机出力约束为：

U

式中，U

发电机组爬坡率约束为：

式中，ΔP表示发电机P

进一步需要说明的是，储能系统在节点k的安装情况由决策变量x

将储能系统的安装功率转化为用实数编号x

P

式中，P

x

设储能装置接入系统的PQ节点，对于非PQ节点P

本发明还提供一种实现计及风电不确定性的储能系统随机配置方法的终端，包括：

存储器，用于存储计算机程序及计及风电不确定性的储能系统随机配置方法；

处理器，用于执行所述计算机程序及计及风电不确定性的储能系统随机配置方法，以实现计及风电不确定性的储能系统随机配置方法的步骤。

本发明还提供一种具有计及风电不确定性的储能系统随机配置方法的存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现计及风电不确定性的储能系统随机配置方法的步骤。

从以上技术方案可以看出，本发明具有以下优点：

本发明涉及的计及风电不确定性的储能系统随机配置方法采用场景削减算法计算风电出力，将含有风电不确定性的模型转换为可求解的确定模型，基于储能系统的接入改善高渗透率的可再生能源接入后系统的电压质量及稳定性，对储能系统进行选址定容，建立计及风电随机性的包含发电机组燃料成本、风电运行和储能系统运行成本的经济优化模型并求解。

本发明运用场景削减算法保留出有代表性的风速场景，避免了对每一场景都分析计算的麻烦，降低计算的复杂度。

随着风电渗透率的增加，系统电压偏移增大，但由风电接入带来的经济效益和降低网损的作用也不容忽视，风电的接入，降低了火电机组出力消耗的燃料成本，对环境危害减小。

本发明为平抑风电随着渗透率增加对系统稳定造成的不利影响，分别对系统先接入储能和先接入风电两种情况进行分析，在先接入风电即考虑整个风电分布的情况下接入储能，系统的电压偏移较小，提升系统稳定性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为计及风电不确定性的储能系统随机配置方法流程图；

图2为各场景组成的场景树结构图；

图3为IEEE 30节点系统图；

图4为风速随机场景图；

图5为不考虑风电和储能接入的常规最优潮流计算的节点电压幅值图；

图6为考虑风电功率不确定性的最优潮流计算的节点电压幅值图；

图7为考虑风电功率不确定性且接入储能系统，通过最优潮流计算决定储能系统最佳安装位置及容量的节点电压幅值图；

图8为储能接入前后系统网损示意图；

图9为不同风电概率分布下的电压偏移示意图；

图10为不同风电功率分布下的系统运行成本示意图；

图11为不同风电功率分布下的系统运行成本示意图；

图12为各概率分布下系统网损示意图。

具体实施方式

本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

本发明提供一种计及风电不确定性的储能系统随机配置方法，方法中，考虑到高渗透率的风电接入造成系统不稳定，通过储能系统促进风电并网，平抑风电随机性波动，确保电力系统的电能质量及稳定性。本发明建立储能系统的随机优化配置模型，具体步骤如下：

S11，根据具体研究地区的风能分布，设定尺度参数c和形状参数k，生成场景数s，削减后场景数n。

S12，利用双参数威布尔分布模拟随机风速，调用wblrnd函数生成设定的 s个场景，各场景概率取相等。

S13，通过场景削减算法中的快速前推算法，将原场景数目削减为若干个代表性的m个场景。

S14，若削减后的场景数多于设定的保留场景数，则循环场景削减直到达到设定的场景数，并利用风速和风电出力关系式，将削减后的风速场景转换为风电功率场景。

S15，通过基于序列二次规划法(SQP)的GAMS/SNOPT求解模型，若求解结果不满足约束条件，则需重新修改完善模型；若求解结果满足约束条件，则输出求解得到的储能系统安装节点、容量和目标函数的值。

进一步的讲，本发明配置了场景削减离散风电出力分布。

具体的说，风速是影响风机出力随机性与间歇性的直接因素，掌握风速特性对分析风机的运行至关重要。多数地区的风速概率密度分布均可采用威布尔分布进行描述，威布尔分布是描述风速概率密度的较精确方法：

式中，v表示随机风速，m/s；c表示尺度参数；k为形状参数，k可确定威布尔分布的函数曲线形状，k>0。

风机出力大小与风速密切相关，设风电场所有风机的输入风速近似相等，描述二者关系的具体函数表达式为

式中，v为实际风速，m/s；v

作为本发明的实施方式，配置风速分布及风电功率的函数关系，并根据实际地区风速拟合的尺度参数和形状参数，选用双参数威布尔分布模拟随机风速，调用威布尔分布的wblrnd函数随机生成大量风速场景。

本发明解决随机优化问题很大程度上依赖于场景数目，所有可能的场景统计起来规模太大，无论是计算复杂度还是计算时间约束，对每一场景都进行分析很不现实，因此对随机生成的大量风速场景进行场景削减保留下来少数具有代表性的风速场景有重要意义。

本发明涉及的场景削减算法是将一个包含较多场景的场景集合依概率削减为规定基数的代表性场景子集，并将最优概率赋值给保留下来的场景，被削减掉的场景概率为零，最终是要达到保留下来的场景子集与原场景集合间的概率距离最小。即达到Kantorovich距离d

其中，

式中，p

结合场景树如图2所示，由各场景组成的场景树中包含所有的场景数据信息，且所有场景组合起来有一个领导根节点，保持根节点概率为1，其余随机生成的场景按相似程度加以归纳分析，削减掉概率低的场景，形成具有代表性的概率较大的保留场景集合。场景削减算法中以快速前推法、快速后推法和快速前后推混合算法的应用最为典型，快速后推算法在系统对运行时间有要求时能表现出良好性能，既要满足计算精度且要求保留下来的场景数较少时，快速前推法则是最好的选择。

鉴于以上分析，基于GAMS平台利用场景削减算法处理连续的风速随机场景变量。本发明利用wblrnd函数随机生成的1000个风速场景集合削减为若干个具有代表性的风速场景。设定原场景集合中1000个场景具有相等的概率，即1/1000，要求保存下来的场景数较少，因此GAMS/SCENRED借助快速前推算法将原场景的数目削减，得到具有代表性的保留风速场景，场景削减后最终风速结果及相应概率如下：

p

式中，Ω

根据风电出力和风速的关系表达式(2)，进一步即可得到风电在各保留风速场景下的风电功率，此时风电功率与相应的风速场景对应相同的概率。

作为本发明的实施方式，配置计及风电随机性的储能配置模型。

其中，考虑风电出力的不确定性，目标函数中含随机变量参数，满足各类约束的条件下，使系统总运行成本最小，进行储能位置和容量的配置，使系统总运行成本最小，并考虑储能系统的接入可改善高渗透率的可再生能源接入后系统的电压质量及稳定性，引入电压波动指标来评价储能接入前后系统的电压质量好坏。结合风电功率削减后的概率分布，建立计及风电随机性的包含发电机组燃料成本、风电运行和储能系统运行成本的经济优化模型。

将系统总运行成本最小作为储能经济配置模型的目标，并将系统节点电压偏移大小作为配置效果的评价指标。目标函数为：

式中，s表示风速对应的相应风电功率场景；N表示场景数，即经过场景削减保留下来的代表性风电功率场景；p

其中，

1)发电机煤耗成本G

式中，G表示系统中发电机总台数；a

2)风机运行成本W

W

式中，C

3)储能系统运行成本E

式中，bus为节点总数目；x

风机接入电网后其出力随机性将引起电网电压的随机波动，为此本发明引入电压偏移大小DI作为储能系统接入后改善可再生能源引起的电压随机波动的效果评价指标。

式中，U

作为本发明的经济配置模型的约束条件，具体包括潮流约束、风电出力约束、储能功率约束、电压约束和发电机出力约束等。

1)潮流约束，即

式中，P

2)风电场出力功率约束，即：

式中，

3)储能功率约束，即

P

式中，P

4)电压约束和发电机出力约束。

U

式中，U

5)发电机组爬坡率约束。

式中，ΔP表示发电机P

作为本发明的实施方式，储能系统在节点k的安装情况由决策变量x

P

式中，P

x

储能系统的接入位置和容量的优化是相辅相成的，选择合适的求解算法对位置和容量进行统一化处理。

为验证本发明所提计及风电不确定性的储能系统随机配置方法的有效性，下面以具体实施方式进行说明。其中采用IEEE-30节点、118节点及300节点算例进行分析。

IEEE-30节点算例

采用IEEE-30节点系统进行仿真分析，结构如图3所示。基准功率取 100MW，节点1为平衡节点，节点5，8，11，13为PV节点，其余节点为负荷节点。

节点2处为某额定功率为73MW的实际风电场，占系统总负荷的40％，，利用wblrand函数随机生成1000个风速场景，如图4所示。

原生成场景与削减后保留下来的场景相对距离设定为10％，利用 GAMS/SCENRED程序快速前推算法保留5个代表性风速场景，根据风电出力与风速的关系表达式(2)，得到保留场景对应的风电出力，则相应的概率分布如表1所示。

表1场景削减后风电功率分布

选取储能系统基准容量为2MW，研究时间取1h，共4个调度时段，相邻时段间隔时长15min，风机单位功率运行成本C

系统5台发电机煤耗成本系数如表2所示。

表2发电机煤耗成本系数

为验证方法，考虑风电功率不确定性的随机模型及选用方法的有效性，本发明采用以下3个场景进行比较分析：

Scen1：不考虑风电和储能接入的常规最优潮流计算，分析机组出力及目标成本。

Scen2：考虑风电功率不确定性的最优潮流计算，不接入储能系统，分析机组出力及目标成本。

Scen3：考虑风电功率不确定性且接入储能系统，通过最优潮流计算决定储能系统最佳安装位置及容量，分析机组出力及目标成本。

不同场景下的系统节点电压中，通过比较图5与图6可以发现，与无风电接入的常规情况相比，风电接入后系统的节点电压波动较大，甚至超出正常电压约束范围，达到1.09pu，这是由风电出力的不确定性及波动性导致。通过图6与图7对比可以发现，加入储能系统后系统电压波动幅度降低，电压回归到正常约束范围内，降低幅度达到11.82％，说明储能系统的对风电接入引起的电压大幅度波动具有较理想的抑制作用，提高系统稳定性。

Scen3场景下储能系统接入最佳位置及容量如表3所示。

表3 Scen3储能系统安装位置及容量

总目标成本、煤耗费用和节点电压偏移大小如表4所示。各时段间隔机组出力情况如表5、6、7所示。

表4各场景总目标成本、煤耗费用和节点电压偏移大小

表5 Scen1各时段间隔机组出力情况

表6 Scen2各时段间隔机组出力情况

表7 Scen3各时段间隔机组出力情况

通过表4-表7可以看出，在Scen1场景下，系统发电机煤耗成本最大，随着Scen2、Scen3场景中风电及储能系统的接入，相比较而言，火电出力减少，燃料成本也相对减少。Scen2较Scen1燃料成本减少6805.45元，总目标成本也略有下降，下降幅度约1.93％。Scen3与前两种场景相比，无论是火电机组燃料成本还是总目标成本都有下降，且通过对比可以看出随着风电及储能系统的接入，发电机发出的有功功率在下降，相比较于Scen1、Scen2，电压偏移DI最小。综合以上结果说明，风电的接入使火电机组的压力减少，同时燃料成本降低这也将减少化石能源的燃烧对环境的危害，在此保护环境的前提下，风储配合的接入也提高了系统运行的经济性。

针对风电按不同概率分布接入系统时，储能接入前后系统网损如图8所示。

通过图8可以发现，风电功率按不同功率接入系统时，网络损耗也有所改变，并且随着风电接入功率的增大，系统的网络损耗逐渐降低，说明可再生能源的接入可在一定程度上减小系统网损；接入储能装置后，对于每一概率风电下的网络损耗来讲，较于接入前，损耗降低，且针对不同概率水平下的风电接入，因为储能功率对风电的补偿，网络损耗在储能装置作用下稳定在一定均衡的水平，不出现大幅度的増降，更进一步说明储能系统较好的平抑作用。

本发明涉及118节点系统算例为：系统总有功负荷4242MW，根据福建省某风电场数据，接入由58台额定容量为2.5MW风电机组的风电场5个，设研究地区特定范围内风速无差异，每个风电场风机的切入风速、切出风速、额定风速和额定功率相同。通过场景削减保留6个代表性风电功率场景概率分布如表8所示。

表8场景削减后风电功率分布

按概率接入风电系统前后系统运行成本如表9所示。

表9.接入风电前后系统运行总费用

综合概率分布情况，在研究时间两小时内，相对于接入前总运行成本由103.1717万元降低为99.6542，燃料成本降低为93.4396万元，风电的接入使得传统火电机组出力减少，煤炭等燃料使用降低，成本降低，同时减少化石能源的燃烧对环境的危害。

考虑系统不接入风电时首先配置储能装置与按削减后的概率分布接入风电后配置储能的情景，两种情况下储能安装节点及安装容量如表10所示。

表10两种情景下储能系统安装位置及容量

表10情景一按配置储能装置后再考虑按削减后的概率分布接入风电，和首先考虑不同概率下的风电分布接入储能对比，两种情况下系统节点电压偏移情况如图9所示。

通过表10可以发现，先考虑储能接入后接入风电时的系统总的运行运行成本低于表9中系统只考虑接入风电时的运行成本，说明储能系统与可再生能源的配合可使整个系统运行更经济；对比先接入储能系统后接入风电与先接入风电后配置储能可知前一种情况下所需储能容量较高，因为系统对储能装置的功率需求比已考虑风电存在的情况下高，但结合图9可得虽后配置的储能装置容量较小，但改善电压波动的效果要优于储能容量高的情况，且可以看出后考虑风电接入的情况下系统节点电压偏移变化幅度较大，说明可再生能源接入对系统稳定运行有一定不利影响，但储能系统的接入可以平抑可再生能源对系统稳定造成的不利影响。

本发明涉及300节点系统算例位：系统接入额定功率为210MW的10个大容量风电场，风电场接入20、108、149、150、170、171等10个节点替代原有发电机节点，接入节点的风电场通过GAMS/SCENRED保留6个代表性风电功率场景概率分布如表11所示。

表11场景削减后风电功率分布

分析每个概率情景下系统接入风电所对应的运行成本和网络损耗，随着接入风电功率的增大，系统总运行成本如图10所示，系统有功损耗如表12 所示。

表12不同风电功率分布下系统有功损耗

从图8和表12可以看出，系统运行成本随着风电功率的增大而有所降低，总的系统运行成本由503.8075万元降低到210万元，且随着风电的接入，由发电机组所消耗的燃料成本从503.8075万元降低为445.8363万元，降幅达11.5％，火电机组出力减少，这意味着化石燃料的使用降低，对环境的危害减轻；系统的有功网损损耗降低，随着风电功率由0MW到210MW的接入，网络损耗由原来的302.8MW降低为290.3MW。

表13储能系统安装位置及容量

为保证接入风电后系统稳定运行，按照储能系统接入方案进行储能装置的选址定容。配置结果如表13所示，储能系统接入后系统运行成本如图11 所示，综合模型概率加权，系统接入储能前后按概率求得的总运行成本如表 14所示。

表14模型概率加权下的系统运行成本

由图11可知，接入储能装置后，系统总运行成本随着风电接入功率的增大而降低，由492.1228万元降低为483.2159万元，且燃料成本由原来的 492.1228万元降低为425.3855万元，降低幅度达到13.6％，无论是具体的燃料费用还是整体降低幅度，表明相较于接入储能装置前，储能系统的参与使得火力发电的参与度进一步降低。通过表10可以发现，按模型中所提概率加权后得到的接入储能后系统运行成本也由502.3166万元降低为492.5979，图 12接入储能系统前后系统网损对比可知，接入储能后系统的有功网损降低。且根据现今储能装置的运用趋势，随着技术的进步，储能价格的降低也将使得系统的运行更经济。

本发明涉及的计及风电不确定性的储能系统随机配置方法采用场景削减算法计算风电出力，将含有风电不确定性的模型转换为可求解的确定模型，基于储能系统的接入改善高渗透率的可再生能源接入后系统的电压质量及稳定性，对储能系统进行选址定容，建立计及风电随机性的包含发电机组燃料成本、风电运行和储能系统运行成本的经济优化模型并求解。

本发明运用场景削减算法保留出有代表性的风速场景，避免了对每一场景都分析计算的麻烦，降低计算的复杂度。

随着风电渗透率的增加，系统电压偏移增大，但由风电接入带来的经济效益和降低网损的作用也不容忽视，风电的接入，降低了火电机组出力消耗的燃料成本，对环境危害减小。

本发明为平抑风电随着渗透率增加对系统稳定造成的不利影响，分别对系统先接入储能和先接入风电两种情况进行分析，在先接入风电即考虑整个风电分布的情况下接入储能，系统的电压偏移较小，提升系统稳定性。

基于上述方法本发明还提供一种实现计及风电不确定性的储能系统随机配置方法的终端，包括：

存储器，用于存储计算机程序及计及风电不确定性的储能系统随机配置方法；

处理器，用于执行所述计算机程序及计及风电不确定性的储能系统随机配置方法，以实现计及风电不确定性的储能系统随机配置方法的步骤。

基于上述方法本发明还提供一种具有计及风电不确定性的储能系统随机配置方法的存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行以实现计及风电不确定性的储能系统随机配置方法的步骤。

终端可以包括无线通信单元、音频/视频(A/V)输入单元、用户输入单元、感测单元、输出单元、存储器、接口单元、控制器和电源单元等等。但是应理解的是，并不要求实施所有示出的组件。可以替代地实施更多或更少的组件。

终端可以以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施，这里描述的实施方式可以通过使用特定用途集成电路(ASIC，ApplicationSpecific Integrated Circuit)、数字信号处理器(DSP， Digital Signal Processing)、数字信号处理装置(DSPD， Digital Signal Processing Device)、可编程逻辑装置(PLD，Programmable Logic Device)、现场可编程门阵列(FPGA， Field Programmable GateArray)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施，在一些情况下，这样的实施方式可以在控制器中实施。对于软件实施，诸如过程或功能的实施方式可以与允许执行至少一种功能或操作的单独的软件模块来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储器中并且由控制器执行。

终端是结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

计及风电不确定性的储能系统随机配置方法可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的索引方法。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本发明所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。