買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉山東建筑大學申請的專利一種考慮不確定性的臺區儲能選址定容方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120372874B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510854692.4，技術領域涉及：G06F30/18；該發明授權一種考慮不確定性的臺區儲能選址定容方法及系統是由田崇翼;劉庚明;馬昕;張倩;馬翔雪;田長彬;彭勃;劉澈;張恩澤;趙文凱設計研發完成，并于2025-06-25向國家知識產權局提交的專利申請。

本一種考慮不確定性的臺區儲能選址定容方法及系統在說明書摘要公布了：本發明涉及電力系統規劃與運行技術領域，提出了一種考慮不確定性的臺區儲能選址定容方法及系統，通過引入深度強化學習與改進的粒子群優化算法協同優化，結合條件生成對抗網絡模擬多種不確定性場景，并利用條件風險對電力系統運行風險進行量化評估，有效提升優化算法的全局搜索能力與解的魯棒性。該方法實現了分布式儲能在臺區中的最優選址與定容配置，顯著降低網損，增強系統的經濟性與可靠性。

本發明授權一種考慮不確定性的臺區儲能選址定容方法及系統在權利要求書中公布了：1.一種考慮不確定性的臺區儲能選址定容方法，其特征在于，包括如下步驟： 獲取臺區電力數據以及環境條件信息，并進行預處理； 基于獲取的隨機擾動噪聲和預處理后的環境條件信息，生成多個不確定性場景，包括分布式電源出力和負荷需求場景； 針對得到的不確定性場景進行聚類； 基于聚類后的不確定性場景計算網損，以整個臺區的總網損和條件風險損失最小為目標，構建目標函數； 采用改進的粒子群優化算法與深度強化學習策略協同的方法，在粒子群優化算法迭代過程中，基于深度強化學習策略計算獎勵，基于計算的獎勵動態調整粒子群優化算法的適應度函數，求解目標函數得到最優選址定容方案； 針對聚類后的場景，采用改進的粒子群優化算法與深度強化學習策略協同的方法，求解目標函數得到最優選址定容方案，包括如下步驟： 步驟51、初始化粒子群，隨機生成每個粒子的初始位置和速度，每個粒子的位置表示分布式儲能的一種選址和定容方案； 步驟52、基于當前的粒子集合，采用深度強化學習策略，計算包含經濟性、風險性、約束性的三維獎勵函數RL； 步驟53、基于計算的獎勵函數RL以及通過約束條件判斷結果得到的獎勵懲罰項，計算每個粒子的適應度值； 步驟54、基于得到的適應度值，更新每個粒子的個體最優位置和群體最優位置； 步驟55、根據獎勵函數RL和迭代次數更新慣性權重，更新粒子的速度和位置； 步驟56、對更新后的粒子進行高斯變異操作，得到更新后的粒子，作為當前粒子集合； 步驟57、判斷是否滿足終止條件，如果滿足則輸出最優解，否則返回步驟52進行下一輪迭代； 基于當前的粒子集合，采用深度強化學習策略，計算包含經濟性、風險性、約束性的三維獎勵函數RL，包括如下步驟： 基于當前的粒子集合，提取狀態空間參數，用于描述在當前粒子集合場景下對應的電網運行環境； 基于當前的粒子集合，提取動作空間參數包括儲能選址和容量配置； 構建包含經濟性、風險性、約束性的三維獎勵函數，公式如下： ； 其中，α、β、γ分別為經濟性、風險性、約束性獎勵的權重； 網損獎勵項為： ； 其中，為聚類場景總數，為子場景s的概率，通過潮流計算獲取各場景網損，為第個場景下的臺區網損； 風險獎勵項為： ； 其中，Ω為超閾值場景集合；為在設定置信水平下的最大可能網損； 約束獎勵項為： ； 通過深度強化學習的策略網絡在狀態空間參數輸出對應的動作空間參數的概率分布，包括儲能選址和定容參數的概率； 以策略網絡的輸出作為深度強化學習的價值網絡的輸入，得到估算的真實價值作為RL獎勵； 根據RL獎勵動態調整慣性權重，為當前迭代的自適應慣性權重增加調整系數，當RL獎勵高于設定值時，將自適應慣性權重乘以第一調整系數，以使得慣性權重小于1以加速收斂；當RL獎勵不高于設定值時，增加設定的第二調整系數，以增大慣性權重，使得慣性權重大于1增強全局探索，其中，第一調整系數小于第二調整系數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人山東建筑大學，其通訊地址為：250000 山東省濟南市歷城區臨港開發區鳳鳴路1000號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。