一种基于大数据的源网荷协调配电控制系统

摘要

一种基于大数据的源网荷协调配电控制系统，属于电力管理控制技术领域。本发明是为了解决现有源网荷协调配电控制系统的控制准确性差的问题。本发明所述的资源设置模块用于根据待调配地区的风电厂发电、光伏发电厂和火电发电厂的地理位置进行设置；历史数据收集模块用于获取已建成的风电厂、光伏发电厂的历史发电数据和负荷的历史数据进行收集；分布式资源模型采用Copula函数对历史发电数据和负荷的历史数据提取的特征数据进行拟合；获取特征数据间的相关性；基于最优化的规划模型利用所述风电厂发电、光伏发电数据及负荷的相关性和预测的待调配地区的用电量时间曲线，采用多目标优化方法，获取风电厂、光伏发电厂和火电厂处理的发电出力决策向量。本发明适用于源网荷协调配电控制。

权利要求

1.一种基于大数据的源网荷协调配电控制系统，其特征在于，所述系统包括：资源设置模块(1)、历史数据获取模块(2)、分布式资源模型(3)、需求侧响应模型(4)和基于最优化的规划模型(5)；

资源设置模块(1)用于根据待调配地区的风电发电厂、光伏发电厂和火电发电厂的地理位置进行设置；并将设置的信号发送至需求侧响应模型(4)；

历史数据收集模块(2)用于利用网络访问待调配地区的电力数据库，获取已建成的风电厂、光伏发电厂的历史发电数据和负荷的历史数据进行收集；

分布式资源模型(3)用于对收集风电厂、光伏发电厂、火电厂的历史发电数据和负荷的历史数据进行特征提取，采用Copula函数对提取后的特征数据进行拟合；获取风电厂发电数据、光伏发电数据、火电厂发电数据及负荷的相关性；

需求侧响应模型(4)用于根据待调配地区的输电成本、该地区的电价及政府政策进行建模，对待调配地区的用电量时间曲线预测；

基于最优化的规划模型(5)利用所述风电厂发电数据、光伏发电数据、火电厂发电数据及负荷的相关性和预测的待调配地区的用电量时间曲线，采用多目标优化方法，获取风电厂、光伏发电厂和火电厂处理的发电出力决策向量；

还包括风速及光照预测模块，所述风速及光照预测模块采用神经网络实现，基于风电厂和光电厂地区的风速及光照度历史数据作为训练数据，获取风速及光照预测模型，利用所述风速及光照预测模型对下一季度的风速和光照度进行预测，并将预测的结果发送至基于最优化的规划模型(5)，所述最优化的规划模型(5)还根据预测的下一季度的风速和光照度对下一季度的风电厂与光电厂的日发电量进行预测，并根据预测的下一季度的风电厂与光电厂的日发电量对风电厂、光伏发电厂和火电厂处理的发电出力决策向量进行调整。

2.根据权利要求1所述的一种基于大数据的源网荷协调配电控制系统，其特征在于，历史数据收集模块(2)采用云平台技术，获取风电、光伏、火电厂和负荷历史数据。

3.根据权利要求1所述的一种基于大数据的源网荷协调配电控制系统，其特征在于，Copula函数采用Sklar定理获取风电厂、光伏发电厂、火电厂的历史发电数据和负荷的历史数据之间的联合分布函数。

4.根据权利要求3所述的一种基于大数据的源网荷协调配电控制系统，其特征在于，所述联合分布函数为：G(x1,x2...xn)＝C[F(x1),F(x2)...F(xn)]

其中，G(x1,x2...xn)代表n个变量的联合分布函数，x1,x2,…,xn表示随机变量，F(x1)、F(x2)...F(xn)为随机变量x1，x2，…，xn对应的边缘分布函数，C[F(x1)，F(x2)...F(xn)]表示n维的Copula函数。

5.根据权利要求4所述的一种基于大数据的源网荷协调配电控制系统，其特征在于，nn维的Copula函数的定义域In为[0，1]。

6.根据权利要求5所述的一种基于大数据的源网荷协调配电控制系统，其特征在于，n维的Copula函数C[F(x1)，F(x2)...F(xn)]具有零基面同时满足n维递增；且所述C[F(x1)，F(x2)...F(xn)]不随变量x1，x2…xn的严格单调变换而改变其相关性测度。

7.根据权利要求6所述的一种基于大数据的源网荷协调配电控制系统，其特征在于，基于最优化的规划模型(5)采用多目标优化方法，获取风电厂、光伏发电厂和火电厂处理的发电出力决策向量的方法为：设X＝(x1，x2，…，xn)为n维决策空间中的一个决策向量，多目标优化问题描述为：其中， 与 分别表示决策向量第i维xi下界与上界，fk(1≤k≤n)为第k个目标函数；

由于目标之间存在冲突，采用Pareto支配理论获取最优解；

对于决策向量X中的任意两个决策因素x1和x2，x1支配x2，即x1＜x2，当且仅当即x1的目标值都不大于x2的目标值，且至少存在一个目标函数，x1对应的目标值严格小于x2对应的目标值，进而获得候选解空间使候选解x∈X，Pareto的最优解是指不 使得x′＜x；

采用机会约束规划模型，对决策向量X成立概率进行计算；

式中：X是一个n维决策向量，ξ是一个随机变量，f(·)是目标函数，是目标函数的下限，gj(·)是随机约束函数，Pr{·}表示事件{·｝成立的概率，α和β分别是事先给定的约束条件和目标函数的置信水平，所述目标函数为火电出力成本、弃风、弃光成本储能资源出力成本最小，p表示系统的约束个数。

8.根据权利要求1所述的一种基于大数据的源网荷协调配电控制系统，其特征在于，根据根据预测的下一季度的风电厂与风电厂、光伏发电厂和火电厂处理的发电出力决策向量进行调整的具体过程为：当预测的下一季度的风电厂和光伏发电厂的发电量小于对应的发电量时，根据预测的发电量调整火电厂发电量。

说明书

一种基于大数据的源网荷协调配电控制系统

技术领域

[0001] 本发明属于电力管理控制技术领域。

背景技术

[0002] 现今绿色、清洁的可再生能源以及互补耦合节能的综合能源发展进展迅速。据了解，未来十年由可再生能源引发的日内新增功率波动将超过5亿千瓦，电力供需在空间和时间上的平衡难度将大幅增加。随着大量的分布式电源接入到系统中，分布式电源(DG)不合理的配置将会引起配电网网损增加、节点电压越限等诸多问题，影响着配电网安全稳定的运行。

[0003] 对于电源配置以火电为主的地区，供电电源侧形式结构单一，而可再生能源的高峰期与常规能源负荷高峰期恰恰相反，由此直接导致部分省、市地区的电网稳定性呈现下降趋势。此外，一些区域的电网结构薄弱，也制约了此类地区的经济社会发展。

[0004] 现今，对新能源、储能、综合能源负荷的建模是配电网差异化规划方法研究的基础，模型拟合程度的准确程度严重影响电源规划的合理性。由于三者互相影响交织，造成配电网的出力具有随机性、波动性、间隙性特点，对其准确建模难度大，因此，造成了源网荷协调配电控制系统的控制准确性差。

发明内容

[0005] 本发明是为了解决现有源网荷协调配电控制系统的控制准确性差的问题，现提供一种基于大数据的源网荷协调配电控制系统。

[0006] 本发明所述基于大数据的源网荷协调配电控制系统，所述系统包括：资源设置模块1、历史数据获取模块2、分布式资源模型3、需求侧响应模型4和基于最优化的规划模型5；

[0007] 资源设置模块1用于根据待调配地区的风电厂发电、光伏发电厂和火电发电厂的地理位置进行设置；并将设置的信号发送至分布式资源模型；

[0008] 历史数据收集模块2用于利用网络访问待调配地区的电力数据库，获取已建成的风电厂、光伏发电厂的历史发电数据和负荷的历史数据进行收集；

[0009] 分布式资源模型3用于对收集风电厂、光伏发电厂、火电厂的历史发电数据和负荷的历史数据进行特征提取，采用Copula函数对提取后的特征数据进行拟合；获取风电厂发电、光伏发电数据及负荷的相关性；

[0010] 需求侧响应模型4用于根据待调配地区的输电成本、该地区的电价及政府政策进行建模，对待调配地区的用电量时间曲线预测；

[0011] 基于最优化的规划模型5利用所述风电厂发电、光伏发电数据及负荷的相关性和预测的待调配地区的用电量时间曲线，采用多目标优化方法，获取风电厂、光伏发电厂和火电厂处理的发电出力决策向量。

[0012] 进一步地，本发明中，历史数据收集模块2采用云平台技术，获取风电、光伏、火电厂和负荷历史数据。

[0013] 进一步地，本发明中，Copula函数采用Sklar定理获取风电厂、光伏发电厂、火电厂的历史发电数据和负荷的历史数据之间的联合分布函数。

[0014] 进一步地，本发明中，所述联合分布函数为：

[0015] G(x1,x2...xn)＝C[F(x1),F(x2)...F(xn)]

[0016] 其中，G(x1,x2...xn)代表n个变量的联合分布函数，x1,x2,…,xn表示随机变量，F(x1)、F(x2)...F(xn)为随机变量x1,x2,…,xn对应的边缘分布函数，C[F(x1),F(x2)...F(xn)]表示n维的Copula函数。

[0017] 进一步地，本发明中，边缘分布函数F(x1)、F(x2)...F(xn)的定义域In为[0,1]n。

[0018] 进一步地，本发明中，n维的Copula函数C[F(x1),F(x2)...F(xn)]具有零基面同时满足n维递增；且所述C[F(x1),F(x2)...F(xn)]不随变量x1,x2…xn的严格单调变换而改变其相关性测度。

[0019] 进一步地，本发明中，基于最优化的规划模型5采用多目标优化方法，获取风电厂、光伏发电厂和火电厂处理的发电出力决策向量的方法为：

[0020] 设X＝(x1，x2，...，xn)为n维决策空间中的一个决策向量，多目标优化问题描述为:

[0021]

[0022] 其中， 与 分别表示决策向量第i维xi下界与上界，fk(1≤k≤n)为第k个目标函数；由于目标之间存在冲突，采用Pareto支配理论获取最优解；

[0023] 对于决策向量X中的任意两个决策因素x1和x2，x1支配x2，即x1＜x2，当且仅当即x1的目标值都不大于x2的目标值，且至少存在一个目标函数，x1对应的目标值严格小于x2对应的目标值，进而获得候选解空间使候选解x∈X，Pareto的最优解是指不 使得x′＜x；

[0024] 采用机会约束规划模型，对决策向量X成立概率进行计算；

[0025]

[0026] 式中：X是一个n维决策向量，ξ是一个随机变量，f(·)是目标函数，是目标函数的下限，gj(·)是随机约束函数，Pr{·}表示事件{.}成立的概率，α和β分别是事先给定的约束条件和目标函数的置信水平，目标函数为火电出力成本、弃风、弃光成本储能资源出力成本最小。

[0027] 进一步地，本发明中，还包括风速及光照预测模块，所述风速及光照预测模块采用神经网络实现，基于风电厂和光电厂地区的风速及光照度历史数据作为训练数据，获取风速及光照预测模型，利用所述风速及光照预测模型对下一季度的风速和光照度进行预测，并将预测的结果发送至基于最优化的规划模型，所述最优化的规划模型还根据预测的下一季度的风速和光照度对下一季度的风电厂与光电厂的日发电量进行预测，并根据预测的下一季度的风电厂与风电厂、光伏发电厂和火电厂处理的发电出力决策向量进行调整。

[0028] 进一步地，本实施方式中，根据预测的下一季度的风电厂与风电厂、光伏发电厂和火电厂处理的发电出力决策向量进行调整的具体过程为：

[0029] 当预测的下一季度的风电厂和光伏发电厂的发电量小于对应的发电量时，根据预测的发电量调整火电厂发电量。

[0030] 本发明综合考虑了待进行规划地区的光电厂、风电厂发现的不确定性和输电成本与负荷端用电量，进行发电出力电厂进行规划，有效的提高了发电成本的同时实现低碳尽量多的的利用新能源进行发电，有效的提高了发电规划的准确性。

附图说明

[0031] 图1为本发明所述基于大数据的源网荷协调配电控制系统的电气原理框图。

具体实施方式

[0032] 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，所描述的实施例仅仅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作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

[0033] 具体实施方式一：参照图具体说明本实施方式，本实施方式所述的基于大数据的源网荷协调配电控制系统，所述系统包括：资源设置模块1、历史数据获取模块2、分布式资源模型3、需求侧响应模型4和基于最优化的规划模型5；

[0034] 资源设置模块1用于根据待调配地区的风电厂发电、光伏发电厂和火电发电厂的地理位置进行设置；并将设置的信号发送至分布式资源模型；

[0035] 历史数据收集模块2用于利用网络访问待调配地区的电力数据库，获取已建成的风电厂、光伏发电厂的历史发电数据和负荷的历史数据进行收集；

[0036] 分布式资源模型3用于对收集风电厂、光伏发电厂、火电厂的历史发电数据和负荷的历史数据进行特征提取，采用Copula函数对提取后的特征数据进行拟合；获取风电厂发电、光伏发电数据及负荷的相关性；

[0037] 需求侧响应模型4用于根据待调配地区的输电成本、该地区的电价及政府政策进行建模，对待调配地区的用电量时间曲线预测；

[0038] 基于最优化的规划模型5利用所述风电厂发电、光伏发电数据及负荷的相关性和预测的待调配地区的用电量时间曲线，采用多目标优化方法，获取风电厂、光伏发电厂和火电厂处理的发电出力决策向量。

[0039] 进一步地，本实施方式中，历史数据收集模块2采用云平台技术，获取风电、光伏、火电厂和负荷历史数据。

[0040] 进一步地，本实施方式中，Copula函数采用Sklar定理获取风电厂、光伏发电厂、火电厂的历史发电数据和负荷的历史数据之间的联合分布函数。

[0041] 进一步地，本实施方式中，所述联合分布函数为：

[0042] G(x1,x2...xn)＝C[F(x1),F(x2)...F(xn)]

[0043] 其中，G(x1,x2...xn)代表n个变量的联合分布函数，x1,x2,…,xn表示随机变量，F(x1)、F(x2)...F(xn)为随机变量x1,x2,…,xn对应的边缘分布函数，C[F(x1),F(x2)...F(xn)]表示n维的Copula函数。

[0044] 本实施方式中，Copula函数描述了一个N维变量的联合分布函数与各变量边缘累积分布函数之间的关系，Copula函数的密度函数则描述了N维变量的联合概率密度函数和各变量密度函数之间的关系，其基本理论是Sklar定理。

[0045] Sklar定理：假设n个随机变量x1,x2,…,xn对应各自的边缘分布函数为F(x1)、F(x2)...F(xn)，则必然会存在一个n维的Copula函数C[F(x1),F(x2)...F(xn)]满足式G(x1,x2...xn)＝C[F(x1),F(x2)...F(xn)]，G(x1,x2...xn)代表n个变量的联合分布函数，另外，这个n维的Copula函数还必须满足以下几个性质：

[0046] 1)由于边缘分布函数F(x1)、F(x2)...F(xn)均定义在[0,1]区间，故函数的定义域nIn为[0,1]；

[0047] 2)C[F(x1),F(x2)...F(xn)]具有零基面同时满足n维递增；

[0048] 3)C[F(x1),F(x2)...F(xn)]不会因随机变量x1,x2…xn的严格单调变换而改变其相关性测度。

[0049] 可以看到Copula函数可以较好的刻画出随机变量各自的边缘分布函数与变量之间的联合分布函数的相关关系，充分挖掘变量间的相关特性，与此同时对随机变量的分布函数不做约束，建模难度小，扩展性强，应用范围广。

[0050] 经过大量学者的研究，目前Copula函数的类型十分丰富，基本的连续型Copula包括:Archimedean Copula族、Ellipse Copula族、极值Copula族等，每个族下的Copula类型如表1所示。

[0051] 表3‑1常见的Copula函数

[0052]

[0053] 2)拟合优度检验：

[0054] 拟合优度检验是一种统计学中常用的统计显著性检验的方法。设X1,X2,...,XN是独立同分布的简单样本，它们的共同分布记作F。拟合优度检验就是检验假设H0:F∈P0，P0表示分布族，是由特定性质的分布组成的。

[0055] 为了测试上述假设，典型方法是计算两个分布之间差异的度量m(F1,F2)。其中，度量函数m需要满足:

[0056] 1)m(F1,F2)＝0时，F1≡F2，即m(F1,F2)＝0是F1≡F2的充分必要条件。

[0057] 2)m(F1,F2)≥0，且随着度量函数值增大，F1与F2之间差异越来越大。

[0058] 在此处m可代表任意一种度量，如距离等。我们用Fn来记录样本X1,X2,...,XN的经*验分布并选取F ∈P0，使其满足 如果样本总体为F0，由“Glivenko‑
* *
Cantelli”定理得Fn收敛到F0。所以，当m(Fn,F)≤m(Fn,F)时较小。故当m(Fn,F)较小时，我们接受H0假设，否则我们拒绝H0假设。为了确定临界数值，在零假设H0成立的前提下，我们需*
要求出S(x1,x2,...,xn)≡m(Fn,F)的渐进分布甚至准确分布。对给定的显著水平α，由其准确(渐近)分布求出1‑α的准确(渐近)分位点 满足 若样本值满
足 则H0假设在显著水平α时被拒绝。否则，我们接受假设H0，认定用事先给定的分布族中的分布是可以拟合观察到的数据。

[0059] 以上介绍的这种用某种分布族(或分布)来描述指定数据并判断这种描述是否合适的程度就是拟合优度。整个测试方法称为拟合优度检验。

[0060] 拟合优度检验有很多类型，根据不同的假设方法，可以大致分成简单零假设和符2
合零假设。根据不同的检验方法，可以大致分成χ检验、基于经验分布的EDF型检验以及积分变换型检验。

[0061] 进一步地，本实施方式中，边缘分布函数F(x1)、F(x2)...F(xn)的定义域In为[0,1n]。

[0062] 进一步地，本实施方式中，n维的Copula函数C[F(x1),F(x2)...F(xn)]具有零基面同时满足n维递增；且所述C[F(x1),F(x2)...F(xn)]不随变量x1,x2…xn的严格单调变换而改变其相关性测度。

[0063] 进一步地，本实施方式中，基于最优化的规划模型5采用多目标优化方法，获取风电厂、光伏发电厂和火电厂处理的发电出力决策向量的方法为：

[0064] 设X＝(x1，x2，…，xn)为n维决策空间中的一个决策向量，多目标优化问题描述为:

[0065]

[0066] 其中， 与 分别表示决策向量第i维xi下界与上界，fk(1≤k≤n)为第k个目标函数；由于目标之间存在冲突，采用Pareto支配理论获取最优解；

[0067] 对于决策向量X中的任意两个决策因素x1和x2，x1支配x2，即x1＜x2，当且仅当即x1的目标值都不大于x2的目标值，且至少存在一个目标函数，x1对应的目标值严格小于x2对应的目标值，进而获得候选解空间使候选解x∈X，Pareto的最优解是指不 使得x′＜x；

[0068] 采用机会约束规划模型，对决策向量X成立概率进行计算；

[0069]

[0070] 式中：X是一个n维决策向量，ξ是一个随机变量，f(·)是目标函数，是目标函数的下限，gj(·)是随机约束函数，Pr{·}表示事件{·}成立的概率，α和β分别是事先给定的约束条件和目标函数的置信水平，所述目标函数为火电出力成本、弃风、弃光成本储能资源出力成本最小。

[0071] 本实施方式中，最优化方法也称作运筹学方法，它主要运用数学方法研究各种系统的优化途径及方案，为决策者提供科学决策的依据。最优化方法的主要研究对象是各种有组织系统的管理问题及其生产经营活动。最优化方法的目的在于针对所研究的系统，求得一个合理运用人力、物力和财力的最佳方案，发挥和提高系统的效能及效益，最终达到系统的最优目标。包括线性优化方法、有无约束问题的最优化方法、智能算法等。在本项目中，最优化原理与方法是求解各种规划、调度模型的主要手段，是本项目的重要数学工具。

[0072] 新能源站、储能、综合能源协同规划问题是一个多目标、多约束的组合优化问题，根据提出问题的前提不同，出发点不同，可选择的不同的目标函数，如投资建设费用最小、年运行费用最小、全寿命周期成本最小等。通常功率平衡约束，节点电压相角约束，常规机组出力约束等直接反映电力系统的状态，是进行优化规划的重要约束。

[0073] 1)多目标优化

[0074] 优化问题的目标超过一个且需要同时处理，也就是多个目标在给定区域内同时尽可能最佳的问题，即构成多目标优化问题：

[0075] 不失一般性，以最小化问题为例，设X＝(x1，x2，…，xn)为n维决策空间中的一个决策向量，xi为决策向量的第i维，i＝1，2，3，…，n，多目标优化问题可以用下式描述：

[0076]

[0077] 其中， 与 分别表示决策向量第i维xi下界与上界，fk(1≤k≤n)为第k个目标函数，在多目标优化问题中，由于目标之间往往存在冲突，则所有目标同时达到最优的可能性较小，因此多目标优化问题的最优解通常是一个集合。为描述这样的集合，先给出Pareto支配的概念。

[0078] Pareto支配：仍以最小化为例进行讨论，对于决策向量X中的任意两个决策因素x1和x2，x1支配x2，即x1＜x2，当且仅当 即x1的目标值都不大于x2的目标值，且至少存在一个目标函数，x1对应的目标值严格小于x2对应的目标值。

[0079] Pareto最优解：候选解x∈X是Pareto最优解是指不 使得x′＜x，其中X为候选解空间，

[0080] 从定义中可以看到，多目标优化的目标不是找到单一个解，而是获得一个解集，并能满足如下两个要求：

[0081] (a)逼近性：解集在目标空间中与帕累托最优前沿的距离尽可能的小；

[0082] (b)分布性：解集在目标空间的分布性尽可能的好，即其分布可以表示或近似表示帕累托最优前沿的分布。

[0083] 2)机会约束规划

[0084] 机会约束规划是随机规划的重要分支，由Charnes和Cooper首先提出，主要用于解决约束条件中含有随机变量且必须在观测到随机变量的实现之前做出决策的问题。其基本思路是考虑到所做决策在不利情况发生时可能不满足约束条件，允许所做决策在一定程度上不满足约束条件，但该决策应使约束条件成立的概率不小于某一置信水平。机会约束规划模型如下所示：

[0085]

[0086] 式中：X是一个n维决策向量，ξ是一个随机变量，f(·)是目标函数，是目标函数的下限，gj(·)是随机约束函数，Pr{·}表示事件{·}成立的概率，α和β分别是事先给定的约束条件和目标函数的置信水平。

[0087] 进一步地，本实施方式中，还包括风速及光照预测模块，所述风速及光照预测模块采用神经网络实现，基于风电厂和光电厂地区的风速及光照度历史数据作为训练数据，获取风速及光照预测模型，利用所述风速及光照预测模型对下一季度的风速和光照度进行预测，并将预测的结果发送至基于最优化的规划模型5，所述最优化的规划模型5还根据预测的下一季度的风速和光照度对下一季度的风电厂与光电厂的日发电量进行预测，并根据预测的下一季度的风电厂与风电厂、光伏发电厂和火电厂处理的发电出力决策向量进行调整。

[0088] 进一步地，本实施方式中，根据预测的下一季度的风电厂与风电厂、光伏发电厂和火电厂处理的发电出力决策向量进行调整的具体过程为：

[0089] 当预测的下一季度的风电厂和光伏发电厂的发电量小于对应的发电量时，根据预测的发电量调整火电厂发电量。

[0090] 光伏发电可以为电力系统提供更清洁、更优质、更高效的电力供应，大规模分布式光伏电源通过有效地利用可再生能源进行分布式发电，对于农村配电网占比较大的情况更为适用。研究分布式光伏资源的优化运行与配置，通过分布式电源的主动控制差异化规划方案，提升系统的控制性能，实现分布式电源安全、经济的消纳。一旦渗透率持续升高，主动控制将无法满足高比例分布式光伏接入电网的就地消纳问题，合理配置储能系统是促进配网高比例分布式光伏就地消纳的有效手段，分析区域配电网源荷特性，研究分布式储能的优化运行与配置，通过合理的储能规划方案，减轻系统调峰压力，提升系统运行的经济性。综合能源系统存在冷热电气多种能源形式，多方利益主体，差异化用能需求等特点，如何统筹协调多种能源互补特性，通过源一网一荷一储等各环节灵活配置，提升系统综合能效，是综合能源规划所面临的关键问题，通过综合能源系统与配电‑气系统的互动交易，提高配电系统的可靠性，建立考虑可靠性的综合能源系统规划模型，提高综合能源系统效率。

[0091] 虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。