买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东建筑大学申请的专利一种考虑不确定性的台区储能选址定容方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120372874B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510854692.4，技术领域涉及：G06F30/18；该发明授权一种考虑不确定性的台区储能选址定容方法及系统是由田崇翼;刘庚明;马昕;张倩;马翔雪;田长彬;彭勃;刘澈;张恩泽;赵文凯设计研发完成，并于2025-06-25向国家知识产权局提交的专利申请。

本一种考虑不确定性的台区储能选址定容方法及系统在说明书摘要公布了：本发明涉及电力系统规划与运行技术领域，提出了一种考虑不确定性的台区储能选址定容方法及系统，通过引入深度强化学习与改进的粒子群优化算法协同优化，结合条件生成对抗网络模拟多种不确定性场景，并利用条件风险对电力系统运行风险进行量化评估，有效提升优化算法的全局搜索能力与解的鲁棒性。该方法实现了分布式储能在台区中的最优选址与定容配置，显著降低网损，增强系统的经济性与可靠性。

本发明授权一种考虑不确定性的台区储能选址定容方法及系统在权利要求书中公布了：1.一种考虑不确定性的台区储能选址定容方法，其特征在于，包括如下步骤： 获取台区电力数据以及环境条件信息，并进行预处理； 基于获取的随机扰动噪声和预处理后的环境条件信息，生成多个不确定性场景，包括分布式电源出力和负荷需求场景； 针对得到的不确定性场景进行聚类； 基于聚类后的不确定性场景计算网损，以整个台区的总网损和条件风险损失最小为目标，构建目标函数； 采用改进的粒子群优化算法与深度强化学习策略协同的方法，在粒子群优化算法迭代过程中，基于深度强化学习策略计算奖励，基于计算的奖励动态调整粒子群优化算法的适应度函数，求解目标函数得到最优选址定容方案； 针对聚类后的场景，采用改进的粒子群优化算法与深度强化学习策略协同的方法，求解目标函数得到最优选址定容方案，包括如下步骤： 步骤51、初始化粒子群，随机生成每个粒子的初始位置和速度，每个粒子的位置表示分布式储能的一种选址和定容方案； 步骤52、基于当前的粒子集合，采用深度强化学习策略，计算包含经济性、风险性、约束性的三维奖励函数RL； 步骤53、基于计算的奖励函数RL以及通过约束条件判断结果得到的奖励惩罚项，计算每个粒子的适应度值； 步骤54、基于得到的适应度值，更新每个粒子的个体最优位置和群体最优位置； 步骤55、根据奖励函数RL和迭代次数更新惯性权重，更新粒子的速度和位置； 步骤56、对更新后的粒子进行高斯变异操作，得到更新后的粒子，作为当前粒子集合； 步骤57、判断是否满足终止条件，如果满足则输出最优解，否则返回步骤52进行下一轮迭代； 基于当前的粒子集合，采用深度强化学习策略，计算包含经济性、风险性、约束性的三维奖励函数RL，包括如下步骤： 基于当前的粒子集合，提取状态空间参数，用于描述在当前粒子集合场景下对应的电网运行环境； 基于当前的粒子集合，提取动作空间参数包括储能选址和容量配置； 构建包含经济性、风险性、约束性的三维奖励函数，公式如下： ； 其中，α、β、γ分别为经济性、风险性、约束性奖励的权重； 网损奖励项为： ； 其中，为聚类场景总数，为子场景s的概率，通过潮流计算获取各场景网损，为第个场景下的台区网损； 风险奖励项为： ； 其中，Ω为超阈值场景集合；为在设定置信水平下的最大可能网损； 约束奖励项为： ； 通过深度强化学习的策略网络在状态空间参数输出对应的动作空间参数的概率分布，包括储能选址和定容参数的概率； 以策略网络的输出作为深度强化学习的价值网络的输入，得到估算的真实价值作为RL奖励； 根据RL奖励动态调整惯性权重，为当前迭代的自适应惯性权重增加调整系数，当RL奖励高于设定值时，将自适应惯性权重乘以第一调整系数，以使得惯性权重小于1以加速收敛；当RL奖励不高于设定值时，增加设定的第二调整系数，以增大惯性权重，使得惯性权重大于1增强全局探索，其中，第一调整系数小于第二调整系数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东建筑大学，其通讯地址为：250000 山东省济南市历城区临港开发区凤鸣路1000号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。