一种用于含分散式风电配电网的消纳优化方法及相关产品与流程

本发明涉及电力系统的新能源发电领域，特别涉及一种用于含分散式风电配电网的消纳优化方法及相关产品。
背景技术：
：面对能源可持续发展的严峻挑战，大力发展以风电为代表的清洁能源发电技术已经成为必然选择。因地制宜的开发分散式风电并将其接入配电网，不仅可以实现风力资源的充分利用，也可以就地充分消纳，从而发挥提升电压水平与无功支撑能力的作用。然而，大规模分散式风电接入使得原有的配电网由一个潮流单一的辐射型网络结构变为一个潮流方向不定的多电源网络，再加上风电具有明显的波动性和不确定性，大规模分散式风电接入配电网后会引发一系列问题，如电压调节、系统稳定性和电能质量等，这些问题将对电网运行带来负面影响。目前含分散式风电的配电网规划和能源协调控制技术以及能量管理技术都处于初级阶段，因此研究含有大规模分散式风电的配电网的最优潮流和优化调度意义重大。以往关于配电网分散式风电最优运行策略的研究主要使用传统的非线性规划方法和启发式智能优化算法，存在收敛速度慢和容易陷入局部最优的问题，另一些研究则只考虑无功功率的调节，而忽略了分散式风电消纳效率的问题。本发明提出了一种基于改进粒子群算法的配电网分散式风电高效消纳优化方法，可以有效解决配电网中分散式风电渗透率较低以及公共耦合点电压质量较差的问题。配电网优化运行问题属于是规模大、求解难度高以及多目标的复杂模型。粒子群优化算法通过与当前搜索的最佳位置进行比较来搜索最佳的全局位置，并且算法实现方便可行，因此越来越多地应用于配电网优化运行问题。因此，如何提供一种用于含分散式风电配电网的消纳优化方案，在保证电能质量的同时，能够考虑到风电消纳效率，是本领域技术人员亟待解决的技术问题。技术实现要素：有鉴于此，本发明的目的在于提供一种用于含分散式风电配电网的消纳优化方法及相关产品，在保证电能质量的同时，能够考虑到风电消纳效率。其具体方案如下：一方面，本发明提供一种用于含分散式风电配电网的消纳优化方法，包括：获取含分散式风电配电网的目标函数模型、约束条件；其中，所述目标函数模型，包括：降低公共耦合点电压偏差函数模型、提高分散式风电消纳效率模型；利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值；判断所述全局最优值是否满足预设条件，如果是，则确认所述全局最优值为最优解。优选地，所述利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值之后，还包括：判断粒子群算法的当前迭代次数是否达到最大预设迭代次数；如果是，则重新利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值，以得到符合预设条件的最优解。优选地，所述降低公共耦合点电压偏差函数模型为：所述提高分散式风电消纳效率模型为：其中，k为按优化周期划分的单位周期数，n为并入配电网的分散式风电场的数量，δui为节点i的电压偏差，δu表示节点电压的最大允许偏差，函数φ公式如下所示：pg为g分布式风电场的输出功率，ωk为有效出力系数，δt是单位时间。优选地，所述目标函数模型为所述降低公共耦合点电压偏差函数模型、所述提高分散式风电消纳效率模型的理想点法模型；所述目标函数模型为：其中ω1和ω2分别为所述降低公共耦合点电压偏差函数模型和所述提高分散式风电消纳效率模型的权重系数，ω1+ω2＝1的条件，f1*和为所述降低公共耦合点电压偏差函数模型、所述提高分散式风电消纳效率模型的理想点。优选地，所述约束条件，包括：电力潮流方程：节点电压幅值上下限约束：风场有功和无功功率输出上下限约束：优选地，所述利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值，包括：根据所述约束条件，对粒子群进行约束处理；确定粒子群中每个粒子的当前目标函数值，以根据当前目标函数值更新每个粒子的当前个体最优值与当前全局最优值；利用改进惯性权重参数和/或添加扰动，得到粒子速度更新公式和粒子位置更新公式；根据所述速度更新公式和所述位置更新公式计算粒子的当前位置；其中，所述改进惯性权重参数为：添加干扰后粒子群的全局极值为：粒子位置更新公式为：粒子速度更新公式为：其中，k是当前的迭代次数，ωmin是初始惯性权重参数，ωmax是终止惯性权重参数，和pg是添加扰动量前后粒子群的全局极值，*表示迭代次数，η是服从标准正态分布的随机变量，是当前粒子群中i粒子的位置，是当前粒子群中i粒子的速度，c1和c2是学习因子，pi是粒子群的个体极值。第二方面，本发明提供一种用于含分散式风电配电网的消纳优化系统，包括：模型条件获取模块，用于获取含分散式风电配电网的目标函数模型、约束条件；其中，所述目标函数模型，包括：降低公共耦合点电压偏差函数模型、提高分散式风电消纳效率模型；粒子群迭代模块，用于利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值；最优值判断模块，用于判断所述全局最优值是否满足预设条件，如果是，则确认所述全局最优值为最优解。优选地，所述粒子群迭代模块，包括：约束处理单元，用于根据所述约束条件，对粒子群进行约束处理；函数值确定单元，用于确定粒子群中每个粒子的当前目标函数值，以根据当前目标函数值更新每个粒子的当前个体最优值与当前全局最优值；权重扰动更新单元，用于利用改进惯性权重参数和/或添加扰动，得到粒子速度更新公式和粒子位置更新公式；当前位置计算单元，用于根据所述速度更新公式和所述位置更新公式计算粒子的当前位置；其中，所述改进惯性权重参数为：添加干扰后粒子群的全局极值为：粒子位置更新公式为：粒子速度更新公式为：其中，k是当前的迭代次数，ωmin是初始惯性权重参数，ωmax是终止惯性权重参数，和pg是添加扰动量前后粒子群的全局极值，*表示迭代次数，η是服从标准正态分布的随机变量，是当前粒子群中i粒子的位置，是当前粒子群中i粒子的速度，c1和c2是学习因子，pi是粒子群的个体极值。第三方面，本发明提供一种用于含分散式风电配电网的消纳优化计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述第一方面任一种所述用于含分散式风电配电网的消纳优化方法的步骤。第四方面，本发明提供一种计算机可读存储介质，所述计算机可读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时实现上述第一方面任一种所述用于含分散式风电配电网的消纳优化方法的步骤。本发明提供一种用于含分散式风电配电网的消纳优化方法，包括：获取含分散式风电配电网的目标函数模型、约束条件；其中，所述目标函数模型，包括：降低公共耦合点电压偏差函数模型、提高分散式风电消纳效率模型；利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值；判断所述全局最优值是否满足预设条件，如果是，则确认所述全局最优值为最优解。本发明的目标函数模型组合了降低公共耦合点电压偏差和提高分散式风电消纳效率两个子目标，解决了配电网优化运行模型建立时，目标函数只考虑电能质量而忽略风电消纳效率的问题，使得配电网在安全稳定运行的前提下，能充分提高分散式风电消纳效率。本发明提供的一种用于含分散式风电配电网的消纳优化系统、计算机设备、计算机可读存储介质，也具有相同的上述有益效果，在此不再一一赘述。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。图1为本发明一种具体实施方式所提供的一种用于含分散式风电配电网的消纳优化方法的流程图；图2为本发明又一种具体实施方式所提供的一种用于含分散式风电配电网的消纳优化方法的流程图；图3为本发明一种具体实施方式中粒子群算法的更新迭代的流程图；图4为本发明一种实施例中风电场在优化前后风电场输出功率的对比图；图5为本发明一种具体实施方式所提供的一种用于含分散式风电配电网的消纳优化系统的组成结构示意图；图6为本发明一种具体实施方式所提供的一种用于含分散式风电配电网的消纳优化系统的粒子群迭代模块组成结构示意图。图7为本发明又一种具体实施方式所提供的计算机设备的结构示意图。具体实施方式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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参考图1，图1为本发明一种具体实施方式所提供的一种用于含分散式风电配电网的消纳优化方法的流程图。在本发明一种具体实施方式中，本发明实施例提供一种用于含分散式风电配电网的消纳优化方法，包括：步骤s11：获取含分散式风电配电网的目标函数模型、约束条件；其中，所述目标函数模型，包括：降低公共耦合点电压偏差函数模型、提高分散式风电消纳效率模型；在现有技术中，一般只考虑电压偏差或风电消纳效率，而本发明的目标函数模型组合了降低公共耦合点电压偏差和提高分散式风电消纳效率两个子目标，解决了配电网优化运行模型建立时，目标函数只考虑电能质量而忽略风电消纳效率的问题，使得配电网在安全稳定运行的前提下，能充分提高分散式风电消纳效率。其中，所述降低公共耦合点电压偏差函数模型可以为：所述提高分散式风电消纳效率模型可以为：其中，k为按优化周期划分的单位周期数，n为并入配电网的分散式风电场的数量，δui为节点i的电压偏差，δu表示节点电压的最大允许偏差，函数φ公式如下所示：pg为g分布式风电场的输出功率，ωk为有效出力系数，δt是单位时间。具体地，在对目标函数模型进行构建时，可以采用各种方式对所述降低公共耦合点电压偏差函数模型、所述提高分散式风电消纳效率模型进行组合，例如可以采用比例系数法，当然也可以采用理想点法，对两个子目标函数模型进行构建。理想点法(idealpointmethod)是一种评价函数方法，是一种可以使各目标值尽可能逼近其理想(最优)值的求解多目标规划问题的一种评价函数方法。具体地，可以将所述目标函数模型设置为为所述降低公共耦合点电压偏差函数模型、所述提高分散式风电消纳效率模型的理想点法模型；所述目标函数模型为：其中ω1和ω2分别为所述降低公共耦合点电压偏差函数模型和所述提高分散式风电消纳效率模型的权重系数，ω1+ω2＝1的条件，和为所述降低公共耦合点电压偏差函数模型、所述提高分散式风电消纳效率模型的理想点。步骤s12：利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值；在约束条件和目标函数模型确定后，可以利用粒子群算法在约束条件内进行每个离子的迭代更新。粒子群算法，也称粒子群优化算法或鸟群觅食算法，是一种进化算法(evolutionaryalgorithm-ea)。从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，它通过追随当前搜索到的最优值来寻找全局最优。也就是说，通过每个粒子关于目标函数模型的目标函数值作为适应度标准来确定这些粒子是否符合要求。步骤s13：判断所述全局最优值是否满足预设条件，如果是，则确认所述全局最优值为最优解。粒子群算法没计算一个迭代周期，都会产生一个全局最优值，可以判断该全局最优值是否满足预设的条件，例如可以将预设条件设定为精度要求，如果满足，则该全局最优解就可以确定为最终的最优解，作为输出以供使用。如果该全局最优值不能满足预设条件要求，那么可以继续进行迭代，并更新全局最优值，进行循环判断。请参考图2，图2为本发明又一种具体实施方式所提供的一种用于含分散式风电配电网的消纳优化方法的流程图。当然，为了避免粒子群算法一直不能找到符合预设条件的最优解，可以设定最大预设迭代次数，如果粒子群算法的当前迭代次数已经达到最大预设迭代次数，可以重新启动粒子群算法，进行再次计算。也就是说，在所述利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值之后，还包括：步骤s14：判断粒子群算法的当前迭代次数是否达到最大预设迭代次数；步骤s15：如果是，则重新利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值，以得到符合预设条件的最优解。进一步地，下面对约束条件进行进一步说明：所述约束条件，可以包括：电力潮流方程：节点电压幅值上下限约束：风场有功和无功功率输出上下限约束：当然，约束条件还要包括，一些电力网络中一些其他的技术指标，以不损伤电气设备，减少功耗为宜。请参考图3、图4，图3为本发明一种具体实施方式中粒子群算法的更新迭代的流程图；图4为本发明一种实施例中风电场在优化前后风电场输出功率的对比图。在本发明具体实施方式中，为了利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值，具体地，可以：步骤s121：根据所述约束条件，对粒子群进行约束处理；具体地，(1)如果控制变量的值超过了控制变量的上限，则将控制变量改为其允许的最大值；(2)如果控制变量的值超过了控制变量的下限，则将控制变量改为其允许的最小值；(3)如果控制变量的值在控制变量的下限与上限之间，则该变量的值不变。步骤s122：确定粒子群中每个粒子的当前目标函数值，以根据当前目标函数值更新每个粒子的当前个体最优值与当前全局最优值；具体地，(1)将粒子目标函数值与其个体最优值进行比较，如果它优于其个体最优值，则将当前粒子更新为其个体最优值；(2)比较粒子目标函数值和粒子群全局最优值，如果当前值优于全局最优值，则当前粒子更新全局最优值。步骤s123：利用改进惯性权重参数和/或添加扰动，得到粒子速度更新公式和粒子位置更新公式；步骤s124：根据所述速度更新公式和所述位置更新公式计算粒子的当前位置；其中，所述改进惯性权重参数为：添加干扰后粒子群的全局极值为：粒子位置更新公式为：粒子速度更新公式为：其中，k是当前的迭代次数，ωmin是初始惯性权重参数，ωmax是终止惯性权重参数，和pg是添加扰动量前后粒子群的全局极值，*表示迭代次数，η是服从标准正态分布的随机变量，是当前粒子群中i粒子的位置，是当前粒子群中i粒子的速度，c1和c2是学习因子，pi是粒子群的个体极值。为了提高算法收敛速度，避免陷入局部最优，本发明提出通过改变惯性权重参数和添加扰动的方法改进粒子群算法。本发明建立了降低公共耦合点电压偏差与提高分散式风电消纳效率的最优运行模型，利用改进粒子群对其进行求解，为含大规模分散式风电的配电网的优化运行问题的解决提供了有效的方法。在本发明的具体实践中，为了进一步验证本发明实施例提出的用于含分散式风电配电网的消纳优化方法，利用包含三个风电场的标准ieee33节点配电网作为例子进行仿真，分散式风电场参数配置图表1所示，在保证各节点电压在允许范围内的前提下，对比优化前后分散式风电消纳情况。计算结果如图4和表2优化前后风电消纳对比表所示，利用该方法优化后，配电网中分散式风电消纳能力明显提高。表1分散式风电场参数配置表序号风电场1风电场2风电场3接入节点151832装机容量(mw)0.61.22.7容性无功功率(mvar)(0,0.195)(0,0.393)(0,0.888)感性无功功率(mvar)(-0.195,0)(-0.393,0)(-0.888,0)表2优化前后风电消纳对比表本发明实施例提供一种用于含分散式风电配电网的消纳优化方法，包括：获取含分散式风电配电网的目标函数模型、约束条件；其中，所述目标函数模型，包括：降低公共耦合点电压偏差函数模型、提高分散式风电消纳效率模型；利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值；判断所述全局最优值是否满足预设条件，如果是，则确认所述全局最优值为最优解。本发明的目标函数模型组合了降低公共耦合点电压偏差和提高分散式风电消纳效率两个子目标，解决了配电网优化运行模型建立时，目标函数只考虑电能质量而忽略风电消纳效率的问题，使得配电网在安全稳定运行的前提下，能充分提高分散式风电消纳效率。请参考图5、图6，图5为本发明一种具体实施方式所提供的一种用于含分散式风电配电网的消纳优化系统的组成结构示意图；图6为本发明一种具体实施方式所提供的一种用于含分散式风电配电网的消纳优化系统的粒子群迭代模块组成结构示意图。在本发明一种具体实施方式中，本发明实施例提供一种用于含分散式风电配电网的消纳优化系统500，包括：模型条件获取模块510，用于获取含分散式风电配电网的目标函数模型、约束条件；其中，所述目标函数模型，包括：降低公共耦合点电压偏差函数模型、提高分散式风电消纳效率模型；粒子群迭代模块520，用于利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值；最优值判断模块530，用于判断所述全局最优值是否满足预设条件，如果是，则确认所述全局最优值为最优解。优选地，所述粒子群迭代模块520，包括：约束处理单元521，用于根据所述约束条件，对粒子群进行约束处理；函数值确定单元522，用于确定粒子群中每个粒子的当前目标函数值，以根据当前目标函数值更新每个粒子的当前个体最优值与当前全局最优值；权重扰动更新单元523，用于利用改进惯性权重参数和/或添加扰动，得到粒子速度更新公式和粒子位置更新公式；当前位置计算单元524，用于根据所述速度更新公式和所述位置更新公式计算粒子的当前位置；其中，所述改进惯性权重参数为：添加干扰后粒子群的全局极值为：粒子位置更新公式为：粒子速度更新公式为：其中，k是当前的迭代次数，ωmin是初始惯性权重参数，ωmax是终止惯性权重参数，和pg是添加扰动量前后粒子群的全局极值，*表示迭代次数，η是服从标准正态分布的随机变量，是当前粒子群中i粒子的位置，是当前粒子群中i粒子的速度，c1和c2是学习因子，pi是粒子群的个体极值。请参考图7，图7为本发明又一种具体实施方式所提供的计算机设备的结构示意图。在本发明的又一种具体实施方式中，本发明实施例提供一种计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述任一种具体实施方式所述的一种用于含分散式风电配电网的消纳优化方法的步骤。下面参考图7，其示出了适于用来实现本申请实施例的计算机设备的结构示意图。图7示出的计算机设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。如图7所示，计算机系统700包括处理器(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口703也连接至总线704。以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口707。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器(cpu)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。作为本发明的又一具体实施方式，本发明实施例提供一种计算机可读存储介质所述计算机可读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时实现上述任意具体实施方式中的一种用于含分散式风电配电网的消纳优化方法的步骤。该计算机可读介质可以是上述实施例中描述的计算机或终端设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该计算机设备执行时，使得该计算机设备：获取含分散式风电配电网的目标函数模型、约束条件；其中，所述目标函数模型，包括：降低公共耦合点电压偏差函数模型、提高分散式风电消纳效率模型；利用粒子群算法在所述约束条件内进行迭代更新每个粒子的个体最优值与全局最优值；判断所述全局最优值是否满足预设条件，如果是，则确认所述全局最优值为最优解。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上对本发明所提供的一种用于含分散式风电配电网的消纳优化方法及相关产品进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。当前第1页12