1.一种基于粒子群算法的微电网储能优化配置方法，其特征在于，具体按照以下步骤实施：步骤1、设计电池储能系统模型；

步骤2、对微电网用户的日负荷数据、光伏发电数据、分时电价数据进行预处理，进而得到储能容量、功率及投资成本参数约束；

步骤3、建立储能优化配置模型：以储能装置投资最低、收益最大为目标函数建立储能优化配置模型，考虑可再生资源发电、功率平衡、可充放电次数在内的约束条件；

步骤4、利用粒子群算法求解储能优化配置模型；

步骤5、对特征指标进行评价，计算储能优化参数，得到最终的微电网储能优化配置方法。

2.根据权利要求1所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤1中电池储能系统模型具体如下：电池储能系统模型由电池系统、功率转换系统、电池管理系统和监控系统组成，电池储能系统的成本包括电池系统容量造价成本、功率转换系统造价成本、电池管理系统及监控系统的建设成本，电池储能系统模型的总成本记为：CBs＝SB*CB+SP*CP+CBms+a*Cmt-Crem其中，CBs指电池储能系统的总成本；SB指电池系统的容量，CB指电池系统的单价，单位是元/kWh；SP指功率转换系统的额定功率，CP指功率转换系统的单价，单位是元/kW；CBms指电池储能系统的电池管理系统及监控系统的建设成本；a指的是系统总运行寿命，单位为年，Cmt指电池储能系统的单位运行维护成本，单位是元/年；Crem指的是电池储能系统的回收价值；

电池储能系统某时刻的电能等于上一时刻电池储能系统中的电能减去损失的电能加上增加的电能；电池的充放电功率介于最大值和最小值之间；选择电池的充放电状态，使得电池处于悬浮状态，以上作为电池储能系统的约束条件：某时刻电池储能系统所含的电能ES(t)与上一时刻的电能ES(t-1)有关，电池储能系统的充放电约束设计如下：Es(t)＝Es(t-1)*(1-α)+Pc(t)*ηc*Sc(t)-Pdc(t)*Sdc(t)/ηdc其中，α指储电损失效率，单位为kWh/h；Pc指充电功率，单位为kW；ηc指充电效率，Sc指充电状态，充电为1，放电则为0；Pdc指放电功率，单位为kW，ηdc指放电效率，Sdc指放电状态，放电为1，充电则为0；

随着功率转换系统的不同，电池的充放电功率具有不同的最值，电池的充放电功率应介于0与最大值之间，即：

0≤Pc(t)≤Pc，max

0≤Pdc(t)≤Pdc，max

为了增加电池的使用寿命，不会让电池储能系统每时都处于充电或放电状态，而是经常处于悬浮状态，即：Sc(t)+Sdc(t)≤1。

3.根据权利要求2所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤2中对日负荷数据、光伏发电数据、分时电价进行预处理具体如下：步骤2.1、应用K-means聚类算法对日负荷数据进行聚类得到典型日负荷曲线，已达到对储能装置更为精准的配置；

步骤2.1.1、在得到的日负荷样本数据中随机选取4条数据，以每条数据的每个时段为初始聚集的簇心；

步骤2.1.2、分别计算每个样本点到对应时间段的4个簇核心的距离，找到离该样本点最近的簇核心，将该样本点归属为对应的簇；

步骤2.1.3、所有的样本点归属到簇之后，所有的数据就被分为4个簇，然后重新计算每个簇的重心，将计算出的簇重心作为新的簇心；

步骤2.1.4，重复上述步骤2.1.2～2.1.3，直到达到最大迭代次数作为中止条件，将步骤2.1.3中得到的最终簇心用平滑的曲线连接，得到4条日负荷曲线，以该日负荷曲线中负荷最大的曲线进行后续计算；

步骤2.2，对得到的光伏发电预测值进行数据化整理；将得到的光伏出力预测曲线与步骤2.1中得到的典型日负荷曲线进行对比，典型日负荷曲线大于光伏出力的部分累加和的一半作为储能装置的容量最小约束，控制储能装置的最大容量在最小值的2倍。进而得到储能功率及投资成本约束；

步骤2.3，对一天的分时电价数据进行规整化处理。控制储能装置在电价低估进行充电，在负荷高峰及电价高峰进行放电来获取更大的经济收益。

4.根据权利要求3所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤2.1中每条数据的每个时段以1小时作为间隔。

5.根据权利要求3所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤3建立的储能优化配置模型具体如下：步骤3.1、考虑投资成本最低建立目标函数如下：

C＝min(Cinv+Cope)

式中：

Cinv＝Ce*Smax+Cp*Pmax+Cd*K其中，Cinv表示储能系统固定投资成本，Cope表示运行维护成本，Ce表示储能单位容量造价，Cp储能单位功率造价，Cd表示变压器单位负载造价，Smax表示储能额定容量，Pmax表示储能额定充放电功率，Cop表示储能系统单位功率维护成本，Y表示储能系统寿命，单位为年，Cod表示变压器单位维护成本，K表示变压器负载值，drate表示贴现率；

步骤3.2、考虑收益最大建立目标函数；

maxB＝Btl+Bgf+Bhs

式中：Btl为储能套利收益，其计算方法为：

其中，Brtl为一天的储能套利收益，D为一年中储能运行天数，ep(t)为t时刻的电价，ed(t)为t时刻的倒送电价；

光伏发电补偿收益计算如下：

式中，Bgf表示增加储能装置后光伏发电带来的补偿收益，单位为元，egf为光伏发电度电价格补偿；

用户侧储能装置的回收收益Bhs，当储能装置达到寿命年限时回收获得一定的收益，收益与回收系数γ及固定投资成本有关，即：Bhs＝γ*Cinv

步骤3.3、对于建立好的目标函数，提取约束条件：

步骤3.3.1，设置光伏发电约束条件：

光伏发电的输出值应介于光伏发电输出的最大值和最小值之间，即：Ppv.min≤Ppv≤Ppv.max

步骤3.3.2、提取功率平衡约束条件：

Ppv(t)+Pbuy(t)-Psell(t)+Pdc(t)-Pc(t)＝Pload(t)其中，Ppv是光伏实际出力，Pbuy是下网功率，Psell是倒送电功率，Pload是微电网中的负荷，单位均为kW；

步骤3.3.3、提取联络线功率平衡约束：

微电网与公共电网连接的联络线有传输上限，即：

Ssell(t)+Sbuy(t)≤1

步骤3.3.4、提出储能装置充放电约束：

储能装置充放电约束如上述步骤1中电池储能系统充放电约束设计所示，即：Es(t)＝Es(t-1)*(1-α)+Pc(t)*ηc*Sc(t)-Pdc(t)*Sdc(t)/ηdc

0≤Pc(t)≤Pc，max

0≤Pdc(t)≤Pdc，max

Sc(t)+Sdc(t)≤1

步骤3.3.5、储能装置充放电次数约束：

通过控制储能每日的充放电次数以增加储能装置的寿命，即：其中，f是充放电次数。

6.根据权利要求5所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤4具体如下：步骤4.1、初始化参数，读取微电网储能优化配置模型相关参数；

步骤4.2，随机生成规模为150～200之间的初始粒子群，初始化粒子群中各粒子的初始位置和速度，使粒子尽可能均匀的分布在求解区域中，粒子群中的每个粒子都包含储能容量、储能额定功率信息；

步骤4.3、根据4.2中的每个粒子的储能容量、储能额定功率调用CPLEX得到储能最优充放电曲线，进而根据储能容量、额定功率、储能最优充放电曲线计算每个粒子的适应度值Fit(i)；

步骤4.4、更新个体最优解：

计算每个粒子，用粒子的适应度值Fit(i)和个体极值Pbest(i)比较，如果Fit(i)大于Pbest(i)，则用Fit(i)替换掉Pbest(i)；

步骤4.5、更新全局最优解；

计算每个粒子，用粒子的适应度值Fit(i)和全局极值Gbest(i)比较，如果Fit(i)大于Gbest(i)，则用Fit(i)替换掉Ggbest(i)；

步骤4.6、更新粒子的位置和速度；

步骤4.7、判断是否满足结束条件，即达到最大迭代次数，满足则退出，不满足返回步骤

4.3。

7.根据权利要求6所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤4.6具体如下：步骤4.6.1、根据下式更新粒子速度：

vid(t+1)＝ωt*vid(t)+c1r1(Pid(t)-xid(t))+c2r2(gid(t)-xid(t))式中，t，为当前迭代次数vid为粒子速度，r1、r2为介于[0，1]之间的随机数，Pid、gid分别为个体最优解和全局最优解，xid为粒子位置c1、c2为学习因子，ωt为t次迭代的惯性权重，ωt大于0，具有在较大时全局寻优能力强，较小时局部寻优能力强的特点，因此通过控制ωt值随迭代次数逐渐减少，使得算法既在前期全局下收敛能力强，又在后期有精准的局部收敛能力，ωt计算方式如下式所示：式中ωmax为惯性权重的最大值，ωmin为惯性权重的最小值，tmax为最大迭代次数，控制ωt的值在初始迭代的时候变化缓慢，有利于在初始迭代时寻找满足条件的局部最优值，在接近最大迭代次数时变换较快，在寻找到局部最优值后能够快速的收敛毕金玉全局最优值。

步骤4.6.2、根据下式更新粒子位置：

xid(t+1)＝xid(t)+vid(t+1)。

8.根据权利要求6所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤5具体如下：步骤5.1、根据上述步骤4中得到的最佳储能容量、最佳储能功率结果调用CPLEX计算储能系统最优充放电曲线，进而得到储能最优充放电功率和最佳配置下储能荷电状态。

步骤5.2、根据储能最佳容量、最佳功率及储能最优充放电曲线依据步骤3中的公式计算储能系统最佳配置下的一次投资、及储能系统最佳配置下的最大收益，进而通过均值的方法得到每日最大收益。