1.一种基于可拓距K‑均值聚类的风储联合优化配置方法，其特征在于，包括以下步骤：步骤1，将可拓距理论与K‑均值聚类算法相结合对风储联合优化配置进行多场景分析；

步骤2，基于多场景分析、源网荷协同优化以及差异化需求响应建立风储联合系统优化配置模型；

步骤3，在微分进化算法中引入正弦函数的思想和并行计算技术，构建并行多目标正弦微分进化算法对风储联合系统优化配置模型进行求解，具体包括：步骤3.1，在微分进化算法中引入正弦函数的思想，构建正弦微分进化算法；

步骤3.2，将并行计算技术与正弦微分进化算法进行结合，得到并行多目标正弦微分进化算法；

步骤3.3，采用并行多目标正弦微分进化算法对风储联合系统优化配置模型进行求解；

其中步骤3.1具体包括：微分进化算法记为DE算法，DE算法主要包括变异和交叉两个重要操作，分别如式(27)和(28)所示：式中： 和 分别为第G代个体i和交叉操作后产生的新一代个体i， 为变异操作后产生的中间个体，其中种群个体维度为h， 为变异策略的基准向量，其从第G代最优解集里随机选取； 分别为从第G代中随机选取的两个个体向量，其中i≠r1≠r2；F为变异尺度因子，CR为交叉概率因子，RJ为区间[0,1]随机实数；

基于DE算法提出正弦微分进化算法；正弦微分进化算法记为SDE算法，SDE算法通过如式(29)所示在F和CR中引入正弦函数，以使变异尺度因子和交叉概率因子随着进化过程进行周期性动态伸缩调整大小和方向；

式中：FG、CRG分别为第G代的变异尺度因子和交叉概率因子；G、Gen分别为当前迭代次数和总迭代次数；freq为频率；

在DE算法进化后期差分项 会趋近为0，导致DE算法中变异停滞；在DE算法变异机制中引入正弦函数和指数函数构造正弦变异机制，避免变异停滞，如式(30)所示：式中，Xi和Xj表示任意两个h维个体向量， 和 分别为向量Xi和Xj的第h个元素， 和分别为向量Xi和Xj的第k个元素， 代表Xi和Xj间的第k维变异差，当两个体的维间距 大于临界值时，则构造的维变异差 将趋近0，即此时与传统的变异机制相同；反之，当维间距在临界值以下减小时，则维变异差 将迅速增大，个体会发生较大的变异；其中 为第G代的变异差向量，其各元素为各维变异差。

2.根据权利要求1所述的一种基于可拓距K‑均值聚类的风储联合优化配置方法，其特征在于，所述步骤1具体包括：

当实轴上任意点z属于区间Z＝[c,d]时，在可拓学中，利用点与区间的距来表征区间内各点区别，在可拓学中点z到区间Z距表达为：式中：d、c表示区间Z的上、下限；

引入可拓侧距的概念：

1

设区间 点zL为区间Z内一点，则点z与区间Z关于点zL的可拓左侧距为：当zL＝c时，则：

2

设区间 点zR为区间Z内一点，则点z与区间Z关于点zR的可拓右侧距为：当zR＝d时，则：

在初始聚类中心点选取时，首先计算两两样本间距离，同时基于可拓距理论将样本间的距离映射为可拓左侧距和可拓右侧距，并计算样本平均可拓左侧距和平均可拓右侧距；

其中平均可拓左、右侧距分别作为衡量样本密集度和疏远度的指标；然后基于平均可拓左、右侧距对初始聚类中心点进行动态优化，得到一组理想的初始聚类中心点；初始聚类中心点选取完成后，利用K‑均值聚类算法进行聚类；最后，利用动态分解及移消机制对聚类簇进行动态优化；其具体实施流程如下：步骤1.1，计算两两样本间距离，得到样本距离集合 则令样本间距离区间Z为：式中， 和 分别为样本距离集合 中的最小值和最大值；

步骤1.2，采用式(3)、式(5)计算两两样本间可拓左侧距、可拓右侧距，并将可拓左侧距进行降序排列；

步骤1.3，计算平均可拓左、右侧距，遍历排列好的可拓左侧距，选取首个大于平均可拓左侧距的中心坐标作为首个初始聚类中心点；

步骤1.4，依次计算排列好的下一个可拓左侧距对应中心点坐标与已确定的初始聚类中心的可拓右侧距；如其值均大于平均可拓右侧距，则该中心点作为下一个初始聚类中心点；否则，重复执行此步骤；

步骤1.5，若遍历完一次后，初始聚类中心点个数k'小于设定初始聚类中心点个数K，则按式(7)动态调整平均可拓右侧距的缩放因子μ和平均可拓右侧距 动态将平均可拓右侧距缩小后，重新返回步骤1.3，直到初始聚类中心数为K；

步骤1.6，通过传统K‑均值聚类完成聚类得到K个簇和簇心；其次利用对簇进行动态分解以及消除机制增强聚类效果；具体操作步骤如下：某簇Wi，其簇心为wi，设簇Wi中的数据wx到簇心wi的欧式距离为de(wx,wi)，则簇Wi中所有数据到簇心wi的欧式距离平方和为：设簇Wi的最邻近簇为Wn，簇心为wn，消除簇心wi将簇Wi并入最邻近簇Wn，则簇Wn数据到其簇心wn的欧式距离平方和增加量为A(Wn)；簇Wj，簇心为wj，能分解为Wj,1、Wj,2，簇心分别为wj,1、wj,2的两个子簇，则分解后欧式距离平方和减少量为R(Wj)；若满足式(9)，则通过与邻簇Wn合并将簇Wi消除，同时将簇Wj进行分解，簇总数保持不变；最后利用以上增强聚类原则对簇进行分解或消除的迭代操作，使得最终簇划分更为准确，以达到增强聚类效果；

式中，Ds(Wn)、Ds(Wj)、Ds(Wj,1)和Ds(Wj,2)分别为簇Wn、簇Wj、簇Wj,1和簇Wj,2中所有数据到各自簇心的欧式距离平方和；

利用式(10)计算的SSSED来衡量聚类效果，若SSSED的值越小，则说明此聚类算法的效果越佳；

式中，SSSED表示聚类散度，Ds(WI)为簇WI中所有数据到其簇心wI的欧式距离平方和。

3.根据权利要求1所述的一种基于可拓距K‑均值聚类的风储联合优化配置方法，其特征在于，所述步骤2具体包括：

步骤2.1，将用电负荷分类，考虑不同类型负荷的响应弹性差异性构建弹性系数矩阵，引入指数函数思想构建差异化价格型需求响应模型；

步骤2.2，构建风储联合系统优化配置模型的目标函数；

步骤2.3.构建风储联合系统优化配置模型的约束条件。

4.根据权利要求3所述的一种基于可拓距K‑均值聚类的风储联合优化配置方法，其特征在于，在步骤2.1中，所述差异化价格型需求响应模型为：式中：P(t)为t时刻基于价格型差异化需求响应后的总负荷， 为第m类负荷t时刻的初始负荷量， 为第m类负荷t时刻的饱和负荷和基础负荷， 为第m类负荷在t时刻与j时刻的交叉弹性系数， 为第m类负荷在j时刻的电价变化量。

5.根据权利要求3所述的一种基于可拓距K‑均值聚类的风储联合优化配置方法，其特征在于，所述步骤2.2具体包括：以风储联合投资商年净收益最大化为目标构建目标函数，具体包括：风储联合投资商年净收益包括分布式风电上网电量收益、分布式风电政府补贴、风储联合投资商年寿命周期投资成本组成；

风储联合投资商年净收益表达为：式中： 分别为分布式风电上网电量收益、分布式风电发电政府补贴收益，θ为风储联合投资商年寿命周期投资成本；具体计算分别由(13)、(14)、(15)、(16)表示：式中：Pr(s)为场景s发生的概率，Gwind为分布式风电的上网电价，Is,t为场景s下t时刻分布式风电上网总电量，Nt为一天总时间数，Ns为场景缩减后的场景总数；

式中：Gb为分布式风电发电政府补贴电价， 为场景s下分布式风电t时刻削减出力后的总发电量；

θ＝FDG+Fe+Fg+FILR    (15)式中：FDG、Fe、Fg、FILR分别为分布式风电安装维护成本、蓄电池安装维护成本、购电成本、中断补偿成本；

式中：r为贴现率，n为寿命使用年限，CDG、Ce分别为分布式风电机组和蓄电池单位容量安装和运行维护成本；EDG、Ee分别为分布式风电机组和蓄电池额定安装总容量；pm(t)为t时刻负荷m向主网购电电价，pILR为单位中断电量补偿费用； 分别为场景s下t时刻向主网购电量和可中断负荷总中断量；

以分布式风电就地消纳率最大化为目标构建目标函数，具体包括：分布式风电出力就地消纳率为负荷和蓄电池消耗的分布式风电电量与消减分布式风电有功出力后的发电量的比值；由式(17)表示为：式中：β为分布式风电就地消纳率； 分别为场景s下t时刻负荷和蓄电池消耗的分布式风电的电量； 为场景s下t时刻分布式风电消减有功出力后的发电量。

6.根据权利要求3所述的一种基于可拓距K‑均值聚类的风储联合优化配置方法，其特征在于，所述步骤2.3具体包括：潮流约束：

式中：Pi,s、Qi,s分别为场景s下节点i处注入的有功功率和无功功率，Ui,s、Uj,s分别为场景s下节点i和节点j处的电压值，Gi,j、Bi,j和σi,j分别为节点i与节点j的电导、电纳和电压相角差；

分布式风电以及蓄电池安装容量约束：式中：EDG,i、Ee,i分别为节点i处接入分布式风电机组和蓄电池的容量， 分别为节点i处接入分布式风电机组容量值的上下限； 分别为节点i处接入蓄电池容量值的上下限；

分布式风电出力削减率约束：

式中：δi为节点i分布式风电机组有功出力消减率， 为节点i分布式风电机组有功出力削减率上限；

OLTC二次侧电压调节约束：

式中：UOLTC为调节有载调压变压器后的二次侧电压值， 分别为调节有载调压变压器的二次侧电压值的可调上下限；

可中断负荷中断率约束：

式中：Rm,s场景s下m类负荷的可中断率， 为场景s下m类负荷的最大可中断率；

蓄电池约束：

SOCmin≤SOCi,t≤SOCmax(25)式中： 为节点i处t时段储能电池的状态，处于充电状态时为1，否则为0； 和 分别为节点i处t时段电储能装置充电和放电功率， 分别为电储能装置充电和放电功率的上限；SOCi,t为节点i在t时刻的储能电池荷电状态，SOCmax、SOCmin分别为储能电池荷电状态的上下限；

配电网系统节点电压约束：

Ui,min≤Ui≤Ui,max    (26)式中：Ui为节点i处的电压值，Ui,max、Ui,min为节点i处所允许电压值的上下限。

7.根据权利要求1所述的一种基于可拓距K‑均值聚类的风储联合优化配置方法，其特征在于，所述步骤3.2具体包括：设计多核并行计算方法将初始种群按计算机内核数分成若干各较小规模子种群，并分配给各独立核计算单元进行并行优化计算，最后汇集每个独立单元的寻优结果优选得到最终优化结果，得到并行多目标正弦微分进化算法，并行多目标正弦微分进化算法记为PMOSDE算法。

8.根据权利要求1所述的一种基于可拓距K‑均值聚类的风储联合优化配置方法，其特征在于，所述步骤3.3具体主要包括：对历史数据进行可拓距K‑均值聚类，并用聚类后负荷数据参与需求响应；

种群初始化，将种群个体按计算机核数均分为n个子种群，并分配给每个计算单元Lab寻优；

各Lab并行计算子种群中个体适应度值，并按照多目标正弦微分进化算法步骤生成新种群；

当迭代次数G＜最大迭代次数Gen时，则重回上一步骤；当G＝Gen时，则停止循环，合并各子种群并进行排序，输出帕累托最优解集和最优折衷解。