1.一种含分布式电源配电网储能选址定容双层模型优化方法，其特征在于，该方法具体包括以下步骤：S1.设计综合灵敏指标，对储能候选站址进行筛选，建立储能备选站址集合；

S2.基于备选站址集合建立配电网储能配置双层优化模型；配置双层优化模型具体包括：S21.构建上层规划模型；

S22.构建下层运行模型；

S3.利用改进多目标粒子群算法和粒子群算法对双层模型进行优化求解。

2.根据权利要求1所述的一种含分布式电源配电网储能选址定容双层模型优化方法，其特征在于，所述步骤S1具体包括：S11.定义支路系统N‑1时支路过载功率，通过支路过载功率选取过载支路相关节点作为储能候选站址集合；

S12.分析不同安装位置下储能出力对支路潮流的调整能力，并定义功率灵敏因子；判断功率灵敏因子，若功率灵敏因子大于零，则表示支路潮流随储能功率的增大而增大，储能的接入位置对支路有正向影响；若功率灵敏因子等于零，则表示支路潮流不随储能功率的变化而变化，储能的接入位置对支路无影响；若功率灵敏因子小于零，则表示支路潮流随储能功率的增大而减小，储能的接入位置对支路有负向影响；

S13.计算储能每个候选安装位置的综合灵敏指标值，对储能候选站址进行初步筛选。

3.根据权利要求2所述的一种含分布式电源配电网储能选址定容双层模型优化方法，其特征在于，步骤S11中所述过载功率计算如下：式中，z表示网络所有N‑1场景集，P(z)l为第z个过载场景下第l条支路潮流，L(z)l为第z个过载场景下第l条支路的负载率，计算如下：max

式中，Pl 表示支路l热极限功率。

4.根据权利要求2所述的一种含分布式电源配电网储能选址定容双层模型优化方法，其特征在于，步骤S12中所述功率灵敏因子计算如下：式中，ΔP(z)l表示第z个过载场景下第条l支路功率变化量，ΔP(z)s表示第z个过载场景下储能系统功率变化量；功率灵敏因子PSF(z)l表征储能出力对支路l潮流的整能力。

5.根据权利要求2所述的一种含分布式电源配电网储能选址定容双层模型优化方法，其特征在于，步骤S13中所述的综合灵敏指标计算如下：式中，将所有过载场景组成一个集合os，其中一个过载场景用Z表示，每一个过载场景Z全部过载支路集合用L表示，其中某一过载支路用l表示。综合灵敏指标CSI(b)反映储能接入节点b对全局支路过载的调整能力，CSI(b)值越大表示储能接入位置越有利于改善电力系统N‑1时过载程度；α(z)l为过载支路l的权重因子，计算如下：

6.根据权利要求1所述的一种含分布式电源配电网储能选址定容双层模型优化方法，其特征在于，步骤S21中构建所述上层规划模型具体包括：S211：目标函数：

式中，f1为配电网N‑1时典型日网络全局过载程度之和，ΔLl为支路l在t时刻的过载情况，为储能t时刻的充放电功率；

式中，f2为储能投资成本函数，r为储能投资贴现率，n为储能使用年限，Ei,ess为节点i储能安装容量，Ness为储能待安装数量，cinv，ess为储能单位容量成本系数；

建立以降低N‑1场景网络全局支路过载和储能投资成本的多目标函数，具体为：minF2＝[f1,f2]；

S212：约束条件：

储能容量约束： 式中， 为节点i安装储能最大容量。

7.根据权利要求6所述的一种含分布式电源配电网储能选址定容双层模型优化方法，其特征在于，步骤S22中所述下层运行模型具体包括：S221：目标函数：

式中， 为t时刻网络支路l有功网损功率， Cess分别为单位网损功率成本系数和单位储能充放电功率成本系数， 为t时刻储能充放电功率，μe,t取值集合为{0,1，‑1}，表征储能状态，储能静置时取值为0，放电时取值为‑1，充电时取值为1；

S222：约束条件：

潮流方程约束：

式中，Pi、Qi分别为节点i注入的有功功率和无功功率，Ui、Uj分别为节点i和节点j的电压；Gij、Bij分别为网络导纳；θij为节点i和节点j之间的电压相角差；

发电机出力约束：

式中， 分别为发电机有功出力的上下限， 分别为发电机无功出力的上下限；

支路电流约束：

式中， 分别为支路i→j的电流上下限；

节点电压约束：

式中， 分别为节点i电压的上下限；

储能充放电功率约束： 式中， 为储能最大充放电功率。

8.根据权利要求1所述的一种含分布式电源配电网储能选址定容双层模型优化方法，其特征在于，步骤S3的所述双层优化模型求解的具体步骤如下：S31：输入参数：输入求解储能规划‑运行双层模型所需参数；

S32：建立以降低储能投资成本和支路过载程度为多目标函数的储能规划模型，采用IMOPSO算法优化上层储能配置模型；初始化粒子种群，得到Pareto解集，并基于信息熵的序数偏好法处理Pareto解集，最后将最优配置方案作为运行层的输入；

S33：基于规划层配置方案，下层建立以降低储能运维成本和网损成本为目标的运行模型，采用PSO算法优化典型日储能出力方式，将结果反馈至上层；

S34：基于运行层的反馈数据，更新粒子种群，优化更新储能的配置方案；

S35：判断第k次迭代容量Sk与之前迭代最小容量Smin间的变化是否达到收敛条件，若满足收敛精度，则输出容量最小的储能配置方案及相应出力方式，否则继续步骤S32‑S34直至满足收敛精度；收敛条件为 Sk为第k次迭代容量，Smin为与之前迭代最小容量。