文献[76]基于鲁棒优化理论构建可再生电源出力的不确定性场景集，在分时电价下以储能系统全寿命周期成本、系统总发电成本、联络线功率波动最小等为目标，开展储能优化规划。文献[77]采用不确定性集合刻画负荷需求和风电出力的随机特征，在极端场景下建立了自适应min-max-min鲁棒规划模型，并基于此开展储能和输电网结构的优化研究。

在已获得大量数据样本的基础上，采用聚类算法抽取典型场景集，是提升计算速度，并保证储能配置涵盖充足不确定性特征的常用方法。文献[62]同时考虑风电与负荷的时序性、风电波动性及与负荷的相关性，采用改进K-means聚类对风电与负荷数据进行分析，对数据样本进行聚类，得到一组全年负荷与风电典型时序场景集。文献[78]基于云模型理论将储能充放电功率的概率分布分解成若干个正态云模型的叠加，基于K-means聚类算法从储能运行曲线中提取典型充放电工况曲线，将其作为基础数据输入储能容量优化模型。

2.1.4 其他配置方法

文献[37，59]将时序运行仿真与确定性配置方法联合使用，文献[79-80]采用概率分布鲁棒联合机会约束规划模型描述储能配置问题，文献[79]综合考虑了含风电的电力系统鲁棒备用规划与调度问题。

文献[54-56]以提升新能源电站惯量支撑能力和参与系统一次调频为应用场景，参照常规机组的一次调频技术原理，以保证新能源电站并网前后系统的等效惯量和一次调频能力不变为应用目标，基于能量守恒原理，通过公式推导计算储能需求。

2.2 求解算法

储能优化配置的决策变量往往为连续变量，追求单目标或多目标，约束条件一般包括线性约束、非线性约束、等式约束、不等式约束等，建立的配置模型往往为多目标、非线性数学模型，常规寻优算法计算复杂，计算速度和收敛性均达不到要求[61]。为了解决这个问题，多采用遗传算法[37,40,61]、粒子群优化算法[39]、飞蛾扑火算法[75]、模拟退火等智能算法及其改进算法。智能算法可以有效求解非线性优化问题，但可能存在个体单一、易早熟或陷入局部最优等缺点，如果基于的数据样本较大，还存在求解时间过长，甚至难以求解的问题。为解决这些问题，将目标函数、约束条件线性化处理[60]，将多目标问题转化为单目标问题均是有效的解决办法。

另外，为获得全局最优解，同时保证在可接受时间内获得结果，在储能配置模型搭建后，可首先检验模型是否为凸函数，若不是，可采用多种近似、松弛手段实现凸化，使之转化为凸函数，或松弛部分约束条件，实现新的可行域包含原可行域，并为凸集。一般来说，大多数凸优化问题都可以直接调用商业求解器来求解。文献[75]通过将鲁棒规划模型拆解为主模型和从模型，使得非凸问题转变为可直接使用CPLEX求解的线性规划问题。文献[77]首先将基于鲁棒联合机会约束建立的非凸模型转化为半定规划问题，采用SDPT3求解器可有效求解。