本发明属于能量优化管理
技术领域：
，具体涉及一种计及需求侧管理的家庭能源局域网能量优化控制方法。
背景技术：
：全球能源危机的日益加剧，促进了可再生能源和信息技术的不断进步、融合，在一定程度上推动了整个能源行业的高速发展。然而风、光等可再生能源具有强烈的不确定性和间歇性，无法满足电网调度的灵活性，另一方面，储能系统和电动汽车(plug-inelectricvehicle，PEV)的规模化接入，大大增加了系统的能量控制难度。因此，美国学者杰里米·里夫金基于互联网发展理念首先提出了能源互联网的概念。作为信息技术和可再生能源相结合的产物，能源互联网在概念、技术和方法上都有独特之处，能有效解决当前能源架构下大规模可再生能源接入带来的不利影响。能源互联网以适应清洁能源的开发、消纳、输送为核心，逐渐成为全球能源体系发展的大趋势。家庭能源局域网(residentialenergylocalnetwork，RELN)是能源互联网的子网，数量多、分布广，拥有能源互联网的典型特征，是需求侧管理的重要对象，其以家庭能源管理系统为中心，将分布式风光发电单元、储能单元、电动汽车和居民负荷等连接在一起，根据电力公司价格信号、激励机制与消费者个人意愿等，对负荷运行、储能单元与电动汽车充放电进行在线控制，以需求侧管理为手段实现RELN与能源主网的能量双向流动。随着RELN市场的推广普及，RELN能量优化管理成了新的研究热点。强调互动的现代电力系统供需关系中，需求侧资源依然被视为不可或缺的新型分布式能源。技术实现要素：为了克服现有家庭能源局域网的供电可靠性较低、用电成本较高的不足，本发明提供一种计及需求侧管理的家庭能源局域网能量优化控制方法，由RELN内的家庭能量管理中心将RELN内的各发电、用电单元网络化，以RELN运行成本最小化为目标，对RELN内各居民电器、电动汽车以及储能系统进行调度决策，从而实现RELN的能量优化控制。为了实现上述目的，本发明的技术方案包括以下步骤：一种计及需求侧管理的家庭能源局域网能量优化控制方法，所述方法包括如下步骤：S1：输入用户用电状态和需求信息；S2：可再生能源出力预测；S3：记录RELN中的储能系统状态信息；S4：RELN能量动态优化；S5：实时调度：在当前时段，各家庭电器、PEV和储能系统根据步骤S4得出的用电方案进行具体用电、闲置或放电操作，并采用智能量测系统(AdvancedMeasurementInfrastructure，AMI)传输调度信息；S6：实时调度执行完毕后，RELN能量管理中心通过AMI接收并更新居民负荷的运行时间与能耗以及电动汽车、储能系统的荷电状态(StateofCharge，SOC)信息；S7：重复步骤S1～S6，直至优化区间结束。进一步，所述步骤S1的过程如下：将一天连续24h的时间进行离散化处理，均分为K个时段，对于任意第k时段，有k∈{1,2,...,K}，且第k时段的时长为Δt；当新的调度周期开始时，RELN内的能量管理中心通过AMI接收居民电器与PEV的用电需求信息，包括各居民电器的最小运行功率、最大运行功率、最早用电开始时间、最晚用电结束时间、用电时时长和最小能耗以及PEV的入网时间、离网时间、入网荷电状态SOC、离网SOC和额定充、放电功率等。对于PEV入网信息的记录：设接入RELN的PEV集合为L，则对于任一电动汽车l，均有l∈L，其相关参数为：Xl=[tlin,tlout,Sl0,SlE,Qls,Plc,Pld]---(1)]]>其中，分别表示电动汽车l接入RELN的时间和预期离开时间；分别表示PEV动力电池的初始SOC和离开RELN时的期望SOC，SOC表示电池剩余能量与电池容量的比值，因此有表示PEV动力电池容量；分别表示PEV动力电池的额定充、放电功率。对于居民电器信息的记录：居民电器负荷根据其不同的运行特性和用户用电需求可分为：不可转移负荷(non-shiftableloads，NSLs)、可转移负荷(plannableloads，PLs)，其中可转移负荷又可分为可时间转移负荷(time-plannableloads，TPLs)和可功率转移负荷(power-plannableloads，PPLs)；基于以上分类，可根据优化需求制定PLs的运行功率时间序列，另一方面，结合NSLs，可以预测该RELN的日负荷幅度和趋势；为方便分析，建立统一负荷模型，将连接入网的各类负荷归纳为具备一致属性的统一物理模型进行描述，只是由于各属性取值不同而显现出不同的特征；第i个家庭的第j个智能负荷的特征描述如下：Ai,j=[Pi,jrat,δi,jP,Pi,jΔ,ti,jstart,ti,jend,δi,jT,ti,jΔ,Qi,j]---(2)]]>式中：表示该RELN所有的家庭集合；表示第i个家庭的所有负荷数；表示第i个家庭的所有负荷集合；分别表示负荷Ai,j的额定用电功率和可调功率范围；表示负荷Ai,j期望运行区间；分别表示Ai,j的可调时间范围；Qi,j表示用电需求；分别为可时间转移、可功率转移标志位，用于体现不同的负荷特征，从而进行相应的协调分工。再进一步，所述步骤S2的过程如下：根据已有的对风光可再生能源输出功率的研究结论，以当前时段的风光出力为起始值，预测未来一段时间内的风光出力；设风机、光伏输出功率的预测值表示如下：P^WTk=PWTk(1+EWTmax·RWT)---(3)]]>P^PVk=PPVk(1+EPVmax·RPV)---(4)]]>式中，分别为风机在k时段的出力预测值和出力值，为光伏在k时段出力预测值和出力值；RWT、RPV均为一个处于-1和1之间的随机数；为风机、光伏的最大预测误差百分比：EWTmax=J·EWTbasic---(5)]]>EPVmax=J·EPVbasic---(6)]]>式中，分别表示风机、光伏的基准预测误差百分比，J表示最大倍数。更进一步，所述步骤S3的过程如下：将储能系统视为全时段接入、无充电负荷需求的一类特殊PEV动力电池，此外，一天内储能系统的总充、放电电量需相等以满足充放电的循环：Σk=1K(PESSkηESSc+PESSkηESSd)Δt=0---(7)]]>式中，为储能系统在第k时段的充放电功率；分别表示储能系统的充、放电效率。所述步骤S4的过程如下：根据居民电器与电动汽车的用电需求信息、风、光出力的预测信息以及储能状态等，基于模型预测控制(modelpredictivecontrol，MPC)方法，并结合新型实时电价机制，以最小化RELN运行总成本为目标制定各居民电器、EV与储能系统的最佳用电方案。S4-1：制定新型实时电价：结合实时电价(real-timepricing，RTP)与负荷阻塞率(incliningblockrates，IBR)电价，基于RELN内部的供需关系提出一种新型实时电价机制。实时电价与系统净负荷关系如下：RTPk=akLk2+bkLk+ck---(8)]]>式中：Lk为所有家庭在时段k的总净能耗；ak、bk与ck为实时电价系数，可以在不同的时间段取不同的值，取决于用户的需求动态。在IBR电价机制中，当系统总电量需求超过给定阈值时，电价将会达到一个更高水平，IBR电价的具体表示如下：IBRk=xk,0≤Lk≤δk1yk,δk1≤Lk≤δk2zk,Lk≥δk2---(10)]]>式中：与为不同电价等级之间的界限；xk、yk与zk为三个等级下的组合电价，具体计算方法如下：xk=RTPkyk=λ1*xkzk=λ2*xk---(11)]]>式中：λ1与λ2为不同等级下的价格倍率，λ2＞λ1＞1。由于可再生能源的接入，减小了RELN与上级电网之间的交互功率，电价计算必须也要做出相应的改变，光伏与风力发电均采用最大功率跟踪的控制方法，不作为优化变量，因此可将其出力等效为负值负荷，与家庭总负荷合并为广义负荷，以便于计算RELN交互成本；综上，新型实时电价pr(Lk)的计算方式为：pr(Lk)=RTPre,Lk≤0RTPk,0<Lk≤δk1λ1*RTPk,δk1<Lk≤δk2λ2*RTPk,Lk>δk2---(12)]]>式中：Lk≤0表示可再生能源出力过剩，RELN多余的可再生能源出力可以向大电网倒送，RTPre为单位电量的倒送价格。S4-2：建立RELN能量管理优化模型：基于步骤S4-1建立的新型实时电价机制，结合用户用电习惯和用电意愿、以RELN综合运行总成本最小为目标决策RELN中储能系统、电动汽车的充放电规划以及居民电器中可转移负荷的用电计划：式中：分别表示k时段分布式风光发电单元与储能单元的运行维护费用，分别为风机和光伏的运行维护系数，为储能单元的运行维护系数；表示k时段由PEV动力电池寿命损耗折算成本，表示k时段电动汽车l的充、放电功率，为PEV电池损耗折算系数；表示k时段用户对统一负荷调度产生的不满意费用，为统一负荷调度的不满意费用系数；表示k时段RELN交互成本，包括购电与售电费用，表示k时段RELN与大电网的交互功率。上述优化模型中，除了考虑分布式发电单元、电动汽车、居民统一负荷、储能单元的运行约束外，还应考虑以下系统约束：1)系统功率平衡约束式中：表示k时段RELN与大电网的交互功率。2)倒送功率约束对于电网容量不太充足的情形，过大的分布式发电单元电力倒送可能会对大电网稳定性与经济运行造成不利影响，因此对RELN倒送功率有所限制：Pgridout≤Pgridoutmax---(15)]]>式中：Pgridout表示RELN倒送功率；为倒送功率允许的最大值。S4-3：基于MPC的RELN动态能量优化管理：在每一个调度周期内，RELN能量管理中心以当前时刻的系统状态作为初始状态，基于预测模型对未来一段时间的预测结果，通过相应优化算法动态求解有限时长内的优化控制问题，该过程将滚动进行，直到达到要求的仿真时域；结合步骤S4-2建立的优化模型，得到动态优化过程中需要求解的目标函数为：J^Tk=Dtotalk+Σσ=1TD^totalk+σγk+σ---(16)]]>式中：为仿真时域内目标函数预测值；k+σ∈[k+1,k+T+1]，T为动态优化的仿真时域，且T≤K；为k+σ时段综合成本预测值；γk+σ∈(0,1)，其值取决于为k+σ时段下预测不确定度，用于调整预测不确定性所带来的影响。根据本发明实施例的，至少具有如下有益效果：1、基于新型实时电价的需求侧管理策略不仅可以减小分布式风光发电单元并网对配电网的冲击，提高配电网的供电可靠性，还能在很大程度上减少家庭的用电成本，降低峰谷差，为用户带来显著的经济效益。2、基于MPC算法的RELN能量管理策略具有较强的鲁棒性，能够更加有效的降低优化过程中分布式风光出力预测不确定性所带来的影响。本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。附图说明图1是本发明的实现流程图；图2是风机和光伏典型一日的输出功率曲线图；图3是4种控制模式下的负荷功率曲线：(a)case1；(b)case2；(c)case3；(d)case4；图4是4种控制模式下的交互功率曲线；图5是4种控制模式下的电价曲线；图6是各不确定度下case3、case4的日总成本分析；图7是各不确定度下case3、case4的一日净负荷波动率分析。具体实施方式本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。参照图1～图7，一种计及需求侧管理的家庭能源局域网能量优化控制方法，该方法包括以下步骤：S1：输入用户用电状态和需求信息，过程如下：将一天连续24h的时间进行离散化处理，均分为K个时段，对于任意第k时段，有k∈{1,2,...,K}，且第k时段的时长为Δt；当新的调度周期开始时，RELN内的能量管理中心通过AMI接收居民电器与PEV的用电需求信息，包括各居民电器的最小运行功率、最大运行功率、最早用电开始时间、最晚用电结束时间、用电时时长和最小能耗以及PEV的入网时间、离网时间、入网SOC、离网SOC和额定充、放电功率等。对于PEV入网信息的记录：设接入RELN的PEV集合为L，则对于任一电动汽车l，均有l∈L，其相关参数为：Xl=[tlin,tlout,Sl0,SlE,Qls,Plc,Pld]---(1)]]>其中，分别表示电动汽车l接入RELN的时间和预期离开时间；分别表示PEV动力电池的初始SOC和离开RELN时的期望SOC，SOC表示电池剩余能量与电池容量的比值，因此有表示PEV动力电池容量；分别表示PEV动力电池的额定充、放电功率。对于居民电器信息的记录：居民电器负荷根据其不同的运行特性和用户用电需求可分为：不可转移负荷(non-shiftableloads,NSLs)、可转移负荷(plannableloads,PLs)，其中可转移负荷又可分为可时间转移负荷(time-plannableloads,TPLs)和可功率转移负荷(power-plannableloads,PPLs)；基于以上分类，可根据优化需求制定PLs的运行功率时间序列，另一方面，结合NSLs，可以预测该RELN的日负荷幅度和趋势；为方便分析，建立统一负荷模型，将连接入网的各类负荷归纳为具备一致属性的统一物理模型进行描述，只是由于各属性取值不同而显现出不同的特征；第i个家庭的第j个智能负荷的特征描述如下：Ai,j=[Pi,jrat,δi,jP,Pi,jΔ,ti,jstart,ti,jend,δi,jT,ti,jΔ,Qi,j]---(2)]]>式中：表示该RELN所有的家庭集合；表示第i个家庭的所有负荷数；表示第i个家庭的所有负荷集合；分别表示负荷Ai,j的额定用电功率和可调功率范围；表示负荷Ai,j期望运行区间；分别表示Ai,j的可调时间范围；Qi,j表示用电需求；分别为可时间转移、可功率转移标志位，用于体现不同的负荷特征，从而进行相应的协调分工。S2：可再生能源出力预测：根据已有的对风光可再生能源输出功率的研究结论，以当前时段的风光出力为起始值，预测未来一段时间内的风光出力；设风机、光伏输出功率的预测值表示如下：P^WTk=PWTk(1+EWTmax·RWT)---(3)]]>P^PVk=PPVk(1+EPVmax·RPV)---(4)]]>式中，分别为风机在k时段的出力预测值和出力值，为光伏在k时段出力预测值和出力值；RWT、RPV均为一个处于-1和1之间的随机数；为风机、光伏的最大预测误差百分比：EWTmax=J·EWTbasic---(5)]]>EPVmax=J·EPVbasic---(6)]]>式中，分别表示风机、光伏的基准预测误差百分比，J表示最大倍数。S3：记录RELN中的储能系统状态信息，过程如下：将储能系统视为全时段接入、无充电负荷需求的一类特殊PEV动力电池，此外，一天内储能系统的总充、放电电量需相等以满足充放电的循环：Σk=1K(PESSkηESSc+PESSkηESSd)Δt=0---(7)]]>式中，为储能系统在第k时段的充放电功率；分别表示储能系统的充、放电效率。S4：RELN能量动态优化，过程如下：根据居民电器与电动汽车的用电需求信息、风、光出力的预测信息以及储能状态等，基于模型预测控制(modelpredictivecontrol，MPC)方法，并结合新型实时电价机制，以最小化RELN运行总成本为目标制定各居民电器、EV与储能系统的最佳用电方案。S4-1：制定新型实时电价：结合实时电价(real-timepricing，RTP)与负荷阻塞率(incliningblockrates，IBR)电价，基于RELN内部的供需关系提出一种新型实时电价机制。实时电价与系统净负荷关系如下：RTPk=akLk2+bkLk+ck---(8)]]>式中：Lk为所有家庭在时段k的总净能耗；ak、bk与ck为实时电价系数，可以在不同的时间段取不同的值，取决于用户的需求动态。在IBR电价机制中，当系统总电量需求超过给定阈值时，电价将会达到一个更高水平，IBR电价的具体表示如下：IBRk=xk,0≤Lk≤δk1yk,δk1≤Lk≤δk2zk,Lk≥δk2---(10)]]>式中：与为不同电价等级之间的界限；xk、yk与zk为三个等级下的组合电价，具体计算方法如下：xk=RTPkyk=λ1*xkzk=λ2*xk---(11)]]>式中：λ1与λ2为不同等级下的价格倍率，λ2＞λ1＞1。由于可再生能源的接入，减小了RELN与上级电网之间的交互功率，电价计算必须也要做出相应的改变，光伏与风力发电均采用最大功率跟踪的控制方法，不作为优化变量，因此可将其出力等效为负值负荷，与家庭总负荷合并为广义负荷，以便于计算RELN交互成本；综上，新型实时电价pr(Lk)的计算方式为：pr(Lk)=RTPre,Lk≤0RTPk,0<Lk≤δk1λ1*RTPk,δk1<Lk≤δk2λ2*RTPk,Lk>δk2---(12)]]>式中：Lk≤0表示可再生能源出力过剩，RELN多余的可再生能源出力可以向大电网倒送，RTPre为单位电量的倒送价格。S4-2：建立RELN能量管理优化模型：基于步骤S4-1建立的新型实时电价机制，结合用户用电习惯和用电意愿、以RELN综合运行总成本最小为目标决策RELN中储能系统、电动汽车的充放电规划以及居民电器中可转移负荷的用电计划：式中：分别表示k时段分布式风光发电单元与储能单元的运行维护费用，分别为风机和光伏的运行维护系数，为储能单元的运行维护系数；表示k时段由PEV动力电池寿命损耗折算成本，表示k时段电动汽车l的充、放电功率，为PEV电池损耗折算系数；表示k时段用户对统一负荷调度产生的不满意费用，为统一负荷调度的不满意费用系数；表示k时段RELN交互成本，包括购电与售电费用，表示k时段RELN与大电网的交互功率。上述优化模型中，除了考虑分布式发电单元、电动汽车、居民统一负荷、储能单元的运行约束外，还应考虑以下系统约束：1)系统功率平衡约束式中：表示k时段RELN与大电网的交互功率。2)倒送功率约束对于电网容量不太充足的情形，过大的分布式发电单元电力倒送可能会对大电网稳定性与经济运行造成不利影响，因此对RELN倒送功率有所限制：Pgridout≤Pgridoutmax---(15)]]>式中：Pgridout表示RELN倒送功率；为倒送功率允许的最大值。S4-3：基于MPC的RELN动态能量优化管理：在每一个调度周期内，RELN能量管理中心以当前时刻的系统状态作为初始状态，基于预测模型对未来一段时间的预测结果，通过相应优化算法动态求解有限时长内的优化控制问题，该过程将滚动进行，直到达到要求的仿真时域；结合步骤S4-2建立的优化模型，得到动态优化过程中需要求解的目标函数为：J^Tk=Dtotalk+Σσ=1TD^totalk+σγk+σ---(16)]]>式中：为仿真时域内目标函数预测值；k+σ∈[k+1,k+T+1]，T为动态优化的仿真时域，且T≤K；为k+σ时段综合成本预测值；γk+σ∈(0,1)，其值取决于为k+σ时段下预测不确定度，用于调整预测不确定性所带来的影响。S5：实时调度：在当前时段，各家庭电器、PEV和储能系统根据步骤S4得出的用电方案进行具体用电、闲置或放电操作，并采用AMI传输调度信息。S6：实时调度执行完毕后，RELN能量管理中心通过AMI接收并更新居民负荷的运行时间与能耗以及电动汽车、储能系统的SOC信息。S7：重复步骤S1～S6，直至优化区间结束。为使本领域技术人员更好地理解本发明，申请人采用计及需求侧管理的家庭能源局域网能量优化管理方法以某社区内的小规模家庭为算例进行仿真分析。算例中RELN由4户家庭组成，共用分布式风光发电单元，风机的额定容量为8kW，运行与维护系数为光伏系统的额定容量为4kW，运行与维护系数为RELN一天内的典型风机和光伏输出功率如附图2所示。各家庭负荷以及电动汽车的用电数据如表1所示，包括最小运行功率、最大运行功率、最早开始时间、最晚结束时间，运行时间和最小能耗。电动汽车动力电池的额定容量为30kWh，电池SOC上、下限分别为0.9和0.1，额定功率为4kW，充电效率和放电效率均为0.92，电池退化成本系数为储能系统额定容量为18kWh，额定功率为3kW，并设定其每日初始SOC为0.6，SOC上、下限分别为0.9和0.4，运行与维护系数为充电效率和放电效率均为0.92。新型实时电价的三个系数ak、bk和ck分别为设为0.01、0.02和0.5且任一k∈{1,2,...,K}时段均为定值；IBR电价的阈值分别设为2和5；价格倍率λ1、λ2分别设为1.20和1.45；倒送价格RTPre为0.4元/kWh。表1为家庭负荷及电动汽车的运行数据。表1为了更直观地验证本发明所提RELN能量管理策略的控制效果，同时仿真以下4种控制模式，并进行仿真结果的对比、分析：case1：不考虑储能单元、RELN中各家庭电器与电动汽车都在最早运行时间以最大运行功率运行的控制方式；case2：考虑储能单元、RELN中各家庭电器与电动汽车都在最早运行时间以最大运行功率运行的控制方式；case3：一种日前调度模式，考虑储能单元、RELN中各家庭主动电器及PEV主动参与需求侧管理的运行方式；case4：日内调度模式，在模式3基础上增加了MPC方法的动态优化，即本发明所述模式。4种控制模式下的总负荷功率、交互功率分布以及电价曲线对比结果分别如附图3～5所示。不同控制模式下的RELN控制性能见表2。表2结合附图3～附图5以及表2，可以得出以下现象及结论：case1中，负荷高峰处于晚上18:30至23:30时段，该时间段的风、光出力较小，而在正午及夜间等风、光出力富余的时间段却鲜有负荷量，导致附图4中交互功率较大，负荷特性较差；另一方面，负荷高峰时段的交互功率大多超过了阈值直接导致了RELN较高的日运行总成本。相比于case1，case2多考虑了储能单元，其作为一种能量储存与交互的媒介，通过在风、光出力富余时段吸收能量、在风、光出力缺额时段释放能量，能够在一定程度上降低负荷峰值，平抑交互功率曲线，从而降低用电高峰期的用电成本。因此可知，储能单元在一定程度上有助于RELN的能量优化管理。相比于case2，case4在确保用户用电需求的前提下将PLs和TLs从风光出力存在缺额的时段转移至风光出力富余的时段，同时协调系统内的可用储能资源，精确指导PEV、储能系统的充放电行为，充分发挥PEV的辅助储能作用，使需求侧动态匹配供电侧出力，各时段的交互功率均较小，RELN内部供需平衡程度高，日运行总成本与负荷特性得到了显著改善。综上可知，基于实时电价的需求侧管理不仅可以减小分布式风光发电单元并网对主网的冲击，提高主网供电可靠性，还能在很大程度上减少RELN的运行成本，为RELN带来显著的经济效益。case4与case3下的RELN日运行总成本与负荷特性均相同，原因在于本节考虑对风、光出力的精确预测情形。与case3相比，风、光出力精确预测情形下的case4无法体现MPC方法的优势。受到时间、地域、天气与环境等因素的影响，分布式风光出力也会体现一定的不确定性。上一节的结论是建立在对风光出力精确预测的前提下，其只证明了基于MPC算法的RELN能量优化管理策略具有一定的经济性与实用性，并不能体现MPC算法在预测不确定性情况下的优化性能。为充分体现case4模式在预测不准确情况下的具体性能，采用随机场景分析方法对分布式风、光出力不确定性对优化结果产生的影响进行量化，深入分析MPC算法在具有预测不确定性环境下对RELN能量管理的鲁棒性。风机或光伏的基准预测误差百分比以及最大不确定度的具体数值如表3所示。表3采用随机场景分析方法的模拟结果表明，600次后净负荷均值基本保持不变，为平衡计算时间和计算精度，确定仿真次数为600次。为清晰地显示各组数据的分布差异，我们考虑用统计学常用的箱线图来分析在不同不确定度等级下给总成本和净负荷波动率带来的影响。case3、case4两种控制模式在6个不确定度等级下的RELN日总成本和净负荷波动率的箱线图对比如附图6～7所示，图中的折线表示随机场景运行结果的均值。由附图6-7可知，随着不确定度等级J的增大，case3、case4下的日运行总成本及净负荷波动率箱体高度均逐渐变长，均值折线呈现单调增高趋势，表明风、光等可再生能源出力的预测误差会给系统运行经济性、负荷特性等带来不利影响，并且，该种不利影响随预测误差的增大而加剧。但是，相对而言，case4的日运行总成本与净负荷波动率随着不确定度J升高而增加的速度明显低于case3。综上所述，相对于日前调度模式，本发明提出的基于MPC方法的RELN能量优化管理策略具有较强的鲁棒性，能够有效降低优化过程中分布式风、光出力预测不确定性对系统带来的不利影响。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。当前第1页1 2 3