一种风光储场站多环节容量分配方法及系统

1.本发明涉及电力领域，特别是涉及一种风光储场站多环节容量分配方法及系统。


背景技术：

2.近年来风光储场站发电产业赢得了历史性机遇，发展势头迅猛。但在大规模风光并网的趋势中，也出现了诸多“瓶颈”问题。能源结构调整与支持政策促使资金大量注入风光储场站并网，大大增加了装机，而在参与电力市场时的实际发电量远远小于装机容量，造成了资源的闲置和浪费。因此，如何在现货环境下考虑风光储场站经济负荷分配，全面统筹电网和风电发展，优化容量投资具有重要现实意义。我国电力市场改革由中长期交易逐步过渡到现货交易，而现货市场中供需实时变化给电力交易价格带来了较大的不确定性，环节参与者将面临电力交易价格波动风险。对于高度波动的交易价格，可使用储能低储高发，进行物理对冲，但针对大型风光储场站，现货市场的价格风险则更加明显。
3.因此，亟需一种新的分配方法或系统，分散风光储场站的容量投资以到达其收益和随机性的均衡，通过把资金分配到不同的环节中，以达到分散风险、确保收益的目的。


技术实现要素：

4.本发明的目的是提供一种风光储场站中多环节容量分配方法及系统，能够促进风光储场站达到资源优化配置，提高场站投资效率和盈利的可靠性。
5.为实现上述目的，本发明提供了如下方案：
6.一种风光储场站多环节容量分配方法，包括：
7.风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
8.根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
9.根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
10.根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
11.根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站多环节耦合运行的随机性模型；
12.根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能soc约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货
市场的多尺度随机优化调控模型；
13.根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
14.可选地，所述根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型，具体包括：
15.利用公式e
p.t
＝w
1.teda.t
+w
2.tedt.t
+w
3.tert.t
确定收益模型；
16.其中，e
da.t
、e
dt.t
、e
rt.t
分别为风光储场站日前、日内、实时各环节的收益，w
1t
、w
2t
、w
3t
风光储场站日前、日内、实时各环节的容量分配因子，即权重，0≤w
i.t
≤1，i＝1、2、3，并分别对应日前、日内、实时。
17.可选地，所述根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型，具体包括：
18.利用公式确定日前环节的随机性；
19.利用公式确定日内环节的随机性；
20.利用公式确定实时环节的随机性；
21.其中，σ
da.t
、σ
dt.t
、σ
rt.t
表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，e
da.t,x
为第x个日前环节的激励信号对应的收益，e
dt.t,x
为第x个日内环节的激励信号对应的收益，e
rt.t,x
为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
22.可选地，所述根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站多环节耦合运行的随机性模型，具体包括以下公式：
[0023][0024]
其中，为各个环节之间的随机性，w
i.t
为第i个环节的容量分配因子，w
j.t
为第j个环节的容量分配因子，ρ
ij
为第i个环节和第j个环节的相关系数，σ
i.t
为第i个环节的随机性，σ
j.t
为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
[0025]
一种风光储场站多环节容量分配系统，包括：
[0026]
数据获取模块，用于风光储场站接收各个环节的激励信号，并定义每个环节对应
的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
[0027]
风光储场站收益模型建立模块，用于根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
[0028]
收益模型建立模块，用于根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
[0029]
风光储场站随机性模型建立模块，用于根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
[0030]
随机性模型建立模块，用于根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站参与多环节耦合运行的随机性模型；
[0031]
多尺度随机优化调控模型确定模块，用于根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能soc约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
[0032]
最佳容量分配组合确定模块，用于根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
[0033]
可选地，所述收益模型建立模块具体包括：
[0034]
收益模型确定单元，用于利用公式e
p.t
＝w
1.teda.t
+w
2.tedt.t
+w
3.tert.t
确定收益模型；
[0035]
其中，e
da.t
、e
dt.t
、e
rt.t
分别为风光储场站日前、日内、实时各环节的收益，w
1t
、w
2t
、w
3t
风光储场站日前、日内、实时各环节的容量分配因子，即权重，0≤w
i.t
≤1，i＝1、2、3，并分别对应日前、日内、实时。
[0036]
可选地，所述风光储场站随机性模型具体包括：
[0037]
日前环节的随机性确定单元，用于利用公式确定日前环节的随机性；
[0038]
日内环节的随机性确定单元，用于利用公式确定日内环节的随机性；
[0039]
实时环节的随机性确定单元，用于利用公式确定实时环节的随机性；
[0040]
其中，σ
da.t
、σ
dt.t
、σ
rt.t
表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，e
da.t,x
为第x个日前环节的激励信号对应的收益，e
dt.t,x
为第x个日内环节的激励信号对应的收益，e
rt.t,x
为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
[0041]
可选地，所述随机性模型建立模块具体包括以下公式：
[0042][0043]
其中，为各个环节之间的随机性，w
i.t
为第i个环节的容量分配因子，w
j.t
为第j个环节的容量分配因子，ρ
ij
为第i个环节和第j个环节的相关系数，σ
i.t
为第i个环节的随机性，σ
j.t
为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
[0044]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0045]
本发明所提供的一种风光储场站中多环节容量分配方法及系统，首先，风光储场站接收日前-日内-实时各环节的激励信号，根据激励信号描述风光储场站参与日前、日内、实时各环节的成本与收益，并为各环节设置容量分配因子，构建风光储场站各环节耦合运行的收益模型。其次，用场站历史收益数据的方差来描述各环节的随机性，采用核估计方法确定各环节收益的边缘分布，并采用t-copula函数描述各环节风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而提出风光储场站参与日前-日内-实时环节的随机性模型。同时考虑了风光储场站收益与随机性的影响，提高了风光储场站盈利的可靠性。最后，计及场站内部能量协同调控及储能soc约束建立日前-日内-实时环节预期收益最大与随机性最小的目标函数，构建风光储场站参与电力现货市场的多尺度随机优化调控模型，并构造其拉格朗日函数，求解风光储场站参与日前、日内、实时各环节容量分配的最佳分配组合，并将风光储场站总出力上报调度中心。以风光储场站参与日前-日内-实时环节的预期收益最大与随机性最小为目标分配各环节的容量，以达到收益最大化与随机性最小化的均衡状态，从而促进风光储场站达到资源优化配置，提高场站投资效率。运用拉格朗日函数来确定日前、日内、实时环节的最佳分配组合，通过数学推导使得求解结果更加精确。
附图说明
[0046]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0047]
图1为本发明所提供的一种风光储场站多环节容量分配方法流程示意图；
[0048]
图2为风光储场站参与电力现货市场示意图；
[0049]
图3为本发明所提供的一种风光储场站多环节容量分配系统结构示意图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
本发明的目的是提供一种风光储场站中多环节容量分配方法及系统，能够促进风光储场站达到资源优化配置，提高场站投资效率和盈利的可靠性。
[0052]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0053]
图1为本发明所提供的一种风光储场站多环节容量分配方法流程示意图，图2为风光储场站参与电力现货市场示意图，如图1和图2所示，本发明所提供的一种风光储场站多环节容量分配方法，包括：
[0054]
s101，风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
[0055]
s102，根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
[0056]
s102具体包括以下公式：
[0057]eda.t
＝(p
tsd_da-p
tsc_da
)λ
tda
；
[0058]edt.t
＝(p
tsd_dt-p
tsc_dt
)λ
tdt
；
[0059]ert.t
＝(p
tsd_rt-p
tsc_rt
)λ
trt
；
[0060]
p
tsd_da
+p
tsd_dt
+p
tsd_rt
＝p
tsd
；
[0061]
p
tsc_da
+p
tsc_dt
+p
tsc_rt
＝p
tsc
；
[0062]
其中，e
da.t
、e
dt.t
、e
rt.t
分别表示风光储场站日前、日内、实时各环节收益；表示风光储场站各环节总放电；表示风光储场站各环节总充电；λ
i.t
表示各环节外部激励。其中式p
tsd_da
+p
tsd_dt
+p
tsd_rt
＝p
tsd
和p
tsc_da
+p
tsc_dt
+p
tsc_rt
＝p
tsc
表示日前、日内、实时出力之和应等于总出力，p
tsd
表示风光储场站总充电功率，p
tsc
表示风光储场站总放电功率。
[0063]
s103，根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
[0064]
s103具体包括：
[0065]
利用公式e
p.t
＝w
1.teda.t
+w
2.tedt.t
+w
3.tert.t
确定收益模型；
[0066]
其中，e
da.t
、e
dt.t
、e
rt.t
分别为风光储场站日前、日内、实时各环节的收益，w
1t
、w
2t
、w
3t
风光储场站日前、日内、实时各环节的容量分配因子，即权重，0≤w
i.t
≤1，i＝1、2、3，并分别对应日前、日内、实时。
[0067]
s104，根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
[0068]
风光储场站参与现货市场主要是利用能源价格套利来获取收益，即储能的“低充高放”，但现货市场日前-日内-实时各环节不同时间尺幅价格的不确定性使得收益无法准确预测，储能充放电无法准确调控。各环节的随机性主要是指其实际收益可能偏离预期收益的幅度，统计学中的方差表示实际收益偏离期望收益的幅度，因此一般用方差来表示各个环节的随机性。
[0069]
s104具体包括：
[0070]
利用公式确定日前环节的随机性；
[0071]
利用公式确定日内环节的随机性；
[0072]
利用公式确定实时环节的随机性；
[0073]
其中，σ
da.t
、σ
dt.t
、σ
rt.t
表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，e
da.t,x
为第x个日前环节的激励信号对应的收益，e
dt.t,x
为第x个日内环节的激励信号对应的收益，e
rt.t,x
为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
[0074]
s105，根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站参与多环节耦合运行的随机性模型；
[0075]
单个环节收益分布一般由期望收益和方差来描述，但是日前-日内-实时不同环节之间存在关联性，会相互影响。利用历史环节价格数据，对不同环节之间的相关性进行建模分析。由于不同环节的价格数据通常带有肥尾，正态分布无法捕捉价格的尾部特征。然而，尾部高位价格数据会影响不同环节的相关性。因此，相关性应通过分段分布作为copula方法的输入进行综合分析和拟合，然后选择并调整t-copula函数以对各环节价格相关性进行建模。
[0076]
copula是一个多元累积分布函数，是将联合分布函数与它们各自的边缘分布函数连接在一起的函数。因此，应用copula函数来描述不同环节之间收益的相关性。然而，各环节收益的边际分布受到每个分布尾部的高度影响，这在传统方法中没有被细化。因此分段分布用于将价格数据描述为尾部和非尾部部分。为了更准确地评估环节收益的尾部分布，将原始数据通过帕累托尾部分布进行拟合。然后，使用累积分布函数的核估计方法将非尾部分中的原始收益数据转换为copula尺度。收集样本数据，采用核估计方法，收益的概率密
度函数为将概率密度函数进行积分运算后，可得到收益的概率分布函数
[0077]
式中：m是来自大小为m的分布的环节价格样本，k(
·
)是核平滑函数，h是带宽。
[0078]
各环节收益的多元分布可以分解为边际累积分布，描述为copula函数以反映环节之间的相关性。形式上，如果ve是具有联合分布函数f(m1,m2)和连续边缘分布fi(mi)的二维随机向量，则存在唯一copula函数c(ui,u2)：
[0079]
f(m1,m2)＝p(m1＜m1,m2＜m2)＝c(f1(m1),f2(m2))；
[0080]
使用的t-copula模型表示为：
[0081][0082]
s＝τ
v-1
(u1)；
[0083]
b＝τ
v-1
(u2)；
[0084]
式中：v是自由度，ρ是相关系数，γ
ρ,v
是联合t分布的关联结构，γ
v-1
是单变量累积分布函数的倒数t分布变量。
[0085]
通过使用最大似然估计法估计相关系数ρ。copula值指定为[0,1]范围内的标量值矩阵。多元t-copula的相关系数矩阵可以通过如下的迭代计算方法确定，直到ρ
n+1
等于ρn。
[0086][0087]
ξ
t
＝(τ
v-1
(u1),τ
v-1
(u2),
…
,τ
v-1
(un))；
[0088]
风光储场站日前-日内-实时环节的随机性为在考虑任意两环节间相关风险下每个时刻各环节随机量与分配因子乘积之和表示，表示为：
[0089][0090]
其中，为各个环节之间的随机性，w
i.t
为第i个环节的容量分配因子，w
j.t
为第j个环节的容量分配因子，ρ
ij
为第i个环节和第j个环节的相关系数，σ
i.t
为第i个环节的随机性，σ
j.t
为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
[0091]
s106，根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能soc约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
[0092]
风光储场站日前-日内-实时环节容量分配的过程是指配置各个环节出力以符合风光储场站对随机性和收益等需求的过程。有效的环节容量分配必须达到或接近收益最大化与随机性最小化的均衡状态。风光储场站电站在收益一定的条件下，选择随机性最小的环节分配组合；在随机性一定的条件下，选择收益最大的环节分配组合，同时满足这2个条
件的组合集合就是有效集，又称有效边界，风光储场站的最优环节分配组合在有效边界上。以日前-日内-实时环节的预期收益最大与总随机性最小为目标分配各环节的容量，基于上述分析提出了根据预期收益与随机性的目标函数：
[0093][0094]
式中：am表示随机性规避指数，规避程度通常在2-4之间。3代表平均规避，am》3意味着更多的规避，反之亦然。
[0095]
风光储场站出力包括风电向外出力、光伏向外出及储能的放电功率，系统充电为储能的充电。得出日前-日内-实时各环节得出力：
[0096]
p
tsd_da
＝w
1.t
p
tsd
＝w
1.t
(p
twt_d
+p
tpv_d
+p
tesd
)；
[0097]
p
tsd_dt
＝w
2.t
p
tsd
＝w
2.t
(p
twt_d
+p
tpv_d
+p
tesd
)；
[0098]
p
tsd_rt
＝w
3.t
p
tsd
＝w
3.t
(p
twt_d
+p
tpv_d
+p
tesd
)；
[0099]
p
tsc_da
＝w
1.t
p
tsc
＝w
1.t
p
tesc
；
[0100]
p
tsc_dt
＝w
2.t
p
tsc
＝w
2.t
p
tesc
；
[0101]
p
tsc_rt
＝w
3.t
p
tsc
＝w
3.t
p
tesc
；
[0102]
式中：p
twt_d
、p
tpv_d
分别表示风光储场站中风电、光伏向外发电功率，p
tesd
/p
tesc
分别表示储能总的充/放电功率。
[0103]
日前、日内、实时储能的充放电功率及风光出力均未知，储能soc约束为：
[0104][0105]
soc
min
≤soc
t
≤soc
max
；
[0106]
soc0＝soc
t
；
[0107][0108][0109][0110][0111][0112][0113]
p
tpv_d
≥0；
[0114]
p
twt_d
≥0；
[0115]
p
twt_esc
+p
twt_d
≤p
twt
；
[0116]
p
tpv_esc
+p
tpv_d
≤p
tpv
；
[0117]
式中：soc
t
表示储能t时刻的soc，η
loss
表示损耗系数，ηc、ηd分别表示充放电的损耗系数，p
twt_esc
/p
tpv_esc
分别表示风电/光伏向储能的充电功率，u为约束储能不能同时充放电的0-1变量，式p
twt_esc
+p
twt_d
≤p
twt
和p
tpv_esc
+p
tpv_d
≤p
tpv
分别表示风电/光伏向外发电与向储能充电之和不大于其总出力。
[0118]
s107，根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
[0119][0120][0121]
上述日前、日内、实时容量分配问题的最佳分配组合可以由拉格朗日函数确定：
[0122][0123]
对每个变量的求偏导并约束其值为零：
[0124]
将拉格朗日乘子得约束形式为如下的为互补松弛约束：0≤μ
i.t
⊥wi.t
≥0i＝1,2,3；
[0125][0126][0127][0128][0129]
0≤μ
8.t
⊥
p
twt_esc
≥0；
[0130][0131]
0≤μ
10.t
⊥
p
tpv_esc
≥0；
[0132][0133]
0≤μ
12.t
⊥
p
twt_d
≥0；
[0134]
0≤μ
13.t
⊥
p
tpv_d
≥0；
[0135]
0≤μ
14.t
⊥
(-p
twt_esc-p
twt_d
+p
twt
)≥0；
[0136]
0≤μ
15.t
⊥
(-p
tpv_esc-p
tpv_d
+p
tpv
)≥0；
[0137]
μ
k.t
≥0k＝1,2,
…
,15；
[0138]
求解风光储场站在每个环节的最优权重系数，进而完成风光储场站的最佳分配，并将风光储场站总放电与总充电进行上报，其中总放电p
tsd
与总充电p
tsc
表示如下：
[0139]
p
tsd
＝p
twt_d
+p
tpv_d
+p
tesd
；
[0140]
p
tsc
＝p
tesc
；
[0141]
图3为本发明所提供的一种风光储场站多环节容量分配系统结构示意图，如图3所示，本发明所提供的一种风光储场站多环节容量分配系统，包括：
[0142]
数据获取模块301，用于风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
[0143]
风光储场站收益模型建立模块302，用于根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
[0144]
收益模型建立模块303，用于根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
[0145]
风光储场站随机性模型304，用于根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
[0146]
随机性模型建立模块305，用于根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站参与多环节耦合运行的随机性模型；
[0147]
多尺度随机优化调控模型确定模块306，用于根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能soc约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
[0148]
最佳容量分配组合确定模块307，用于根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
[0149]
所述收益模型建立模块303具体包括：
[0150]
收益模型确定单元，用于利用公式e
p.t
＝w
1.teda.t
+w
2.tedt.t
+w
3.tert.t
确定收益模型；
[0151]
其中，e
da.t
、e
dt.t
、e
rt.t
分别为风光储场站日前、日内、实时各环节的收益，w
1t
、w
2t
、w
3t
风光储场站日前、日内、实时各环节的容量分配因子，即权重，0≤w
i.t
≤1，i＝
1、2、3，并分别对应日前、日内、实时。
[0152]
所述风光储场站随机性模型304具体包括：
[0153]
日前环节的随机性确定单元，用于利用公式确定日前环节的随机性；
[0154]
日内环节的随机性确定单元，用于利用公式确定日内环节的随机性；
[0155]
实时环节的随机性确定单元，用于利用公式确定实时环节的随机性；
[0156]
其中，σ
da.t
、σ
dt.t
、σ
rt.t
表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，e
da.t,x
为第x个日前环节的激励信号对应的收益，e
dt.t,x
为第x个日内环节的激励信号对应的收益，e
rt.t,x
为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
[0157]
所述随机性模型建立模块305具体包括以下公式：
[0158][0159]
其中，为各个环节之间的随机性，w
i.t
为第i个环节的容量分配因子，w
j.t
为第j个环节的容量分配因子，ρ
ij
为第i个环节和第j个环节的相关系数，σ
i.t
为第i个环节的随机性，σ
j.t
为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
[0160]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0161]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。