不確定性環(huán)境下的孤島型微電網(wǎng)魯棒優(yōu)化算法

王棟，鄭鵬遠(yuǎn)，任祎丹，楊亦玘，毛冉

（上海電力大學(xué) 自動化工程學(xué)院，上海市楊浦區(qū) 200090）

0 引言

微電網(wǎng)作為一種有效的電能消納方式，能夠以多種能源形式實現(xiàn)對負(fù)荷的高可靠供給，使得分布式電源的接入更加靈活高效。

目前，微電網(wǎng)經(jīng)濟(jì)優(yōu)化調(diào)度已成為微電網(wǎng)的研究熱點。文獻(xiàn)[1]綜合考慮了柴油發(fā)電機(jī)發(fā)電費用和蓄電池循環(huán)電量問題，建立了多目標(biāo)優(yōu)化調(diào)度數(shù)學(xué)模型，并通過NSGA-Ⅱ算法進(jìn)行求解；文獻(xiàn)[2]提出一種基于交替方向乘子法的動態(tài)經(jīng)濟(jì)調(diào)度分散式優(yōu)化方法，以解決集中式優(yōu)化調(diào)度在智能電網(wǎng)下面臨的諸多困難；文獻(xiàn)[3]以經(jīng)濟(jì)成本最低和環(huán)境效益最優(yōu)為目標(biāo)，構(gòu)建了包含燃?xì)廨啓C(jī)、柴油機(jī)和燃料電池的微網(wǎng)優(yōu)化模型，所改進(jìn)的量子粒子群算法，實現(xiàn)了微電網(wǎng)的多目標(biāo)優(yōu)化調(diào)度；文獻(xiàn)[4]采用滾動時域優(yōu)化策略，對孤島微電網(wǎng)的經(jīng)濟(jì)性能進(jìn)行優(yōu)化，優(yōu)選出微電網(wǎng)的設(shè)備出力和棄風(fēng)棄光電量，取得了良好效果。上述文獻(xiàn)針對確定性的微電網(wǎng)對象，取得了較好的效果，但實際情況中新能源出力及負(fù)荷均受自然環(huán)境、用戶側(cè)人為因素影響，通常存在一定程度的不確定性，從而限制了其廣泛應(yīng)用。

不確定性環(huán)境下的微電網(wǎng)經(jīng)濟(jì)優(yōu)化通常采用魯棒優(yōu)化設(shè)計方法。文獻(xiàn)[5]采用多個不確定集合的方式描述不確定性，簡化了實際應(yīng)用中對不確定數(shù)據(jù)的獲??；文獻(xiàn)[6]采用“日前優(yōu)化+日內(nèi)滾動+實時控制”的方式，提出了一種含混合儲能的獨立微電網(wǎng)多時間尺度協(xié)調(diào)控制策略；文獻(xiàn)[7]利用場景生成法處理微電網(wǎng)的不確定性，將其轉(zhuǎn)化為單層優(yōu)化問題進(jìn)行求解；文獻(xiàn)[8]針對微電網(wǎng)系統(tǒng)的不確定性，采用Benders 分解，通過上下層迭代交替求解，給出了多場景魯棒調(diào)度方案；文獻(xiàn)[9]構(gòu)建了基于兩階段魯棒優(yōu)化的微電網(wǎng)經(jīng)濟(jì)調(diào)度模型，采用列約束生成算法，求解不確定性環(huán)境下最惡劣場景的經(jīng)濟(jì)調(diào)度方案，模型中增加了不確定性調(diào)節(jié)參數(shù)，可靈活選擇調(diào)度方案的保守程度，提高了微電網(wǎng)的經(jīng)濟(jì)性能。

本文在上述研究的基礎(chǔ)上，提出日前計劃-日內(nèi)調(diào)度的孤島型微電網(wǎng)魯棒優(yōu)化算法，使微電網(wǎng)在不確定情況下保持良好的魯棒性和經(jīng)濟(jì)性。

1 典型孤島型微電網(wǎng)結(jié)構(gòu)

典型孤島型微電網(wǎng)拓?fù)浣Y(jié)構(gòu)如圖1 所示，包括可控分布式發(fā)電機(jī)組、儲能單元、可再生能源及本地負(fù)荷。

2 孤島型微電網(wǎng)基本模型

2.1 柴油發(fā)電機(jī)模型

柴油發(fā)電機(jī)的模型可表示為

圖1 典型微電網(wǎng)拓?fù)浣Y(jié)構(gòu)Fig. 1 Typical topology of microgrid

式中：PD(t)為柴油發(fā)電機(jī)輸出功率；分別為其最大、最小輸出功率；分別為其爬坡功率的上下限幅值。

柴油發(fā)電機(jī)的運維成本與輸出功率之間的關(guān)系為：

式中：coD、cmD分別為柴油發(fā)電機(jī)的運行（燃耗）成本系數(shù)、維護(hù)成本系數(shù)。

2.2 儲能模型

在微電網(wǎng)系統(tǒng)中，儲能裝置不僅能夠協(xié)同主網(wǎng)抑制分布式能源波動，提高穩(wěn)定性，作為能量緩沖單元，還起著削峰填谷的重要作用。

儲能裝置的充、放電功率限制約束為：

式中：PESch(t)、PESdis(t)分別表示儲能的充、放電功率；分別為儲能充、放電功率的最大值；UES(t)為儲能的充、放電狀態(tài)標(biāo)記位，當(dāng)UES(t)=0，儲能放電，此時PESch(t)=0；當(dāng)UES(t)=1，儲能充電，此時PESdis(t)=0。

儲能裝置剩余容量EES(t)及其約束可表示為：

式中：?表示儲能自損耗率；ηch、ηdis分別為儲能的充、放電效率；和為儲能裝置允許的最小/最大剩余容量；式(8)表示要求儲能在調(diào)度周期內(nèi)的剩余容量始末狀態(tài)相等，以滿足儲能裝置下1 天的運行。

儲能的成本主要考慮其充放電的運維消耗成本：

2.3 可平移負(fù)荷模型

可平移負(fù)荷要求在保證總供電量的前提下，可根據(jù)調(diào)度需求靈活調(diào)整各時段供電量的負(fù)荷。

其約束條件可表示為：

式中：PTL(t)表示可平移負(fù)荷的實際供給量；分別為可平移負(fù)荷用電需求上下限；TTL為可平移負(fù)荷調(diào)度周期內(nèi)的總用電需求量。

可平移負(fù)荷在系統(tǒng)優(yōu)化調(diào)整過程中因功率調(diào)度造成了實際供給與期望用電需求間的差額，在微電網(wǎng)系統(tǒng)中需要考慮由此給用戶造成的體驗舒適度補(bǔ)償成本：

2.4 新能源及負(fù)荷不確定集模型

微電網(wǎng)中的新能源電源以風(fēng)力和光伏發(fā)電為主，受溫度、濕度以及天氣情況等環(huán)境因素影響，輸出功率往往難以精準(zhǔn)預(yù)測。同樣，常規(guī)負(fù)荷(居民負(fù)荷、商業(yè)負(fù)荷等)在微電網(wǎng)中受到天氣原因、居民作息以及商業(yè)活動等不確定因素的影響，其用電需求不可避免地與預(yù)測值產(chǎn)生偏差，影響微電網(wǎng)經(jīng)濟(jì)優(yōu)化調(diào)度效果。

將新能源發(fā)電以及負(fù)荷需求的不確定性描述為不確定集合U：

式中：NT為調(diào)度周期；PL(t)、PRES(t)分別為微電網(wǎng)負(fù)荷需求、新能源輸出功率；分別為微電網(wǎng)負(fù)荷需求、新能源輸出功率的預(yù)測值；ΔL(t)、ΔRES(t)表示微電網(wǎng)中t負(fù)荷需求和新能源輸出功率允許的最大波動偏差。

2.5 棄風(fēng)棄光模型

針對可能出現(xiàn)的大范圍棄風(fēng)、棄光現(xiàn)象，引入棄風(fēng)、棄光分段懲罰因子[11]，使微電網(wǎng)優(yōu)先消納新能源。當(dāng)無法避免棄風(fēng)、棄光現(xiàn)象時，隨著棄風(fēng)棄光量的增大，懲罰因子也隨之增大，如圖2 所示，以此盡可能減少新能源的浪費。

圖2 棄新能源分段懲罰因子曲線Fig. 2 Segmentation penalty factor curve for abandoning new energy

圖中：cp1、cp2、cp3為棄風(fēng)棄光分段懲罰因子，規(guī)定cp1≤cp2≤cp3；為t棄風(fēng)棄光量。棄風(fēng)棄光的懲罰成本為：

2.6 功率平衡模型

微電網(wǎng)在運行過程中，需要滿足自身的電量供求平衡：

3 不確定性環(huán)境下的微電網(wǎng)魯棒優(yōu)化算法

3.1 規(guī)避棄風(fēng)棄光操作的微電網(wǎng)日前計劃

首先，在日前計劃中由于暫時規(guī)避棄風(fēng)、棄光操作，其功率平衡約束相應(yīng)可由式(18)轉(zhuǎn)化為式(19)：

日前計劃的目標(biāo)函數(shù)為各單元運行過程產(chǎn)生的經(jīng)濟(jì)成本，其成本函數(shù)為：

本文采用一個兩階段魯棒優(yōu)化模型對上述問題進(jìn)行求解，其優(yōu)化目標(biāo)為：

s.t.

式中：

式(21)、(22)即為完整的兩階段魯棒優(yōu)化模型。其中第一階段決策變量為儲能裝置的充放電狀態(tài)x，為離散變量；第二階段決策變量為u和y，基于第一階段的決策變量，決策出可能出現(xiàn)的最惡劣情況下微電網(wǎng)各單元的最佳出力，以保證經(jīng)濟(jì)成本最小，第二階段決策變量為連續(xù)變量。

在第二階段找尋最惡劣場景的過程中，根據(jù)文獻(xiàn)[12]的結(jié)論，該問題的最優(yōu)解對應(yīng)的u為不確定集合U的一個極點，在本問題中即新能源出力取到波動區(qū)間的下界、負(fù)荷功率取到波動區(qū)間的上界，因此可將式(16)改寫為：

式中：τL、τRES為引入的0-1 輔助變量；ΓL、ΓRES為引入的不確定裕度[13]，即負(fù)荷功率需求和新能源發(fā)電功率的真實值偏離預(yù)測值的時段個數(shù)，用來調(diào)節(jié)不確定集合的保守度。通過調(diào)節(jié)不確定裕度，能夠根據(jù)實際情況靈活地對系統(tǒng)進(jìn)行更加準(zhǔn)確的功率優(yōu)化調(diào)度。

為求解過程的描述方便，將式(21)—(22)表示的優(yōu)化模型轉(zhuǎn)化為如下所示的緊湊形式：

s.t.

Ω(x,u)是包含新能源和負(fù)荷不確定性集合u以及第一階段決策變量x的可調(diào)度集合；式(26)為模型中的不等式約束，包含式(1)—(2)、式(7)、式(10)和式(14)；式(27)為同時出現(xiàn)第一階段離散變量和第二階段連續(xù)變量的約束，包含式(4)—(5)；式(28)為等式約束，包含式(6)、式(8)、式(11)、式(13)和式(19)；式(29)表示新能源及負(fù)荷和不確定性集合的對應(yīng)關(guān)系：

本文基于列約束生成算法[14]，將建立的兩階段魯棒優(yōu)化模型[9]分解為主問題和子問題，其中，主問題主要目的為求解第一階段決策變量，即儲能充/放電狀態(tài)x；子問題基于第一階段的決策，求解第二階段決策變量，即此時的最惡劣場景u和該惡劣場景下使得運行成本最小的微電網(wǎng)各單元出力y。

主問題（Main Problem，MP）為：

s.t.

式中：k表示當(dāng)前迭代次數(shù)；yl為第l次迭代后根據(jù)子問題得到的解加入主問題的輔助變量；u*l為第l次迭代后得到的當(dāng)前情況下新能源及負(fù)荷的最惡劣場景。

子問題（Sub Problem，SP）為：

s.t.

式中：x*為主問題求得的第一階段決策變量。通過求解子問題可得出新能源及負(fù)荷功率的惡劣場景u和其對應(yīng)的各單元出力決策y。主問題和子問題交叉進(jìn)行，通過若干次交叉求解后，子問題就遍歷了系統(tǒng)不確定集合對應(yīng)的所有場景，并從中搜索到該不確定集合對應(yīng)的最惡劣場景。

在主問題與子問題的交替求解過程中，每次迭代后獲取子問題解出的新能源及負(fù)荷惡劣場景，向主問題添加不可行割，增加約束(32)—(36)。

子問題是求解最大最小問題的雙層優(yōu)化問題，根據(jù)強(qiáng)對偶理論將其轉(zhuǎn)化為單層優(yōu)化問題：

s.t.

式中：α，λ，ω，?分別是式(38)—(41)對應(yīng)的對偶變量序列。式(42)中的uT?為連續(xù)變量與二進(jìn)制變量乘積的雙線性項，本文采用大M 法[15]將其轉(zhuǎn)化為線性項，即可轉(zhuǎn)化為線性規(guī)劃問題進(jìn)行優(yōu)化求解。

通過上述主問題和子問題的迭代交替求解，能夠在較少的迭代次數(shù)內(nèi)使優(yōu)化解收斂，得到不確定集合中的最惡劣場景及該惡劣場景下使得微電網(wǎng)運行成本最為經(jīng)濟(jì)的各設(shè)備出力方案，即為日前計劃方案。

將日前計劃最終得到的柴油發(fā)電機(jī)輸出功率、可平移負(fù)荷分配功率、儲能充/放電功率分別記為，以便在隨后小節(jié)中進(jìn)行數(shù)據(jù)引用。

3.2 增補(bǔ)棄風(fēng)、棄光操作的日內(nèi)調(diào)度策略

在日內(nèi)實際場景中，由于只能獲知當(dāng)前時段的新能源及負(fù)荷實時數(shù)據(jù)，因此設(shè)計日內(nèi)調(diào)度算法的調(diào)度周期為1 h，即僅對實際場景中的當(dāng)前時段進(jìn)行優(yōu)化，根據(jù)獲取到的新能源及負(fù)荷實時數(shù)據(jù)，優(yōu)化當(dāng)前時段微電網(wǎng)的實時運營成本，并執(zhí)行棄風(fēng)棄光分段懲罰，對該時段的日前計劃調(diào)度結(jié)果進(jìn)行優(yōu)化調(diào)整。

在日內(nèi)調(diào)度階段，僅對柴油發(fā)電機(jī)輸出功率和棄風(fēng)棄光功率做出優(yōu)化調(diào)整，對儲能裝置和可平移負(fù)荷不做調(diào)整，直接執(zhí)行日前計劃的調(diào)度結(jié)果。理由如下：儲能裝置在日前計劃調(diào)度周期結(jié)束時剩余容量已恢復(fù)初始值，而文中算法的日內(nèi)調(diào)度周期為1 h，若儲能參與日內(nèi)調(diào)度調(diào)整則無法保證24 個時段分別優(yōu)化結(jié)束時其剩余容量回歸初始狀態(tài)，因此儲能不參與日內(nèi)調(diào)度階段的調(diào)整優(yōu)化。同理，由于可平移負(fù)荷需滿足調(diào)度周期內(nèi)的總用電需求量，若參與日內(nèi)調(diào)度當(dāng)前時段的優(yōu)化調(diào)整，將無法保證24 個時段內(nèi)的總用電需求量，因此可平移負(fù)荷同樣不參與日內(nèi)調(diào)度過程的調(diào)整優(yōu)化。綜上，構(gòu)造微電網(wǎng)日內(nèi)調(diào)度當(dāng)前時段的調(diào)整成本函數(shù)如下：

式中：CRES(t)表示棄風(fēng)棄光懲罰成本；表示柴油發(fā)電機(jī)實時調(diào)整成本。

引入輔助變量f1(t)、f2(t)、f3(t)將式(17)線性化，在式(46)、(47)的約束下，式(17)轉(zhuǎn)化為式(48)。

式(51)為非線性函數(shù)，以其作為優(yōu)化目標(biāo)所形成的優(yōu)化問題通常為非線性優(yōu)化問題，常規(guī)求解器難以求解。通過式(50)—(53)將其轉(zhuǎn)化為線性問題。首先通過數(shù)學(xué)變換將式(51)轉(zhuǎn)化為式(52)。

與式(12)的處理方式相同，引入輔助變量pa3(t)、pa4(t)，在式(53)、(54)的約束條件下，可將式(52)轉(zhuǎn)化為式(55)。

另外，柴油發(fā)電機(jī)在調(diào)整階段也必須滿足式(1)、(2)所示的輸出功率約束和爬坡功率約束。

由于對儲能裝置出力和可平移負(fù)荷用電功率不做調(diào)整，且引入了棄風(fēng)棄光操作，因此日內(nèi)調(diào)度階段的功率平衡約束可由式(18)改寫為：

綜上，不確定性環(huán)境下微電網(wǎng)的日內(nèi)調(diào)度方案，即轉(zhuǎn)化為求解如下優(yōu)化問題：

s.t.

s.t.

式(60)為模型中的不等式約束，包含式(1)—(2)、式(46)、式(49)和式(54)；式(61)為等式約束，包含式(47)、式(53)和式(56)。

3.3 孤島型微電網(wǎng)魯棒優(yōu)化算法求解步驟

3.3.1 日前計劃求解流程

1）給定一組u作為初始的最惡劣場景，記為u*1。初始化原問題上界UB=+∞、下界LB=-∞，設(shè)置迭代次數(shù)k=1。

3）將主問題求解得到的x*k代入子問題，求解得到子問題最優(yōu)解(y*k,u*k)，并更新上界UB=

4）給定收斂閾值ε，若UB-LB≤ε，則停止迭代，返回最優(yōu)解x*k和y*k，否則創(chuàng)建變量yk+1，添加約束式(30)—(34)至主問題，更新k=k+1，跳轉(zhuǎn)至2），直至算法收斂。

3.3.2 日內(nèi)調(diào)度求解流程

1）初始時刻，初始化賦值t=1。

2）t時刻，獲取當(dāng)前時段新能源、負(fù)荷實時數(shù)據(jù)

3）基于日內(nèi)計劃求解得到的最優(yōu)解y*k中的和 新 能 源、負(fù) 荷實時測量數(shù)據(jù)，更新功率平衡約束(56)。

4）求解優(yōu)化調(diào)整問題，得到最優(yōu)解q，從而得到優(yōu)化調(diào)整后的柴油發(fā)電機(jī)功率和棄風(fēng)棄光功率

5）t=t+1，跳轉(zhuǎn)至2），直至一天24 個時段均優(yōu)化完畢，日內(nèi)調(diào)度優(yōu)化結(jié)束。

4 算例仿真與分析

4.1 參數(shù)設(shè)置

為驗證所提方法，建立一個如圖1 所示的孤島型微電網(wǎng)作為研究算例（不失一般性，在算例中僅采用光伏發(fā)電代表系統(tǒng)中的新能源）。文中設(shè)計的魯棒優(yōu)化算法，其日前計劃的調(diào)度周期為NT=24，時間步長為1 h，即一個調(diào)度周期分為24 個調(diào)度時段。光伏與負(fù)荷的不確定裕度分別選取為ΓL=6、ΓRES=12，即光伏出力取到區(qū)間最小值的時段總數(shù)不超過6，負(fù)荷出力取到區(qū)間最大值的時段總數(shù)不超過12。

柴油發(fā)電機(jī)的參數(shù)如表1 所示。儲能裝置的參數(shù)如表2 所示，初始時刻儲能容量設(shè)定為1200 kW·h，額定容量為1.5 MW·h，可平移負(fù)荷的參數(shù)如表3 所示，其在算例仿真調(diào)度過程中的總功率需求TTL為1800 kW·h。

日內(nèi)調(diào)度階段，其調(diào)度周期為1 h，在每一時段獲取當(dāng)前時段光伏發(fā)電和負(fù)荷實時數(shù)據(jù)，優(yōu)化該時段調(diào)整成本求解出設(shè)備最優(yōu)出力。柴油發(fā)電機(jī)功率調(diào)整的懲罰系數(shù)以及棄光功率的懲罰系數(shù)見表4。根據(jù)歷史數(shù)據(jù)的分析，光伏及負(fù)荷的不確定性波動范圍設(shè)定為該時刻預(yù)測值的±15%。光伏、負(fù)荷的日前預(yù)測值和日內(nèi)實際值見圖3。

表1 柴油發(fā)電機(jī)參數(shù)Table 1 Parameters of diesel generator

表2 儲能裝置參數(shù)Table 2 Parameters of energy storage device

表3 可平移負(fù)荷參數(shù)Table 3 Parameters of translational load

表4 各單元功率調(diào)整系數(shù)Table 4 Power adjustment coefficients of each unit

圖3 光伏/負(fù)荷的預(yù)測值和實際值Fig. 3 Predicted and actual values of PV power/load

4.2 仿真結(jié)果與分析

通過文中方法的日前計劃，求解出最惡劣場景所對應(yīng)的光伏和負(fù)荷不確定裕度時刻分布情況，如圖4 所示。

可以看出，光伏在9～10 h、12 h、16～18 h 這6 個時段取波動區(qū)間下界，負(fù)荷在7～10 h、12 h、16～22 h 這12 個時段取波動區(qū)間上界。即在最惡劣場景下，光伏與負(fù)荷的不確定裕度均取到允許取得的最大值。

圖5 給出各分布式電源出力的仿真結(jié)果，其中，儲能裝置負(fù)值表示充電，正值表示放電。圖6為可平移負(fù)荷的實際調(diào)度功率和期望用電計劃對比。圖7 為棄光功率的調(diào)度結(jié)果。

圖4 最惡劣場景下不確定裕度時刻分布Fig. 4 Time distribution of uncertainty margin in the worst scenario

圖5 各分布式電源出力Fig. 5 Output of distributed generations

1～7 h，光伏輸出功率為0，此時負(fù)荷需求電量全部由柴油發(fā)電機(jī)和儲能裝置提供，因此柴油發(fā)電機(jī)在該時段均有較高的輸出功率；10～16 h光伏功率較高的時段，由于光伏發(fā)電成本為0，因此盡可能消納光伏以降低可再生能源的浪費，柴油發(fā)電機(jī)輸出功率也顯著降低（見圖5），并且8～11 h、15～23 h 時段內(nèi)的可平移負(fù)荷用電計劃也被集中分配到這一時段(見圖6)，通過可平移負(fù)荷的靈活調(diào)整有效改善了微電網(wǎng)的經(jīng)濟(jì)性；圖5顯示，儲能裝置在11～16 h 時段對儲能進(jìn)行充電，在5 h、19 h 功率不足時進(jìn)行放電使用，起到了削峰填谷作用；隨后，在20～24 h，光伏功率重新減少為0，柴油發(fā)電機(jī)輸出功率顯著增大，從而滿足負(fù)荷需求。

圖6 可平移負(fù)荷實際/期望用電功率Fig. 6 Actual/expected power consumption of translational load

圖7 棄光功率Fig. 7 PV power curtailment

圖7顯示，在8、12、15 h 和17～18 h 出現(xiàn)棄光操作，棄光總功率為152.49 kW，而當(dāng)日光伏發(fā)電總功率為4850.4 kW，棄光占比僅為3%，可見由于棄光分段懲罰因子的引入，能夠較好的消納新能源，避免大規(guī)模浪費。

文獻(xiàn)[4]針對含棄風(fēng)棄光操作的孤島型微電網(wǎng)設(shè)計了微電網(wǎng)優(yōu)化方案?，F(xiàn)將本文設(shè)計方法與文獻(xiàn)[4]設(shè)計方法進(jìn)行經(jīng)濟(jì)性比較?？紤]到文獻(xiàn)[4]系統(tǒng)中未包含可平移負(fù)荷，因此對該方案進(jìn)行適當(dāng)修改，引入了可平移負(fù)荷，將其修改后的控制方案記為Ref[4]?。經(jīng)仿真，兩種優(yōu)化方法的最終成本如表5 所示。

根據(jù)表5，方案Ref[4]?由于未考慮光伏及負(fù)荷的不確定性，導(dǎo)致實際場景調(diào)度中出現(xiàn)高昂的運行成本，而文中設(shè)計的魯棒優(yōu)化算法因提前考慮了可能出現(xiàn)的不確定場景下的惡劣情況，當(dāng)出現(xiàn)較大預(yù)測誤差時具有可靠的應(yīng)對能力，由表5可見，本文方法的調(diào)度方案成本為4820.4 元，而確定性優(yōu)化方案Ref[4]?的成本為5636.4 元，本文方法相比于策略Ref[4]?節(jié)省約15%的經(jīng)濟(jì)成本，具有更好的魯棒性和經(jīng)濟(jì)性。

表5 兩種調(diào)度方法成本比較Table 5 Cost comparison of the two scheduling methods

5 結(jié)論

1）文中提出的孤島型微電網(wǎng)魯棒優(yōu)化算法，在日前計劃階段綜合考慮了新能源及負(fù)荷的不確定性，通過列約束生成算法求解最惡劣場景下的最優(yōu)計劃，使系統(tǒng)具有較強(qiáng)的魯棒性和經(jīng)濟(jì)性；

2）采用日前規(guī)避、日內(nèi)分段懲罰的方法優(yōu)化棄風(fēng)棄光量，提高了新能源的利用率，最大限度的消耗了新能源。

3）在日內(nèi)調(diào)度階段，將新能源發(fā)電和負(fù)荷實測數(shù)據(jù)信息引入微電網(wǎng)進(jìn)行實時優(yōu)化，可有效應(yīng)對預(yù)測誤差帶來的影響，提高微電網(wǎng)運行的經(jīng)濟(jì)性。