運(yùn)行優(yōu)化方法的數(shù)據(jù)采集環(huán)節(jié)，包括系統(tǒng)內(nèi)分布式電源的設(shè)備信息(容量、 啟停時(shí)間）、市場信息(分時(shí)電價(jià)、天然氣價(jià)、碳排放系數(shù)）、不確定性信息（可再生能源間歇 出力、負(fù)荷隨機(jī)需求）；同時(shí)這些數(shù)據(jù)將作為參數(shù)輸入到運(yùn)行優(yōu)化環(huán)節(jié)；
[0062] 2 .微網(wǎng)運(yùn)行優(yōu)化方法的調(diào)度優(yōu)化環(huán)節(jié)，包括不確定性場景生成、魯棒多目標(biāo)模型 構(gòu)建、兩階段求解策略;最后所獲得的最優(yōu)魯棒非支配前沿(最優(yōu)運(yùn)行方案集合)將作為參 數(shù)輸入到?jīng)Q策分析環(huán)節(jié)；
[0063] 3.微網(wǎng)運(yùn)行優(yōu)化方法的決策分析環(huán)節(jié)，由決策者依據(jù)微網(wǎng)的實(shí)時(shí)預(yù)測信息和自身 判斷，從最優(yōu)運(yùn)行方案集合中選取一個(gè)最優(yōu)運(yùn)行策略。
[0064] 其中，所述微網(wǎng)的設(shè)備包括燃?xì)廨啓C(jī)冷熱電三聯(lián)供、蓄電池、地源熱栗和光伏電 池，步驟1包括：
[0065] 1.1根據(jù)設(shè)備型號(hào)和技術(shù)特征，確定三聯(lián)供設(shè)備的輸出功率限額和啟停時(shí)間消耗， 確定蓄電池的荷電狀態(tài)和充放電功率限額，確定地源熱栗的輸出功率限額；
[0066] 1.2根據(jù)微網(wǎng)外部的市場環(huán)境，確定當(dāng)?shù)貓?zhí)行的分時(shí)電價(jià)情況，確定天然氣氣價(jià)情 況，確定碳排放懲罰情況；
[0067] 1.3根據(jù)監(jiān)測統(tǒng)計(jì)的光照信息和負(fù)荷需求信息，計(jì)算出一天各個(gè)時(shí)刻的光伏出力 和負(fù)荷需求的平均值，其中負(fù)荷包括了電負(fù)荷、冷負(fù)荷和熱負(fù)荷。
[0068] 其中，微網(wǎng)的多目標(biāo)包含兩個(gè)目標(biāo)特征，即經(jīng)濟(jì)效益和環(huán)境效益。步驟2包括：
[0069] 2.1根據(jù)系統(tǒng)多目標(biāo)屬性，構(gòu)建運(yùn)行費(fèi)用和二氧化碳排放的多目標(biāo)，其中運(yùn)行費(fèi)用 包括了燃料消耗費(fèi)用、維護(hù)費(fèi)用、電網(wǎng)交互費(fèi)用、蓄電池折舊費(fèi)用和需求缺額懲罰費(fèi)用，碳 排放包括電網(wǎng)的火力發(fā)電二氧化碳排放和微網(wǎng)的天然氣二氧化碳排放；
[0070] 2.2根據(jù)采集環(huán)節(jié)的數(shù)據(jù)，建立三聯(lián)供的輸出功率和啟停約束，建立地源熱栗的輸 出功率和啟停約束，建立蓄電池的功率和荷電狀態(tài)約束，建立微網(wǎng)供求功率平衡和旋轉(zhuǎn)備 用約束，建立不確定性的魯棒區(qū)間約束；
[0071] 2.3根據(jù)不確定性的魯棒集合，采用區(qū)間劃分和蒙特卡洛抽樣技術(shù)生成不確定性 場景樣本；
[0072] 2.4根據(jù)系統(tǒng)模型構(gòu)建和場景樣本，采用多目標(biāo)交叉熵算法，求解多目標(biāo)的逆問 題，即在以不確定性場景為決策變量下的內(nèi)層多目標(biāo)最大問題，產(chǎn)生每個(gè)運(yùn)行方案下最壞 的不確定性場景；
[0073] 2.5采用ε+指示器和交叉熵方法，求解在以運(yùn)行方案為決策變量下的外層多目標(biāo) 最小問題，確定最大多目標(biāo)的最小多目標(biāo)集合，即運(yùn)行方案集合。
[0074] 其中，步驟2.3包括：
[0075] 2.3.1根據(jù)生成的光伏出力和負(fù)荷需求的魯棒集合，將每一時(shí)刻的魯棒集合均勻 劃分為10等份；
[0076] 2.3.2采用蒙特卡洛抽樣技術(shù)從每一份中抽取同樣數(shù)目的樣本數(shù)，逐一構(gòu)成運(yùn)行 周期內(nèi)光伏出力的場景樣本和負(fù)荷場景樣本。
[0077] 其中，步驟2.4包括：
[0078] 2.4.1根據(jù)約束條件生成運(yùn)行方案樣本，并生成不確定性場景的概率密度函數(shù)；
[0079] 2.4.2采用非支配解排序和擁擠距離排序技術(shù)在多目標(biāo)空間搜索每個(gè)運(yùn)行方案的 非支配場景，搜索方向定為最大值方向；
[0080] 2.4.3采用重要性抽樣技術(shù)，確定非支配場景的前沿為精英解集，并同時(shí)生成對應(yīng) 的概率密度函數(shù)；
[0081] 2.4.4生成下一代樣本，并計(jì)算個(gè)體的適應(yīng)度值，進(jìn)入判別條件，滿足終止條件則 輸出最優(yōu)解，否則返回步驟2.4.2。
[0082] 其中，步驟2.5包括：
[0083] 2.5.1采用ε+指示器中的集合最小距離和代理適應(yīng)度技術(shù)，在多目標(biāo)空間中搜索 魯棒非支配前沿集合，搜索方向定位最小值方向，每個(gè)集合包括一個(gè)運(yùn)行方案和其相應(yīng)的 最壞場景；
[0084] 2.5.2采用重要性抽樣技術(shù)，確定非支配前沿集合中運(yùn)行方案為精英解集，并同時(shí) 生成對應(yīng)的概率密度函數(shù)；
[0085] 2.5.3生成下一代樣本，并計(jì)算個(gè)體的適應(yīng)度值，進(jìn)入判別條件，滿足終止條件則 輸出最優(yōu)解集，否則返回步驟2.5.1。
[0086 ]本發(fā)明以含有燃?xì)廨啓C(jī)三聯(lián)供、地源熱栗、光伏電池和蓄電池的微網(wǎng)為研究系統(tǒng)， 如圖2所示。從經(jīng)濟(jì)角度和環(huán)境角度建立多目標(biāo)模型，并考慮系統(tǒng)內(nèi)可能存在光伏出力和負(fù) 荷需求不確定性。最后，依據(jù)系統(tǒng)內(nèi)分布式單元的具體運(yùn)行特性，構(gòu)建綜合的微網(wǎng)魯棒多目 標(biāo)運(yùn)行優(yōu)化模型。針對模型采用雙層優(yōu)化求解策略，得到最優(yōu)魯棒非支配前沿，生成最優(yōu)運(yùn) 行方案集合。
[0087] 1.目標(biāo)函數(shù)
[0088] 1)總的經(jīng)濟(jì)花費(fèi)
[0090] 式中：Τ是整個(gè)運(yùn)行周期，t是時(shí)間指示(t = l，…，T)，Cfuel是天然氣價(jià)格，f是天然 氣消耗量，ctu和chp是冷熱電聯(lián)供和地源熱栗的維護(hù)系數(shù)，Q tu和Qhp是冷熱電三聯(lián)供和地源熱 栗的出熱量，cbt是蓄電池折舊系數(shù)，Ebt是蓄電池的充放電功率，E g是微網(wǎng)與電網(wǎng)的交互功 率，Cbuy和Csell是買電和賣電電價(jià)，yg是買電和賣電的狀態(tài)，取y gG (0，1 )，Ce和Cq為負(fù)荷缺額 懲罰系數(shù)，E4PQS是電功率和熱功率缺額。
[0091] 2)二氧化碳排放
[0093]式中:?和rif是電網(wǎng)和天然氣二氧化碳的排放系數(shù)。
[0094] 3)結(jié)合魯棒特性的微網(wǎng)多目標(biāo)
[0096]式中：光伏出力EPV、電負(fù)荷需求Ed、熱冷負(fù)荷需求Qdh和Qdc為系統(tǒng)的攝動(dòng)參數(shù)，是內(nèi) 層最大問題的決策變量;Ebt和QhP是外層最小問題的決策變量。
[0097] 2.約束條件
[0098] 1)系統(tǒng)供需約束
[0100] 式中包含電熱冷的供需平衡和系統(tǒng)旋轉(zhuǎn)備用約束，R是最大負(fù)荷波動(dòng)量。Ed和Qd。是 電負(fù)荷和冷負(fù)荷如圖3所示，熱負(fù)荷Qdh在夏季工況中被忽略，E PV是光伏電池功率輸出，如圖 4所示。Etu是三聯(lián)供單元的電力輸出。
[0101] 2)冷電三聯(lián)供約束
[0103] 式中：AEtu是燃?xì)廨啓C(jī)的爬坡速率，Δ tmt是燃?xì)廨啓C(jī)的啟停間隔時(shí)間。AEtuup是爬 坡上限，Δ Etud?n是爬坡下限。min代表了最小，max代表了最大。
[0104] 3)地源熱栗約束
[0106] 式中：△ thP是地源熱栗的啟停間隔時(shí)間。
[0107] 4)儲(chǔ)能約束
[0109] 式中:Ebtet^PEbtdis是蓄電池的充電和放電功率，S0C是蓄電池的荷電狀態(tài)。
[0110] 5)電網(wǎng)約束
[0111] Ε^ <Εβ)<Ε^ (8)
[0112] 6)不確定性魯棒約束
[0114]式中：1和u分別代表魯棒集合中的上下限。
[0115] 3.魯棒多目標(biāo)雙層求解方法
[0116] 結(jié)合已獲知的輸入?yún)?shù)和上述的魯棒多目標(biāo)運(yùn)行優(yōu)化模型，設(shè)計(jì)外層求解最大多 目標(biāo)和內(nèi)層求解最小多目標(biāo)的求解策略，并在初始樣本生成方面加入?yún)^(qū)間劃分機(jī)制，算法 整體流程圖如圖5所示。主要流程如下：
[0117] 1)依據(jù)參數(shù)輸入，初始化外層決策變量（蓄電池和地源熱栗出力），初始化內(nèi)層決 策變量(不確定性），初始化算法中的參數(shù)，確定外層迭代次數(shù)和內(nèi)層迭代次數(shù)；
[0118] 2)依次將不確定性魯棒區(qū)間均勻劃分，依據(jù)不確定性場景樣本數(shù)量，采用蒙特卡 洛隨機(jī)抽樣技術(shù)獲取每個(gè)區(qū)間內(nèi)的場景樣本；
[0119] 3)計(jì)算生成的不確定性場景樣本的概率密度函數(shù)；
[0120] 4)在生成的不確定性場景下，針對初始化的每個(gè)運(yùn)行方案，計(jì)算多目標(biāo)函數(shù)值；
[0121] 5)采用非支配解排序技術(shù)找出每個(gè)運(yùn)行方案下，不確定性場景的支配前沿排序；
[0122] 6)依據(jù)設(shè)定的不確定性場景樣本分位點(diǎn)，采用擁擠距離排序?qū)γ總€(gè)前沿上的不確 定性場景進(jìn)行排序；
[0123] 7)依據(jù)產(chǎn)生的不確定性場景精英解集生成概率密度分布函數(shù)，判定內(nèi)層中斷條 件;滿足則內(nèi)層優(yōu)化完畢，否則在新生成的概率密度函數(shù)的基礎(chǔ)上產(chǎn)生新的不確定性場景 樣本，返回步驟2;
[0124] 8)依次對所有生成的運(yùn)行方案實(shí)施上述的內(nèi)層優(yōu)化，確定每個(gè)方案的最壞情況， 即多目標(biāo)空間里的最外沿；
[0125] 9)通過上述步驟，多目標(biāo)空間存在的集合數(shù)量等于運(yùn)行方案樣本個(gè)數(shù)，每個(gè)集合 由一個(gè)運(yùn)行方案和它自身最壞場景組成，依次采用ε+指示器對比集合的魯棒支配和非支配 關(guān)系；
[0126] 10)計(jì)算處在同一前沿上集合之間的支配距離，即設(shè)定為代理適應(yīng)度，從而排列出 同一前沿上集合的最優(yōu)序列；
[0127] 11)依據(jù)設(shè)定的運(yùn)行方案樣本分位點(diǎn)，選取精英解集，并生成對應(yīng)的概率密度函 數(shù)；
[0128] 12)判斷外層循環(huán)退出條件，滿足則退出整個(gè)算法，否則重新生成新的運(yùn)行方案樣 本，返回步驟2。
[0129] 4.最優(yōu)運(yùn)行方案產(chǎn)生
[0130] 通過上述步驟，最優(yōu)運(yùn)行方案的集合被選出，它們將作為決策分析環(huán)節(jié)的輸入，由 決策者挑選最佳方案。首先依據(jù)實(shí)時(shí)的預(yù)測數(shù)據(jù)，給出不確定性的波動(dòng)范圍；其次，將這些 運(yùn)行方案和不確定性帶入多目標(biāo)函數(shù)，計(jì)算其經(jīng)濟(jì)效益和環(huán)境效益;對比每個(gè)方案的整體 效益，最后由決