技术领域
[0001] 本公开涉及电网控制技术领域，尤其涉及一种基于分布鲁棒优化的微电网调度方法。
相关背景技术
[0002] 天然气作为推动节能减排的重要清洁能源，需求量逐年上升。通常，高压天然气通过管网输送到调压站，通过调压站降压来适配城镇的低压输气管道。天然气调压站通常采用调压阀截流的方式对高压天然气进行降压，在降压过程中会产生大量的压力能。目前，通过利用天然气压力能发电(也称为压差发电或者压力能发电)对天然气压力能进行回收利用，并将天然气压力能发电与传统的微电网进行结合，形成含有天然气压力能发电的微电网系统，并进行统一的管理。此外，随着新能源汽车的快速发展，集中充电站能够提供充电负荷的统一管理，对于降低新能源汽车充电对电网的波动影响极其重要。如此，利用集中充电站消纳天然气压力能的应用模式被提出。
[0003] 然而，目前针对含有天然气压力能发电和集中充电站的微电网系统的管理的调度优化缺乏相关可行方案。
具体实施方式
[0046] 微电网系统是指由多种能源资源(如太阳能、风能、蓄电池等)和负荷组成小型电力系统，能够独立运行，也可以接入电网运行。本公开提供的微电网系统的结构如图1所示，微电网系统包括：天然气压力能发电设备101、光伏发电设备102、集中充电站103以及负荷设备104。其中，天然气压力能发电设备101、光伏发电设备102、集中充电站103以及负荷设备104可以并列分支的形式连接至用于进行功率传输的线缆105。
[0047] 天然气压差发电设备101主要利用天然气压力能进行发电，从而有效消纳天然气压力能，避免天然气压力能浪费，这也符合当前节能减排的发展趋势。
[0048] 光伏发电设备102主要利用太阳能进行发电。
[0049] 集中充电站103包括多个充放电装置。其中，充放电装置可以控制微电网系统向接入充放电装置的电池组放电，电池组充满电后可以运输至换电站以向用电设备提供满电电池组；充放电装置也可以控制接入的电池组放电从而向微电网系统100提供电能。因此，集中充电站103对于微电网系统100的可靠稳定运行十分重要。
[0050] 负荷设备104可以包括各种类型的用电设备，如集中充电站中的用电设备，用电设备消耗电能的程度可以通过负荷表示，通常，负荷随着时间不断变化。
[0051] 此外，微电网系统100还通过公共连接点(Point of Common Coupling，PCC)连接至配电网106。微电网系统100可以从配电网106取电，保证集中充电站103正常运行；微电网系统100也可以向配电网106供电，合理消纳天然气压力能发电设备以及光伏发电设备产生的多余电能，避免能源浪费。
[0052] 微电网系统100中的各设备均连接至控制器107，其中，控制器107主要用于进行能源优化和调度，使得能源的利用更加高效以及保证微电网系统100可靠稳定运行，避免出现能源供应不足或者浪费。其中，图1中虚线表示控制器107与天然气压力能发电设备101、光伏发电设备102、集中充电站103以及负荷设备104之间的信息传输路径。
[0053] 针对图1所示的微电网系统，如何进行调度优化使得微电网系统的运行成本最小、联络线上波动最小且鲁棒性较高是当前亟待解决的问题。
[0054] 本公开提供的方法通过将基于多离散场景的DRO方法应用至包含天然气压力能发电设备以及集中充电站的微电网系统，具体，以微电网系统的运行成本最低以及联络线功率波动最小共同作为调度优化目标，并考虑天然气压力能发电、光伏和负荷的不确定性，基于多离散场景的DRO方法建立两阶段DRO模型，并求解两阶段DRO模型得到微电网系统的调度计划，调度计划能够有效降低微电网系统的整体运行成本和联络线功率波动，且鲁棒性较高。
[0055] 需要说明的是，本公开提供的基于分布鲁棒优化的微电网调度方法可以由本公开提供的基于分布鲁棒优化的微电网调度装置执行，该装置可以通过任意的软件和/或硬件的方式实现。示例性地，基于分布鲁棒优化的微电网调度装置可以为服务器、服务平台、服务集群、云服务器、笔记本电脑、台式电脑等电子设备，本公开对于电子设备不做限定。也可以为计算机程序，结合图1所示实施例，计算机程序部署在控制器107中，控制器107通过运行计算机程序从而执行本公开提供的基于分布鲁棒优化的微电网调度方法。
[0056] 接下来，通过几个具体实施例结合相应附图对本公开提供的基于分布鲁棒优化的微电网调度方法进行详细介绍。
[0057] 图2为本公开一实施例提供的基于分布鲁棒优化的微电网调度方法的流程图。请参阅图2所示，本实施例的方法包括：
[0058] S201、创建微电网系统中各设备分别对应的模型，各设备包括天然气压力能发电设备、集中充电站、光伏发电设备以及负荷设备，各设备的模型用于指示各设备的用电情况和/或放电情况。
[0059] 即创建天然气压力能发电设备的模型、光伏发电设备的模型、集中充电站的模型以及负荷设备的模型。
[0060] 其中，天然气压力能发电设备的模型可以通过 分析法创建得到。
[0061] 光伏发电设备的模型可以通过对历史发电数据、天气变化情况等数据进行分析预估得到。
[0062] 集中充电站的模型可以通过集中充电站中可用电池组数、待充电电池组数以及在线电池组数表示，其中，可用电池组表示满电电池组，待充电电池组表示尚未充满电的电池组，在线电池组表示正处于充电或者放电状态的电池组，上述三种状态的电池组数能够反应集中充电站所需的充电电量以及集中充电站的放电电量。
[0063] 负荷设备的模型可以通过对负荷设备的历史用电数据进行分析预估得到。
[0064] S202、确定各设备的模型约束条件、第一目标函数和第二目标函数；其中，各设备的模型约束条件包括各设备在用电和放电时需要满足的约束条件；第一目标函数对应于微电网系统的运行成本最低为第一调度目标，第一目标函数与弃用的天然气压力能发电量和弃用的光伏发电量相关；第二目标函数对应于微电网系统与配电网之间的联络线功率波动最小为第二调度目标。
[0065] 一些实施例中，各设备的模型约束条件可以包括：功率平衡约束、联络线交互功率约束、集中充电站电池约束、集中充电站功率约束中的一项或多项。以上模型约束条件旨在保证微电网系统能够稳定、高效地运行。
[0066] 其中，功率平衡约束描述的是微电网系统在一个调度周期内天然气压力能发电设备的发电量、光伏发电设备的发电量、从配电网的取电电量、负荷设备的用电量、集中充电站的充电量或者放电量、向配电网的供电电量等需要满足的限制条件。
[0067] 联络线交互功率约束描述的是微电网系统向配电网的供电电量所满足的限制条件，以及，微电网系统从配电网的取电电量所满足的限制条件。
[0068] 集中充电站电池约束描述的是集中充电站中的充放电装置中电池组的荷电状态、充放电装置上电池组的充电效率和放电效率、充放电装置上电池组的充电功率和放电功率等需要满足的限制条件。
[0069] 集中充电站功率约束描述的是集中充电站的充电功率、放电功率需要满足的限制条件。
[0070] 其中，可将一个调度周期划分为多个调度时段，针对每个调度时段确定功率平衡约束、联络线交互功率约束以及集中充电站电池约束，当然，不同调度时段的功率平衡约束、联络线交互功率约束以及集中充电站电池约束可以相同也可以不同，本公开对此不做限定。
[0071] 需要说明的是，微电网系统的各设备满足的模型约束条件并不限于上述示例，可根据实际调度需求增加或者减少约束条件，或者，对上述约束条件进行调整。
[0072] 本申请中，微电网系统的调度优化目标包括两个调度目标，第一调度目标为微电网系统的运行成本最低，第二调度目标为联络线交互功率波动最小。如此，需要针对第一调度目标和第二调度目标分别建立相应的目标函数。本申请中，第一调度目标对应的第一目标函数基于微电网系统从配电网取电的成本、弃用天然气压力能发电量带来的惩罚成本、弃用光伏发电量带来的惩罚成本、集中充电站进行换电的收益以及微电网系统向配电网供电的收益建立。第二调度目标对应的第二目标函数基于微电网系统和配电网交互的功率值以及交互功率的平均值建立。
[0073] S203、基于各设备的模型、各设备的模型约束条件、场景概率分布、第一目标函数和第二目标函数，创建两阶段DRO模型。
[0074] 考虑到微电网系统中接入了大量的可再生能源，天然气压力能发电设备的发电量随用户用气量的变化而上下波动，光伏发电设备的发电量随天气情况的变化而上下波动以及负荷设备的用电量存在不确定性，因此，本公开采用基于多离散场景的DRO算法建立概率分布模糊集来处理天然气压力能发电出力、光伏出力和负荷用电形成的离散场景分布的不确定性。
[0075] 需要说明的是，在创建两阶段DRO模型时，处理离散场景的不确定性时不考虑集中充电站是由于集中充电站的充放电需求可以根据换电站的换电需求而定。
[0076] 本步骤中的场景概率分布用于指示微电网系统对应的各离散场景发生的分布情况，各离散场景包括天然气压力能发电设备出力、光伏发电设备出力以及负荷设备用电的多个不同场景。其中，可通过历史数据进行聚类分析从中约减出具有代表性的典型离散场景作为建立两阶段DRO模型需要使用的各离散场景。
[0077] 此外，本申请考虑将多调度目标问题转换为单调度目标问题，从而简化两阶段DRO模型并降低模型求解复杂度。示例性地，本申请通过对第一目标函数和第二目标函数进行融合处理实现转化，融合处理可以包括但不限于线性加权、线性规划法、最小二乘法等处理方式。
[0078] 如此，基本完成创建两阶段DRO模型所需的数据准备工作。
[0079] 基于各设备的模型、各设备的模型约束条件、场景概率分布以及融合后的单调度目标问题对应的目标函数创建的两阶段DRO模型为“min‑max‑min”的两阶段三层的DRO模型，该两阶段DRO模型可以通过两部分表示，第一部分表示微电网系统运行成本最小以及联络线功率波动最小，第二部分表示所有的约束条件，其中，包括各设备的模型约束条件。
[0080] 两阶段DRO模型的第一阶段用于制定微电网系统是否向配电网供电或从配电网取电的计划以及制定所述集中充电站的充放电计划，两阶段DRO模型的第二阶段用于基于第一阶段制定的计划以及场景概率分布确定满足第一调度目标且满足第二调度目标的调度计划；调度计划包括：微电网系统向配电网的供电电量或取电电量和集中充电站中各充放电装置的充电功率或放电功率。
[0081] S204、确定各离散场景的概率分布模糊集，概率分布模糊集包括各离散场景发生的概率。
[0082] 其中，通过对微电网系统中的各离散场景的概率密度函数进行离散化，得到多个离散场景及其相应的概率值，然后构建1‑范数约束的概率分布集合和∞范数约束的概率分布集合，再基于1‑范数约束和∞范数约束分别对应的概率分布集合的交集形成概率分布模糊集，因此，概率分布模糊集可以理解为是一个综合范数集合。
[0083] S205、以概率分布模糊集为场景概率分布的约束条件，对两阶段DRO模型进行迭代求解，直至满足预设模型收敛条件，得到微电网系统的目标调度计划。
[0084] 其中，可以通过列与约束算法(columns and constraints generation，C&CG)将两阶段DRO模型解耦为对应于第一阶段的主问题和对应于第二阶段的子问题，并对主问题和子问题进行反复迭代收敛，在迭代收敛过程中，以概率分布模糊集作为场景概率分布的约束条件，通过不断调整场景概率分布，直至达到预设模型收敛条件，得到最差场景概率分布下且满足上述两个调度目标的目标调度计划。其中，预设模型收敛条件可以为预设迭代次数，也可以为预设模型收敛精度，本公开对此不做限定。
[0085] 本实施例的方法，将基于多离散场景的DRO方法应用至包含天然气压力能发电设备以及集中充电站的微电网系统，以控制微电网的运行成本和平抑联络线交互功率波动为调度目标，并充分考虑了天然气压力能发电、光伏发电以及负荷的不确定性，基于多离散场景的DRO方法建立两阶DRO模型，并求解两阶段DRO模型得到满足上述两个调度目标的微电网系统的调度计划，使得微电网系统的整体运行效果最优且鲁棒性较高。
[0086] 在图2所示实施例的基础上，S201、创建微电网系统中各设备的模型可以通过下述方式实现：
[0087] 1、对天然气压力能发电设备建模
[0088] 本公开采用 分析法对天然气压力能设备进行建模。 是指某种能量在系统状态变化时理论上能够可逆地转化为最大有用功的数量。高压天然气在降压过程中的比焓 包括比温度 和比压力 可通过公式表示如下：
[0089] ex,h＝ex,t+ex,p 公式(1)
[0090] 其中，ex,h为比焓 ex,t为比温度 ex,p为比压力 其中，比压力 的表达式为：
[0091]
[0092] 其中，T0为环境温度，单位为K；pgas,1、pgas,0分为别天然气在调压前后的绝对压力，单位为MPa；Rg为天然气的气体常数，单位为J/(kg.k)；Rg满足如下公式(3)：
[0093] Rg＝W1Rg1+W2Rg2+W3Rg3+W4Rg4+W5Rg5 公式(3)
[0094] 其中，W1、W2、W3、W4、W5分别表示天然气中CH4、C2H6、C3H8、CO2、N2的质量分数，Rg1、Rg2、Rg3、Rg4、Rg5分别表示天然气中CH4、C2H6、C3H8、CO2、N2的气体常数。
[0095] 一定质量流量天然气的压力 率可通过公式(4)计算得到：
[0096]3
[0097] 其中，lt表示压力 率，单位为KW；qv为标准状态下天然气体积流量，单位为m/h；ρ3
为标准状态下天然气密度，单位为kg/m。
[0098] 由此，天然气压力能发电设备的实际发电功率通过公式(5)表示如下：
[0099] Ppre,u＝ηelt 公式(5)
[0100] 其中，Ppre,u为天然气压力能发电设备的预测发电功率(也称为预测发电量)，单位为KW；ηe为压力能发电 比率，ηe的取值范围为40％至45％。针对天然气压力能发电设备，可以预先手动设置ηe的值，并可根据需求灵活调整。由此，可得到天然气压力能发电设备的模型，即公式(5)。
[0101] 2、对集中充电站建模
[0102] 本申请基于以下假设创建集中充电站模型：
[0103] A、将一个调度周期划分为多个调度时段，例如，一个调度周期为1天，划分为24个调度时段，每个调度时段表示为t(t＝1,2,3,…24)；每个调度时段的电池组由三种状态表示：可用电池组即满电电池组、待充电电池组即尚未充电的电池组、在线电池组即正处于充电或者放电状态的电池组。
[0104] B、为了统一管理和调度，集中充电站的电池组尽量型号规格相同，如此，电池组的参数相同，便于计算集中充电站的充电功率或者放电功率。
[0105] C、需要保证换电站在每个调度时段有电池组可换，即，每个调度时段的起始时刻集中充电站的可用电池组数需大于换电站的换电电池需求组数与该时刻在集中充电站中新接入放电电池组数之和。其中，换电站的换电电池需求组数可根据换电站的线上换电订单数确定。
[0106] 基于上述假设，通过确定每个调度时段三种状态的电池组数，即得到集中充电站的模型。
[0107] 其中，第t调度时段三种状态的电池组数可以但不限于通过下述方式确定：
[0108] (1)可用电池组数St
[0109] 第t调度时段的可用电池组数St由上一调度时段(即第t‑1调度时段)的可用电池组数St‑1、第t调度时段的起始时刻在集中充电站的充放电装置上新充满电的电池组数第t‑1调度时段在充放电装置中新接入放电的电池组数 以及第t‑1调度时段需要配送至换电站的电池组数 决定，即：
[0110]
[0111] 并满足各配送时刻的可用电池组数要求 即第t调度时段的起始时刻的可用电池组数大于或等于该时刻需要配送的电池组数，如此，能够实现优先保证换电站需求，其中， 表示第t调度时段的起始时刻需配送至换电站的可用电池组数。
[0112] (2)待充电电池组数
[0113] 第t调度时段的待充电电池组数 由第t‑1调度时段的待充电状态电池组数、第t‑1调度时段新接入集中充电站的充放电装置的充电电池组数、第t调度时段的起始时刻从换电站回收的电池组数和第t‑1调度时段的起始时刻在充放电装置放完电的电池组数决定，即：
[0114]
[0115] 式(7)中： 为第t‑1调度时段新接入集中充电站的充放电装置的充电电池组数，为第t调度时段的起始时刻在集中充电站的充放电装置上放完电的电池组数， 为第t调度时段从换电站回收的电池组数。
[0116] (3)在线充电状态的电池组数NA(t)
[0117] 第t调度时段处于在线充电状态的电池组数NA(t)由第t‑1调度时段处于充电状态的电池组数、第t调度时段在集中充电站的充放电装置上新充满电的电池组数、第t调度时段新接入集中充电站的充放电装置的充电电池组数、第t调度时段在集中充电站的充放电装置上放完电的电池组数和第t调度时段新接入集中充电站的充放电装置的放电电池组数决定，即：
[0118]
[0119] 式(8)中： 表示第t‑1调度时段处于充电状态的电池组数， 表示第t调度时段在集中充电站的充放电装置上新充满电的电池组数， 表示第t调度时段新接入集中
充电站的充放电装置的充电电池组数， 表示第t调度时段在集中充电站的充放电装置
上放完电的电池组数， 为第t调度时段新接入集中充电站的充放电装置的放电电池组
数。
[0120] 其中， 和 满足公式(9)：
[0121]
[0122] 第t调度时段新接入集中充电站的充放电装置的充电电池组数 由第t调度时段的空闲充放电装置数 和第t调度时段的待充电电池组数 之中的最小值决定，即：
[0123]
[0124] 第t调度时段新接入集中充电站的充放电装置的放电电池组数 由第t调度时段的空闲充放电装置数和第t调度时段的满电电池组数中的最小值决定,即：
[0125]
[0126] 其中，第t调度时段的空闲充放电装置数NtK满足如下公式(12)：
[0127]
[0128] 式(12)中，Nch为集中充电站的充放电装置总数。
[0129] 如此，通过确定每个调度时段三种状态的电池组数，即得到集中充电站的模型。
[0130] 3、对光伏发电设备建模
[0131] 一些实施例中，根据光伏发电设备的历史发电量、调度周期内的天气情况，在历史发电数据集中查询相似情况下的发电量，进而预测光伏发电设备在一个调度周期内的发电量，例如，选取多个相似情况下的光伏发电设备的发电量，再通过求取平均值的方式预测光伏发电设备在一个调度周期内的发电量。
[0132] 另一些实施例中，可通过光伏发电设备的历史发电数据训练机器学习模型，利用训练好的机器学习模型预测光伏发电设备在一个调度周期内的发电量。
[0133] 4、对负荷设备建模
[0134] 根据负荷设备的历史用电量结合其他影响因素，例如，季节、天气等因素，预测负荷设备在一个调度周期内的用电量。或者，可通过负荷设备的历史用电数据训练机器学习模型，利用训练好的机器学习模型预测负荷设备在一个调度周期内的用电量。
[0135] 如此，通过上述方式可以得到微电网系统中各设备的模型，从而准确指示微电网系统中各设备的用电情况以及放电情况。
[0136] 在图2所示实施例的基础上，S202、确定各设备的模型约束条件、第一目标函数和第二目标函数，可以通过下述方式实现：
[0137] 其中，各设备的模型约束条件包括：功率平衡约束、联络线交互约束、集中充电站电池约束以及集中充电站功率约束。
[0138] 其中，功率平衡约束，表示微电网系统在一个调度周期内天然气压力能发电设备的发电量、光伏发电设备的发电量、从配电网的取电电量、负荷设备的用电量、集中充电站的充电量和放电量以及微电网系统向配电网的供电电量需要满足的限制条件，即：
[0139] Ptsell+Ptload+PtBSS＝Ptpre+PtPv+Ptbuy 公式(13)
[0140] 式(13)中：Ptload为负荷设备在第t调度时段的用电量，PtBSS为集中充电站在第t调Pv pre度时段的充/放电量，Pt 为光伏发电设备在第t调度时段的发电量，Pt 为第t调度时段天sell buy
然气压力能发电设备实际发电量，Pt 、Pt 分别为第t调度时段微电网系统向配电网的供电电量以及从配电网的取电电量。
[0141] 其中，联络线交互功率约束表示调度周期内向配电网的供电电量所满足的限制条件，以及，调度周期内从配电网的取电电量所满足的限制条件，即：
[0142]
[0143]
[0144]
[0145] 式(14)至式(16)中： 分别为第t调度时段微电网系统向配电网的供电状态和取电状态，为0‑1变量。 分别表示供电电量和取电电量的最大值。
[0146] 其中，集中充电站电池约束表示集中充电站中的充放电装置中电池的荷电状态、充放电装置上电池的充电效率、放电效率、充放电装置上电池组的充电功率和放电功率需要满足的限制条件，即：
[0147]
[0148] 式(17)中：socn,t为第t调度时段集中充电站中第n充放电装置中电池组的荷电状态，ηcha和ηdis分别为充放电装置中电池组的充电效率和放电效率； 和 分别为t‑1调度时段第n充放电装置上电池组的充电功率和放电功率；ΔT为一个调度时段的时间长度。
[0149] socmin≤socn,t≤socmax 公式(18)
[0150] 式(18)中：socmax、socmin分别表示充放电装置中单个电池的荷电状态的上下限。
[0151]
[0152]
[0153]
[0154]
[0155] 式(19)至式(22)中， 分别表示单个电池组的充电最大功率、放电最大功率； 分别表示第n个充放电装置上的电池在第t调度时段充、放电状态的0‑1变量；
为第t调度时段第n个充放电装置上电池组的充放电等效功率。
[0156] 为了集中充电站不出现能量的二次交换问题，应避免出现有的电池组在充电、有的电池组在放电的情况，假设集中充电站有N个充放电装置，即：
[0157]
[0158] 式(23)中：n＝1,2,3…N，m＝1,2,3…N，定义dir为符号函数。符号函数dir如下式：
[0159]
[0160] 其中，集中充电站功率约束条件描述的是集中充电站的充电功率和放电功率需要满足的限制条件，即：
[0161]
[0162]
[0163] 式(25)和式(26)中：PtBSS,cha和PtBSS,dis分别表示为集中充电站的充、放电功率。
[0164]
[0165]
[0166] 式(27)和式(28)中：λtBSS,cha、λtBSS,dis分别表示为在第t调度时段集中充电站的充、放电0‑1变量。 和 分别表示集中充电站充放电功率的上限。
[0167] 由式(17)至(28)可看出，只要λtBSS,cha、λtBSS,dis确定，就能得到集中充电站所有充ch放电装置上电池组的充放电状态 和 (t＝1,2,…N )。
[0168] 如此，可得到微电网系统中各设备的模型约束条件。
[0169] 本申请中，调度优化目标包括：微电网系统的运行成本最小和平抑微电网系统与配电网之间的联络线交互功率波动最小。因此，基于上述两个调度目标分别创建各自对应的目标函数得到第一目标函数和第二目标函数。
[0170] 其中，第一目标函数可以表示为：
[0171]
[0172] 式(29)中， 表示微电网系统从配电网取电成本，可通过取电电量和单位取电成本相乘得到； 表示弃用天然气压力能发电量和光伏发电量分别带来的弃用惩罚成本，可通过弃用功率和单位弃用惩罚成本相乘得到，其中，弃用功率包括弃用的天然气压力能发电功率和弃用的光伏发电功率两者之和； 表示天然气压力能发电设备维护成本，可通过天然气压力能发电设备实际发电量和运行维护系数相乘得到； 表示集中充电站换电的收益，可通过单位换电收益和第t调度时段的起始时刻需配送至换电站的可用电池组数相乘得到； 表示微电网系统向配电网供电收益，可通过供电电量和单位供电收益相乘得到。
[0173] 其中，弃用的天然气压力能发电量Ptpre,c可通过天然气压力能发电的预测发电量pre,u pre Pv，cPt 和过天然气压力能发电的实际发电量Pt 的差值得到。弃用的光伏发电量Pt 可通
Pv,u Pv
过光伏发电的预测发电量Pt 和光伏发电的实际发电量Pt 的差值得到。
[0174] 第二目标函数可以表示为：
[0175]
[0176]
[0177] 式(30)和(31)中，Ptgrid为t调度时段微电网系统与配电网的交互功率。Pgrid.av为调度周期内联络线交互功率的平均值。
[0178] 为将多调度目标问题转化为单调度目标问题，此处示例性地示出通过线性加权进行转化的实现方式。示例性地，可以确定第一目标函数对应的第一权重和第二目标函数对应的第二权重；由于F1和F2的量纲不同，需对目标函数进行规范化，因此，对第一目标函数进行归一化处理得到第三目标函数，对第二目标函数进行归一化处理得到第四目标函数；而后利用第一权重和第二权重对第三目标函数和第四目标函数进行线性加权得到转化后的单调度目标问题对应的第五目标函数。其中，对第一目标函数和第二目标函数进行归一化处理，可以利用函数的最大值和最小值实现。
[0179] 具体转化通过公式表示如下：
[0180]
[0181] 式(32)中，μ1、μ2表示第一权重和第二权重，且μ1+μ2＝1。F1max、F1min是以F1为目标函数的最大值、最小值。F2max、F2min是以F2为目标函数的最大值、最小值。
[0182] 通过上述方式创建微电网系统中各设备的模型、确定各设备的模型约束条件以及目标函数的转化，这意味着创建两阶段DRO模型的前期数据准备工作完成。接下来，详细介绍如何创建两阶段DRO模型以及求解两阶段DRO模型得到调度计划的实现方式。
[0183] 1、创建两阶段DRO模型：
[0184] 其中，创建两阶段DRO模型时，需要建立概率分布模糊集，将其作为两阶段DRO模型中场景概率分布的约束。本公开采用基于多离散场景的DRO方法建立概率分布模糊集。
[0185] 其中，分布式鲁棒优化算法在电力场景中建立概率分布模糊集，通常分为基于矩信息和概率密度两大类。前者利用有限的历史数据确定随机变量的均值和方差等信息，可能会导致概率分布模糊集中存在于实际相差较大的概率分布函数，其鲁棒性劣于其他方式。而基于多离散场景的DRO方法避免了直接描述概率密度信息，且无需进行对偶化，使得模型求解难度比基于矩信息的分布式鲁棒模型的求解难度小。
[0186] 本公开通过大量历史数据来获得天然气压力能发电和光伏出力、负荷用电的K个实际场景数，并基于聚类的方法得到有限的Ns个离散场景及其概率分布。再通过构建1‑范数约束和∞‑范数约束对离散场景的概率分布进行约束得到1‑范数约束的概率分布集合和∞范数约束的概率分布集合，再基于1‑范数约束和∞范数约束分别对应的概率分布集合的交集形成概率分布模糊集。
[0187] 其中，概率分布模糊集可以表示为：
[0188]
[0189] 其中：
[0190]
[0191] 式(33)和式(34)中：ψ为综合范数集合，即概率分布模糊集；ps表示为第s个离散场景发生的概率，ps,o为第s个离散场景概率的初始概率值,Ns为离散场景总数。α1、α∞分别为式(33)中两个不等式成立的置信度，也可以理解为1‑范数约束和∞‑范数约束成立的置信度。α1、α∞为式(33)中两个不等式成立的置信度，可根据历史数据确定。
[0192] 在构建完多离散场景的概率分布模糊集后，本公开创建的两阶段DRO模型可以表示为：
[0193]
[0194] 两阶段DRO模型的第一部分，即 表示微电网系统的运行成本最低以及联络线功率波动最小；两阶段DRO模型的第二部分，即 表示
所有的约束条件。
[0195] 两阶段DRO模型的第一阶段用于制定微电网系统是否向配电网供电或从配电网取电的计划以及制定集中充电站的充放电计划，两阶段DRO模型的第二阶段用于基于第一阶段制定的计划以及场景概率分布求解满足上述两个调度目标的调度计划。
[0196] 式(35)中：x为第一阶段决策变量，x＝[λtsell,λtbuy,λtBSS,cha,λtBSS,dis]T，其中，λtsellbuy BSS,cha为微电网系统向配电网供电的0‑1变量，λt 微电网系统从配电网取电的0‑1变量，λtBSS,dis
为集中充电站的充电站计划的0‑1变量，λt 为集中充电站的放电计划的0‑1变量。
[0197] ys为第二阶段求解的调度计划相关的连续变量，是决策变量集合Ys中的一个变量；Ys为与第s个离散场景相关的第二阶段决策变量集合。
[0198] aT、A、B、h均为常数系数矩阵。ps为第s个离散场景发生的概率。
[0199] 其中，与第s个离散场景相关的第二阶段决策变量集合可以表示如下：
[0200]
[0201] 接下来，求解两阶段DRO模型：
[0202] 本公开采用列与约束算法(C&CG算法)求解两阶段DRO模型。
[0203] 图3为本公开一实施例提供的基于分布鲁棒优化算法的流程图。图3所示实施例详细介绍了如何利用C&CG算法求解两阶段DRO模型。请参阅图3所示，本实施例的方法包括：
[0204] S301、将两阶段DRO模型解耦为主问题和子问题。
[0205] 利用C&CG算法将两阶段DRO模型分解为主问题(main problem，MP)和子问题(subproblem problem，SP)，并进行反复迭代收敛。其中，主问题对应于两阶段DRO模型的第一阶段，子问题对应于两阶段DRO模型的第二阶段。主问题用于求解调度计划的下界值LB。
子问题用于求解调度计划的上界值UB。其中，调度计划的下界值LB可以理解为式(28)表达的单调度目标问题对应的目标函数的下界值，调度计划的上界值UB可以理解为式(28)表达的单调度目标问题对应的目标函数的上界值。
[0206] 其中，解耦两阶段DRO模型得到的主问题可以表示为：
[0207]
[0208] 式(37)中，w,K分别表示C&CG算法中定义的最外层模型迭代当前次数和总次数；η*,w是中间变量；ps 为第w次迭代时子问题返回给主问题的最差场景概率分布。
[0209] 解耦两阶段DRO模型得到的子问题可表示为：
[0210]
[0211] 式(38)中：x*为求解主问题得到的第一阶段的决策变量的解，为0或者1，因此，在*求解子问题时x为常数。其他参数的含义与前述主问题中的参数含义相同。
[0212] S302、初始化决策变量集、场景概率分布、调度计划的上界值和调度计划的下界值。
[0213] 在第1次迭代时，需要对主问题以及子问题中的相关参数进行初始化，如，决策变量集Ys、场景概率分布ps、调度计划的上界值UB以及调度计划的下界值LB。
[0214] 示例性地，可以根据历史数据确定各离散场景的决策变量集Ys中各决策变量的初始值，根据历史场景发生的概率确定场景概率分布ps的初始值，可将上界值UB初始化为+∞，将下界值LB初始化为‑∞。此外，还设置当前迭代次数w＝0，表示第1次迭代。
[0215] S303、根据决策变量集的初始值和场景概率分布的初始值求解主问题得到第一变量的解，并更新下界值。
[0216] 其中，主问题是在已知场景概率分布(在第1次迭代时，即采用初始化的场景概率分布)的情况下，计算满足条件的最优解，即确定第一变量的最优解。其中，第一变量表示各离散场景相关的第一阶段的决策变量，通过求解主问题，能够确定第一变量的值，即得到xsell buy BSS,cha BSS,dis T *＝[λt ,λt ,λt ,λt ]的最优解，记为x 。同时，求解主问题能够得到一个下界
值，如此，将下界值LB由‑∞更新为本轮迭代计算得到的下界值。
[0217] S304、以概率分布模糊集为场景概率分布的约束条件，根据第一变量的解求解子问题得到最差场景概率分布，并更新上界值。
[0218] 子问题是在给定的第一变量x*的情况下，寻找最差场景概率分布ps*,w，并返回给主问题，求解子问题能够得到调度计划的上界值UB。
[0219] 在求解过程中，主问题将本轮迭代求解得到的第一变量的最优解x*传递给子问题，如此，求解子问题时使得第一变量是一个给定值。
[0220] 观察子问题，场景概率分布在下层的目标函数中为固定标量，且和第二阶段中离散场景相关的决策变量ys并无交集。因此，该子问题可以分成两个步骤求解，而无需采用对偶理论对其进行转化，简化了求解过程，同时降低了求解难度。首先求解内层min问题，再根据内层求得的结果代入外层max问题求解外层的max问题，如此，能够得到最差场景概率分布以及调度计划的上界值UB。
[0221] S305、确定上界值和下界值是否满足预设模型收敛精度阈值。
[0222] 本实施例中以预设模型收敛条件为预设模型收敛精度阈值为例进行举例说明，其中，本步骤判断上界值和下界值是否满足预设模型收敛精度阈值即确定当前迭代是否达到预设模型收敛条件。假设，预设模型收敛精度阈值为ε，达到预设模型收敛条件，即：
[0223] |UB‑LB|≤ε 公式(39)
[0224] 若满足式(39)，则确定达到预设模型收敛条件，停止迭代，执行S306。若不满足公式(39)，则确定进行下一轮迭代求解，执行S307。其中，预设模型收敛精度阈值ε可以为数值较小的正数，本公开对于ε的大小不作限定，可根据需求设定。
[0225] S306、根据上界值和下界值得到微电网系统的目标调度计划。
[0226] 其中，根据满足预设模型收敛精度ε的上界值UB和下界值LB可以确定微电网系统在一个调度周期内向配电网的供电电量或者从配电网的取电电量，以及，确定集中充电站在一个调度周期内的充电量和放电量。如此，即得到微电网系统的调度计划。
[0227] S307、基于最差场景概率分布更新场景概率分布的值以及更新决策变量集，并返回执行S303值S305，直至上界值和下界值满足预设模型收敛精度阈值为止。
[0228] 其中，本公开是根据子问题返回的最差场景概率分布更新场景概率分布，如，将第1轮迭代时通过求解子问题得到的最差场景概率分布更新为第2轮迭代时场景概率分布的初始值。
[0229] 其中，本公开可以但不限于通过随机的方式更新决策变量集中各决策变量的值，如此，更新后的决策变量集为第二轮迭代时决策变量集的初始值。
[0230] S307之后，求解主问题之前，还包括S308、更新迭代次数为w＝w+1。
[0231] 在模型达到收敛时，根据w的值能够清楚了解迭代次数情况，用户可根据模型达到收敛时的迭代次数对预设模型收敛精度进行调整或者进行其他调整，从而优化两阶段DRO模型的求解性能。
[0232] 本实施例的方法，利用C&CG算法对两阶段DRO模型进行解耦计算，由于C&CG算法在求解子问题时对场景进行严格辨识以缩减模型的场景概率的搜索域，且在求解主问题时保持了主问题的原始模型架构，无需对偶化，使得模型计算量较小，如此，两阶段DRO模型能够在较少迭代次数内达到收敛，求解效率较高。求解得到的调度计划能够使微电网系统的运行成本较低，且鲁棒性较高。
[0233] 结合前文所述，预设模型收敛条件还可以为预设迭代次数，如此，结合图3所示实施例，执行S304，即求解了子问题后，可确定当前迭代次数是否大于或等于预设迭代次数；若当前迭代次数大于或等于预设迭代次数，则根据上界值和下界值得到目标调度计划；若当前迭代次数小于预设迭代次数，则更新基于最差场景概率分布更新场景概率分布的值以及更新决策变量集，并返回求解主问题以及子问题，即进行下一轮迭代求解，直至迭代次数大于或等于预设迭代次数为止。
[0234] 下面通过一具体实施例，介绍采用本公开的方法对微电网系统进行调度的效果。其中，天然气调压站参数和集中充电站参数如表1所示：
[0235] 表1
[0236] 通过采集历史数据得到1000个实际场景，并利用K‑means聚类算法得到多个典型离散场景，本实施例示出三个典型离散场景，即场景一、场景二和场景三，其中，三个典型离散场景中天然气压力能出力场景、光伏出力的场景、负荷设备用电的场景以及相应场景发生的概率如图4A至图C所示。其中，图4A示出了场景一、场景二和场景三中天然气压力能出力的场景，图4B示出了场景一、场景二和场景三中光伏出力的场景；图4C所示了场景一、场景二和场景三中负荷设备用电的场景。
[0237] 考虑到天然气压力能发电、光伏和负荷的不确定性，选取3种典型场景概率分布作为典型离散场景来分析对应情形下微电网系统的调度优化结果。其中，α1、α∞分别取值0.95、0.96。
[0238] 为对比不同方案的调度优化效果，设置了以下3种方案：方案一：以微电网系统运行成本最低为目标进行优化调度，集中充电站不参与配电网峰谷调控，即不考虑联络线功率波动惩罚。方案二：以联络线功率波动最小为目标进行调度。方案三：综合考虑微电网系统运行成本和联络线功率波动为共同目标进行调度。
[0239] 需要说明的是，下述示出的是微电网系统在一个调度周期内的调度情况，一个调度周期为1天，且被划分为24个调度时段，每个调度时段为1h。采用方案一进行微电网系统调度的调度情况如图4D和图4E所示，采用方案二进行微电网系统调度情况如图4F和图4G所示，采用方案三进行微电网系统调度的调度情况如图4H和图4I所示，在图4D至图4I中所示的时段即调度时段。
[0240] 采用方案一进行微电网系统调度情况如图4D和图4E所示，其中，图4D示出了微电网系统采用方案一的具体运行情况，图4E示出了集中充电站三种状态的电池组变化情况。
[0241] 具体地，为尽可能降低微电网系统从配电网的取电成本，集中充电站在夜间单位电量成本处于低谷时(1时至7时)，对电池组进行充电，将集中充电站内26组待充电池组充满，在单位电量成本早高峰(10时至11时)将集中充电站内的满电电池组进行放电，达到向配电网反向供电来增加供电收益的目的。
[0242] 在12时至15时，单位电量成本处于低谷，天然气压力能和光伏的发电量高于负荷，在满足负荷的需求基础上，富余电量被集中充电站消纳，并向配电网取电，并在单位电量成本晚高峰(19时至22时)向配电网供电进行增加供电收益。通过集中充电站的“低充高放”，微电网系统运行成本为7937.2元，天然气压力能和光伏的利用率达到100％。但由于没有考虑联络线功率波动，经调度后联络线功率波动标准差为257.61kW，最大峰谷差为749.4kW。
[0243] 以运行成本最低为目标的优化调度，虽然微电网系统与配电网的交互功率波动较大，但能够有效消纳压力能和光伏的发电量，提升微电网系统的经济性。
[0244] 采用方案二的微电网系统调度情况如图4F和图4G所示，其中，图4F示出了微电网系统采用方案二的具体运行情况，图4G示出了集中充电站三种类型的电池组变化情况。
[0245] 具体地，在单位电量成本低谷(13时至19时、22时至24时)，此时天然气压力能发电量和光伏发电量高于负荷，为平衡联络线功率波动，弃用了近30％的天然气压力能和光伏发电量，剩余的发电量由集中充电站消纳。
[0246] 方案二的联络线交互功率波动为0，总成本为11472.1元。调度结果与方案一相比，方案二有显著的天然气压力能发电电量弃用和光伏发电电量弃用现象，且没有向配电网供电来降低总成本，主要成本源于天然气压力能和光伏弃用的惩罚成本，综合总成本上升了3534.9元。
[0247] 采用方案三进行微电网系统调度情况如图4H和图4I所示，其中，图4H示出了微电网系统采用方案三的具体运行情况，图4I示出了集中充电站三种类型的电池组变化情况。
[0248] 其中，μ1、μ2分别表示微电网系统运行成本和联络线功率波动的权重。
[0249] 结合图4H和图4I所示的结果，与方案一相比，方案三的总成本虽有所上升(增加了2.58％)，整体的天然气压力能利用率依然维持在高水平(100％)，且联络线交互功率波动标准差也有所下降(降低31.21％)。相比方案二，方案三的成本显著下降(降低29.0％)，天然气压力能利用率提高。
[0250] 表2为不同权重下微电网系统运行成本及联络线功率波动情况。
[0251] 表2
[0252]权重 成本 波动标准差/kw 天然气压力能利用率(％)
μ1＝0.7、μ2＝0.3 8141.82 177.19 100
μ1＝0.5、μ2＝0.5 8636.66 131.45 100
μ1＝0.3、μ2＝0.7 9625.0 96.87 100
[0253] 由表2可知，在综合考虑成本和联络线波动的情况下，调度结果显示微电网系统仍有较高的压力能和光伏发电消纳水平，微电网系统运行成本和联络线交互功率波动随着各自权重的增加而降低。
[0254] 由此，可以根据不同的成本管控目标及联络线交互功率波动要求，满足天然气压力能消纳需求的情况下，制定合理的调度计划，以权衡微网运行成本和与电网交互功率波动要求。
[0255] 此外，在方案三的基础上，通过迭代求解，场景概率变化如图4J所示。可见，基于多离散场景的分布鲁棒优化方法得到的场景3概率从0.2530下降到0.2469，而场景1和场景2的概率则分别上升到0.3080和0.4451。这是因为在考虑实际运行场景的不确定后，子问题将各个场景的概率进行调整，使目标函数较小的场景3概率降低，将目标函数较大的场景1、2的概率增大。因此，分布式鲁棒能够较好地应对不确定量分布的不确定性，保证了系统优化的鲁棒性。
[0256] 综上，本公开针对天然气压力能在传输过程中利用率低以及集中充电站的换电池协调优化调度问题，提出计及天然气压力能和集中充电站的微电网协调优化调度方案。建立了含天然气压力能发电和集中充电站的微电网系统模型，并利用多目标优化办法降低微电网运行成本的同时，抑制了联络线功率波动，同时考虑到微电网系统中天然气压力能发电、光伏发电和负荷设备用电的场景分布概率的不确定性，建立了基于多离散场景的“min‑max‑min”两阶段DRO模型；两阶段DRO模型采用C&CG算法进行求解，得到整体运行效益较优且鲁棒性较高的调度计划。
[0257] 图5为本公开一实施例提供的基于分布鲁棒优化的微电网调度装置的结构示意图。请参阅图5所示，本实施例提供的基于分布鲁棒优化的微电网调度装置500，包括：
[0258] 设备模型创建模块501，用于创建微电网系统中各设备的模型；所述各设备包括天然气压力能发电设备、集中充电站、光伏发电设备以及负荷设备，且所述微电网系统通过公共连接点与配电网连接，所述各设备的模型用于指示所述各设备的用电情况和/或放电情况。
[0259] 模型约束条件确定模块502，用于确定所述各设备的模型约束条件、第一目标函数和第二目标函数；所述各设备的模型约束条件包括所述各设备在用电和放电时需要满足的约束条件；所述第一目标函数对应于所述微电网系统的运行成本最低为第一调度目标，第一目标函数与弃用的天然气压力能发电量和弃用的光伏发电量相关；所述第二目标函数对应于所述微电网系统与所述配电网之间的联络线功率波动最小为第二调度目标。
[0260] 调度模型创建模块503，用于基于所述各设备的模型、所述各设备的模型约束条件、场景概率分布、所述第一目标函数和所述第二目标函数，创建两阶段DRO模型；其中，所述场景概率分布用于指示各离散场景发生的分布情况；各所述离散场景包括所述天然气压力能发电设备出力、所述光伏发电设备出力以及所述负荷设备用电的多个不同场景；所述两阶段DRO模型的第一阶段用于制定所述微电网系统是否向所述配电网供电或从所述配电网取电的计划以及制定所述集中充电站的充放电计划，所述两阶段DRO模型的第二阶段用于基于所述第一阶段制定的计划以及所述场景概率分布确定满足所述第一调度目标且满足所述第二调度目标的调度计划；所述调度计划包括：所述微电网系统向所述配电网的供电电量或取电电量、弃用的天然气压力能发电量、弃用的光伏发电量、所述集中充电站中各充放电装置的充电功率或放电功率。
[0261] 所述调度模型创建模块503，还用于确定各所述离散场景的概率分布模糊集，所述概率分布模糊集包括各所述离散场景发生的概率。
[0262] 调度模型求解模块504，用于以所述概率分布模糊集为所述场景概率分布的约束条件，对所述两阶段DRO模型进行迭代求解，直至满足预设模型收敛条件，得到所述微电网系统的目标调度计划。
[0263] 在一些实施例中，调度模型创建模块503，具体用于：确定第一权重和第二权重，所述第一权重对应所述第一目标函数，所述第二权重对应所述第二目标函数；对所述第一目标函数进行归一化处理得到第三目标函数；对所述第二目标函数进行归一化处理得到第四目标函数；利用所述第一权重和所述第二权重对所述第三目标函数和所述第四目标函数进行线性加权得到第五目标函数；以及，基于所述各设备的模型、所述各设备的模型约束条件、场景概率分布、所述第五目标函数，创建所述两阶段DRO模型。
[0264] 在一些实施例中，调度模型求解模块504，具体用于：将所述两阶段分布鲁棒优化模型解耦为主问题和子问题；所述主问题对应于所述第一阶段，所述子问题对应于所述第二阶段；初始化决策变量集、所述场景概率分布、所述调度计划的上界值以及所述调度计划的下界值；所述决策变量集包括各所述离散场景相关的所述第二阶段的决策变量；根据所述决策变量集的初始值和所述场景概率分布的初始值求解所述主问题得到第一变量的解，并更新所述下界值；所述第一变量为各所述离散场景相关的所述第一阶段的决策变量；以所述概率分布模糊集为所述场景概率分布的约束条件，根据所述第一变量的解求解所述子问题得到最差场景概率分布，并更新所述上界值；确定是否满足所述预设模型收敛条件；若满足，则根据所述上界值和所述下界值得到所述目标调度计划；若不满足，则基于所述最差场景概率分布更新所述场景概率分布的值以及更新所述决策变量集；并根据所述决策变量集和所述场景概率分布求解所述主问题，以及以所述概率分布模糊集为所述场景概率分布的约束条件，根据所述第一变量的解求解所述子问题，直至满足所述预设模型收敛条件为止。
[0265] 在一些实施例中，调度模型求解模块504，具体用于：确定迭代次数是否达到预设迭代次数；或者，确定上界值和下界值的差值的绝对值是否小于或者等于预设模型收敛精度阈值。
[0266] 在一些实施例中，设备模型创建模块501，具体用于：基于标准天然气压力 率与压力能发电 比率的乘积，创建所述天然气压力能发电设备的模型。
[0267] 在一些实施例中，设备模型创建模块501，具体用于：将一个调度周期划分为多个调度时段；确定所述集中充电站在各所述调度时段的起始时刻的可用电池组数、待充电电池组数以及在线电池组数；根据所述可用电池组数、所述待充电电池组数以及所述在线电池组数，创建各所述调度时段的模型；根据各所述调度时段的模型得到所述集中充电站的模型。
[0268] 在一些实施例中，设备模型创建模块501，具体用于：针对各调度时段中的相邻两个调度时段，根据上一调度时段的可用电池组数、集中充电站在当前调度时段的起始时刻新充满电的电池组数、所述集中充电站在所述上一调度时段接入放电的电池组数以及所述集中充电站在所述上一调度时段需要配送至换电站的电池组数，得到所述当前调度时段的可用电池组数。
[0269] 在一些实施例中，设备模型创建模块501，具体用于：针对各所述调度时段中的相邻两个调度时段，根据上一调度时段的待充电状态电池组数、所述集中充电站在所述上一调度时段新接入充电组数、所述集中充电站在当前调度时段从换电站回收的电池组数和所述集中充电站在所述当前调度时段的起始时刻在充放电装置放电完成的电池组数，确定所述当前调度时段的待充电电池组数。
[0270] 在一些实施例中，设备模型创建模块501，具体用于：针对各所述调度时段中的相邻两个调度时段，根据所述集中充电站在上一调度时段处于充电状态的电池组数、所述集中充电站在当前调度时段新充满电的电池组数、所述集中充电站在所述当前调度时段的起始时刻新接入的充电电池组数、所述集中充电站在所述当前调度时段放完电的电池组数和所述集中充电站在所述当前调度时段新接入放电的电池组数，得到所述当前调度时段的在线电池组数。
[0271] 在一些实施例中，所述各设备的模型约束条件包括：功率平衡约束、联络线交互功率约束、集中充电站电池约束以及集中充电站功率约束。
[0272] 本实施例提供的装置可以用于实现前述任一方法实施例的技术方案，其实现原理以及技术效果类似，可参照前文的详细描述，简明起见，此处不再赘述。
[0273] 图6为本公开一实施例提供的电子设备的结构示意图。请参阅图6所示，本实施例提供的电子设备600包括：存储器601和处理器602。其中，存储器601可以是独立的物理单元，与处理器602可以通过总线603连接。存储器601、处理器602也可以集成在一起，通过硬件实现等。存储器601用于存储程序指令，处理器602调用该程序指令，执行以上任一方法实施例提供的基于分布鲁棒优化的微电网调度方法。
[0274] 可选地，当上述实施例的方法中的部分或全部通过软件实现时，上述电子设备600也可以只包括处理器602。用于存储程序的存储器601位于电子设备600之外，处理器602通过电路/电线与存储器连接，用于读取并执行存储器中存储的程序。处理器602可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)或者CPU和NP的组合。处理器602还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application‑specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field‑programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。存储器601可以包括易失性存储器(volatile memory)，例如随机存取存储器(random‑access memory，RAM)；
存储器也可以包括非易失性存储器(non‑volatile memory)，例如快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid‑state drive，SSD)；存储器还可以包括上述种类的存储器的组合。
[0275] 示例性地，本公开提供一种芯片系统，应用于包括存储器的电子设备；芯片系统包括：处理器；处理器用于执行前文实施例的基于分布鲁棒优化的微电网调度方法。
[0276] 示例性地，本公开提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被电子设备的处理器运行使得电子设备执行时实现前文实施例的基于分布鲁棒优化的微电网调度方法。
[0277] 示例性地，本公开提供一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行前文实施例的基于分布鲁棒优化的微电网调度方法。
[0278] 以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
