[0001] 本发明属于综合能源系统技术领域，尤其涉及基于双反馈鲁棒模型预测控制(Robust model predictive control，RMPC)的IES多时间尺度复合控制方法及系统。

[0002] 本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

[0003] 随着可再生能源渗透率不断提高与能源市场化改革迅速普及，综合能源系统(integrated energy system,IES)供需两侧的不确定性迅速增强，其高效、可靠运行面临挑战。

[0004] 为了从根源克服外部不确定环境，部分研究者尝试通过修正预测模型提高预测精度。然而，源荷固有的随机性和波动性导致预测误差永远不可能被完全消除。改进的预测模型虽然在一定程度上缓解了不确定因素的影响，但仍未触及核心问题，不确定环境依然存在。

[0005] 先进的调度策略是应对不确定环境挑战的另一关键。尤其是在无法获得准确预测结果的情况下，考虑不确定性影响的调度策略显得愈发重要。目前提出的先进调度策略包括随机优化、鲁棒优化、模糊机会约束规划、多时间尺度优化、模型预测控制(model predictive control，MPC)及其衍生方法在内的一系列先进调度策略。这些研究为不同情景下的能量管理提供了宝贵经验，缓解了不确定因素的不良影响。然而上述方法在单独应用时均存在一定缺陷，如鲁棒优化经济性差、随机优化可靠性差、预测模型准确度不足、多时间尺度优化抗干扰能力差、MPC无法适应多重不确定性环境等等。现有调度策略仍无法帮助IES战胜不确定环境。

[0006] 需求响应(demand response,DR)是激发需求侧资源与可再生能源相互作用的关键，通过DR对负荷进行二次调度对调动需求侧抵抗不确定性、提高可再生能源消纳能力有重要意义。特别是IES中的DR已发展为涵盖更多负荷类型的综合需求响应(integrated demand response,IDR)，其灵活性相较于DR更高，对于引导系统内横向多能互补与纵向源荷协调更为关键。然而由于多异质能源之间的强相互作用和动态特性差异，现有方法难以合理给出不同IDR在不同时期的响应量，灵活性不足，无法充分发挥IDR与可再生能源的互补特性。

[0007] 综上，针对不确定环境下IES的高效运行，国内外学者给出了多种解决方案，试图通过准确的预测模型或先进的调度策略以及新型IDR引导IES发挥自身多能互补与源荷协调的优势以削弱不确定环境的影响。然而，现阶段上述方案在实施时均存在一定困难，现阶段仍不存在解决不确定性影响的完美手段。目前迫切的需要一种行之有效的集成调度框架协调现有多种方法，最大化其优点，摒弃其缺陷。

[0047] 下面结合附图与实施例对本发明作进一步说明。

[0048] 应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

[0049] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0050] 实施例一

[0051] 如图1所示，所述IES包括三个能源子系统，电力子系统、天然气子系统和热力子系统，各子系统之间互联耦合，电力子系统包括风机、光伏装置和储电装置；天然气子系统包括电转气装置和储气装置；热力子系统包括热电联产装置、燃气锅炉、电锅炉以及储热装置。

[0052] IES上游节点与外部电网和天然气网连接，内部耦合多种能源形式的供能、转换和储能设备；下游节点涵盖电、气、热三种能源需求和IDR。

[0053] 其中，IDR包括价格型、替代型和激励型DR；能源转换设备包括电转气系统(P2G)、热电联供系统(CHP)、电锅炉(EB)和燃气锅炉(GB)。储能设备包括储热水箱(HS)、储气罐(GS)和电池(ES)。系统内配备风机(WT)和光伏(PV)将可再生能源输入至能源网络。终端用户能够根据实际用能需求从IES获得多元化供能服务。

[0054] 针对设备侧：

[0055] 电、气、热子系统具有显著的多时间尺度特性。统一的调度周期无法兼顾各子系统的控制性能。在电力子系统中，电网对于调度指令可以实现瞬时响应，立刻达到稳态值，允许相关设备通过接收更高频的控制指令应对瞬时功率波动而不必受能量传输的约束。而对于热、气子系统，由于热网和建筑群存在一定的热惯性和管存特性，调度指令下发后其响应过程需要一定时间的动态变化才能达到稳态值。频繁调节热、气设备会导致系统状态时刻处于暂态变化过程，破坏供能质量。

[0056] 调度周期的确定应兼顾多异质能流传输特性和多类型设备控制特性。即使某些设备响应时间短，但由于受能量传输限制，不宜频繁调节。如热电联供系统CHP，其核心设备燃气轮机响应速率较快，但输出涉及热能并与热网连接，受热惯性影响以及热媒传输限制，调度周期不宜过短。IES中典型设备调节速率如图4所示。由图4可知，以电力电子器件为核心控制器的设备和燃烧类设备运行特性差异显著。当这些机组联合运行时，很可能因自身响应特性和能源网络动态特性不同导致系统控制偏差。为此，建立各子系统协调的产能侧多时间尺度控制策略。

[0057] 针对需求侧

[0058] IDR的多时间尺度特性集中体现在两个方面。一是由于定价方式和激励机制不同，PBDR和IBDR属于不同时期的响应资源。其中，PBDR的执行是用户根据能源商发布的价格信息自发地对用能行为进行调整，响应时间长。并且能源价格一般采用day‑ahead pricing模式，因此PBDR需要在日前响应。而IBDR的执行是能源商提前与用户签订契约并根据合同规定响应速率，在必要时可直接进行负荷控制，响应时间短。因此IBDR不局限于日前响应，可根据提前通知的时间不同，分为A类IBDR(日前响应)、B类IBDR(日内15min‑2h响应)、C类IBDR(日内5min‑15min)和D类IBDR(实时响应)三种。二是IDR涵盖更多负荷类型的响应资源，受多异质能流响应特性影响。其中，ADR涉及电、气、热的相互转换。受不同能源传输特性以及耦合设备响应特性限制，在同一时间尺度下统一执行存在技术障碍。此外在IES中，多类型负荷均可执行IBDR。然而受能量特性约束，不同负荷的执行时期不同。例如气负荷，由于气网的管存特性，激IBDR无法参与日内实时响应。显然，如果将所有DR资源统一调度，则难以充分挖掘负荷侧资源的调节潜力，对日内偏差新能源进行消纳。为此建立IDR多时间尺度协调控制策略。

[0059] 基于上述设备侧与需求侧的多时间尺度响应特性以及RMPC双闭环反馈机制，本发明提出了一种源荷多时间尺度复合控制策略，分为日前调度与日内校正两个阶段。日前优化以24h为调度周期，制定24个时段的机组启停计划、设备运行计划作为日内校正层参考以保障控制策略的全局性能，并确定PBDR与A类IBDR调用计划。针对开环调度抗干扰能力和鲁棒性不足，在日内校正层引入RMPC方法。RMPC方法基于滚动时域的思想，结合系统当前运行状态与将来的预测状态，获得最优控制序列，并将控制序列的第一项用于系统的实际控制。然后，重复执行上述控制过程。根据多异质能源动态特性差异，将日内校正层分为快速、中间以及慢速控制子层，采用不同时间尺度的RMPC控制器进行差异化控制，消纳源荷不确定性。其中，慢速控制子层预测时域为4h，时间尺度为1h，用以控制慢动态特性的热力子系统，调整CHP、GB、EB、HS机组出力并确定电热ADR调用计划。

[0060] 为进一步降低可再生能源、多能负荷以及被控对象出力不确定性的影响，慢速控制子层作为连通不同控制阶段的桥梁在控制热力子系统的同时调整日前的电、气子系统参考计划，下发更符合实际情况且具备全局性的参考。中间控制子层预测时域为2h，时间尺度为15min，用以控制天然气子系统，调整购气量、P2G、GS机组出力并确定电气ADR与B类IBDR调用计划，同时调整电力子系统参考计划。快速控制子层预测时域为20min，时间尺度为5min，用以控制电力子系统，调整购电量、ES机组出力并确定C类IBDR调用计划。

[0061] 本发明在常规MPC策略的基础上，建立双闭环反馈机制如图2所示。内层为设备与需求响应的实际出力与出力扰动反馈，外层为实时源荷数据与预测模型训练反馈。

[0062] 内层通过实时监控、采集设备与DR的运行状态，能够有效避免滚动求解过程中调度值与实际出力的偏差积累。同时，建模设备与DR出力扰动不确定性，并在RMPC框架下建立包含设备与DR出力扰动项的增量状态空间方程，增强控制策略的可靠性。

[0063] 考虑到系统实际被控对象存在不确定性，使得计划出力与设备、DR实际出力不可能完全相同。在控制量实施控制作用后，被控对象的实际出力值与计划值必将存在偏差。因此本实施例借鉴可再生能源与多能负荷不确定性的处理方式，设δ为设备出力扰动，将其作为鲁棒优化不确定量并采用基数型不确定集描述如下：

[0064]

[0065] 其中， δ分别为设备扰动误差上限，为上一时刻设备扰动误差实测值，通过反馈获得。利用δ模拟设备与DR可能产生的扰动，并利用内环反馈将其纳入t+1时刻的状态空间模型中，以其作为约束求得可靠性更强的控制策略。

[0066] 以实时控制层为例，建立基于状态空间方程的系统状态预测模型：

[0067]

[0068] 式中，设备出力的状态变量矩阵x(t)＝[PES.chr(t)，PES.dis(t)，SES(t)，Pgrid(t)，TIBDRIII(t)] ，考虑出力扰动的控制变量矩阵u(k)⊙d(k)＝ΔPES.che(t)(1+ξES.chr(t))，ΔT
PES.dis(t)(1+ξES.dis(t))，ΔIBDR(t)III(1+ξIII(t))，d(t)为设备与IDR出力扰动，扰动变量矩阵 输出变量矩阵yc
T
(t)＝[SES(t)，Pgrid(t)]；

[0069] 设 根据IES实时功率平衡与储能SOC迭代方程可得：

[0070]

[0071] 其中，ΔPES.che(t)、ΔPES.dis(t)分别为储电装置相对于上一时刻的出力变化量，ΔIBDR(t)III为电负荷三类激励型需求响应相对于上一时刻的出力变化量，ΔPe，load(t)、ΔPwind(t)、ΔPpv(t)分别为电负荷、风电、光伏相对于上一时刻的出力，分别为MT、P2G、EB设备t时刻的上层参考计划值，ξES.chr(t)、ξES.dis(t)、ξIII(t)分别为t时刻电池充放电与IBDR出力扰动量，SES(t)、Pgrid(t)分别为t时刻电池储能量与向上级电网购电功率。

[0072] 外层通过实时更新源荷真实数据，动态训练预测模型，引导鲁棒优化算法不确定度调节。对此，本发明创新性地设计了一种预测模型训练评价指标与鲁棒优化不确定参数的协同机制，简单有效地实现了算法保守性和经济性的动态均衡。

[0073] 预测模型准确度与鲁棒优化不确定参数的协同方法如下：

[0074] 鲁棒优化不确定参数描述方式选择基数型不确定集，可表示为：

[0075]

[0076] 式中，ξ为不确定参数实际值，包括风电、光伏出力以及电、热、气负荷，为不确定参数预测值， ξ分别为预测误差上、下界，可以人为设定，Γ为不确定度参数，取值范围为0‑1。

[0077] 预测模型评价指标选择平均绝对百分比误差(mean absolute percentage error，MAPE)，可表示为：

[0078]

[0079] 式中，n为求解域时间步长。

[0080] 根据基数型不确定集与MAPE表达式，ξ可以分别表示为如下两种形式：

[0081]

[0082]

[0083] 只须令 则两种ξ的取值表示形式基本一致，且对于MAPE表达式来说，在已知预测模型MAPE的情况下，ξ的取值范围基本可以确定。

[0084] 显然，由MAPE引导鲁棒优化是可行的，能够避免随机设定Γ导致的算法过于保守或可靠性不足的缺陷。需要注意的是，Γ取值范围为0‑1，而根据现有先进的预测模型来看，max maxMAPE取值范围为[0，MAPE ]，MAPE 一般为5％(风电、光伏出力以及电、气、热负荷预测精度不同，此处以电负荷为例进行说明)，且MAPE为平均预测误差，为确保求解结果的可靠性，max
考虑到某些极端情况，拓展MAPE取值范围为[0，2*MAPE ]。

[0085] 由于二者取值范围不同，本实施例令 即可直接以控制鲁棒优化的保守性。若训练模型预测误差越大，则鲁棒优化算法Γ越
大，源荷出力最劣场景恶劣程度更高，此时得到的控制策略鲁棒性更强，解决了预测不准确的弊端。

[0086] 本发明所提基于双环反馈RMPC的源荷复合控制框架如图3所示。通过分析IES内多异质能流之间显著的多时间尺度特性，制定了设备侧‑负荷侧协调的多时间尺度控制框架，给出了不同设备和DR的调度时期。

[0087] 经过日前调度求得具有全局性的初始参考调度计划，在日内阶段逐层调整计划值使其更贴近实际情况并依次下发热、气、电设备出力计划。具体为在日前调度阶段，通过日前源荷预测数据求得电气负荷价格型需求响应(price based demand response,PBDR)与电气热相关设备的初始参考计划；在日内一小时调度阶段，根据日内一小时的最新源荷预测数据求得电热替代型需求响应(alternative demand response，ADR)、电、气负荷A类激励需求响应(incentive based demand response,IBDR)与CHP、GB、EB、HS设备出力，并给出十五分钟调度时段的电、气参考计划。

[0088] 在日内十五分钟调度阶段，根据日内十五分钟的最新源荷预测数据求得电、气ADR量、电、气负荷B类IBDR量与P2G、GS设备出力以及购气量，并给出五分钟调度时段的电参考计划。在日内五分钟调度阶段，求得电负荷C类IBDR与ES、WT、PV设备出力以及购电量。

[0089] 目标函数包含日前‑日内两部分，日前主要考虑系统运行的经济性，因此日前目标函数表示为：

[0090]

[0091] 式中，F为IES的总运行费用，N为调度周期，本实施例中，时间间隔为1小时， 为第i类能源购能成本， 为第i类设备运行维护成本， 为第i类需求响应成本。

[0092] IES购电费用和购气费用分别与其购电功率和购气功率呈正比，因此可表示为：

[0093]

[0094]

[0095] 式中， 为IES从配电网的购电功率， 为IES的购气功率， 为t时刻从配电网购电的电价， 为t时刻的天然气价格。

[0096] IES的需求响应成本可以概括表示为：

[0097]

[0098] 式中， 为第i类负荷变化量， 为系统对第i类负荷变化的补偿成本。

[0099] 日内滚动部分的目标函数又包含三部分，分别为电力子系统控制器目标函数，控制间隔1h；天然气子系统控制器目标函数，控制间隔15min；热力子系统控制器目标函数，控制间隔5min。

[0100] 电、气、热子系统目标函数可以统一描述为：

[0101]

[0102] 式中，Fi为第i类子系统的调度成本， 为第i类设备日内t时刻的出力， 为第i类设备日内t‑1时刻的出力，μi为第i类设备的出力调整成本， 为第i类设备t时刻参考调度计划， 为第i类设备的出力变化惩罚。

[0103] 约束条件包括：

[0104] (1)设备出力约束，包括能源转换设备组、可再生能源机组、混合储能系统、功率上下限，具体为：

[0105] 能源转换设备组

[0106] 系统中能源转换设备包括CHP、P2G、EB、和GB，输入输出功率平衡方程如下：

[0107]

[0108] 式中， 分别为CHP机组输出的电功率和热功率；ηCHP,e、ηCHP,h分别为CHP机组产电和产气效率； 为CHP机组输入气功率； 分别为P2G的输出气功率和输入电功率，ηP2G为电转气效率； 分别为EB的输出热功率和输入电功率，ηEB为EB的产热效率； 分别为GB的输出热功率和输入气功率，ηGB为GB的产热效率。

[0109] 可再生能源机组

[0110] 系统内配备WT和PV将可再生能源输入至能源网络。WT、PV的输出功率分别如下：

[0111]

[0112] 其中， 为t时刻WT的发电功率，vin和vout分别为WT的切入风速和切出风速，ve为额定风速， 为风机的额定功率。

[0113]

[0114] 其中， 为t时刻PV输出的电功率， 为PV的额定功率，Gt和Gref分别为t时刻的光照强度和标准测试条件下的参考光照强度，T0和Tref分别为环境温度和标准测试条件下的参考温度。

[0115]

[0116] 其中， 分别为t时刻吸收式制冷机的制冷功率和消耗的热功率，ηAC为吸收式制冷机的制冷系数。

[0117] 混合储能系统：

[0118]

[0119] 式中，i代表负荷类型，此处代表电、热、气三种负荷， 为t时刻的储能量，δi为自损耗系数， 和 分别为t时刻的充放能功率，ηi,ch和ηi,dis分别为充放能效率。

[0120] 功率上下限：

[0121]

[0122] 式中，i代表能量转换装置、购电、购气以及冲放能状态， 为第i类设备在t时刻的输出功率， 分别为第i类设备在t时刻的输出功率的最大最小值；

[0123] 综合需求响应模型

[0124] 本实例所研究的IES涵盖电、气、热三种负荷需求，均可进行需求响应管理。其中，按响应方式不同将电、气负荷DR分为价格型DR以及激励型DR。另外，考虑多能互补转化特点，引入电‑气、电‑热替代型DR。三者共同构成IDR模型。

[0125] PBDR

[0126] PBDR指能源商通过调整能源价格引导用户根据自身情况主动调整用能行为。在实际情况下，负荷需求变化量与价格变化量之间近似呈指数关系。本实施例中采用指数关系模型构建PBDR模型：

[0127]

[0128] 式中，i代表负荷类型，此处代表电、气负荷； 为PBDR后的i类负荷； 为i类负荷的初始用能量； 分别为i类负荷的饱和上限负荷和基本负荷； 为i类负荷在j时段对q时段的指数型弹性系数； 为i类负荷在j时段的电价变化量。

[0129] 由于不同类型负荷在不同时段用能量对能源价格的相应特征不同，故相应弹性系数也不同，差异化弹性系数矩阵可表达为：

[0130]

[0131] 式中，矩阵对角元素为当前时段的自弹性系数，非对角元素为两时段的交叉弹性系数，分别如下式所示：

[0132]

[0133] 其中，ΔP、ΔH分别为电量和电价的相对增量。

[0134] ADR

[0135] ADR指用户可通过各类型耦合设备使用其它能源代替所需能源。能源间的转换满足能量守恒定理。ADR模型如下：

[0136]

[0137]

[0138] 式中， 分别为ADR后的i负荷，i代表电、气、热负荷； 代表被替代负荷的量；φi,j代表能源i与能源j之间的转换效率，本文不考虑热气之间的转换，即φg,h＝φh,g＝0；
代表初始负荷。φi,j计算公式如下：

[0139]

[0140] Wi、Wj分别为能源i和能源j的单位热值；ηi、j分别为能源i和能源j的利用率。

[0141] IBDR

[0142] IBDR指能源商通过激励补贴刺激用户响应系统调度，调整用能负荷。IBDR模型如下：

[0143]

[0144] 式中， 分别为IBDR后的i负荷，i代表电、气负荷； 为i负荷响应量； 为i负荷响应成本； 为补偿价格。

[0145] 需求响应上下限

[0146]

[0147] 式中，i代表电、气、热负荷， 为第i类负荷在t时刻的综合需求响应量(上述三种响应量之和)， 分别为第i类负荷在t时刻的综合需求响应量最大、最小值。

[0148] 能量平衡约束：

[0149]

[0150] 式中， 和 分别为IESt时刻的电、热、气负荷， 分别为t时刻的电、热、气负荷综合需求响应量。 分别为t时刻电储能充放能功率，
分别为t时刻热储能充放能功率， 分别为t时刻气储能充放能功率。

[0151] 其中，日前优化包括所有负荷类型的设备约束、能量平衡约束以及电、气PBDR约束；日内一小时、十五分钟以及五分钟滚动控制优化则分别包括热、电、气负荷类型中的部分设备约束与能量平衡约束，以及须在相应时间尺度上确定的综合需求响应量约束。将上述日前、日内目标函数及约束置于基于双环反馈RMPC的源荷复合控制框架中，并将日内滚动部分采用RMPC算法求解。

[0152] 至此，建立了基于双环反馈RMPC的IES源荷复合控制模型，采用双反馈RMPC算法基于CPLEX求解器求解得到各机组与IDR在相应调度时段的出力，实现对IES的优化控制。为验证所提方法处理不确定问题的性能，设置如下四个方案进行对比。

[0153] 方案一：不考虑源荷随机性，采用确定性调度策略；

[0154] 方案二：采用鲁棒优化调度策略，不确定度分别设为0.8、0.5、0.2；

[0155] 方案三：采用随机优化策略；

[0156] 方案四：采用轻鲁棒优化策略。

[0157] 对比结果如表1所示，由表可知确定性优化成本最低，不过由于可再生能源与多能负荷预测误差较大，使得IES失负荷率高，所得策略无法实际应用。在考虑源荷不确定性时，各算法求解总运行成本均有所上升。其中，随机优化方法运行成本最接近确定性时的运行成本，然而其失负荷率较高无法保障系统稳定运行。鲁棒优化方法总运行成本随不确定参数Γ增大而逐渐上升，失负荷率逐渐降低。这是由于随Γ增大，源荷不确定区间增大，最劣场景恶劣程度提高，为了抵抗更大的不确定性，总运行成本上升，相应的由于所求计划能够满足最恶劣场景，所以失负荷率降低。相比之下，本方法失负荷率最低，且经济性较好。

[0158] 表1不确定优化算法测试结果

[0159]

[0160] 为了进一步验证所提方法的有效性，利用图1所示的IES进行仿真验证，优化结果如图4和图5所示。

[0161] 由图4‑图5可以看出，无论是电负荷、气负荷或者是热负荷，其预测精度均随时间尺度的减小而显著降低，且日前间隔1h的预测精度大幅度偏离实际值。因此，基于日前预测结果的优化调度策略误差往往比较大，在实际运行时，只能通过外部能源网络购能来平抑调度偏差，由此产生了大量的额外成本并且给外部电网带来了很大压力。在日前调度的基础上进行日内再调度，利用更精准的预测结果能有效避免上述问题。

[0162] 图7‑图9展示了日前调度结果。由图7与图8可知，CHP机组几乎在全时段保持较高出力水平，这是因为在该实例中，气价较低且外部风光资源丰富，CHP运行成本低。由图7可知，即使风光出力已足够满足负荷需求，但还是从电网购电，这是因为电价较低，购入电能促使其它电驱动设备工作能有效降低成本，结合图8与图9可知，P2G设备与EB设备均保持了较高的出力水平。

[0163] 图10‑图12展示了日内再调整的结果，图中负荷曲线均为日内滚动预测结果与上一阶段需求响应量叠加的结果。在日内阶段，所提方法通过三个不同时间尺度的子控制器分别对热设备、气设备与电设备进行再调度，极大提高了IES供能测的灵活性，对于避免不确定影响有重要意义。且对设备采用差异化的调度周期不仅有效避免了慢动态设备(热、气)因指令过于频繁而导致时刻处于动态过程，影响供能质量，也充分激发了电力设备的灵活性，极大发挥了其平抑不确定性的能力。图13以日内15min对气设备调整为例，可以发现，在日内源荷预测结果变动的情况下，设备出力存在改变。这种对设备的精细化管理有利于推动可再生能源消纳。

[0164] 图14‑图17展示了不同时间尺度下的需求响应量，本方法充分考虑了不同需求响应响应时期和动态特性的不同，在不同时间尺度下执行不同类型的需求响应，极大的提高了需求侧的灵活性。结合图11‑图13，本方法能够充分激活供给侧设备的灵活性和需求侧需求响应的灵活性，对于抵抗不确定性有重要意义。

[0165] 实施例二

[0166] 本实施例提供基于双反馈RMPC的IES复合控制系统，包括：

[0167] 日前源荷预测数据获取模块，被配置为：获取综合能源系统的日前源荷预测数据；

[0168] 复合控制模块，被配置为：

[0169] 基于获取的综合能源系统的日前源荷预测数据，经过日前调度和日内校正两个阶段得到电负荷激励型需求响应和相关电力设备出力；

[0170] 其中，在日前调度阶段，确定电气负荷价格型需求响应和电、热、气相关设备的初始参考调度计划；

[0171] 在日内日校正阶段，基于电气负荷价格型需求响应和电、热、气相关设备的初始参考调度计划，根据多异质能源动态特性差异，将日内校正分为快速、中间以及慢速控制子层，采用不同时间尺度的控制器进行差异化控制，以每一层的控制时间间隔作为对应的尺度，在每一层构建双层反馈架构，利用内环获取的设备和需求响应的出力扰动，反馈至外环，在外环，更新源荷数据，动态训练系统状态预测模型，引导鲁棒优化算法调节系统的不确定参数，逐层调整上一层输出的参考调度计划，在最后一层输出电负荷激励型需求响应和相关电力设备出力。

[0172] 实施例三

[0173] 本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于双反馈RMPC的IES多时间尺度复合控制方法中的步骤。

[0174] 实施例四

[0175] 本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于双反馈RMPC的IES多时间尺度复合控制方法中的步骤。

[0176] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

[0177] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0178] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0179] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0180] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read‑Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

[0181] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。