CN105550766A - 一种含可再生能源的微网鲁棒多目标运行优化方法 - Google Patents

Abstract

本发明公开了一种含可再生能源的微网鲁棒多目标运行优化方法，包括采集微网运行信息，生成微网运行中不确定性实施场景，根据微网属性，构建鲁棒多目标模型，将其与不确定性实施场景输入到两阶段求解策略中，对不确定性场景下内层最大优化问题和运行方案下外层最小优化问题分别迭代求解，直到满足终止条件退出循环，形成最优运行方案集合，依据实时预测数据，选出最优运行策略。在最坏不确定性情况下经济与环境的最优鲁棒非支配前沿能够获得。与现有的运行优化方法相比，本发明提供的运行优化方法实现了在多目标框架下对微网运行中不确定性的干扰抑制。

Description

一种含可再生能源的微网鲁棒多目标运行优化方法

技术领域

本发明涉及一种含可再生能源的微网鲁棒多目标运行优化方法。

背景技术

鉴于微网具有高效的能源利用和较高的经济环境效益，目前已在电力和能源领域得到广泛认可。而且它被认为是能源互联网的重要组成部分，甚至被视为是偏远地区和城市工业园中大电网的有力替代者。然而伴随着可再生能源渗透率和负荷不确定性的增高，导致微网运行严重偏离最佳经济和环境效益，而且供求不平衡的情况也时常发生。因此，合理调度微网中分布式电源出力显的尤为关键。

此外，现有运行技术缺少对微网运行中不确定性和多目标属性的综合考虑，所产生的最佳运行方案无法在多目标框架下消除不确定因素的影响，难以满足实际运行需求。

发明内容

本发明为了解决上述问题，提出了一种含可再生能源的微网鲁棒多目标运行优化方法，该方法针对含可再生能源的微网，该类型微网为包含光伏、地源热泵、燃气轮机冷热电联供和蓄电池储能的并网型微网，考虑到可再生能源间歇性和负荷不确定性，建立计及经济效益和环境效益的微网鲁棒多目标运行优化模型，能够克服微网运行中不确定性因素的干扰，实现经济和环境效益最大化。

为了实现上述目的，本发明采用如下技术方案：

一种含可再生能源的微网鲁棒多目标运行优化方法，包括：采集微网运行信息，生成微网运行中不确定性实施场景，根据微网属性，构建鲁棒多目标模型，将其与不确定性实施场景输入到两阶段求解策略中，对不确定性场景下内层最大优化问题和运行方案下外层最小优化问题分别迭代求解，直到满足终止条件退出循环，形成最优运行方案集合，依据实时预测数据，选出最优运行策略。

上述方法具体包括以下步骤：

(1)采集分布式电源设备信息、市场信息和不确定性信息，将其作为优化参数；

(2)根据系统多目标属性，构建运行费用和二氧化碳排放的多目标，根据不确定性的鲁棒区间约束，进行区间划分和蒙特卡抽样，生成不确定性场景；

(3)构建系统模型和场景样本，采用多目标交叉熵算法，求解多目标的逆问题，确定每个运行方案下最坏的不确定性场景；采用ε+指示器和交叉熵方法，求解在以运行方案为决策变量下的外层多目标最小问题，确定最大多目标下的最小多目标集合；

(4)根据微网的实时预测信息，从运行方案集合中选取一个最优运行策略。

所述步骤(1)中，微网的设备包括燃气轮机冷热电三联供、蓄电池、地源热泵和光伏电池，其具体方法包括：

1)根据设备型号和技术特征，确定三联供设备的输出功率限额和启停时间消耗，确定蓄电池的荷电状态和充放电功率限额，确定地源热泵的输出功率限额；

2)根据微网外部的市场环境，确定当地执行的分时电价情况，确定天然气气价情况，确定碳排放惩罚情况；

3)根据监测统计的光照信息和负荷需求信息，计算出一天各个时段的光伏出力和负荷需求的平均值，其中负荷包括了电负荷、冷负荷和热负荷。

所述步骤(2)中，具体包括：

(2-1)根据系统多目标属性，构建运行费用和二氧化碳排放的多目标，其中运行费用包括了燃料消耗费用、维护费用、电网交互费用、蓄电池折旧费用和需求缺额惩罚费用，碳排放包括电网的火力发电二氧化碳排放和微网的天然气二氧化碳排放；

(2-2)根据采集环节的数据，建立三联供的输出功率和启停约束，建立地源热泵的输出功率和启停约束，建立蓄电池的功率和荷电状态约束，建立微网供求功率平衡和旋转备用约束，建立不确定性的鲁棒区间约束；

(2-3)根据不确定性的鲁棒集合，采用区间划分和蒙特卡洛抽样技术生成不确定性场景样本。

所述步骤(2-3)中，具体方法包括：

(2-3-1)根据生成的光伏出力和负荷需求的鲁棒集合，将每一时刻的鲁棒集合均匀划分为若干等份；

(2-3-2)采用蒙特卡洛抽样技术从每一份中抽取同样数目的样本数，逐一构成运行周期内光伏出力的场景样本和负荷场景样本。

所述步骤(3)中，具体包括：

(3-1)根据系统模型和场景样本，采用多目标交叉熵算法，求解多目标的逆问题，在以不确定性场景为决策变量下的内层多目标最大问题，确定每个运行方案下最坏的不确定性场景；

(3-2)采用ε+指示器和交叉熵方法，求解在以运行方案为决策变量下的外层多目标最小问题，确定最大多目标下的最小多目标集合。

所述步骤(3-1)中，具体方法包括：

(3-1-1)根据约束条件生成运行方案样本，并生成不确定性场景的概率密度函数；

(3-1-2)采用非支配解排序和拥挤距离排序技术在多目标空间中搜索每个运行方案的非支配场景；

(3-1-3)采用重要性抽样技术，确定非支配场景的Pareto前沿为精英解集，并同时生成对应的结尾正态分布概率密度函数；

(3-1-4)生成下一代样本，并计算个体的适应度值，判别概率密度函数中方差的收敛条件，满足收敛条件则输出最优解，否则返回步骤(3-1-2)。

所述步骤(3-1)中，进一步包括：

1)依据参数输入，初始化外层决策变量(蓄电池和地源热泵出力)，初始化内层决策变量即不确定性，初始化算法中的参数，确定外层迭代次数和内层迭代次数；

2)依次将不确定性鲁棒区间均匀划分，依据不确定性场景样本数量，采用蒙特卡洛随机抽样技术获取每个区间内的场景样本；

3)计算生成的不确定性场景样本的概率密度函数；

4)在生成的不确定性场景下，针对初始化的每个运行方案，计算多目标函数值；

5)采用非支配解排序技术找出每个运行方案下，不确定性场景的支配前沿排序；

6)依据设定的不确定性场景样本分位点，采用拥挤距离排序对每个前沿上的不确定性场景进行排序；

7)依据产生的不确定性场景精英解集生成概率密度分布函数，判定内层中断条件；满足则内层优化完毕，否则在新生成的概率密度函数的基础上产生新的不确定性场景样本，返回步骤2)；

8)依次对所有生成的运行方案实施内层优化，确定每个方案的最坏情况，即多目标空间里的最外沿。

所述步骤(3-2)中，具体包括：

(3-2-1)采用ε+指示器中的集合最小距离和代理适应度，在多目标空间中搜索鲁棒非支配前沿，每个集合包括一个运行方案和其相应的最坏不确定性场景；

(3-2-2)采用重要性抽样技术，确定非支配前沿集合中运行方案为精英解集，并同时生成对应的概率密度函数；

(3-2-3)生成下一代样本，并计算个体的适应度值，进入判别条件，满足终止条件则输出最优解集，否则返回步骤(3-2-3)。

代理适应度是指同一前沿上集合之间的支配距离。

所述步骤(4)中，依据实时的预测数据，给出不确定性的波动范围，将集合中的运行方案和不确定性带入多目标函数，计算每个运行方案的经济效益和环境效益，确定每个效益的权重值，对比每个方案的整体效益，选择最优方案。

本发明的有益效果为：

(1)本发明针对包含可再生能源在内的多能源互补发电的微网，在现实中广泛存在，因此，发明具有现实意义；

(2)本发明考虑了微网运行下所有可能发生的不确定性因素，使得对微网运行处理更为全面；

(3)本发明采用鲁棒集合描述不确定性，不需要依赖概率性信息和先验知识，方法简便客观；

(4)本发明对不确定性的出力和多目标优化同时进行，内层趋向最大，外层趋向最小，所提运行优化方法层次清晰、计算便捷，更具实用性。

附图说明

图1为本发明微网鲁棒多目标运行优化方法的框架示意图；

图2为本发明研究的微网系统结构图；

图3为本发明实施地区夏季典型日冷、电负荷曲线图；

图4为本发明实施地区夏季典型日光伏电池发电预测曲线图；

图5为本发明鲁棒多目标运行优化算法流程图；

图6为本发明内层最大值多目标优化效果图；

图7为本发明外层最小值多目标优化效果图；

图8为最佳运行方案选取示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

如图1所示，本发明包括：

1.微网运行优化方法的数据采集环节，包括系统内分布式电源的设备信息(容量、启停时间)、市场信息(分时电价、天然气价、碳排放系数)、不确定性信息(可再生能源间歇出力、负荷随机需求)；同时这些数据将作为参数输入到运行优化环节；

2.微网运行优化方法的调度优化环节，包括不确定性场景生成、鲁棒多目标模型构建、两阶段求解策略；最后所获得的最优鲁棒非支配前沿(最优运行方案集合)将作为参数输入到决策分析环节；

3.微网运行优化方法的决策分析环节，由决策者依据微网的实时预测信息和自身判断，从最优运行方案集合中选取一个最优运行策略。

其中，所述微网的设备包括燃气轮机冷热电三联供、蓄电池、地源热泵和光伏电池，步骤1包括：

1.1根据设备型号和技术特征，确定三联供设备的输出功率限额和启停时间消耗，确定蓄电池的荷电状态和充放电功率限额，确定地源热泵的输出功率限额；

1.2根据微网外部的市场环境，确定当地执行的分时电价情况，确定天然气气价情况，确定碳排放惩罚情况；

1.3根据监测统计的光照信息和负荷需求信息，计算出一天各个时刻的光伏出力和负荷需求的平均值，其中负荷包括了电负荷、冷负荷和热负荷。

其中，微网的多目标包含两个目标特征，即经济效益和环境效益。步骤2包括：

2.1根据系统多目标属性，构建运行费用和二氧化碳排放的多目标，其中运行费用包括了燃料消耗费用、维护费用、电网交互费用、蓄电池折旧费用和需求缺额惩罚费用，碳排放包括电网的火力发电二氧化碳排放和微网的天然气二氧化碳排放；

2.2根据采集环节的数据，建立三联供的输出功率和启停约束，建立地源热泵的输出功率和启停约束，建立蓄电池的功率和荷电状态约束，建立微网供求功率平衡和旋转备用约束，建立不确定性的鲁棒区间约束；

2.3根据不确定性的鲁棒集合，采用区间划分和蒙特卡洛抽样技术生成不确定性场景样本；

2.4根据系统模型构建和场景样本，采用多目标交叉熵算法，求解多目标的逆问题，即在以不确定性场景为决策变量下的内层多目标最大问题，产生每个运行方案下最坏的不确定性场景；

2.5采用ε+指示器和交叉熵方法，求解在以运行方案为决策变量下的外层多目标最小问题，确定最大多目标的最小多目标集合，即运行方案集合。

其中，步骤2.3包括：

2.3.1根据生成的光伏出力和负荷需求的鲁棒集合，将每一时刻的鲁棒集合均匀划分为10等份；

2.3.2采用蒙特卡洛抽样技术从每一份中抽取同样数目的样本数，逐一构成运行周期内光伏出力的场景样本和负荷场景样本。

其中，步骤2.4包括：

2.4.1根据约束条件生成运行方案样本，并生成不确定性场景的概率密度函数；

2.4.2采用非支配解排序和拥挤距离排序技术在多目标空间搜索每个运行方案的非支配场景，搜索方向定为最大值方向；

2.4.3采用重要性抽样技术，确定非支配场景的前沿为精英解集，并同时生成对应的概率密度函数；

2.4.4生成下一代样本，并计算个体的适应度值，进入判别条件，满足终止条件则输出最优解，否则返回步骤2.4.2。

其中，步骤2.5包括：

2.5.1采用ε+指示器中的集合最小距离和代理适应度技术，在多目标空间中搜索鲁棒非支配前沿集合，搜索方向定位最小值方向，每个集合包括一个运行方案和其相应的最坏场景；

2.5.2采用重要性抽样技术，确定非支配前沿集合中运行方案为精英解集，并同时生成对应的概率密度函数；

2.5.3生成下一代样本，并计算个体的适应度值，进入判别条件，满足终止条件则输出最优解集，否则返回步骤2.5.1。

本发明以含有燃气轮机三联供、地源热泵、光伏电池和蓄电池的微网为研究系统，如图2所示。从经济角度和环境角度建立多目标模型，并考虑系统内可能存在光伏出力和负荷需求不确定性。最后，依据系统内分布式单元的具体运行特性，构建综合的微网鲁棒多目标运行优化模型。针对模型采用双层优化求解策略，得到最优鲁棒非支配前沿，生成最优运行方案集合。

1.目标函数

1)总的经济花费

$F_1=\underset{t=1}{\overset{T}{\Σ}}\left\{\begin{array}{c}{c}_{fuel}f\left(t\right)+\[c_{tu}{Q}_{tu}\left(t\right)+c_{hp}{Q}_{hp}\left(t\right)\]+c_{bt}{E}_{bt}\left(t\right)\\ +\[y_g{c}_{buy}{E}_g\left(t\right)-\left(1-y_g\right)c_{sell}{E}_g\left(t\right)\]+\[c_e{E}_s\left(t\right)+c_q{Q}_s\left(t\right)\]\end{array}\right\}---\left(1\right)$

式中：T是整个运行周期，t是时间指示(t＝1,…,T)，c_fuel是天然气价格，f是天然气消耗量，c_tu和c_hp是冷热电联供和地源热泵的维护系数，Q_tu和Q_hp是冷热电三联供和地源热泵的出热量，c_bt是蓄电池折旧系数，E_bt是蓄电池的充放电功率，E_g是微网与电网的交互功率，c_buy和c_sell是买电和卖电电价，y_g是买电和卖电的状态，取y_g∈(0,1)，c_e和c_q为负荷缺额惩罚系数，E_s和Q_s是电功率和热功率缺额。

2)二氧化碳排放

$F_2=\underset{t=1}{\overset{T}{\Σ}}\[{\mathrm{\η}}_g{E}_g\left(t\right)+{\mathrm{\η}}_{f}f\left(t\right)\]---\left(2\right)$

式中：η_g和η_f是电网和天然气二氧化碳的排放系数。

3)结合鲁棒特性的微网多目标

$\underset{E_{bt},Q_{hp}}{min}\underset{E_{pv},E_d,Q_{dh},Q_{dc}}{max}(F_1,F_2)---\left(3\right)$

式中：光伏出力E_pv、电负荷需求E_d、热冷负荷需求Q_dh和Q_dc为系统的摄动参数，是内层最大问题的决策变量；E_bt和Q_hp是外层最小问题的决策变量。

2.约束条件

1)系统供需约束

$\left\{\begin{array}{c}{E}_{pv}\left(t\right)+E_{tu}\left(t\right)+E_g\left(t\right)+E_{bt}\left(t\right)+E_s\left(t\right)=E_d\left(t\right)+E_{hp}\left(t\right)\\ Q_{tu}\left(t\right)+Q_{hp}\left(t\right)+Q_s\left(t\right)=Q_{dh}\left(t\right)\\ Q_{tu}\left(t\right)+Q_{hp}\left(t\right)+Q_s\left(t\right)=Q_{dc}\left(t\right)\\ E_{pv}\left(t\right)+E_{tu}^{\max }\left(t\right)+E_{bt}\left(t\right)\≥E_d\left(t\right)+R\left(t\right)\end{array}\right.---\left(4\right)$

式中包含电热冷的供需平衡和系统旋转备用约束，R是最大负荷波动量。E_d和Q_dc是电负荷和冷负荷如图3所示，热负荷Q_dh在夏季工况中被忽略，E_pv是光伏电池功率输出，如图4所示。E_tu是三联供单元的电力输出。

2)冷电三联供约束

$\left\{\begin{array}{c}{E}_{tu}^{\min }\≤E_{tu}\left(t\right)\≤E_{tu}^{\max }\\ -{\mathrm{\ΔE}}_{tu}^{down}\≤{\mathrm{\ΔE}}_{tu}\left(t\right)\≤{\mathrm{\ΔE}}_{tu}^{up}\\ Q_{tu}^{\min }\≤Q_{tu}\left(t\right)\≤Q_{tu}^{\max }\\ \begin{array}{cc}{t}_{mt}^{\min }\≤{\mathrm{\Δt}}_{mt}& {\mathrm{\Δt}}_{mt}\∈\[0,T\]\end{array}\end{array}\right.---\left(5\right)$

式中：ΔE_tu是燃气轮机的爬坡速率，Δt_mt是燃气轮机的启停间隔时间。ΔE_tu ^up是爬坡上限，ΔE_tu ^down是爬坡下限。min代表了最小，max代表了最大。

3)地源热泵约束

$\left\{\begin{array}{c}{Q}_{hp}^{\min }\≤Q\left(t\right)\≤Q_{hp}^{\max }\\ \begin{array}{cc}{t}_{hp}^{\min }\≤{\mathrm{\Δt}}_{hp}& {\mathrm{\Δt}}_{hp}\∈\[0,T\]\end{array}\end{array}\right.---\left(6\right)$

式中：Δt_hp是地源热泵的启停间隔时间。

4)储能约束

$\left\{\begin{array}{c}{E}_{bt}^{ch,\min }\≤E_{bt}^{ch}\left(t\right)\≤E_{bt}^{ch,\max }\\ 0\≤E_{bt}^{dis}\left(t\right)\≤E_{bt}^{dis,\max }\\ {\mathrm{SOC}}^{\min }\≤SOC\left(t\right)\≤{\mathrm{SOC}}^{\max }\\ SOC\left(0\right)=SOC\left(T\right)\end{array}\right.---\left(7\right)$

式中：E_bt ^ch和E_bt ^dis是蓄电池的充电和放电功率，SOC是蓄电池的荷电状态。

5)电网约束

$E_g^{\min }\≤E_g\left(t\right)\≤E_g^{\max }---\left(8\right)$

6)不确定性鲁棒约束

$\left\{\begin{array}{c}{E}_{pv}\left(t\right)\∈\[E_{pv}^1\left(t\right),E_{pv}^u\left(t\right)\]\\ E_d\left(t\right)\∈\[E_d^1\left(t\right),E_d^u\left(t\right)\]\\ Q_{dc}\left(t\right)\∈\[Q_{dc}^1\left(t\right),Q_{dc}^u\left(t\right)\]\\ Q_{dh}\left(t\right)\∈\[Q_{dh}^1\left(t\right),Q_{dh}^u\left(t\right)\]\end{array}\right.---\left(9\right)$

式中：l和u分别代表鲁棒集合中的上下限。

3.鲁棒多目标双层求解方法

结合已获知的输入参数和上述的鲁棒多目标运行优化模型，设计外层求解最大多目标和内层求解最小多目标的求解策略，并在初始样本生成方面加入区间划分机制，算法整体流程图如图5所示。主要流程如下：

1)依据参数输入，初始化外层决策变量(蓄电池和地源热泵出力)，初始化内层决策变量(不确定性)，初始化算法中的参数，确定外层迭代次数和内层迭代次数；

2)依次将不确定性鲁棒区间均匀划分，依据不确定性场景样本数量，采用蒙特卡洛随机抽样技术获取每个区间内的场景样本；

3)计算生成的不确定性场景样本的概率密度函数；

4)在生成的不确定性场景下，针对初始化的每个运行方案，计算多目标函数值；

5)采用非支配解排序技术找出每个运行方案下，不确定性场景的支配前沿排序；

6)依据设定的不确定性场景样本分位点，采用拥挤距离排序对每个前沿上的不确定性场景进行排序；

7)依据产生的不确定性场景精英解集生成概率密度分布函数，判定内层中断条件；满足则内层优化完毕，否则在新生成的概率密度函数的基础上产生新的不确定性场景样本，返回步骤2；

8)依次对所有生成的运行方案实施上述的内层优化，确定每个方案的最坏情况，即多目标空间里的最外沿；

9)通过上述步骤，多目标空间存在的集合数量等于运行方案样本个数，每个集合由一个运行方案和它自身最坏场景组成，依次采用ε+指示器对比集合的鲁棒支配和非支配关系；

10)计算处在同一前沿上集合之间的支配距离，即设定为代理适应度，从而排列出同一前沿上集合的最优序列；

11)依据设定的运行方案样本分位点，选取精英解集，并生成对应的概率密度函数；

12)判断外层循环退出条件，满足则退出整个算法，否则重新生成新的运行方案样本，返回步骤2。

4.最优运行方案产生

通过上述步骤，最优运行方案的集合被选出，它们将作为决策分析环节的输入，由决策者挑选最佳方案。首先依据实时的预测数据，给出不确定性的波动范围；其次，将这些运行方案和不确定性带入多目标函数，计算其经济效益和环境效益；对比每个方案的整体效益，最后由决策者依据自身判断选出最佳运行方案，如图8所示。

5.实施例分析

运用本发明所述运行方法对多能源互补型微网运行实施优化，该微网包含燃气轮机冷电三联供、地源热泵、光伏电池和蓄电池。微网运行工况为夏季特定的一天，其负荷用户为两座综合性写字楼。日冷、电负荷分布情况如图3所示，光伏出力情况如图4所示。购电采用分时电价如表1所示，买电采用单一电价，为1.12￥/kW·h。系统内分布式单元参数如表2所示。

表1分时电价

表2分布式单元参数

微网鲁棒多目标运行内层优化如图6所示，图中分别展示了内层迭代在12次和28次的优化结果。表明针对一个运行方案，其不确定场景被优化至多目标空间的外层(非支配前沿)。由方块表示的场景明显大于由叉号表示的场景，且排列紧密。此图显示出所提方法能够找到每个运行方案下的最坏场景集合，也表明了算法具有较好的收敛性。

微网鲁棒多目标运行外层优化如图7所示，图中分别展示了外层迭代在20次和45次的优化结果。由运行方案和不确定场景组成一个集合，这些集合经过多次迭代收敛到鲁棒非支配前沿(由圆点表示)。显示出所提方法能够找到最坏集合里的最好集合，其具有较好的收敛性。

设定不确定性的鲁棒区间波动为20％。选出上面所得到最优集合里的运行方案，即最优运行方案集合。将这些方案带入到不确定性波动为20％的最坏场景下，其优化结果如图8所示。可以看到A点和B点是多目标空间里的最佳点，此时决策者要依据自身的选择，如果是环境最优则选B运行方案，如果是经济最优则选A方案。可以看到，经过鲁棒多目标优化，这些运行方案都具有较好的鲁棒性，因此他们都分布在一个较小的多目标区域中。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：包括：采集微网运行信息，生成微网运行中不确定性实施场景，根据微网属性，构建鲁棒多目标模型，将其与不确定性实施场景输入到两阶段求解策略中，对不确定性场景下内层最大优化问题和运行方案下外层最小优化问题分别迭代求解，直到满足终止条件退出循环，形成最优运行方案集合，依据实时预测数据，选出最优运行策略。

2.一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：具体包括以下步骤：

(1)采集分布式电源设备信息、市场信息和不确定性信息，将其作为优化参数；

(2)根据系统多目标属性，构建运行费用和二氧化碳排放的多目标，根据不确定性的鲁棒区间约束，进行区间划分和蒙特卡抽样，生成不确定性场景；

(3)构建系统模型和场景样本，采用多目标交叉熵算法，求解多目标的逆问题，确定每个运行方案下最坏的不确定性场景；采用ε+指示器和交叉熵方法，求解在以运行方案为决策变量下的外层多目标最小问题，确定最大多目标下的最小多目标集合；

(4)根据微网的实时预测信息，从运行方案集合中选取一个最优运行策略。

3.如权利要求2所述的一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：所述步骤(1)中，微网的设备包括燃气轮机冷热电三联供、蓄电池、地源热泵和光伏电池，其具体方法包括：

1)根据设备型号和技术特征，确定三联供设备的输出功率限额和启停时间消耗，确定蓄电池的荷电状态和充放电功率限额，确定地源热泵的输出功率限额；

2)根据微网外部的市场环境，确定当地执行的分时电价情况，确定天然气气价情况，确定碳排放惩罚情况；

3)根据监测统计的光照信息和负荷需求信息，计算出一天各个时段的光伏出力和负荷需求的平均值，其中负荷包括了电负荷、冷负荷和热负荷。

4.如权利要求2所述的一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：所述步骤(2)中，具体包括：

(2-1)根据系统多目标属性，构建运行费用和二氧化碳排放的多目标，其中运行费用包括了燃料消耗费用、维护费用、电网交互费用、蓄电池折旧费用和需求缺额惩罚费用，碳排放包括电网的火力发电二氧化碳排放和微网的天然气二氧化碳排放；

(2-2)根据采集环节的数据，建立三联供的输出功率和启停约束，建立地源热泵的输出功率和启停约束，建立蓄电池的功率和荷电状态约束，建立微网供求功率平衡和旋转备用约束，建立不确定性的鲁棒区间约束；

(2-3)根据不确定性的鲁棒集合，采用区间划分和蒙特卡洛抽样技术生成不确定性场景样本。

5.如权利要求4所述的一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：所述步骤(2-3)中，具体方法包括：

(2-3-1)根据生成的光伏出力和负荷需求的鲁棒集合，将每一时刻的鲁棒集合均匀划分为若干等份；

(2-3-2)采用蒙特卡洛抽样技术从每一份中抽取同样数目的样本数，逐一构成运行周期内光伏出力的场景样本和负荷场景样本。

6.如权利要求2所述的一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：所述步骤(3)中，具体包括：

(3-1)根据系统模型和场景样本，采用多目标交叉熵算法，求解多目标的逆问题，在以不确定性场景为决策变量下的内层多目标最大问题，确定每个运行方案下最坏的不确定性场景；

(3-2)采用ε+指示器和交叉熵方法，求解在以运行方案为决策变量下的外层多目标最小问题，确定最大多目标下的最小多目标集合。

7.如权利要求6所述的一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：所述步骤(3-1)中，具体方法包括：

(3-1-1)根据约束条件生成运行方案样本，并生成不确定性场景的概率密度函数；

(3-1-2)采用非支配解排序和拥挤距离排序技术在多目标空间中搜索每个运行方案的非支配场景；

(3-1-3)采用重要性抽样技术，确定非支配场景的Pareto前沿为精英解集，并同时生成对应的结尾正态分布概率密度函数；

(3-1-4)生成下一代样本，并计算个体的适应度值，判别概率密度函数中方差的收敛条件，满足收敛条件则输出最优解，否则返回步骤(3-1-2)。

8.如权利要求6所述的一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：所述步骤(3-1)中，进一步包括：

1)依据参数输入，初始化外层决策变量，初始化内层决策变量即不确定性，初始化算法中的参数，确定外层迭代次数和内层迭代次数；

2)依次将不确定性鲁棒区间均匀划分，依据不确定性场景样本数量，采用蒙特卡洛随机抽样技术获取每个区间内的场景样本；

3)计算生成的不确定性场景样本的概率密度函数；

4)在生成的不确定性场景下，针对初始化的每个运行方案，计算多目标函数值；

5)采用非支配解排序技术找出每个运行方案下，不确定性场景的支配前沿排序；

6)依据设定的不确定性场景样本分位点，采用拥挤距离排序对每个前沿上的不确定性场景进行排序；

7)依据产生的不确定性场景精英解集生成概率密度分布函数，判定内层中断条件；满足则内层优化完毕，否则在新生成的概率密度函数的基础上产生新的不确定性场景样本，返回步骤2)；

8)依次对所有生成的运行方案实施内层优化，确定每个方案的最坏情况，即多目标空间里的最外沿。

9.如权利要求6所述的一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：

所述步骤(3-2)中，具体包括：

(3-2-1)采用ε+指示器中的集合最小距离和代理适应度，在多目标空间中搜索鲁棒非支配前沿，每个集合包括一个运行方案和其相应的最坏不确定性场景；

(3-2-2)采用重要性抽样技术，确定非支配前沿集合中运行方案为精英解集，并同时生成对应的概率密度函数；

(3-2-3)生成下一代样本，并计算个体的适应度值，进入判别条件，满足终止条件则输出最优解集，否则返回步骤(3-2-3)。

10.如权利要求2所述的一种含可再生能源的微网鲁棒多目标运行优化方法，其特征是：所述步骤(4)中，依据实时的预测数据，给出不确定性的波动范围，将集合中的运行方案和不确定性带入多目标函数，计算每个运行方案的经济效益和环境效益，确定每个效益的权重值，对比每个方案的整体效益，选择最优方案。