CN116707016A - 基于场景生成和削减的风光氢储日前随机优化调度方法 - Google Patents

Abstract

本发明涉及基于场景生成和削减的风光氢储日前随机优化调度方法，包括如下步骤：首先，基于自回归移动平均模型进行场景生成，并在已有生成场景的基础上，利用Kantorovich距离进行场景削减；其次，以各微电网运行成本最小为目标建立随机优化调度模型，并分析多微网优化调度模型的多个等式和不等式约束条件；最后，基于IEEE‑24节点系统算例，采用求解器进行模型求解，并对典型场景和采用场景处理的模型进行对比分析。该方法采用场景生成和削减技术模拟日前市场价格波动，可以有效减小微电网运行成本，且风光氢储配合能源交易市场优化运行，能够及时响应负荷需求以及减小负荷减载量，且可以减小弃风和弃光带来的能源浪费，能够有效提高多微网系统运行的整体经济性。

Description

基于场景生成和削减的风光氢储日前随机优化调度方法

技术领域

本发明属于微电网优化调度技术领域，具体涉及基于基于场景生成和削减的风光氢储日前随机优化调度方法。

背景技术

微电网将区域内分布式电源、用户侧负荷、管理控制设备以及一些其它能量转换设备整合成一个独立的小型电网系统，能够为服务范围内的用户提供电能和其它服务。微电网可以通过控制内部分布式电源的出力和储能设备来快速响应用户侧负荷需求，此外微电网对内部设备的集中控制有效降低了分布式电源出力的不确定性。对大电网来说微电网是一个虚拟发电厂，既可以在电网负荷较高时提供部分电能支持，又可以在负荷低谷期间对自身储能充电起到削峰填谷的作用。对用户来说微电网是一个随时可以接入的小型配电系统，可以保证负荷中的关键负荷不因输电中止而停止工作。在大电网输电线路出现差错时，微电网能够与自身储能设备协同运行为重要负荷正常运行提供可靠支撑，减少因大电网停电带来的损失，提高电网的安全稳定性。

微电网优化调度作为微电网一项核心技术，是应对可再生能源和负荷不确定性、保障微电网经济可靠运行的重要支撑。考虑日前市场价格波动的不确定性，在能源交易市场参与下，建立日前随机优化调度模型，利用不同能源的互补特性提高电力系统风光消纳能力。对于丰富电力系统调度的随机优化方法和决策体系具有理论意义，为风光高占比多能源电力系统调度运行奠定理论基础，对促进新能源消纳，减少弃风、弃光电量以及降低因供能不足导致的负荷减载增加具有极为重要的现实意义。

发明内容

现有研究多考虑源荷两端的不确定性对微电网进行优化调度，部分研究加入多场景分析技术，但均模拟的是源荷两端的不确定性，目前少有研究考虑氢储能以及能源交易市场参与微网进行日前优化调度，为克服现有技术的不足，本发明提出基于场景生成和削减的风光氢储日前随机优化调度方法，该方法采用场景生成和削减技术模拟日前市场价格波动，可以有效减小微电网运行成本，且风光氢储配合能源交易市场优化运行，能够及时响应负荷需求以及减小负荷减载量，同时可以减小弃风和弃光带来的能源浪费，能够有效提高多微网系统运行的整体经济性。该方法包括以下几个步骤：首先，基于自回归移动平均模型进行场景生成，并在已有生成场景的基础上，利用Kantorovich距离进行场景削减；其次，以各微电网运行成本最小为目标建立随机优化调度模型，并分析多微网优化调度模型的多个等式和不等式约束条件；最后，基于IEEE-24节点系统算例，采用求解器进行模型求解，并对典型场景和采用场景处理的模型进行对比分析。

本发明采用的技术方案为：基于场景生成和削减的风光氢储日前随机优化调度方法，分别为：

S1：基于自回归移动平均的场景生成模型；

S2：在已有生成场景的基础上，利用Kantorovich距离进行场景削减；

S3：以各微电网运行成本最小为目标建立随机优化调度模型；

S4：分析多微网优化调度模型的多个等式和不等式约束条件。

具体的，所述S1：基于自回归移动平均的场景生成模型。为了模拟日前市场价格波动场景，同时考虑到求解模型的不确定性，可采用随机规划方法预测不确定参数的各种状态，以便在不确定性模型中做出最优决策，其中自回归移动平均模型(ARIMA)可用于解决随机规划问题。本发明采用ARIMA模型生成多个日前市场价格波动场景，其数学模型表达式为：

式中，m、n分别表示为自回归和滑动平均的阶数；u_k、v_k分别为自回归和滑动平均参数；μ_t为误差项，服从均值为0，方差为σ²的正态分布；s表示场景索引；B为后移算子。

具体的，所述S2：在已有生成场景的基础上，利用Kantorovich距离进行场景削减。基于S1中场景生成数学模型生成多个日前市场价格波动场景，场景的维度将会大幅增加，随后对不必要的场景进行削减，避免大量的场景增加系统的复杂度和计算负担。通过计算生成的各个场景间Kantorovich Distance(KD)进行削减。具体原理为：

假设D为场景的初始集合，J为从D中削减的场景集合。计算D中每对场景的KD，形成由每个场景和其他所有KD组成的场景距离矩阵(A_KDM)。场景s_i和s_j之间的KD定义如下：

T_KD＝||s_i-s_j||₂i,j＝1,2,…,N_s

对于每一个场景s_i，计算求得距离其最近的场景s_j，即两场景之间的距离为min{T_KD(s_i,s_j)}，距离s_i最近的场景会在A_KDM中标记。随后，根据每个场景对应的最小距离，计算对应的概率距离，计算公式为：

式中，为评估场景s_i发生的概率。

最后，计算每一个待评估场景的概率距离，求出所有待评估场景中概率距离的最小值，进而找到其对应的待评估场景和已标记距离其最近的场景，同时将待评估场景从D中删除并添加到J中。

将上述待评估的场景削减后，将待评估场景的概率加到上述标记的距离待评估场景最近的场景概率上，并重新更新A_KDM，直到满足保留场景数为止。

具体的，所述S3：以各微电网运行成本最小为目标建立随机优化调度模型。为了最大化微电网在日前市场中的经济效益，建立微电网m的运行成本目标函数，具体表达式为：

式中，分别表示t时刻微电网m在s场景下电转氢和氢转电量；/>表示t时刻微电网m日前市场的能源销量；/>分别表示系统中能源需求量和负荷减载量；/>表示能源销售价格；/>表示日前市场价格；/>表示负荷减载价格；φ_s表示场景s的概率，等价于/> 表示氢储能系统中电转氢成本函数的系数；/>表示氢储能系统中氢转电成本函数的系数；N_s、N_T、N_B分别表示场景数、时间段和母线的数量。

具体的，所述S4：分析多微网随机优化调度模型的多个等式和不等式约束条件。约束条件及具体模型包括以下8个部分：

(1)系统功率平衡等式约束。多微网中通过风电机组、光伏发电系统、氢储能系统以及与能源交易市场间增加系统功率，通过氢储能系统、向日前市场售电、向能源交易市场传输功率、负荷消耗、功率损耗、负荷减载减小功率，微网中功率平衡的等式条件为：

式中，分别表示t时刻光伏系统和风机的出力；N_m表示微电网的数量；P_t ^Loss表示t时刻微电网的功率损耗；/>表示t时刻从能源交易市场传输到微电网m的功率；表示t时刻从微电网m传输到能源交易市场的功率。

(2)光伏发电功率约束。光伏发电功率约束不等式为：

式中，表示t时刻微电网m中光伏发电系统的输出功率；/>分别表示光伏发电系统的尺寸系数以及发电效率；/>表示t时刻光照强度。

(3)风力发电功率约束。t时刻微电网m中风力发电系统的输出功率为：

式中，V_t表示t时刻的风速；表示额定额定发电功率；/>别表示额定风速、切入风速、切出风速；γ₁、γ₂、γ₃涡轮机的模型系数。

(4)氢储能系统等式及不等式约束。当电网功率不平衡或售电价格较高时，可以通过氢储能系统向电网提供所需的电能，且假设所有的氢都转化为了电能输入到电网，目标函数需要满足以下等式和不等式约束。其中，氢储能系统中需要满足的平衡等式为：

式中，表示微电网m在时刻t氢储能系统中存储的氢能；η^HP、η^PH分别表示氢转电和电转氢的效率。

电转氢和氢转电的不等式约束为：

式中，分别表示氢储能系统的氢转电和电转氢状态的二进制变量，氢储能系统在这两种状态下运行，但无法在同一时间完成氢转电和电转氢，因此需要满足以下不等式约束：

氢储能系统中，储氢量需要满足以下等式和不等式约束：

式中，分别表示存储氢能的初始量、终止量。

(5)负荷需求侧能源管理等式及不等式约束。负荷需求侧用能包括实际需求消耗以及负荷减载，需要满足以下等式约束：

式中，母线i在时刻t的预测负荷量；/>为考虑弹性需求一日中负荷相对于预测值的偏移量，该值需要满足以下等式和不等式要求：

式中，ξ^max表示系统中占预测偏移量的比例。

同时，负荷减载量需要满足以下不等式约束：

式中，分别表示上下限值；/>分别表示预测负荷量的上下限值。

(6)日前市场的能源交易约束。约束不等式为：

式中，分别表示上下限值。

(7)潮流等式及不等式约束。t时刻在母线i处的有功和无功功率平衡方程为：

式中，分别表示时刻t母线i上注入的有功和无功功率；/>分别表示时刻母线上发出的有功和无功功率；/>表示负荷无功需求；/>表示系统中电容器产生的无功功率。其中，根据潮流方程，/>的具体计算公式为：

式中，V_i,t、V_j,t分别为母线i、j的电压幅值；δ_i,t、δ_j,t分别为母线i、j的电压幅值；Y_i,j、θ_i,j分别为母线间支路的导纳及相角。

系统中损耗等式约束为：

式中，R_i,j为母线间支路的电阻。

上述潮流方程还需要满足以下不等式约束，分别包括电容器组的无功输出、电压大小、相位角和复功率的上下限值(式中，含下标“l”表示下限值，含下标“u”表示上限值)：

(8)能源交易市场等式及不等式约束。负荷与能源交易市场之间无法在同一时间既从能源市场转移到负荷侧，又从负荷侧交易到能源市场中，因此需要满足以下不等式约束：

式中，分别表示从能源市场交易到负荷的有功、从负荷侧转移到能源交易市场的能源，为二进制量。且交易的功率需要满足以下不等式约束：

式中，乘以系数Θ表示可交易的最大功率量。

同时，能源交易市场也需要满足以下有功等式约束：

本发明的有益效果：现有研究多考虑源荷两端的不确定性对微电网进行优化调度，部分研究加入多场景分析技术，但均模拟的是源荷两端的不确定性，目前少有研究考虑氢储能以及能源交易市场参与微网进行日前优化调度，为克服现有技术的不足，本发明提出基于场景生成和削减的风光氢储日前随机优化调度方法，该方法采用场景生成和削减技术模拟日前市场价格波动，可以有效减小微电网运行成本，且风光氢储配合能源交易市场优化运行，能够及时响应负荷需求以及减小负荷减载量，同时可以减小弃风和弃光带来的能源浪费，能够有效提高多微网系统运行的整体经济性。

附图说明

图1为本发明的场景生成流程图；

图2为本发明的场景削减流程图；

图3为本发明的含有10个微网的IEEE-24节点系统；

图4为本发明的日前光照强度预测曲线；

图5为本发明的日前氢储能充放电、风机出力、负荷需求调度曲线；

图6为本发明的日前光伏发电系统出力与负荷减载量调度曲线；

图7为本发明的多微网与日前市场、能源交易市场的能源传输情况。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围，以下结合实施例具体说明。

本发明包括如下步骤：

如附图1所示场景生成流程，具体的，所述S1：基于自回归移动平均的场景生成模型。为了模拟日前市场价格波动场景，同时考虑到求解模型的不确定性，可采用随机规划方法预测不确定参数的各种状态，以便在不确定性模型中做出最优决策，其中自回归移动平均模型(ARIMA)可用于解决随机规划问题。本发明采用ARIMA模型生成多个日前市场价格波动场景，其数学模型表达式为：

式中，m、n分别表示为自回归和滑动平均的阶数；u_k、v_k分别为自回归和滑动平均参数；μ_t为误差项，服从均值为0，方差为σ²的正态分布；s表示场景索引；B为后移算子。

如附图2所示场景削减流程，具体的，所述S2：在已有生成场景的基础上，利用Kantorovich距离进行场景削减。基于S1中场景生成数学模型生成多个日前市场价格波动场景，场景的维度将会大幅增加，随后对不必要的场景进行削减，避免大量的场景增加系统的复杂度和计算负担。通过计算生成的各个场景间Kantorovich Distance(KD)进行削减。具体原理为：

假设D为场景的初始集合，J为从D中削减的场景集合。计算D中每对场景的KD，形成由每个场景和其他所有KD组成的场景距离矩阵(A_KDM)。场景s_i和s_j之间的KD定义如下：

T_KD＝||s_i-s_j||₂i,j＝1,2,…,N_s

对于每一个场景s_i，计算求得距离其最近的场景s_j，即两场景之间的距离为min{T_KD(s_i,s_j)}，距离s_i最近的场景会在A_KDM中标记。随后，根据每个场景对应的最小距离，计算对应的概率距离，计算公式为：

式中，为评估场景s_i发生的概率。

最后，计算每一个待评估场景的概率距离，求出所有待评估场景中概率距离的最小值，进而找到其对应的待评估场景和已标记距离其最近的场景，同时将待评估场景从D中删除并添加到J中。

将上述待评估的场景削减后，将待评估场景的概率加到上述标记的距离待评估场景最近的场景概率上，并重新更新A_KDM，直到满足保留场景数为止。

具体的，所述S3：以各微电网运行成本最小为目标建立随机优化调度模型。为了最大化微电网在日前市场中的经济效益，建立微电网m的运行成本目标函数，具体表达式为：

式中，分别表示t时刻微电网m在s场景下电转氢和氢转电量；/>表示t时刻微电网m日前市场的能源销量；/>分别表示系统中能源需求量和负荷减载量；/>表示能源销售价格；/>表示日前市场价格；/>表示负荷减载价格；φ_s表示场景s的概率，等价于/> 表示氢储能系统中电转氢成本函数的系数；表示氢储能系统中氢转电成本函数的系数；N_s、N_T、N_B分别表示场景数、时间段和母线的数量。

具体的，所述S4：分析多微网随机优化调度模型的多个等式和不等式约束条件。约束条件及具体模型包括以下8个部分：

(1)系统功率平衡等式约束。多微网中通过风电机组、光伏发电系统、氢储能系统以及与能源交易市场间增加系统功率，通过氢储能系统、向日前市场售电、向能源交易市场传输功率、负荷消耗、功率损耗、负荷减载减小功率，微网中功率平衡的等式条件为：

式中，分别表示t时刻光伏系统和风机的出力；N_m表示微电网的数量；P_t ^Loss表示t时刻微电网的功率损耗；/>表示t时刻从能源交易市场传输到微电网m的功率；表示t时刻从微电网m传输到能源交易市场的功率。

(2)光伏发电功率约束。光伏发电功率约束不等式为：

式中，表示t时刻微电网m中光伏发电系统的输出功率；/>分别表示光伏发电系统的尺寸系数以及发电效率；/>表示t时刻光照强度。

(3)风力发电功率约束。t时刻微电网m中风力发电系统的输出功率为：

式中，V_t表示t时刻的风速；表示额定额定发电功率；/>别表示额定风速、切入风速、切出风速；γ₁、γ₂、γ₃涡轮机的模型系数。

(4)氢储能系统等式及不等式约束。当电网功率不平衡或售电价格较高时，可以通过氢储能系统向电网提供所需的电能，且假设所有的氢都转化为了电能输入到电网，目标函数需要满足以下等式和不等式约束。其中，氢储能系统中需要满足的平衡等式为：

式中，表示微电网m在时刻t氢储能系统中存储的氢能；η^HP、η^PH分别表示氢转电和电转氢的效率。

电转氢和氢转电的不等式约束为：

式中，分别表示氢储能系统的氢转电和电转氢状态的二进制变量，氢储能系统在这两种状态下运行，但无法在同一时间完成氢转电和电转氢，因此需要满足以下不等式约束：

氢储能系统中，储氢量需要满足以下等式和不等式约束：

式中，分别表示存储氢能的初始量、终止量。

(5)负荷需求侧能源管理等式及不等式约束。负荷需求侧用能包括实际需求消耗以及负荷减载，需要满足以下等式约束：

式中，母线i在时刻t的预测负荷量；/>为考虑弹性需求一日中负荷相对于预测值的偏移量，该值需要满足以下等式和不等式要求：

式中，ξ^max表示系统中占预测偏移量的比例。

同时，负荷减载量需要满足以下不等式约束：

式中，分别表示上下限值；/>分别表示预测负荷量的上下限值。

(6)日前市场的能源交易约束。约束不等式为：

式中，分别表示上下限值。

(7)潮流等式及不等式约束。t时刻在母线i处的有功和无功功率平衡方程为：

式中，分别表示时刻t母线i上注入的有功和无功功率；/>分别表示时刻母线上发出的有功和无功功率；/>表示负荷无功需求；/>表示系统中电容器产生的无功功率。其中，根据潮流方程，/>的具体计算公式为：

式中，V_i,t、V_j,t分别为母线i、j的电压幅值；δ_i,t、δ_j,t分别为母线i、j的电压幅值；Y_i,j、θ_i,j分别为母线间支路的导纳及相角。

系统中损耗等式约束为：

式中，R_i,j为母线间支路的电阻。

上述潮流方程还需要满足以下不等式约束，分别包括电容器组的无功输出、电压大小、相位角和复功率的上下限值(式中，含下标“l”表示下限值，含下标“u”表示上限值)：

(8)能源交易市场等式及不等式约束。负荷与能源交易市场之间无法在同一时间既从能源市场转移到负荷侧，又从负荷侧交易到能源市场中，因此需要满足以下不等式约束：

式中，分别表示从能源市场交易到负荷的有功、从负荷侧转移到能源交易市场的能源，为二进制量。且交易的功率需要满足以下不等式约束：

式中，乘以系数Θ表示可交易的最大功率量。

同时，能源交易市场也需要满足以下有功等式约束：

以下对本发明的有效性进行验证：

为了验证和求解上述数学模型的有效性，采用IEEE-24节点多微网系统进行算例验证，分别在节点2、6、8、9、10、13、14、15、18、19接入微电网系统，各微网均配置光伏、风机、氢储能，系统中风力发电为主要电能来源，风机设置参数γ₁、γ₂、γ₃分别为0.123、0.096、0.018，切入风速为4m/s，切出风速为22m/s，额定风速为12.5m/s，并设定所有目标函数和约束条件中功率上限值为200MW、下限值为50MW、效率为0.8，目标函数中设置a、b、c的值分别为0.018元/MW²h、106.704元/WMh、1049.256元/h，其他参数按照默认值设置，基于IEEE-24节点系统的多微网详细结构如附图3所示。由于光伏发电系统只在白天出力，将光伏出力用于缓解负荷减载，且多余的电能输送到日前市场和能源交易市场售出，光伏发电所需光照强度随时间变化的日前预测曲线如附图4所示。

为了验证所提方法能够有效减小微网系统的总运行成本，设置2个对比模型，其中模型1考虑新能源发电的不确定性、间歇性，并采用场景生成和削减技术对日前市场价格进行模拟；模型2不考虑系统中的新能源发电的间歇性，为典型微电网运行场景。随后采用CLEX求解器对两个模型进行求解，得到两个模型各微电网的运行成本如表1所示。

表1两种模型下各微电网运行成本

通过表1，计算得到模型1的总运行成本为8548657.99元，模型2的总运行成本为9344757.39元，模型2中运行的成本要比模型1大796099.40元。原因在于，模型1考虑到新能源发电以及部分参数的间歇性特点，以及氢储能和能源交易市场的能源互补，并采用场景生成和削减技术，可以有效减小不必要的运行场景，从而节约运行成本，模型2未考虑风、光出力以及部分参数的不确定性和间歇性，且未加入能源交易市场进行能源互补，为典型场景下相对稳定的微网系统，源储部分可以满足负荷需求响应，因此模型2计算得到的总运行成本要比模型1高，且模型1中10个微网计算得到的运行成本较模型2计算的运行成本均有所减小，减小比例分别为：5.43％、14.64％、3.75％、4.90％、7.56％、14.96％、13.47％、7.13％、4.32％、8.22％。上述结果表明，在风光氢储、能源交易市场以及日前市场参与下进行优化调度运行，能有效减小微网系统运行成本。

对模型1进一步分析，IEEE-24节点多微网系统中电能的主要来源为风电机组出力，通过仿真，得到日前风机出力、氢储能充放电以及负荷需求的调度曲线如附图5所示。通过氢储能系统调度，在适当的时间进行充放电优化调度，可最大限度的挖掘风力发电的潜力。从图中可以看出，在1:00点到10:00，风电机组的输出可满足负荷需求，剩余的电能将转化为氢能储存在氢储能系统中，避免“弃风”带来的资源浪费。当负荷需求较高且新能源发电无法及时输送电能时，氢储能系统开始将氢能转换为电能输送到负荷处，从而及时满足负荷需求响应；在10:00到18:00时间段，氢储能和风力发电同时满足负荷的需求响应，提供连续供电输出，该时间段，系统中不足的供能将由光伏发电系统承担，严重不足的部分将进行负荷减载，通过仿真得到日前光伏发电及负荷减载调度曲线如附图6所示，从图中可以看出，当光伏加入调度运行时，负荷减载持续时间较短，且很少进行负荷减载，说明在已有风氢储能的基础上，进一步配合光伏发电系统参与微网随机优化调度可以及时响应负荷需求、减小负荷减载量。

上述分析表明，所建立的随机优化调度模型，可以减小微网的运行成本，且风光氢储能联合参与调度，可以有效满足负荷的需求响应，当系统给负荷供能不足时，光伏发电将及时给负荷供能，从附图6可以看出，在光伏发电系统参与下，可有效减少负荷减载情况，且负荷减载可降至最低。

附图7给出了多微网与日前市场和能源交易市场的能源传输情况，图中黑色柱状图大于0的部分表示微电网出售到电网的电能，小于0的部分表示从电网购入的电能，从图中可以看出，微电网计划在清晨和晚上以较低的价格从电网购电，同时，在高峰时段以较高的价格将剩余电出售给电网，以最大限度地提高微电网在日前市场中的经济效益。图中灰色部分均大于0，表示该多微网联盟与能源交易市场进行电能输送情况，表明在能源交易市场参与下，可有效降低“弃风、弃光”带来的能源浪费，该能源交易市场可进一步增加微网运行的经济性，且能够供该系统内其他微网利用进行削峰填谷，及时响应负荷需求，进一步减小负荷减载量。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (5)

1.基于场景生成和削减的风光氢储日前随机优化调度方法，其特征在于，包括如下步骤：

S1：基于自回归移动平均的场景生成模型；

S2：在已有生成场景的基础上，利用Kantorovich距离进行场景削减；

S3：以各微电网运行成本最小为目标建立随机优化调度模型；

S4：分析多微网优化调度模型的多个等式和不等式约束条件。

2.根据权利要求1所述的基于场景生成和削减的风光氢储日前随机优化调度方法，其特征在于，步骤S1中，基于自回归移动平均的场景生成模型，为了模拟日前市场价格波动场景，同时考虑到求解模型的不确定性，可采用随机规划方法预测不确定参数的各种状态，以便在不确定性模型中做出最优决策，其中自回归移动平均模型(ARIMA)可用于解决随机规划问题；本发明采用ARIMA模型生成多个日前市场价格波动场景，其数学模型表达式为：

式中，m、n分别表示为自回归和滑动平均的阶数；u_k、v_k分别为自回归和滑动平均参数；μ_t为误差项，服从均值为0，方差为σ²的正态分布；s表示场景索引；B为后移算子。

3.根据权利要求1和2所述的基于场景生成和削减的风光氢储日前随机优化调度方法，其特征在于，步骤S2中，进一步地，基于S1中场景生成数学模型生成多个日前市场价格波动场景，场景的维度将会大幅增加，随后对不必要的场景进行削减，避免大量的场景增加系统的复杂度和计算负担；通过计算生成的各个场景间Kantorovich Distance(KD)进行削减；具体原理为：

假设D为场景的初始集合，J为从D中削减的场景集合；计算D中每对场景的KD，形成由每个场景和其他所有KD组成的场景距离矩阵(A_KDM)；场景s_i和s_j之间的KD定义如下：

T_KD＝||s_i-s_j||₂i,j＝1,2,…,N_s

对于每一个场景s_i，计算求得距离其最近的场景s_j，即两场景之间的距离为min{T_KD(s_i,s_j)}，距离s_i最近的场景会在A_KDM中标记；随后，根据每个场景对应的最小距离，计算对应的概率距离，计算公式为：

式中，为评估场景s_i发生的概率；

最后，计算每一个待评估场景的概率距离，求出所有待评估场景中概率距离的最小值，进而找到其对应的待评估场景和已标记距离其最近的场景，同时将待评估场景从D中删除并添加到J中；

将上述待评估的场景削减后，将待评估场景的概率加到上述标记的距离待评估场景最近的场景概率上，并重新更新A_KDM，直到满足保留场景数为止。

4.根据权利要求1所述的基于场景生成和削减的风光氢储日前随机优化调度方法，其特征在于，步骤S3中，以各微电网运行成本最小为目标建立随机优化调度模型；为了最大化微电网在日前市场中的经济效益，建立微电网m的运行成本目标函数，具体表达式为：

式中，分别表示t时刻微电网m在s场景下电转氢和氢转电量；/>表示t时刻微电网m日前市场的能源销量；/>分别表示系统中能源需求量和负荷减载量；表示能源销售价格；/>表示日前市场价格；/>表示负荷减载价格；φ_s表示场景s的概率，等价于/> 表示氢储能系统中电转氢成本函数的系数；/>表示氢储能系统中氢转电成本函数的系数；N_s、N_T、N_B分别表示场景数、时间段和母线的数量。

5.根据权利要求1所述的基于场景生成和削减的风光氢储日前随机优化调度方法，其特征在于，步骤S4，分析多微网随机优化调度模型的多个等式和不等式约束条件；具体的，包括以下8个部分：

(1)系统功率平衡等式约束；多微网中通过风电机组、光伏发电系统、氢储能系统以及与能源交易市场间增加系统功率，通过氢储能系统、向日前市场售电、向能源交易市场传输功率、负荷消耗、功率损耗、负荷减载减小功率，微网中功率平衡的等式条件为：

式中，分别表示t时刻光伏系统和风机的出力；N_m表示微电网的数量；P_t ^Loss表示t时刻微电网的功率损耗；/>表示t时刻从能源交易市场传输到微电网m的功率；/>表示t时刻从微电网m传输到能源交易市场的功率；

(2)光伏发电功率约束；光伏发电功率约束不等式为：

式中，表示t时刻微电网m中光伏发电系统的输出功率；/>分别表示光伏发电系统的尺寸系数以及发电效率；/>表示t时刻光照强度；

(3)风力发电功率约束；t时刻微电网m中风力发电系统的输出功率为：

式中，V_t表示t时刻的风速；表示额定额定发电功率；/>别表示额定风速、切入风速、切出风速；γ₁、γ₂、γ₃涡轮机的模型系数；

(4)氢储能系统等式及不等式约束；当电网功率不平衡或售电价格较高时，可以通过氢储能系统向电网提供所需的电能，且假设所有的氢都转化为了电能输入到电网，目标函数需要满足以下等式和不等式约束；其中，氢储能系统中需要满足的平衡等式为：

式中，表示微电网m在时刻t氢储能系统中存储的氢能；η^HP、η^PH分别表示氢转电和电转氢的效率；

电转氢和氢转电的不等式约束为：

式中，分别表示氢储能系统的氢转电和电转氢状态的二进制变量，氢储能系统在这两种状态下运行，但无法在同一时间完成氢转电和电转氢，因此需要满足以下不等式约束：

氢储能系统中，储氢量需要满足以下等式和不等式约束：

式中，分别表示存储氢能的初始量、终止量；

(5)负荷需求侧能源管理等式及不等式约束；负荷需求侧用能包括实际需求消耗以及负荷减载，需要满足以下等式约束：

式中，母线i在时刻t的预测负荷量；/>为考虑弹性需求一日中负荷相对于预测值的偏移量，该值需要满足以下等式和不等式要求：

式中，ξ^max表示系统中占预测偏移量的比例；

同时，负荷减载量需要满足以下不等式约束：

式中，分别表示上下限值；/>分别表示预测负荷量的上下限值；

(6)日前市场的能源交易约束；约束不等式为：

式中，分别表示上下限值；

(7)潮流等式及不等式约束；t时刻在母线i处的有功和无功功率平衡方程为：

式中，分别表示时刻t母线i上注入的有功和无功功率；/>分别表示时刻母线上发出的有功和无功功率；/>表示负荷无功需求；/>表示系统中电容器产生的无功功率；其中，根据潮流方程，/>的具体计算公式为：

式中，V_i,t、V_j,t分别为母线i、j的电压幅值；δ_i,t、δ_j,t分别为母线i、j的电压幅值；Y_i,j、θ_i,j分别为母线间支路的导纳及相角；

系统中损耗等式约束为：

式中，R_i,j为母线间支路的电阻；

上述潮流方程还需要满足以下不等式约束，分别包括电容器组的无功输出、电压大小、相位角和复功率的上下限值(式中，含下标“l”表示下限值，含下标“u”表示上限值)：

(8)能源交易市场等式及不等式约束；负荷与能源交易市场之间无法在同一时间既从能源市场转移到负荷侧，又从负荷侧交易到能源市场中，因此需要满足以下不等式约束：

式中，分别表示从能源市场交易到负荷的有功、从负荷侧转移到能源交易市场的能源，为二进制量；且交易的功率需要满足以下不等式约束：

式中，乘以系数Θ表示可交易的最大功率量；

同时，能源交易市场也需要满足以下有功等式约束：