考慮新能源出力不確定性的風(fēng)-光-柴-儲(chǔ)系統(tǒng)調(diào)度策略

張佳輝,張洪福,牛玉廣,王雨宸,黃嘉鑫,王孟桐

(1.國(guó)網(wǎng)北京市電力公司,北京 100031; 2.華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院,北京 102206)

0 引 言

在山區(qū)、海島等一些電網(wǎng)接入難度較大的地區(qū),風(fēng)電、光伏等分布式能源(distributed energy resources, DER)憑借其經(jīng)濟(jì)可靠、安裝簡(jiǎn)便等優(yōu)點(diǎn)逐漸成為主要的供電手段。由多種分布式能源組成的微網(wǎng)系統(tǒng),在經(jīng)過(guò)合理的調(diào)度后,可進(jìn)一步提升系統(tǒng)的能源利用效率[1-3]。

近年來(lái),隨著微網(wǎng)技術(shù)的逐步推廣,如何經(jīng)濟(jì)、可靠地對(duì)微網(wǎng)調(diào)度已成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)問(wèn)題[4-5]。微網(wǎng)調(diào)度方式種類(lèi)很多,但多數(shù)調(diào)度策略均可轉(zhuǎn)化為多約束條件的非線性規(guī)劃問(wèn)題。例如,文獻(xiàn)[6]對(duì)柴油機(jī)的出力特性曲線進(jìn)行了深入的分析,并對(duì)曲線進(jìn)行線性化處理,提出一種多時(shí)間尺度的微網(wǎng)調(diào)度策略。雖然該策略可以進(jìn)一步提升系統(tǒng)的安全性和經(jīng)濟(jì)性,但并未考慮新能源出力不確定性對(duì)系統(tǒng)的影響。文獻(xiàn)[7-10]考慮了新能源出力不確定性對(duì)系統(tǒng)的影響,但是忽略了負(fù)荷波動(dòng)性的影響。文獻(xiàn)[11]分析了蓄電池的出力特性,進(jìn)而確定了微網(wǎng)的最佳運(yùn)行方式。然而該策略僅僅考慮了系統(tǒng)的經(jīng)濟(jì)性,并未充分考慮系統(tǒng)的安全性和環(huán)保性。文獻(xiàn)[12-14]在考慮新能源出力不確定性的基礎(chǔ)之上,采用魯棒優(yōu)化控制對(duì)微網(wǎng)系統(tǒng)進(jìn)行調(diào)度,使得系統(tǒng)的安全性大大提升。但此種方法需要付出較多的經(jīng)濟(jì)成本。文獻(xiàn)[15]在考慮風(fēng)電和光伏出力的不確定性的基礎(chǔ)之上,提出風(fēng)-光-柴-火多能互補(bǔ)隨機(jī)優(yōu)化調(diào)度的模型,并采用混合整數(shù)規(guī)劃算法對(duì)模型進(jìn)行求解,然而該方法求解過(guò)程過(guò)于復(fù)雜。

針對(duì)以上調(diào)度策略存在的問(wèn)題,構(gòu)建了風(fēng)-光-柴-儲(chǔ)系統(tǒng),為了更好地描述新能源出力不確定性對(duì)系統(tǒng)的影響,提出了一種新能源出力復(fù)合預(yù)測(cè)模型。在綜合考慮系統(tǒng)的經(jīng)濟(jì)性、安全性和環(huán)保性的基礎(chǔ)之上,建立了考慮新能源出力不確定性的風(fēng)-光-柴-儲(chǔ)系統(tǒng)調(diào)度模型,并采用帶有Monte Carlo模擬的遺傳算法對(duì)模型進(jìn)行求解。仿真結(jié)果表明,該調(diào)度策略可以有效平衡系統(tǒng)的經(jīng)濟(jì)性、環(huán)保性和安全性。同時(shí),文章分析了系統(tǒng)負(fù)荷缺失率和置信概率概率對(duì)系統(tǒng)調(diào)度的影響。將所提出來(lái)的調(diào)度策略與其他調(diào)度策略進(jìn)行對(duì)比,驗(yàn)證了所提出調(diào)度策略的優(yōu)越性。

1 風(fēng)-光-柴-儲(chǔ)系統(tǒng)模型

1.1 系統(tǒng)結(jié)構(gòu)

所研究的風(fēng)-光-柴-儲(chǔ)獨(dú)立微網(wǎng)系統(tǒng)的結(jié)構(gòu)如圖1所示。系統(tǒng)的電負(fù)荷主要由風(fēng)力發(fā)電機(jī)、光伏陣列、柴油機(jī)和蓄電池進(jìn)行供給。此外,風(fēng)力發(fā)電機(jī)、光伏陣列、柴油機(jī)可以將多余的電量?jī)?chǔ)存于蓄電池之中。

圖1 風(fēng)-光-柴-儲(chǔ)系統(tǒng)結(jié)構(gòu)示意圖

1.2 柴油機(jī)模型

柴油機(jī)可靠性高且安裝方便,其輸出功率和所使用燃料量的關(guān)系如下:

Pdg(t)=αdg×Vdg(t)

(1)

式中Pdg(t)為t時(shí)刻柴油機(jī)的輸出功率,kW;αdg為柴油機(jī)的燃料系數(shù),kW/L;Vdg(t)為t時(shí)刻柴油機(jī)消耗的燃料量,L。

1.3 蓄電池模型

蓄電池有著“削峰填谷”的作用,同時(shí)還能提高新能源利用率,所采用的蓄電池模型如下:

(2)

Pc,min≤Pc(t)≤Pc,max

(3)

Pd,min≤Pd(t)≤Pd,max

(4)

SOEmin≤SOE(t)≤SOEmax

(5)

式中SOE(t)為t時(shí)刻蓄電池的剩余能量,kW·h;Pc(t)和Pd(t)分別為蓄電池t時(shí)刻的充放電功率,kW;SOE(t+1) 為t+1時(shí)刻蓄電池的剩余能量,kW·h;ηc為蓄電池的充電效率,即蓄電池內(nèi)電量的變化量與充電量的比值:ηd為蓄電池放電效率,即放電量與蓄電池內(nèi)電量的變化量的比值;βbat為蓄電池的自放電比例;Pc,min和Pc,max為蓄電池的最小和最大充電功率,kW;Pd,min和Pd,max為蓄電池的最小和最大放電功率,kW ;SOEmin和SOEmax為蓄電池容量的上下限,kW·h。

2 新能源出力復(fù)合預(yù)測(cè)模型

2.1 自回歸滑動(dòng)平均模型

自回歸滑動(dòng)平均模型(autoregressive moving average model, ARMA)是研究時(shí)間序列的重要方法,AMRA模型主要記錄了系統(tǒng)過(guò)去一段時(shí)間內(nèi)的自身狀態(tài)和系統(tǒng)噪聲。相比于AR模型和MA模型ARMA模型有更加精確的預(yù)測(cè)能力。ARMA模型的計(jì)算公式如下:

(6)

式中X(t)為t時(shí)刻的系統(tǒng)的狀態(tài)值;ε(t)為t時(shí)刻的系統(tǒng)的噪聲;m和n為模型的階次,采用AIC準(zhǔn)則進(jìn)行求解;φi和ξj為模型的參數(shù),可采用最小二乘法等方法進(jìn)行求解。

采用ARMA(3,2)模型對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè),采用ARMA(4,5)階數(shù)模型對(duì)光伏陣列功率進(jìn)行預(yù)測(cè)。

2.2 最小二乘支持向量機(jī)

最小二乘支持向量機(jī)(least square support vector machine,LSSVM)是支持向量機(jī)的特殊形式,該方法將支持向量機(jī)中的不等式約束轉(zhuǎn)化為等式約束,大大降低了計(jì)算量,縮短了建模時(shí)間,其原理如下:

設(shè)訓(xùn)練樣本集為T(mén)={(xi,yi),xi∈Rp,yi∈Rp,i=1,2…n},經(jīng)過(guò)非線性映射φ(x)將樣本映射到高維空間,在新樣本空間中構(gòu)造如式(7)所示的決策函數(shù)。

f(x)=ωT×φ(x)+b

(7)

式中ω和b為參數(shù),可以通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則確定,其過(guò)程如下:

(8)

s.t.yi=ωT×φ(x)+b+ei,i=1,2…n

(9)

式中C為正則化參數(shù);ei為誤差變量。

利用拉格朗日乘數(shù)法將式(8)和式(9)轉(zhuǎn)化為:

(10)

式中αi為拉格朗日乘子。

根據(jù)KKT條件可求得:

(11)

定義核函數(shù)K(xi,yi)=φ(xi)·φ(yi),將式(11)帶入式(7)并進(jìn)行消元,求得決策函數(shù)為:

(12)

采用風(fēng)速、風(fēng)向、溫度和濕度作為L(zhǎng)SSVM模型的輸入來(lái)對(duì)系統(tǒng)的風(fēng)電功率進(jìn)行預(yù)測(cè);選取光照強(qiáng)度、溫度和濕度作為光伏功率預(yù)測(cè)的輸入;采用徑向基函數(shù)作為L(zhǎng)SSVM模型的核函數(shù);采用遺傳算法對(duì)LSSVM模型中的正則化參數(shù)C和徑向基參數(shù)σR進(jìn)行尋優(yōu)。

2.3 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)(back-propagation network)又稱反向傳播神經(jīng)網(wǎng)絡(luò)。該方法通過(guò)對(duì)樣本數(shù)據(jù)的訓(xùn)練,不斷地修正網(wǎng)絡(luò)權(quán)值和閾值,使模型輸出不斷逼近期望輸出。所采用的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)電出力結(jié)構(gòu)圖

選取風(fēng)速、風(fēng)向、溫度和濕度作為風(fēng)電功率預(yù)測(cè)BP網(wǎng)絡(luò)模型的輸入,隱含層層數(shù)為1,隱含層節(jié)點(diǎn)數(shù)為13;選取光照強(qiáng)度、溫度和濕度作為光伏預(yù)測(cè)功率BP網(wǎng)絡(luò)模型的輸入,隱含層數(shù)為1,隱含節(jié)點(diǎn)數(shù)為11;傳遞函數(shù)均為Sigmoid函數(shù)。

2.4 復(fù)合預(yù)測(cè)模型

對(duì)任何一種預(yù)測(cè)方法,都有其優(yōu)點(diǎn)和缺點(diǎn)。ARMA對(duì)短期的新能源出力預(yù)測(cè)較為準(zhǔn)確,中長(zhǎng)期預(yù)測(cè)誤差較大;LSSVM和BP神經(jīng)網(wǎng)絡(luò)計(jì)算量大,對(duì)調(diào)參要求較高。為了將各種方法的優(yōu)點(diǎn)進(jìn)行融合,本文提出了一種復(fù)合預(yù)測(cè)模型,該模型的原理如下:

1)采用均方根誤差來(lái)對(duì)每種預(yù)測(cè)方法的優(yōu)劣程度進(jìn)行評(píng)價(jià),其計(jì)算公式如下:

(13)

式中ye(i)為模型的預(yù)測(cè)輸出;y(i)為新能源出力的實(shí)際值。

根據(jù)式(13)計(jì)算得到三種預(yù)測(cè)方法前一日的均方根誤差σRMSE-ARMA、σRMSE-LSSVM、σRMSE-BP。

2)分別采用三種方法對(duì)第二天全天24 h的新能源出力進(jìn)行預(yù)測(cè)。

3)采用輪盤(pán)賭的方法對(duì)第二天每一時(shí)間段的新能源出力進(jìn)行預(yù)測(cè),每一種方法在每一時(shí)間段內(nèi)采用的概率為:

(14)

式中pi為每種方法采用的概率。

大量統(tǒng)計(jì)數(shù)據(jù)表明,新能源的預(yù)測(cè)誤差服從正態(tài)分布。假設(shè)采用復(fù)合預(yù)測(cè)模型的誤差為服從均值為0,標(biāo)準(zhǔn)差為σ的正態(tài)分布,其中風(fēng)電功率預(yù)測(cè)標(biāo)準(zhǔn)差為0.15×風(fēng)電預(yù)測(cè)值、光伏預(yù)測(cè)功率標(biāo)準(zhǔn)差為0.1×光伏預(yù)測(cè)值。

3 考慮新能源出力不確定性的風(fēng)-光-柴-儲(chǔ)系統(tǒng)調(diào)度模型

在微網(wǎng)調(diào)度的過(guò)程中,主要考慮系統(tǒng)的經(jīng)濟(jì)性、環(huán)保性和安全性。綜合考慮了微網(wǎng)系統(tǒng)的這三種特性,并考慮了新能源出力不確定性對(duì)系統(tǒng)調(diào)度的影響,構(gòu)建了如下風(fēng)-光-柴-儲(chǔ)系統(tǒng)調(diào)度模型。

3.1 目標(biāo)函數(shù)

為使風(fēng)-光-柴-儲(chǔ)系統(tǒng)更加經(jīng)濟(jì)、環(huán)保和安全地運(yùn)行,以系統(tǒng)一個(gè)調(diào)度周期內(nèi)的燃料費(fèi)用f1、設(shè)備維護(hù)費(fèi)用f2和污染物處理費(fèi)用f3為目標(biāo)函數(shù),即:

minf=f1+f2+f3

(15)

(16)

(17)

(18)

式中cfuel為燃料費(fèi)用,元;cdg、cwt、cpv和cbat為柴油機(jī)、風(fēng)力發(fā)電機(jī)、光伏陣列和蓄電池的維護(hù)費(fèi)用,元/kW;Pdg(t)、Pwt(t)、Ppv(t)和Pbat(t)為t時(shí)刻柴油機(jī)、風(fēng)力發(fā)電機(jī)、光伏陣列和蓄電池的輸出功率,kW;γNOx、γSOx和γCO2為污染物排放因子,g/L;cNOx、cSOx和cCO2為污染物處理費(fèi)用元/g。

3.2 約束條件

3.2.1 功率平衡約束

為了描述系統(tǒng)的安全性,以系統(tǒng)的負(fù)荷缺失率(load loss rate, LLR)和置信概率α為指標(biāo),其中負(fù)荷缺失率的計(jì)算公式如下:

(19)

式中Eloss為系統(tǒng)允許的最大負(fù)荷缺失量,kW;Etot為系統(tǒng)的總負(fù)荷,kW。

在考慮系統(tǒng)LLR和置信概率α的基礎(chǔ)之上,系統(tǒng)的功率平衡約束為:

(20)

式中 Pr{·}為風(fēng)電預(yù)測(cè)功率和光伏預(yù)測(cè)功率的分布概率描述。

3.2.2 風(fēng)力發(fā)電機(jī)出力約束

0≤Pwt(t)≤Ppwt(t)

(21)

式中Ppwt(t)為風(fēng)電的預(yù)測(cè)功率,kW。

3.2.3 光伏陣列出力約束

0≤Ppv(t)≤Pppv(t)

(22)

式中Pppv(t) 為光伏的預(yù)測(cè)功率,kW。

3.2.4 柴油機(jī)出力約束

Pdg,min≤Pdg(t)≤Pdg,max

(23)

式中Pdg, min和Pdg, max為柴油機(jī)的最小和最大出力,kW。

3.3 基于Monte Carlo模擬的遺傳算法

建立的風(fēng)-光-柴-儲(chǔ)系統(tǒng)調(diào)度模型中的目標(biāo)函數(shù)和約束條件多為線性,無(wú)需特別處理。式(20)為機(jī)會(huì)約束,采用帶有Monte Carlo模擬的遺傳算法對(duì)調(diào)度模型進(jìn)行求解[16],求解過(guò)程如下:

1)輸入?yún)?shù),主要包括種群大小、交叉概率Pc、變異概率Pd等;

2)產(chǎn)生初始種群,并采用復(fù)合預(yù)測(cè)模型和Monte Carlo模擬產(chǎn)生新能源預(yù)測(cè)曲線,并對(duì)每個(gè)個(gè)體進(jìn)行檢驗(yàn)。如果有個(gè)體不滿足條件,則重新產(chǎn)生,直到所有種群滿足約束條件為止;

3)計(jì)算所有個(gè)體的適應(yīng)度,并采用輪盤(pán)賭的方法進(jìn)行選擇;

4)對(duì)初始種群進(jìn)行交叉和變異操作,并對(duì)得到的個(gè)體進(jìn)行Monte Carlo模擬,如果交叉或者變異產(chǎn)生的個(gè)體不滿足約束條件,則隨機(jī)選取父代個(gè)體進(jìn)行替代;

5)重復(fù)步驟3)和4),直到達(dá)到終止條件;

6)得到最優(yōu)個(gè)體并結(jié)束求解。

使用遺傳算法求解調(diào)度模型的流程圖如圖3所示。

圖3 遺傳算法求解調(diào)度模型的流程圖

4 算例分析

4.1 數(shù)據(jù)準(zhǔn)備

為驗(yàn)證所提出調(diào)度策略的優(yōu)越性,構(gòu)建了如下的風(fēng)-光-柴-儲(chǔ)系統(tǒng),其中柴油機(jī)裝機(jī)容量為3×100 kW、風(fēng)力發(fā)電機(jī)裝機(jī)容量為4×30 kW、光伏陣列的裝機(jī)容量為60 kW、蓄電池的容量為300 kW·h、負(fù)荷缺失率為0.05、置信概率為0.99。采用三種方法對(duì)前一日的新能源出力進(jìn)行預(yù)測(cè)的均方根誤差如表1所示。遺傳算法的參數(shù)如下:種群規(guī)模為20、交叉概率為0.6、變異概率為0.1,迭代次數(shù)為1 000。

表1 采用不同方法對(duì)新能源出力預(yù)測(cè)的RMSE

4.2 典型日分析

圖4為一個(gè)調(diào)度周期內(nèi)風(fēng)-光-柴-儲(chǔ)系統(tǒng)各機(jī)組出力分布,從圖4中可以看出,在調(diào)度過(guò)程中,柴油機(jī)在整個(gè)調(diào)度過(guò)程中均為主要的供能方式。風(fēng)電出力主要集中在下午15:00-18:00和夜間03:00—05:00、22:00—24:00,光伏出力集中在白天。蓄電池在04:00—05:00、23:00—24:00充電,在19:00—20:00、22:00放電,體現(xiàn)出了蓄電池“削峰填谷”的作用。

圖4 風(fēng)-光-柴-儲(chǔ)系統(tǒng)各時(shí)段機(jī)組出力分布

4.3 不同負(fù)荷缺失率對(duì)調(diào)度結(jié)果的影響

為了研究不同負(fù)荷缺失率對(duì)調(diào)度結(jié)果的影響,文章分別將負(fù)荷缺失率設(shè)置為0.01、0.05、0.10、0.15和0.20 (置信概率為0.99),不同負(fù)荷缺失率下的調(diào)度結(jié)果如表2所示。從表2中可以看出,隨著負(fù)荷缺失率的升高,系統(tǒng)的調(diào)度費(fèi)用均有不同程度的降低,但此時(shí)系統(tǒng)經(jīng)濟(jì)性提升是以犧牲系統(tǒng)穩(wěn)定性為代價(jià)。此外,從表2中可以看出,在置信概率較高的情況下,系統(tǒng)負(fù)荷缺失率對(duì)系統(tǒng)經(jīng)濟(jì)性的影響較小。在置信概率一定的情況下,通過(guò)調(diào)整負(fù)荷缺失率,可以在較小范圍內(nèi)對(duì)系統(tǒng)的經(jīng)濟(jì)性和安全性進(jìn)行調(diào)節(jié)。

表2 不同負(fù)荷缺失率下調(diào)度結(jié)果

4.4 不同分位數(shù)對(duì)調(diào)度結(jié)果的影響

為了研究不同置信概率對(duì)調(diào)度結(jié)果的影響,文章分別將置信概率設(shè)置為0.99、0.95、0.90、0.85和0.80 (負(fù)荷缺失率為0.05),不同置信概率下的調(diào)度結(jié)果如表3所示。

表3 不同置信概率下調(diào)度結(jié)果

從表3中可以看出,隨著置信概率的逐漸降低,系統(tǒng)的調(diào)度費(fèi)用逐漸減少。相比于不同負(fù)荷缺失率所減少的調(diào)度費(fèi)用,不同置信概率所減少的調(diào)度費(fèi)用更多。這說(shuō)明在平衡系統(tǒng)經(jīng)濟(jì)性和安全性的調(diào)度過(guò)程中,置信概率可以大幅度地進(jìn)行調(diào)節(jié)。

4.5 不同優(yōu)化方式的調(diào)度結(jié)果

為了驗(yàn)證所提出調(diào)度方法的優(yōu)越性,文章選取了另外兩種調(diào)度策略進(jìn)行對(duì)比。其中,方式1為常規(guī)調(diào)度方式,即不考慮新能源出力的不確定性,此時(shí)在調(diào)度過(guò)程中不再出現(xiàn)甩負(fù)荷的情況。方式2為采用魯棒優(yōu)化對(duì)風(fēng)-光-柴儲(chǔ)能系統(tǒng)進(jìn)行調(diào)度,具體過(guò)程如下:當(dāng)置信水平為β時(shí),可以求得風(fēng)電和光伏的置信區(qū)間為[u-zσ,u+zσ],其中u為風(fēng)電或光伏的預(yù)測(cè)均值,σ為標(biāo)準(zhǔn)差,z可根據(jù)置信概率進(jìn)行確定。為了確保系統(tǒng)運(yùn)行的安全性,采用風(fēng)電和光伏置信區(qū)間的下限對(duì)風(fēng)-光-柴-儲(chǔ)系統(tǒng)進(jìn)行調(diào)度(β取0.95)[17]。方式3為所提出的調(diào)度方式,失負(fù)荷率為0.01,置信概率取0.95。3種調(diào)度方式的結(jié)果如表4所示。

表4 三種不同調(diào)度方式的調(diào)度結(jié)果

從表4可以看出,所提出的方式3相比于方式1和方式2有更好的經(jīng)濟(jì)性。和方式2相比,雖然系統(tǒng)的穩(wěn)定性有所下降,但是系統(tǒng)的經(jīng)濟(jì)性提升10.37%。與方式1相比,提出的調(diào)度策略安全性更強(qiáng),能進(jìn)一步減小由于新能源出力不確定性對(duì)系統(tǒng)造成的影響。

4.6 蓄電池充放電功率對(duì)系統(tǒng)“棄風(fēng)”和“棄光”的影響

在前面的算例中,為了排除蓄電池對(duì)調(diào)度結(jié)果的影響,蓄電池的容量和充放電功率均被設(shè)為較大值。為了進(jìn)一步探究蓄電池充放電功率對(duì)調(diào)度結(jié)果的影響,研究了不同充放電功率對(duì)風(fēng)-光-柴-儲(chǔ)系統(tǒng)的棄風(fēng)和棄光總量的影響,結(jié)果如圖5所示(負(fù)荷缺失率為0.05,置信概率為0.95)。

圖5 不同充放電功率對(duì)系統(tǒng)棄風(fēng)和棄光總量的影響

從圖5中可以看出,風(fēng)-光-柴-儲(chǔ)系統(tǒng)的棄風(fēng)和棄光總量隨著系統(tǒng)充放電功率的增加而減少,但是會(huì)存在最佳的充放電功率,當(dāng)蓄電池的充放電功率超過(guò)此值時(shí),系統(tǒng)的棄風(fēng)和棄光總量將不再減少。因此在進(jìn)行蓄電池充放電功率選擇時(shí),要避免選擇充放電功率過(guò)大的蓄電池,從而有效降低投資成本。

5 結(jié)束語(yǔ)

為了研究新能源出力不確定性對(duì)微網(wǎng)系統(tǒng)調(diào)度的影響,提出了新能源出力負(fù)荷預(yù)測(cè)模型,并假設(shè)預(yù)測(cè)誤差服從正態(tài)分布。在考慮系統(tǒng)經(jīng)濟(jì)性、環(huán)保性和安全性的基礎(chǔ)之上,構(gòu)建了風(fēng)-光-柴-儲(chǔ)系統(tǒng)調(diào)度模型,并采用帶有Monte Carlo模擬的遺傳算法對(duì)問(wèn)題進(jìn)行求解。為了衡量系統(tǒng)的安全性和降低新能源出力不確定性對(duì)系統(tǒng)調(diào)度的影響,文章以負(fù)荷缺失率和置信概率為評(píng)價(jià)指標(biāo)。根據(jù)算例分析可知,本文所提出的調(diào)度策略,相對(duì)于其他調(diào)度策略而言有更好的經(jīng)濟(jì)性,并且可以有效地平衡系統(tǒng)的安全性和經(jīng)濟(jì)性。此外,所提出的調(diào)度方法也可以應(yīng)用于微網(wǎng)系統(tǒng)規(guī)劃。