计及源荷不确定性的独立型交直流混合微网多能源协调优化调度

2021-10-24卢志刚何良策耿丽君

电工技术学报 2021年19期

蔡瑶卢志刚孙可何良策耿丽君

（燕山大学电气工程学院秦皇岛 066004）

0 引言

微网是一个集成分布式电源、储能及负荷的高度自治系统，是实现可再生能源利用和需求侧管理的重要途径[1]。随着直流电源和直流负荷的大幅增加，交直流混合微网逐渐成为一种重要的微网形式。它可以同时提供交流、直流供电母线，避免大量的交直流转换设备，减少变换器造成的功率损耗和谐波污染，提高系统的运行效率[2-3]。优化调度是微网系统安全、经济运行的基础，因此研究交直流混合微网的优化调度具有重要意义。

交直流混合微网系统可根据是否接入大电网分为并网型和独立型，其中独立型系统适用于海岛或偏远地区[4]。目前对于独立型交直流混合微网的优化调度已有一定研究。文献[5]基于独立海岛系统提出一种含交直流无刷双馈风力发电机的优化发电调度策略，并采用混沌万有引力搜索算法求解优化模型。文献[6]提出考虑储能运行特性的优化调度模型，并通过优化储能的初始荷电状态提高系统经济效益。文献[7]以可控设备日运行成本最小为目标建立经济调度模型，并提出一种新型分布式算法提高计算效率。以上独立系统中的储能设备都是蓄电池，当可再生能源（Renewable Energy Sources,RES）比例较高时，由于蓄电池的容量有限及缺乏大电网的电力支撑，系统会发生强制切负荷或弃风弃光现象，供电可靠性和RES消纳能力都较低[8]。基于电解池-储氢罐-燃料电池的氢储系统与蓄电池构成的混合电储能系统，具有能量密度高、使用寿命长、清洁环保等优势，有利于提高独立型微网系统的供电可靠性和RES消纳能力[9-10]。此外，氢储系统中电解槽-储氢罐还可作为电转天然气的重要中间环节，或直接满足氢负荷需求，有利于加强电力、氢气与天然气系统的耦合，实现构建多能源微网系统，进行多能源协调优化调度[11-12]。多能源协调优化调度通过发展多源储能技术、需求响应技术等，为提高系统供能可靠性、灵活消纳RES提供了另一种有效方式[13-15]。当前针对独立型交直流混合微网系统优化调度的研究都仅关注电力系统，未同时涉及氢储的利用和多能源的协调优化调度。

独立型交直流混合微网系统中的RES出力、负荷预测的不确定性对调度的影响也不容忽视。目前针对不确定性因素，通常采用随机优化（Stochastic Optimization,SO）和鲁棒优化（Robust Optimization,RO）方法进行处理[16-17]。针对独立型交直流混合微网系统，文献[18]考虑可切负荷和电动汽车充放电的影响，建立以日运行成本最小为目标的经济调度模型，并采用SO方法处理RES和负荷不确定性问题。文献[19]考虑RES和负荷的不确定性，提出一种计及储能损耗特性的可调节两阶段鲁棒优化（Two-stage Robust Optimization,TRO）调度模型，并采用列与约束生成（Column and Constraint Generation,C&CG）算法进行求解。为降低可调节TRO调度结果的保守性，文献[20]建立了计及源荷不确定性的日前分布式鲁棒优化调度模型，并在该模型优化出的设备开关机状态的基础上进行日内多时间尺度滚动优化，根据RES和负荷的日内预测数据进一步调整设备出力。SO是基于不确定性参数的概率分布，通过生成场景并利用场景削减技术实现将不确定性优化问题转换为确定性优化问题进行求解的方法，但实际中很难获取准确的概率分布，且其场景数量和计算精度之间存在矛盾，可靠性较低。相比而言，RO不需要不确定性参量的概率分布信息，能够应对恶劣场景，且可通过设置鲁棒不确定度参数灵活调节其保守程度，更加适合实际工程需求。因此，本文将采用RO处理系统的源荷不确定性。

基于以上分析，本文针对传统独立型交直流混合微网，首先设计出一种包含氢储系统的交流/直流/氢/热/气多能源耦合的新型能量枢纽结构；其次在建立该系统的多能源协调优化调度模型的基础上，提出构建计及源荷不确定性的TRO模型，通过模型推导将其转换为具有混合整数线性形式的主问题和子问题，并采用C&CG算法求解；最后，通过算例验证了所设计能量枢纽的多能互补效果，及调度结果的鲁棒性和经济性。

1 独立型交直流混合微网系统的能量枢纽结构及模型

本文所研究的独立型交直流混合微网主要考虑其所在区域无大电网提供电力支撑，但可再生能源丰富，且具备一定天然气供应能力，即认为微网系统与天然气供应网络相连。因此，本文将主要考虑风机（Wind Turbine,WT）、光伏（Photovoltaic,PV）和微型燃气轮机（Micro Turbine,MT）作为供电电源。由于不同电源的电力电子接口不同，为减少电力电子变换设备，传统独立型交直流混合微网的结构通常如图1所示[6,10,19]。其中，AC母线接入WT、MT及交流负荷，DC母线接入PV、蓄电池（Battery Storage,BS）与直流负荷，交直流母线间通过双向换流器（Bi-directional Converter,BC）相连。系统交流负荷主要由WT供电，直流负荷则主要由PV供电，BC可使交直流母线间功率实现双向流动，BS可平抑功率波动及削峰填谷，MT可补偿整个系统功率缺额。但由于该系统未与大电网连接，且可控设备BS和MT都存在运行功率限制，所以当RES不足时会出现切负荷现象，充足时则会出现弃风弃光现象。

图1 独立型交直流混合微网结构图Fig.1 Structure of isolated AC-DC hybrid microgrid

为提高独立型交直流混合微网的供能可靠性和RES消纳水平，本文设计了一种包含氢储系统的交流/直流/氢/热/气多能源系统，并利用能量枢纽对该系统进行描述和建模。

1.1 能量枢纽结构

能量枢纽是当前多能源系统的一种重要建模工具，它将多能源系统描述为一个多输入-多输出端口模型，多种输入能源在其内部进行分配、转换和存储，最终输出多种能源满足负荷需求。本文设计的新型能量枢纽结构如图2所示。电力环节中，在图1独立型交直流混合微网结构的基础上，将基于电解槽-储氢罐-燃料电池的氢储能系统接入DC母线，与蓄电池构成混合电储能系统，实现提高电储能容量，同时MT通过热电联产的实现提高供能效率。氢气环节中，氢负荷由电解槽（Electrolytic Cell,EC）制氢直接供应或由储氢罐（Hydrogen Storage,HS）供应，储氢罐内氢气还可被燃料电池利用实现电能回馈或被甲烷反应器（Methanation Reactor,MR）利用生成甲烷进入天然气供应系统。热力环节中，采用热电联产设备MT和燃气锅炉（Gas Boiler,GB）作为供热设备，并设置储热（Thermal Storage,TS）平抑负荷。天然气环节中，气负荷直接由天然气网供应，并设置储气（Gas Storage,GS）应对供需不平衡。因此，该能量枢纽中多种能源转换、存储设备使得电力、氢气、热力与天然气环节间深度耦合，有利于实现多能源协调优化调度，提高独立系统的供能可靠性，同时促进RES消纳与实现节能减排。

图2 能量枢纽结构图Fig.2 Structure of energy hub

1.2 能量枢纽数学模型

需要说明的是，由于微网系统中供电线路及供氢/热/气管道的长度都较短，故本文模型中不考虑能量传输过程中的损耗，即不考虑潮流问题[13,19-20]。本文式中变量含义见附录。

2 多能源协调优化调度模型

交直流混合微网可认为是由交流和直流两个耦合系统构成，BC可看作耦合元件，相对于传统交流微网的优化调度更加复杂。在对交直流混合微网进行优化调度时，需同时满足交流功率平衡和直流功率平衡约束，以及BC的运行约束[6,10]。因此，本文在对设计的能量枢纽进行多能源协调优化调度时，将其考虑为交流、直流、氢气、热力和天然气五种能源相互耦合的综合系统，其中多种能源转换运行约束互相影响，多种储能设备互为补充，导致整个系统互动机理复杂，需进行合理建模和分析。

2.1 目标函数

基于能量枢纽的独立型交直流混合微网系统的优化调度旨在通过控制能源的输入、分配、转换、存储及输出过程，实现多能源协调利用及系统综合调度成本最小的目标。本文针对日前调度展开研究，建立的多能源协调优化调度模型的目标函数为

式中，t为调度时段，t=1,2,3,…,NT；NT为调度周期的总时段，NT=24h；Δt为调度步长，1h；其他参数及变量见附表1和附表2。

附表1 参数说明App.Tab.1 The explanation of parameters

附表2 变量说明App.Tab.2 The explanation of variables

需要说明的是，由于本文设计的微网系统没有大电网的电力支撑，天然气网的供应能力也有限，在优化调度时可能遇到极其恶劣场景，即可再生能源出力不足而负荷需求高峰的场景，此时为维持供需平衡会强制切除部分负荷，本文考虑这些负荷是系统中的不重要负荷。为减小切负荷概率，优化调度的目标函数中加入如式（9）所示的强制切负荷惩罚成本，其中惩罚成本系数可认为是对被切除负荷的经济补偿单价。

2.2 约束条件

2.2.1 功率平衡约束

多能源系统应在任意时段t满足交流、直流、氢气、热力和天然气的功率平衡，即式（1）所示的能量枢纽模型。同时为保证系统稳定运行，考虑部分不重要负荷在供能不足时可被强制切除，此时功率平衡约束可表示为

2.2.2 能源输入约束

1）风机和光伏出力约束

2）与天然气网络交易功率约束

2.2.3 能源传输约束

为保证能源只能向负荷方向传输，能源传输功率变量需满足

2.2.4 能源转换设备运行约束

考虑到所有能源转换设备都是可控设备，日前调度应确定其次日各时段运行状态，因此各设备约束中均加入运行状态变量。此外，本文为各设备都设置了出力下限，防止因轻载导致运行效率下降。

1）双向变换器

其中，式（17）表示双向变换器不能同时工作在整流和逆变状态；式（20）实现限制BC运行功率的波动幅值，有利于独立微网系统的电压和频率稳定。

2）电解槽

3）甲烷反应器

式中，由于甲烷反应器中输入氢气、二氧化碳和输出甲烷气体的体积比为4:1:1，故式（24）和式（25）的分母中具有系数4。

4）燃料电池

5）微型燃气轮机

此外，IMT,t和DMT,t与UMT,t的关系可表示为

式（32）和式（33）可等效为线性约束，即

6）燃气锅炉

2.2.5 能源存储设备运行约束

蓄电池、储氢、储热和储气的运行约束类似，四种储能设备均需满足

式（39）表示每个时段不能同时工作在充能或放能状态。式（44）表示优化调度周期始末的储能容量相等，可为下一调度周期保留一定调节裕量。

2.2.6 能源输出约束

系统可能出现切负荷场景，现在考虑可切除的负荷属于不重要负荷（允许通过经济补偿切除的负荷），故需依据系统中各类能源的不重要负荷比例设置相应的允许切负荷功率上限，保证其他重要负荷的可靠供给。各类负荷的可切除功率约束为

3 两阶段鲁棒优化模型及求解

本节将在上述多能源协调优化调度模型基础上，构建计及源荷不确定性的两阶段鲁棒优化模型。

3.1 计及源荷不确定性的两阶段鲁棒优化模型

3.1.1 源荷不确定性

由于风速、光照强度会受到天气、季节等因素的影响，风机和光伏出力具有较强的不确定性。在独立型交直流混合微网中，风机和光伏的供电比例较高，优化调度时不能忽略其预测结果的不确定性。此外，负荷预测也存在不确定性，虽然负荷的波动具有一定规律性，预测误差相对RES较小，但多能源系统中电、氢、热和气负荷都存在预测误差，其不确定性影响也不容忽视。鲁棒优化属于一种基于区间扰动信息的不确定性决策方法，其优势在于不需要知道不确定参量的概率分布信息，优化结果能够应对恶劣场景。本文采用鲁棒优化处理源荷不确定性，通过构建箱型不确定集描述不确定性变量的波动范围[21]，同时利用不确定度参数实现灵活调整调度结果的保守性。此时，风机、光伏出力和各类负荷功率的不确定集分别为

此外，当系统优化考虑不确定时，式（12）～式（14）所示的约束条件中风机、光伏出力和各类负荷功率预测值应采用相应的不确定变量进行替代。

3.1.2 两阶段鲁棒优化模型

本文设计的多能源系统运行约束复杂，且源荷不确定性较大，目前尚未有文献同时计及WT、PV出力和交流、直流、氢、热和气负荷预测的不确定性展开鲁棒优化研究。本文针对该系统构建出一种min-max-min结构的两阶段鲁棒优化调度模型：第一阶段确定能源转换设备的开关机状态和能源存储设备的充放能状态，使其可应对各种RES出力和负荷场景，通常在日内调度中为恒定量；第二阶段确定最恶劣场景及此场景下调度成本最低时的能源输入、分配、转换、存储及输出功率。目标函数为

式中，x和y分别为第一和第二阶段优化变量集合；aTx为式（2）中MT的起动和停机成本之和；bTy为式（2）中综合调度成本除去MT起动和停机成本外其他成本之和。x和y为

约束条件即式（12）～式（31）和式（34）～式（45），最终可简化为

式中，κ、σ、π、δ、θ和τ为变量y的各约束条件对应的对偶变量。

需说明的是，对于本文提出的TRO模型，式（46）～式（48）刻画源荷不确定性时仅考虑最大波动偏差是可行的。因为TRO第一阶段优化结果可应对恶劣场景，即使实际风光出力或负荷功率偏差超过设定范围，也可通过优化调整第二阶段中的各设备出力实现功率平衡。

3.2 求解算法

min-max-min鲁棒模型本质为三层模型，基于强对偶理论，可通过引入对偶变量，将内层min问题转换为max问题，并与中间层max问题合并，最终转换为两层min-max模型，进而采用C&CG算法进行求解。C&CG算法将原优化问题分解为主问题和子问题进行交替求解，并在求解主问题时不断加入和子问题相关的变量和约束，可实现以较低的迭代次数收敛到原优化问题的最优解。

将式（49）和式（51）所示优化模型进行分解，主问题为外层min问题，子问题为内层max问题，可分别用式（52）和式（53）表示。

式中，k为当前迭代次数；wi、vi和li分别为第i次迭代中子问题优化出的最恶劣场景下的风机、光伏出力和各类负荷功率；ψ为引入的辅助变量。

式中，xk为当次迭代过程中主问题优化出的第一阶段变量取值；φ为子问题目标函数。

需注意的是，式（53）中目标函数存在双线性项δTw、θTv和τTl，不利于优化模型的求解。考虑到子问题的最优解中w、v和l为其不确定集的极点[19]，即式（46）～式（48）中引入的互斥变量可定义为二进制变量，此时可通过引入辅助变量及大M法将式（53）转换为混合整数线性规划模型。现以双线性项δTw为例说明该过程。

引入辅助变量ε+和ε−，满足

则式（54）中δTw可表示为

式（55）可利用大M法线性化为

θTv和τTl的处理方法同δTw，不再赘述。最终，主问题和子问题均为混合整数线性规划问题，可通过求解器CPLEX进行求解。图3为C&CG算法的流程，其中UB和LB分别为迭代过程中综合调度成本的上界和下界，γ为收敛阈值。

图3 C&CG算法流程图Fig.3 Flow diagram of C&CG algorithm

4 算例分析

4.1 参数设置

本文以图2系统为研究算例，在Matlab2015b平台上利用YALMIP建模工具和CPLEX 12.6商业优化求解器求解本文提出的优化模型。

能源转换和存储设备参数见表1和表2[19,22-23]，表1中功率上/下限约束对应式（18）、式（19）、式（21）、式（23）、式（26）、式（28）和式（36），效率分别对应而，表2中BS的额定容量是150kW·h，为提高BS寿命将其容量上限设为135kW·h，而其他储能设备容量上限即为额定容量。此外，本文设定RES发电不计能量来源成本，仅考虑运维成本，WT和PV的运维成本系数均为0.01元/(kW·h)，并且设定MT的起动和停机成本系数取为5元/次，微网系统从天然气网络购买天然气功率的上限为350kW，单价为0.35元/(kW·h)。此外，碳税价格取为0.15元/kg[11]，MT和GB的碳排放系数分别取为0.202kg/(kW·h)和0.270kg/(kW·h)[24]，CO2捕集成本系数取为0.05元/kg[22]，CO2密度取为1.97kg/m3，氢气和天然气的高热值分别取为3.52kW·h/m3和11.04kW·h/m3。

表1 能源转换设备参数Tab.1 The parameters of energy conversion equipment

表2 能源存储设备参数Tab.2 The parameters of energy storage equipment

图4给出了风机、光伏出力和交流、直流、氢、热和气负荷功率的日前预测值。在日前两阶段鲁棒优化调度时，认为最大波动偏差可根据以往的历史预测偏差进行设定，且通常负荷预测精度相对于RES出力预测精度更高[12,19-21]，故设定风机、光伏出力的最大波动偏差为预测值的15%，各类负荷功率的最大波动偏差为预测值的5%。并且设定各类负荷的可切除功率上限均为其预测值的10%，惩罚成本系数均为4元/(kW·h)。迭代收敛阈值γ为2元。

图4 RES出力和负荷功率预测值Fig.4 Predicated values of RES and load power

4.2 优化运行结果分析

现对风机、光伏、各类能源负荷功率的不确定度参数（即ΠWT、ΠPV、ΠAC、ΠDC、ΠH、ΠT和ΠG）均为6时的情况进行优化运行结果分析。

图5给出了优化出的最恶劣场景中RES出力和各类能源负荷功率。

图5 最恶劣场景下RES出力和负荷功率Fig.5 RES and load power in the worst scenario

图5中，WT出力在时段19～24达到预测值下限，PV出力在时段9、12～15和18达到预测值下限，交流和直流负荷均在时段19～24达到预测值上限，氢负荷在时段8、13以及18～21达到预测值上限，热负荷在时段19～24达到预测值上限，气负荷在时段13和19～23达到预测值上限。可看出RES在其出力高峰或负荷需求高峰达到预测值下限，而各类能源负荷基本都在晚上高峰时段达到预测值上限。

为验证图5优化结果是最恶劣场景，基于确定性优化模型，随机设定不同时段的RES出力和负荷达到其预测值的边界，时段总数保持一致，对比以下不同场景中系统综合调度成本：①WT出力在时段1～4和22～23达到预测值下限，PV出力在时段10～15达到预测值下限，其他取值同图4中的最恶劣场景；②交流负荷在时段18～23达到预测值上限，氢负荷在时段8～9、12～13及19～20达到预测值上限，气负荷在时段13～14和18～21达到预测值上限，其他取值同图3中的最恶劣场景；③所有取值同图3中的最恶劣场景。其对比结果见表3。

表3 确定性优化模型下恶劣场景对比Tab.3 The comparison of different bad cases

场景1中WT出力和PV出力全部在高峰时段达到预测值下限，而场景2中负荷全部在高峰时段达到预测值上限，但都不是最恶劣场景，综合调度成本都低于场景3。场景3的综合调度成本与两阶段鲁棒模型（2 852.0元）存在微小偏差，是因为两阶段鲁棒模型是迭代求解的，偏差在收敛阈值范围内。

图6给出在图5最恶劣场景下调度成本最低时，各类能源的输入、分配、转换、存储及输出功率的调度结果，此时系统综合调度成本为2 852.0元，包括天然气购买成本2 390.5元，设备运维成本284.7元，CO2排放惩罚成本175.3元和CO2捕集成本1.5元，MT起停成本和强制切负荷惩罚成本均为0元。

图6 最恶劣场景下调度结果Fig.6 Scheduling results in the worst scenario

图6中各类能源都实现了功率平衡，且不存在切负荷现象。电力环节中，WT和PV出力具有互补特性，夜间交流侧WT出力较多，MT工作在以热定电模式，过剩电能通过BC注入到直流侧（时段1～7，10和18～24），优先供给直流负荷，多余电能为蓄电池充电或电解制氢；白天直流侧PV出力较多，过剩电能优先通过BC注入到交流侧补充其功率缺额（时段12～16），其余电能为蓄电池充电或电解制氢。氢气环节中，EC所制氢气优先供给氢负荷，减少经过储氢设备造成能量损耗，其余氢气储存在储氢设备中。储存的氢气在EC不工作时（时段18～22）取出满足氢负荷需求，直流侧供能不足时（时段19～23）供给FC满足直流负荷高峰需求，剩余氢气在非电解时段通过MR补给天然气供给（时段1、14和21）。热力环节中，虽然MT的热电联产模式工作效率比GB高，但当RES过剩时（时段1～7和9～12）GB供应热负荷更加经济，GB优先以最大功率输出；当RES出力减小（时段8和17～18）或MT出力达下限（时段13～16）时，适当减小GB的供热出力；当电负荷高峰且RES出力不足时（时段19～24），高效率的MT优先工作，供应全部热负荷。储热设备具有削峰填谷作用，有利于实现热能供需平衡。天然气环节中，气网作为主要气源，结合MR实现供给MT、GB和气负荷，但由于气网存在供应功率上限，因此需由储气设备实现供需平衡。

通过以上分析看出，本文设计的能量枢纽结构合理，可实现多能互补和提高系统的供能可靠性。

4.3 不确定度参数对调度结果的影响

为分析不确定度参数对调度结果的影响，现考虑RES（风机和光伏）出力的不确定度参数统一为ΠR，各类能源负荷功率的不确定度参数统一为ΠL。图7给出了分别单独考虑RES出力和负荷功率不确定性时，ΠR、ΠL不同取值时系统综合调度成本的变化曲线。所有优化过程的迭代次数都在6次以内，验证了C&CG 算法的快速收敛性。

图7 不确定度参数对综合调度成本的影响Fig.7 Effect of uncertainty parameters on comprehensive scheduling cost

由图7看出，随着ΠR或ΠL的增大，综合调度成本不断增加，增加趋势逐渐缓慢，且ΠL对综合调度成本的影响相对ΠR更明显。这是因为随着不确定度参数的增大，鲁棒优化的结果更加保守，且优化出的最恶劣场景优先选择RES出力高峰的下限、负荷高峰的上限，不确定度参数较大时对成本影响较小。此外，各类负荷同时考虑不确定性，相对于RES，负荷总功率波动范围大，不确定度参数对调度成本影响也较大。因此，改变不确定度参数，可实现灵活选择调度方案的保守性。

表4给出同时考虑RES出力和负荷功率不确定性且ΠR=ΠL=Π，不同Π时的优化结果对比。Π为0可等效为确定性优化调度，Π为24可得到鲁棒优化的最保守调度结果。在Π的调节范围内，系统切负荷功率不超过总负荷功率的0.07%，弃风和弃光总功率不超过总RES功率的1.99%，说明本文所设计的孤立微网系统具有较高的供能可靠性和RES消纳水平。

表4 不同不确定度参数下优化结果对比Tab.4 The comparison of optimal results with different uncertainty parameters

4.4 不同优化方法对比

分别采用确定性优化（DO）、随机优化（SO）和两阶段鲁棒优化（TRO）求解本文模型，并对比其优化结果。其中SO以多场景（500场景）的综合调度成本期望值最小为目标，场景生成时考虑所有时段RES出力、负荷功率服从正态分布，期望值为预测值，标准偏差为最大波动偏差的1/3[19]，TRO的不确定度参数均为6。首先用三种方法优化出能源转换设备的开关机状态和能源存储设备的充放能状态，以及对应的综合调度成本。然后在此基础上，随机生成200个概率分布场景进行求解，得到所有场景下系统调度的平均成本、最大成本和切负荷场景数。此处，为了能够生成较为恶劣的场景，考虑RES出力、负荷功率预测曲线整体服从正态分布。不同优化方法的结果对比见表5。

表5 不同优化方法的结果对比Tab.5 The comparison of different optimal methods

分析表5，DO的综合调度成本最低，但其优化出的能源转换设备的开关机状态和能源存储设备的充放能状态在RES和负荷波动时，出现切负荷概率极高，且多场景下的平均成本和最大成本都最高，鲁棒性和经济性都较差。TRO的综合调度成本最高，是因为其调度结果最为保守。TRO调度结果在多场景下的最大成本最小，切负荷概率也最低，说明其鲁棒性最好，而平均成本居中，说明其经济性介于SO和DO之间。因此，综合考虑鲁棒性与经济性，TRO在处理不确定性问题时更具有优势。

此外，为分析预测偏差对TRO调度结果的影响，表6分别给出RSE出力和负荷功率的最大波动偏差为其预测值的15%和0%、15%和5%以及20%和5%的情况下的TRO方法的优化结果，分别对应工况1、工况2和工况3。

表6 不同预测偏差下TRO结果对比Tab.6 The comparison of TRO results in different prediction errors

分析表6，随着RSE出力或负荷功率的最大波动偏差的增大，TRO的综合调度成本增大，这是因为TRO的调度结果更加保守；同时TRO调度结果在多场景下的最大成本也有所增加，这是因为随机场景可能更加恶劣。但是，在任何预测偏差下，TRO调度结果在多场景下的平均成本相差不大，切负荷概率也较小，所以仍然兼具鲁棒性和经济性。