风电接入时考虑储能和分时电价的电力系统经济调度

蔡可天，钱玉良

(上海电力大学自动化工程学院，上海200090)

0 引言

风电出力的随机性和难预测性给电力系统的调度带来了一定的影响[1]，传统的调度模型显然已经不适应当前的复杂电网环境，如何处理不确定性环境下的经济调度问题成为当务之急。

目前，针对不确定性问题的处理有随机优化(stochastic optimization，SO)、鲁棒优化(robust optimization, RO)以及分布鲁棒优化(distributionally robust optimization, DRO)几种方案。随机优化需要知道或者预设一个概率分布，导致计算规模较大和鲁棒性差；鲁棒优化是求解最恶劣情况下的最优结果，往往具有一定的保守性。而分布鲁棒优化综合两者的优缺点，提高结果准确性的同时又降低了其保守性，在处理电力系统不确定性问题中得到了广泛的应用。

传统的DRO方法常使用一、二阶矩信息[2]或者Wasserstein距离[3]来构建不确定性集合，但是其求解过程复杂。相对于这几种算法，基于多离散场景的DRO具有求解简单的优点，其主要是首先构造不确定变量的概率密度，然后对其进行离散化，得到多个离散场景及其相应的概率值，构建分布的不确定集合，在此基础上得到最恶劣概率分布下的优化结果[4]。文献[5]提出了基于正态云模型表征风电预测误差概率分布值，利用综合范数构建误差概率的可行域，建立了两阶段DRO机组组合模型。文献[6]构建了以购电成本、网损成本、电压偏差惩罚的总运行成本最小化为目标函数的主动配电网优化调度模型，并应用区间鲁棒优化模型对风电机组出力和负荷需求的不确定性进行处理。文献[7]基于多离散场景的DRO方法将风电的概率分布离散化，构建了数据驱动两阶段DRO优化模型。但是该方法对不确定变量概率分布拟合的精确性以及典型场景的生成要求较高。在不确定变量的概率分布拟合方面，文献[8]利用Beta分布拟合风电预测误差分布，并指出该分布在高区间比较适用。文献[9]通过非参数核密度估计建立的风电预测误差模型具有较好的效果，但是核密度估计的好坏依赖于核函数和带宽的选取。以上文献都是采用单一的分布模型拟合风电预测误差的概率分布，可能无法准确反映风电预测误差概率分布的非对称、多峰等特性[10]。文献[11]采用高斯混合模型对风电功率预测误差的概率密度分布进行拟合，解决了单一分布存在的缺陷，取得了较好的拟合效果。文献[12]构建了冰蓄冷空调集群参与微网经济调度框架，基于场景法对微网分布式风、光出力不确定性进行建模，构建了总成本期望值最小的优化调度模型及系统内各设备调节容量、成本约束集，并根据拉格朗日乘子法验证模型最优解唯一性。在不确定变量典型场景生成方面，大多采用K-means聚类[13 - 14]，但是该方法仍存在一些缺点，影响典型场景的生成。文献[13]在得到风电预测误差的概率分布后，使用K-means和手肘法相结合生成典型场景，解决了聚类场景数目难以确定的问题，提高了计算效率，但初始的聚类中心是随机选取的。文献[14]在使用K-means进行风电场景缩减时，给聚类效果加入一个指标，优化了场景聚类数目，但是仍未解决初始聚类中心随机选取的问题而且指标的选取具有一定的主观性，从而影响聚类的精度。所以如何考虑风电高阶不确定性并有效地建立风电预测误差的概率分布和生成较为代表性的典型场景，仍是亟待解决的问题。

另外，风电的大规模并网也带来了弃风现象，如何促进风电的消纳也是本文所考虑的一个范畴。文献[15]考虑风储联合运行，不仅优化了风电消纳还提高了系统整体运行的经济性，但是未考虑储能损耗成本带来的影响以及需求侧的参与。文献[16]指出在含风电等不确定性因素的电力系统中，需求响应(demand response，DR)的实施可以大大提高电网运行的灵活性，但是未考虑储能对调度的影响。目前，在不确定性环境下综合考虑储能和需求响应对系统调度以及风电消纳的影响研究较少。

所以，本文提出基于风电预测误差的不确定性并同时考虑储能和分时电价的两阶段经济调度模型。在第一阶段以机组的启停成本最优为目标，确定机组的启停计划；第二阶段综合考虑风电预测误差的不确定性、储能损耗成本以及分时电价的影响，在最恶劣环境下最小化系统运行成本。针对风电预测误差的不确定性，采用改进的高斯混合模型进行表征并利用拉丁超立方采样和改进的K-means聚类获得相应的场景和其初始概率，结合综合范数获得了概率分布不确定集合。然后采用列约束生成算法对两阶段模型迭代求解，第一阶段的启停状态作为第二阶段的输入变量，第二阶段的弃风量等反馈给第一阶段。最后，通过算例验证了模型具有一定的有效性。

1 风电预测误差不确定性建模

1.1 以改进的高斯混合模型表征风电预测误差

高斯混合模型(Gaussian mixture model，GMM)是一个由多个高斯分布线性组合表征观测数据总体分布的概率模型，在聚类分析、拟合等方面应用广泛[17]。考虑到风电预测误差受到风速、预测方法以及天气等多因素的影响而呈现出复杂的、随机的分布特性，所以本文采用高斯混合模型表征风电预测误差分布，其概率密度如式(1)所示。

(1)

式中：K为高斯混合模型中高斯分布的个数，即组件数；fk为第k个子分布的概率密度；ωk、μk、σk分别为第k个子分布的权重、期望和方差。其中，权重表示每个子分布发生的概率，介于[0,1]且权重之和为1。

只要确定了各个子分布的权重、期望和方差，那么风电预测误差分布也就可知。这类问题经常利用最大期望(expectation maximization, EM)算法[18]进行求解。但是，传统的高斯混合模型中其子分布的数量通常按照经验来确定，容易造成拟合精确度的降低，本文根据文献[19]所提方法构造自适应的高斯混合模型，能够根据数据集的大小较精确地确定子分布的数量。

风电预测误差可以表示为风电实际出力与预测出力之差，如式(2)所示。

(2)

本文选取Elia电网一年的风电历史数据作为观测对象，包括每小时风电的历史实际出力和预测出力，共计8 760条数据。为了能够方便地进行观测，以风电场的装机容量作为基准值对风电相关数据进行归一化处理。图1为风电预测误差随时间变化的散点图。

图1 风电预测误差散点图Fig.1 Scatter plot of wind power forecast errors

在得到风电预测误差之后，本文采用柯西分布、T分布、正态分布、传统的GMM、Beta分布和改进的GMM分别表示风电预测误测分布的概率密度。图2为这几种分布的概率密度。

从图2可以看出，柯西分布、传统的GMM、改进的GMM及Beta分布能够较好地表征风电预测误差的概率密度，尤其在最高点处，其余分布偏离较明显。为了进一步比较这4种分布，采用拟合精度指标来选择最优的拟合分布，其中拟合精度指标包括平均绝对误差eMAE、均方根误差eRMSE、余弦夹角变换式Icos。表1为以上4类分布的拟合精度评价指标。

从表1可以看出，改进的GMM在拟合精度指标上的表现较优，所以本文采用改进的GMM作为表征风电预测误差的概率分布模型。

图2 概率密度Fig.2 Probability density

表1 分布评价表Tab.1 Distribution evaluation form

1.2 场景生成和缩减

1.2.1 场景生成

在上一节中已经得到风电预测误差的概率密度模型，基于此，本文采取拉丁超立方采样(Latin hypercube sampling，LHS)进行场景生成，拉丁超立方采样的具体步骤见文献[20]。

1.2.2 场景缩减

利用LHS生成风电场景之后，需要对场景进行缩减得到典型场景。在场景缩减方面，目前使用较多的是K-means聚类，虽然K-means聚类易于实现，聚类速度较快，但是仍存在一些缺点：1)对离群点和孤立点比较敏感；2)初始聚类中心是随机选取的，使得聚类结果随机性较强，准确度低；3)聚类数目K的选取直接影响聚类的结果。所以本文首先利用离群检测算法(local outlier factor，LOF)[21]将离群点从数据集中剔除，减小异常点对聚类结果的影响，然后将处理后的数据集用层次聚类确定初始聚类中心和聚类数，最后使用K-means聚类获得最终的场景。关于本文所提出的改进K-means聚类的具体步骤如下。

1)利用LOF算法对风电预测误差数据集做预处理，剔除偏离数据集的异常点；

2)将处理后的数据集进行层次聚类[22]算法获得K-means的初始聚类数K和各类簇；

3)计算各类簇的均值，将其作为K-means聚类的初始聚类中心；

4)计算每个数据点与这些聚类中心的欧式距离，并将数据点划分到距离最小的聚类中心所在的簇；

5)对步骤4形成的簇重新计算聚类中心；

6)重复步骤4和步骤5，直至聚类中心不发生改变或达到最大迭代步骤。

1.2.3 风电预测误差概率分布的可行域

N个样本经过场景生成和场景缩减之后，会形成K个典型场景及其对应的初始概率，根据多离散场景的分布鲁棒优化原理，利用结合1-范数和∞-范数的综合范数对初始场景概率进行约束，解决概率随机性的问题，最后形成概率分布不确定性集合ψ，如式(3)所示。

(3)

(4)

式中：Pr为求概率的函数；α1、α∞分别为pk在1-范数和∞-范数上满足的置信度；N为样本数量。由式(4)可以得到：

(5)

2 两阶段经济调度模型

在传统调度模型的基础上，考虑风电、储能及分时电价的影响。本文的系统框架如图3所示。

针对这类同时包含源荷储的问题，构建了两阶段经济调度模型，并且利用多离散场景分布鲁棒方法来处理风电预测误差的不确定性，所以本文最终提出了两阶段分布鲁棒经济调度模型，如式(6)所示。

图3 系统结构图Fig.3 Structure diagram of the system

(6)

该模型可以表示为如图4所示的调度流程图。

对于图4，第一阶段求出的机组启停状态作为第二阶段的输入。第二阶段是在最恶劣概率分布下求得弃风量、切负荷量等连续变量，优化系统运行的总成本，包括机组运行成本、弃风成本、储能损耗成本、切负荷成本，然后将求得的弃风量、切负荷量等反馈给第一阶段，为第一阶段增加新的约束。两个阶段交替迭代求解，直至迭代结束。

图4 系统调度流程图Fig.4 Flowchart of the system scheduling

2.1 第一阶段模型

2.1.1 目标函数

第一阶段最小化机组的启停成本，目标函数如式(7)所示。

(7)

式中：T为调度周期的总时段数；G为火电机组数；Sgu和Sgd分别表示机组g的启动成本和停机成本。

2.1.2 约束条件

1)机组运行状态、启/停状态之间的关系约束。

ugt-ug(t-1)-zgt≤0 ∀g∈G,∀t∈T

(8)

ug(t-1)-ugt-vgt≤0 ∀g∈G,∀t∈T

(9)

式中：ugt为机组g在时段t的运行状态，1表示运行，0表示停运；zgt为机组g在时段t的启动状态，1表示启动，0表示不启动；vgt为机组g在时段t的停机状态，1表示停机，0表示不停机。

2)最小开停机持续时间约束。

(10)

(11)

式中：Tgon为机组g的最小开机持续时间；Tgoff为机组g的最小停机持续时间。

3) 可行集约束。

zgt,vgt,ugt∈{0,1} ∀g∈G,∀t∈T

(12)

2.2 第二阶段模型

针对风电预测误差的不确定性，本文在上一节建立了风电场景概率的不确定集合，使得在任意风电场景下，系统仍能安全稳定的运行，基于此构建了max-min形式的目标函数。在促进风电消纳方面，考虑到了储能和分时电价，确保了该模型更加贴近实际电力系统的运行。

2.2.1 储能损耗成本模型

本文储能装置采用锂电池，锂电池较其他电池有良好的循环使用寿命。储能电池的使用寿命和损耗主要受放电深度和放电速率的影响，其可以表示为额定状态下全寿命周期内有效放电量总和[23]。在电池的实际放电量达到该值时，则认为电池寿命终止。电池额定状态下的总有效放电量如式(13)所示。

QR=LRDRCR

(13)

式中：QR为额定状态下电池总有效放电量；LR为电池额定循环寿命；DR为电池额定放电深度；CR为电池额定容量。

当只考虑放电深度对电池寿命的影响时，放电深度和实际循环寿命的关系可以通过对实验数据[24]进行拟合得到，如图5所示。

从图5可以看出，当放电深度增加时，电池实际寿命会减少，导致实际放电量也会降低。实际放电量和有效放电量的关系可以用实际循环寿命和额定循环寿命的关系来表示，如式(14)所示。

图5 放电深度和实际循环寿命关系Fig.5 Relationship between depth of discharge and actual cycle life

(14)

式中：deff为有效放电量；dA为实际放电量。

另外，图5所得到的拟合曲线可以表示为式(15)形式，相较于利用指数函数等其他方式拟合得到的循环寿命曲线，该方式的拟合误差小，更加贴近电池的实际运行。

LA=aDact-be-cDact

(15)

式中：LA为电池实际循环寿命；a、b、c为拟合系数；Dact为实际放电深度，并且有Dact=1-SSOC，SSOC表示荷电状态。

当只考虑放电速率对电池寿命影响时，有效放电量和实际放电量之间的关系可以表示为：

(16)

式中CA为当前状态下的实际容量。

综合考虑放电深度和放电速率时，并结合式(13)—(16)可以得到储能电池一次有效放电量，如式(17)所示。

(17)

根据储能电池使用寿命的定义可以得到一次放电过程中所带来的损耗成本为：

(18)

式中：Closs为损耗成本；ccap为电池初始投资成本。

2.2.2 分时电价模型

在含风电的电力系统中，利用DR指导用户合理用电可以起到削峰填谷、促进风电消纳的作用[25]。需求响应主要分为价格型需求响应和激励型需求响应，现阶段，价格型需求响应中的分时电价对日前调度的影响较大，电价会引导用户用电时间的转移和用电量的变化，这些变化不仅受用户当前电价的影响，还会受其他时段的影响，在高电价时段降低自己的用电量，低电价时段提高自己的用电量以弥补减少用电量带来的损失[26]。本文以价格弹性系数表示电价变化对用电量的影响，建立相应的需求相应模型如式(19)所示。

(19)

2.2.3 目标函数

第二阶段的目标函数如式(20)所示。另外，为了方便表述，下文的模型和约束均以单个场景进行描述。

(20)

2.2.4 约束条件

1) 机组出力约束

(21)

式中：Pgmax和Pgmin分别为机组g最大和最小出力。

2) 机组爬坡速率约束

(22)

(23)

式中：rgup和rgdn分别为机组g向上、向下的爬坡速率。

3) 功率平衡约束

(24)

4) 切负荷约束

(25)

5) 弃风功率约束

(26)

6) 传输功率约束。

(27)

式中：Plmax为线路l最大传输功率；Ll为节点到线路l的功率转移因子。

7) 备用容量约束

(28)

8) 储能约束

储能约束包括储能电池充放电功率约束和荷电状态约束[27]。

储能电池充放电功率约束：

(29)

(30)

荷电状态约束为：

(31)

9) 分时电价约束

当负荷侧考虑分时电价后，需要满足3个约束：考虑分时电价前后应当保持电量平衡；在任意时段受分时电价影响所产生的负荷量应有限；为了调动用户的积极性，实施该策略后的购电成本应低于实施前的。具体可以用式(32)—(34)表示。

(32)

(33)

(34)

式中δ为每个时段可响应负荷占比上限。

3 模型求解

式(6)为两阶段三层分布鲁棒模型，解决该问题常用方法有列约束生成(column-and-constraint generation，C&CG)算法[28]或者Benders分解法[29]，本文采用C&CG算法。C&CG具有算法复杂度较低、收敛速度快及迭代次数少的优点，能够将原问题分解为一个主问题和一个子问题，主子问题进行迭代求解，直至满足迭代要求。为了方便表述，将式(6)表示为矩阵形式。

(35)

s.t.Ax≥gx∈{0,1}

(36)

Cx+Hy+Gs+Fz≤j

(37)

Jx+Ky+Ls+Qz=q

(38)

Is≤h

(39)

Uz≤χ

(40)

式中：x为第一阶段变量；a为第一阶段系数矩阵；y为第二阶段常规机组的出力；s为弃风量和切负荷量；z为储能电池的充放电功率；Z为储能损耗成本；式(36)表示机组启停相关的约束关系，对应式(8)—(12)。式(37)—(38)表示第一阶段和第二阶段的耦合关系，包括等式约束和不等式约束，对应式(21)—(24)、(27)—(28)；式(39)表示弃风量和切负荷量约束，对应式(25)—(26)；式(40)表示储能约束和DR约束，对应式(29)—(34)；A、g、C、H、G、F、j、J、K、L、Q、q、I、h、U、χ表示变量之间对应的矩阵或者向量。

主问题是在已知的概率分布下获得最优解，是式(35)的下界，并给子问题提供输入变量，可以表示为：

(41)

(42)

子问题根据主问题得到的x寻找最恶劣的概率分布，为式(35)提供上界，并将求解结果返回到主问题中，更新主问题的相关约束。如式(43)所示。

(43)

在子问题中，由于各场景下的min问题是相互独立的，可以采用并行的方法进行求解[30]，即先在第k个场景下计算内层min问题，然后根据内层结果求解外层max问题，如式(44)—(45)所示。

Rk=min(bTyk+cTsk+Z)

(44)

(45)

关于C&CG求解两阶段三层分布鲁棒模型的具体流程如下所示。

C&CG算法流程为：

步骤1: 设置BL=0，BU=+∞，m=1；

步骤5：更新m=m+1，返回步骤2。

4 算例分析

本文对IEEE 39节点系统进行修改来验证所提模型的有效性和正确性。系统中包含10台常规火电机组、1座风电场、1座储能电站，火电机组相关数据见文献[31]，储能相关参数见表2。另外，某一典型日的负荷和风电预测数据见图6；本文设置原始电价为0.625 元，在考虑分时电价时，峰谷平的电价水平及价格需求弹性见表3—4。关于模型中的其他参数设置为：弃风成本为50 元/MW，切负荷成本80元/MW，综合范数的置信水平为0.5和为0.99。最后，在MATLAB中调用Yalmip工具箱中的Cplex求解。

表2 储能相关参数Tab.2 Related parameters of thermal power unit

图6 预测曲线Fig.6 Forecast curves

表3 各时段电价Tab.3 Electricity price for each period

表4 弹性系数表Tab.4 Elasticity coefficient table

4.1 运行结果分析

根据前文所述，可将日前风电预测误差描述为改进的高斯混合模型，然后利用LHS和改进的K-means聚类进行抽样和场景缩减，其中抽样数设置为1 000，最终得到5个离散场景及其初始概率。

4.1.1 优化方法比较

比较了本文方法、RO及SO三者各自产生的总成本和弃风成本，具体结果如表5所示。

表5 3种方法的优化结果Tab.5 Optimization results of the three methods

从表5可以看出，本文DRO产生的总成本介于SO和RO两者之间。在调度过程中，SO假设风电预测误差服从某一具体分布，仅仅是不确定集中所包含概率分布中的一种，可能会忽略极端情况下的场景。而RO仅仅考虑风电预测误差的最恶劣情况，过于极端，会产生更多的弃风成本，增加了调度结果的保守性，使得RO的经济性较差。总体来说，DRO在初始概率分布的不确定集合中寻找最恶劣概率分布，改善了RO和SO各自存在的片面性，在RO和SO两者之间取得了均衡。另外，在弃风成本上，本文DRO产生的费用低于RO和SO，说明本文DRO能够减少风电预测误差不确定性对电力系统带来的影响。

4.1.2 调度方案的比较

为了说明储能和分时电价对风电消纳的影响，本文考虑以下4种情况。

情况1：未考虑储能和分时电价的影响；

情况2：不考虑储能的影响，仅考虑分时电价；

情况3：仅考虑储能的影响，不考虑分时电价；

情况4：同时考虑储能和分时电价的影响。

4种情况下的调度结果如表6所示。

表6 不同调度方案的比较Tab.6 Comparison of different scheduling schemes

从表6可以看出，情况4的弃风成和切负荷成本为0；情况1、2、3均存在弃风和切负荷成本，但是情况2和3的各个成本都比情况1的低，但比情况4的成本高，这说明，仅考虑分时电价或者储的影响，虽然可以降低弃风和切负荷量，但是低于情况4。综上，在含有风电的电力系统调度中同时考虑储能和分时电价能够进一步促进风电的消纳，减少切负荷量。

从以上分析可以知道，储能和分时电价的加入缓解了弃风现象，并且相较于其他情况而言，带来了较好的经济性。为了进一步说明储能和分时电价对含风电的电力系统调度的影响，针对情况4做了详细的说明。

图7 响应前后负荷水平Fig.7 Load levels before and after response

在考虑分时电价后，响应前后的负荷曲线如图7所示。可以看出，受分时电价的影响，在负荷高峰时期，负荷水平降低；在负荷低谷时期，负荷水平有所提高。说明需求响应的加入具有一定的削峰填谷作用，缓解机组调峰的压力，并且在低谷时期抬高了负荷水平，存在促进风电消纳的潜力。

在考虑储能后，当负荷水平较高，储能系统可以通过放电缓解火电机组的出力，当负荷水平较低时，可能会存在一定的弃风现象，这时储能可以通过充电来减少弃风量。图8为储能系统在情况4的充放电情况。

图8 充放电功率Fig.8 Charge and discharge power

从图8可以看出，储能系统的充电时段为3、5、15、17、18、23，这些时段对应于图7为负荷的低谷时期或者负荷水平较低的时候；储能的放电时段为12、13、16、19、20，这些时刻对应于图7为负荷高峰时期或者负荷水平较高的时候。

4.1.3 不同置信度的影响

风电预测误差的不确定集合中涉及到了综合范数，在综合范数中，置信区间α1、α∞取值不同会导致概率允许偏差值的改变，从而对应不同的不确定集合。设α1的取值为[0.2, 0.5, 0.99]，α∞的取值为[0.5, 0.8, 0.99]，对综合范数中的置信区间取不同值进行分布鲁棒优化，得到的结果如表7所示。从表7可以看出，保持α∞不变，随着α1的变大，总成本值也在增加；保持α1的不变，随着α∞的增大，总成本值也在变大。总的来说，α1和α∞越大，总成本值也越大。这是因为置信度增加会增大置信区间，从而增大了不确定集合，使得结果越发保守，所以总成本就会变大。

表7 不同置信度的结果比较Tab.7 Comparison of results with different confidence levels

另外，为了比较综合范数和其他范数对优化结果的影响，分别采用综合范数、1范数及∞-范数来规范误差的不确定集合。当比较综合范数和1范数时，α∞取0.99，α1的取值为[0.2, 0.5, 0.99]，比较结果如表8所示。

表8 综合范数和1-范数的比较Tab.8 Comparison of comprehensive norm and 1-norm

从表8可以看出，随着α1的增大，综合范数的结果都优于1-范数的结果，说明1范数较综合范数更加保守。

当比较综合范数和无穷范数时，α1取0.5，α∞的取值为[0.5, 0.8, 0.99]，比较结果如表9所示。

从表9可以看出，采用∞-范数的经济性均低于综合范数，说明∞-范数的保守性也较高于综合范数。综合以上，综合范数具有较低的保守性。

4.1.4 C&CG算法的分析

本文采用C&CG算法来求解两阶段分布鲁棒经济调度，其迭代图如图9所示。

表9 综合范数和∞-范数的比较Tab.9 Comparison of comprehensive norm and ∞-norm

图9 C&CG迭代图Fig.9 C&CG iteration graph

由图9可以看出，当迭代次数为3时，上界值和下界值之差为0，小于给定精度,此时目标值达到最优。

为了进一步说明C&CG算法具有较快的求解速度和较少的迭代次数，本文将其与Benders算法进行了比较，结果如表10所示。

表10 两类算法的比较Tab.10 Comparison of the two algorithms

5 结论

针对风电预测误差的不确定性，本文采用改进的高斯混合模型来表示其概率分布，然后采用LHS和改进的K-means获得典型场景和初始概率，最后利用综合范数来构建概率分布的不确定集合。为了进一步促进风电消纳，在调度中又考虑到储能和分时电价的影响，最后用C&CG算法求解构建的两阶段分布鲁棒调度模型。通过IEEE 39节点系统进行算例分析，得出以下结论。

1)相较于鲁棒优化和随机优化，采用分布鲁棒优化的方法求解不确定问题，综合了鲁棒优化和随机优化的优缺点。

2)在调度模型中同时考虑储能和分时电价影响，能进一步促进风电的消纳，从而降低了系统运行的总成本。

3)本文采用综合范数构建概率分布的不确定集合，随着置信度的增大，保守性也会增大；另外，综合范数的保守性要低于仅考虑1范数或无穷范数。

4)采用C&CG算法能够以较少的迭代次数快速求解本文提出的两阶段DRO模型。

但是，本文涉及的风电场数很少，未考虑风电场之间的相关性，下一步将计及多个风电场及其相关性进行分析。