風電接入時考慮儲能和分時電價的電力系統經濟調度

蔡可天，錢玉良

(上海電力大學自動化工程學院，上海200090)

0 引言

風電出力的隨機性和難預測性給電力系統的調度帶來了一定的影響[1]，傳統的調度模型顯然已經不適應當前的復雜電網環境，如何處理不確定性環境下的經濟調度問題成為當務之急。

目前，針對不確定性問題的處理有隨機優化(stochastic optimization，SO)、魯棒優化(robust optimization, RO)以及分布魯棒優化(distributionally robust optimization, DRO)幾種方案。隨機優化需要知道或者預設一個概率分布，導致計算規模較大和魯棒性差；魯棒優化是求解最惡劣情況下的最優結果，往往具有一定的保守性。而分布魯棒優化綜合兩者的優缺點，提高結果準確性的同時又降低了其保守性，在處理電力系統不確定性問題中得到了廣泛的應用。

傳統的DRO方法常使用一、二階矩信息[2]或者Wasserstein距離[3]來構建不確定性集合，但是其求解過程復雜。相對于這幾種算法，基于多離散場景的DRO具有求解簡單的優點，其主要是首先構造不確定變量的概率密度，然后對其進行離散化，得到多個離散場景及其相應的概率值，構建分布的不確定集合，在此基礎上得到最惡劣概率分布下的優化結果[4]。文獻[5]提出了基于正態云模型表征風電預測誤差概率分布值，利用綜合范數構建誤差概率的可行域，建立了兩階段DRO機組組合模型。文獻[6]構建了以購電成本、網損成本、電壓偏差懲罰的總運行成本最小化為目標函數的主動配電網優化調度模型，并應用區間魯棒優化模型對風電機組出力和負荷需求的不確定性進行處理。文獻[7]基于多離散場景的DRO方法將風電的概率分布離散化，構建了數據驅動兩階段DRO優化模型。但是該方法對不確定變量概率分布擬合的精確性以及典型場景的生成要求較高。在不確定變量的概率分布擬合方面，文獻[8]利用Beta分布擬合風電預測誤差分布，并指出該分布在高區間比較適用。文獻[9]通過非參數核密度估計建立的風電預測誤差模型具有較好的效果，但是核密度估計的好壞依賴于核函數和帶寬的選取。以上文獻都是采用單一的分布模型擬合風電預測誤差的概率分布，可能無法準確反映風電預測誤差概率分布的非對稱、多峰等特性[10]。文獻[11]采用高斯混合模型對風電功率預測誤差的概率密度分布進行擬合，解決了單一分布存在的缺陷，取得了較好的擬合效果。文獻[12]構建了冰蓄冷空調集群參與微網經濟調度框架，基于場景法對微網分布式風、光出力不確定性進行建模，構建了總成本期望值最小的優化調度模型及系統內各設備調節容量、成本約束集，并根據拉格朗日乘子法驗證模型最優解唯一性。在不確定變量典型場景生成方面，大多采用K-means聚類[13 - 14]，但是該方法仍存在一些缺點，影響典型場景的生成。文獻[13]在得到風電預測誤差的概率分布后，使用K-means和手肘法相結合生成典型場景，解決了聚類場景數目難以確定的問題，提高了計算效率，但初始的聚類中心是隨機選取的。文獻[14]在使用K-means進行風電場景縮減時，給聚類效果加入一個指標，優化了場景聚類數目，但是仍未解決初始聚類中心隨機選取的問題而且指標的選取具有一定的主觀性，從而影響聚類的精度。所以如何考慮風電高階不確定性并有效地建立風電預測誤差的概率分布和生成較為代表性的典型場景，仍是亟待解決的問題。

另外，風電的大規模并網也帶來了棄風現象，如何促進風電的消納也是本文所考慮的一個范疇。文獻[15]考慮風儲聯合運行，不僅優化了風電消納還提高了系統整體運行的經濟性，但是未考慮儲能損耗成本帶來的影響以及需求側的參與。文獻[16]指出在含風電等不確定性因素的電力系統中，需求響應(demand response，DR)的實施可以大大提高電網運行的靈活性，但是未考慮儲能對調度的影響。目前，在不確定性環境下綜合考慮儲能和需求響應對系統調度以及風電消納的影響研究較少。

所以，本文提出基于風電預測誤差的不確定性并同時考慮儲能和分時電價的兩階段經濟調度模型。在第一階段以機組的啟停成本最優為目標，確定機組的啟停計劃；第二階段綜合考慮風電預測誤差的不確定性、儲能損耗成本以及分時電價的影響，在最惡劣環境下最小化系統運行成本。針對風電預測誤差的不確定性，采用改進的高斯混合模型進行表征并利用拉丁超立方采樣和改進的K-means聚類獲得相應的場景和其初始概率，結合綜合范數獲得了概率分布不確定集合。然后采用列約束生成算法對兩階段模型迭代求解，第一階段的啟停狀態作為第二階段的輸入變量，第二階段的棄風量等反饋給第一階段。最后，通過算例驗證了模型具有一定的有效性。

1 風電預測誤差不確定性建模

1.1 以改進的高斯混合模型表征風電預測誤差

高斯混合模型(Gaussian mixture model，GMM)是一個由多個高斯分布線性組合表征觀測數據總體分布的概率模型，在聚類分析、擬合等方面應用廣泛[17]?？紤]到風電預測誤差受到風速、預測方法以及天氣等多因素的影響而呈現出復雜的、隨機的分布特性，所以本文采用高斯混合模型表征風電預測誤差分布，其概率密度如式(1)所示。

(1)

式中：K為高斯混合模型中高斯分布的個數，即組件數；fk為第k個子分布的概率密度；ωk、μk、σk分別為第k個子分布的權重、期望和方差。其中，權重表示每個子分布發生的概率，介于[0,1]且權重之和為1。

只要確定了各個子分布的權重、期望和方差，那么風電預測誤差分布也就可知。這類問題經常利用最大期望(expectation maximization, EM)算法[18]進行求解。但是，傳統的高斯混合模型中其子分布的數量通常按照經驗來確定，容易造成擬合精確度的降低，本文根據文獻[19]所提方法構造自適應的高斯混合模型，能夠根據數據集的大小較精確地確定子分布的數量。

風電預測誤差可以表示為風電實際出力與預測出力之差，如式(2)所示。

(2)

本文選取Elia電網一年的風電歷史數據作為觀測對象，包括每小時風電的歷史實際出力和預測出力，共計8 760條數據。為了能夠方便地進行觀測，以風電場的裝機容量作為基準值對風電相關數據進行歸一化處理。圖1為風電預測誤差隨時間變化的散點圖。

圖1 風電預測誤差散點圖Fig.1 Scatter plot of wind power forecast errors

在得到風電預測誤差之后，本文采用柯西分布、T分布、正態分布、傳統的GMM、Beta分布和改進的GMM分別表示風電預測誤測分布的概率密度。圖2為這幾種分布的概率密度。

從圖2可以看出，柯西分布、傳統的GMM、改進的GMM及Beta分布能夠較好地表征風電預測誤差的概率密度，尤其在最高點處，其余分布偏離較明顯。為了進一步比較這4種分布，采用擬合精度指標來選擇最優的擬合分布，其中擬合精度指標包括平均絕對誤差eMAE、均方根誤差eRMSE、余弦夾角變換式Icos。表1為以上4類分布的擬合精度評價指標。

從表1可以看出，改進的GMM在擬合精度指標上的表現較優，所以本文采用改進的GMM作為表征風電預測誤差的概率分布模型。

圖2 概率密度Fig.2 Probability density

表1 分布評價表Tab.1 Distribution evaluation form

1.2 場景生成和縮減

1.2.1 場景生成

在上一節中已經得到風電預測誤差的概率密度模型，基于此，本文采取拉丁超立方采樣(Latin hypercube sampling，LHS)進行場景生成，拉丁超立方采樣的具體步驟見文獻[20]。

1.2.2 場景縮減

利用LHS生成風電場景之后，需要對場景進行縮減得到典型場景。在場景縮減方面，目前使用較多的是K-means聚類，雖然K-means聚類易于實現，聚類速度較快，但是仍存在一些缺點：1)對離群點和孤立點比較敏感；2)初始聚類中心是隨機選取的，使得聚類結果隨機性較強，準確度低；3)聚類數目K的選取直接影響聚類的結果。所以本文首先利用離群檢測算法(local outlier factor，LOF)[21]將離群點從數據集中剔除，減小異常點對聚類結果的影響，然后將處理后的數據集用層次聚類確定初始聚類中心和聚類數，最后使用K-means聚類獲得最終的場景。關于本文所提出的改進K-means聚類的具體步驟如下。

1)利用LOF算法對風電預測誤差數據集做預處理，剔除偏離數據集的異常點；

2)將處理后的數據集進行層次聚類[22]算法獲得K-means的初始聚類數K和各類簇；

3)計算各類簇的均值，將其作為K-means聚類的初始聚類中心；

4)計算每個數據點與這些聚類中心的歐式距離，并將數據點劃分到距離最小的聚類中心所在的簇；

5)對步驟4形成的簇重新計算聚類中心；

6)重復步驟4和步驟5，直至聚類中心不發生改變或達到最大迭代步驟。

1.2.3 風電預測誤差概率分布的可行域

N個樣本經過場景生成和場景縮減之后，會形成K個典型場景及其對應的初始概率，根據多離散場景的分布魯棒優化原理，利用結合1-范數和∞-范數的綜合范數對初始場景概率進行約束，解決概率隨機性的問題，最后形成概率分布不確定性集合ψ，如式(3)所示。

(3)

(4)

式中：Pr為求概率的函數；α1、α∞分別為pk在1-范數和∞-范數上滿足的置信度；N為樣本數量。由式(4)可以得到：

(5)

2 兩階段經濟調度模型

在傳統調度模型的基礎上，考慮風電、儲能及分時電價的影響。本文的系統框架如圖3所示。

針對這類同時包含源荷儲的問題，構建了兩階段經濟調度模型，并且利用多離散場景分布魯棒方法來處理風電預測誤差的不確定性，所以本文最終提出了兩階段分布魯棒經濟調度模型，如式(6)所示。

圖3 系統結構圖Fig.3 Structure diagram of the system

(6)

該模型可以表示為如圖4所示的調度流程圖。

對于圖4，第一階段求出的機組啟停狀態作為第二階段的輸入。第二階段是在最惡劣概率分布下求得棄風量、切負荷量等連續變量，優化系統運行的總成本，包括機組運行成本、棄風成本、儲能損耗成本、切負荷成本，然后將求得的棄風量、切負荷量等反饋給第一階段，為第一階段增加新的約束。兩個階段交替迭代求解，直至迭代結束。

圖4 系統調度流程圖Fig.4 Flowchart of the system scheduling

2.1 第一階段模型

2.1.1 目標函數

第一階段最小化機組的啟停成本，目標函數如式(7)所示。

(7)

式中：T為調度周期的總時段數；G為火電機組數；Sgu和Sgd分別表示機組g的啟動成本和停機成本。

2.1.2 約束條件

1)機組運行狀態、啟/停狀態之間的關系約束。

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為機組g在時段t的運行狀態，1表示運行，0表示停運；zgt為機組g在時段t的啟動狀態，1表示啟動，0表示不啟動；vgt為機組g在時段t的停機狀態，1表示停機，0表示不停機。

2)最小開停機持續時間約束。

(10)

(11)

式中：Tgon為機組g的最小開機持續時間；Tgoff為機組g的最小停機持續時間。

3) 可行集約束。

zgt,vgt,ugt∈{0,1} ?g∈G,?t∈T

(12)

2.2 第二階段模型

針對風電預測誤差的不確定性，本文在上一節建立了風電場景概率的不確定集合，使得在任意風電場景下，系統仍能安全穩定的運行，基于此構建了max-min形式的目標函數。在促進風電消納方面，考慮到了儲能和分時電價，確保了該模型更加貼近實際電力系統的運行。

2.2.1 儲能損耗成本模型

本文儲能裝置采用鋰電池，鋰電池較其他電池有良好的循環使用壽命。儲能電池的使用壽命和損耗主要受放電深度和放電速率的影響，其可以表示為額定狀態下全壽命周期內有效放電量總和[23]。在電池的實際放電量達到該值時，則認為電池壽命終止。電池額定狀態下的總有效放電量如式(13)所示。

QR=LRDRCR

(13)

式中：QR為額定狀態下電池總有效放電量；LR為電池額定循環壽命；DR為電池額定放電深度；CR為電池額定容量。

當只考慮放電深度對電池壽命的影響時，放電深度和實際循環壽命的關系可以通過對實驗數據[24]進行擬合得到，如圖5所示。

從圖5可以看出，當放電深度增加時，電池實際壽命會減少，導致實際放電量也會降低。實際放電量和有效放電量的關系可以用實際循環壽命和額定循環壽命的關系來表示，如式(14)所示。

圖5 放電深度和實際循環壽命關系Fig.5 Relationship between depth of discharge and actual cycle life

(14)

式中：deff為有效放電量；dA為實際放電量。

另外，圖5所得到的擬合曲線可以表示為式(15)形式，相較于利用指數函數等其他方式擬合得到的循環壽命曲線，該方式的擬合誤差小，更加貼近電池的實際運行。

LA=aDact-be-cDact

(15)

式中：LA為電池實際循環壽命；a、b、c為擬合系數；Dact為實際放電深度，并且有Dact=1-SSOC，SSOC表示荷電狀態。

當只考慮放電速率對電池壽命影響時，有效放電量和實際放電量之間的關系可以表示為：

(16)

式中CA為當前狀態下的實際容量。

綜合考慮放電深度和放電速率時，并結合式(13)—(16)可以得到儲能電池一次有效放電量，如式(17)所示。

(17)

根據儲能電池使用壽命的定義可以得到一次放電過程中所帶來的損耗成本為：

(18)

式中：Closs為損耗成本；ccap為電池初始投資成本。

2.2.2 分時電價模型

在含風電的電力系統中，利用DR指導用戶合理用電可以起到削峰填谷、促進風電消納的作用[25]。需求響應主要分為價格型需求響應和激勵型需求響應，現階段，價格型需求響應中的分時電價對日前調度的影響較大，電價會引導用戶用電時間的轉移和用電量的變化，這些變化不僅受用戶當前電價的影響，還會受其他時段的影響，在高電價時段降低自己的用電量，低電價時段提高自己的用電量以彌補減少用電量帶來的損失[26]。本文以價格彈性系數表示電價變化對用電量的影響，建立相應的需求相應模型如式(19)所示。

(19)

2.2.3 目標函數

第二階段的目標函數如式(20)所示。另外，為了方便表述，下文的模型和約束均以單個場景進行描述。

(20)

2.2.4 約束條件

1) 機組出力約束

(21)

式中：Pgmax和Pgmin分別為機組g最大和最小出力。

2) 機組爬坡速率約束

(22)

(23)

式中：rgup和rgdn分別為機組g向上、向下的爬坡速率。

3) 功率平衡約束

(24)

4) 切負荷約束

(25)

5) 棄風功率約束

(26)

6) 傳輸功率約束。

(27)

式中：Plmax為線路l最大傳輸功率；Ll為節點到線路l的功率轉移因子。

7) 備用容量約束

(28)

8) 儲能約束

儲能約束包括儲能電池充放電功率約束和荷電狀態約束[27]。

儲能電池充放電功率約束：

(29)

(30)

荷電狀態約束為：

(31)

9) 分時電價約束

當負荷側考慮分時電價后，需要滿足3個約束：考慮分時電價前后應當保持電量平衡；在任意時段受分時電價影響所產生的負荷量應有限；為了調動用戶的積極性，實施該策略后的購電成本應低于實施前的。具體可以用式(32)—(34)表示。

(32)

(33)

(34)

式中δ為每個時段可響應負荷占比上限。

3 模型求解

式(6)為兩階段三層分布魯棒模型，解決該問題常用方法有列約束生成(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具有算法復雜度較低、收斂速度快及迭代次數少的優點，能夠將原問題分解為一個主問題和一個子問題，主子問題進行迭代求解，直至滿足迭代要求。為了方便表述，將式(6)表示為矩陣形式。

(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為第一階段變量；a為第一階段系數矩陣；y為第二階段常規機組的出力；s為棄風量和切負荷量；z為儲能電池的充放電功率；Z為儲能損耗成本；式(36)表示機組啟停相關的約束關系，對應式(8)—(12)。式(37)—(38)表示第一階段和第二階段的耦合關系，包括等式約束和不等式約束，對應式(21)—(24)、(27)—(28)；式(39)表示棄風量和切負荷量約束，對應式(25)—(26)；式(40)表示儲能約束和DR約束，對應式(29)—(34)；A、g、C、H、G、F、j、J、K、L、Q、q、I、h、U、χ表示變量之間對應的矩陣或者向量。

主問題是在已知的概率分布下獲得最優解，是式(35)的下界，并給子問題提供輸入變量，可以表示為：

(41)

(42)

子問題根據主問題得到的x尋找最惡劣的概率分布，為式(35)提供上界，并將求解結果返回到主問題中，更新主問題的相關約束。如式(43)所示。

(43)

在子問題中，由于各場景下的min問題是相互獨立的，可以采用并行的方法進行求解[30]，即先在第k個場景下計算內層min問題，然后根據內層結果求解外層max問題，如式(44)—(45)所示。

Rk=min(bTyk+cTsk+Z)

(44)

(45)

關于C&CG求解兩階段三層分布魯棒模型的具體流程如下所示。

C&CG算法流程為：

步驟1: 設置BL=0，BU=+∞，m=1；

步驟5：更新m=m+1，返回步驟2。

4 算例分析

本文對IEEE 39節點系統進行修改來驗證所提模型的有效性和正確性。系統中包含10臺常規火電機組、1座風電場、1座儲能電站，火電機組相關數據見文獻[31]，儲能相關參數見表2。另外，某一典型日的負荷和風電預測數據見圖6；本文設置原始電價為0.625 元，在考慮分時電價時，峰谷平的電價水平及價格需求彈性見表3—4。關于模型中的其他參數設置為：棄風成本為50 元/MW，切負荷成本80元/MW，綜合范數的置信水平為0.5和為0.99。最后，在MATLAB中調用Yalmip工具箱中的Cplex求解。

表2 儲能相關參數Tab.2 Related parameters of thermal power unit

圖6 預測曲線Fig.6 Forecast curves

表3 各時段電價Tab.3 Electricity price for each period

表4 彈性系數表Tab.4 Elasticity coefficient table

4.1 運行結果分析

根據前文所述，可將日前風電預測誤差描述為改進的高斯混合模型，然后利用LHS和改進的K-means聚類進行抽樣和場景縮減，其中抽樣數設置為1 000，最終得到5個離散場景及其初始概率。

4.1.1 優化方法比較

比較了本文方法、RO及SO三者各自產生的總成本和棄風成本，具體結果如表5所示。

表5 3種方法的優化結果Tab.5 Optimization results of the three methods

從表5可以看出，本文DRO產生的總成本介于SO和RO兩者之間。在調度過程中，SO假設風電預測誤差服從某一具體分布，僅僅是不確定集中所包含概率分布中的一種，可能會忽略極端情況下的場景。而RO僅僅考慮風電預測誤差的最惡劣情況，過于極端，會產生更多的棄風成本，增加了調度結果的保守性，使得RO的經濟性較差?？傮w來說，DRO在初始概率分布的不確定集合中尋找最惡劣概率分布，改善了RO和SO各自存在的片面性，在RO和SO兩者之間取得了均衡。另外，在棄風成本上，本文DRO產生的費用低于RO和SO，說明本文DRO能夠減少風電預測誤差不確定性對電力系統帶來的影響。

4.1.2 調度方案的比較

為了說明儲能和分時電價對風電消納的影響，本文考慮以下4種情況。

情況1：未考慮儲能和分時電價的影響；

情況2：不考慮儲能的影響，僅考慮分時電價；

情況3：僅考慮儲能的影響，不考慮分時電價；

情況4：同時考慮儲能和分時電價的影響。

4種情況下的調度結果如表6所示。

表6 不同調度方案的比較Tab.6 Comparison of different scheduling schemes

從表6可以看出，情況4的棄風成和切負荷成本為0；情況1、2、3均存在棄風和切負荷成本，但是情況2和3的各個成本都比情況1的低，但比情況4的成本高，這說明，僅考慮分時電價或者儲的影響，雖然可以降低棄風和切負荷量，但是低于情況4。綜上，在含有風電的電力系統調度中同時考慮儲能和分時電價能夠進一步促進風電的消納，減少切負荷量。

從以上分析可以知道，儲能和分時電價的加入緩解了棄風現象，并且相較于其他情況而言，帶來了較好的經濟性。為了進一步說明儲能和分時電價對含風電的電力系統調度的影響，針對情況4做了詳細的說明。

圖7 響應前后負荷水平Fig.7 Load levels before and after response

在考慮分時電價后，響應前后的負荷曲線如圖7所示?？梢钥闯?，受分時電價的影響，在負荷高峰時期，負荷水平降低；在負荷低谷時期，負荷水平有所提高。說明需求響應的加入具有一定的削峰填谷作用，緩解機組調峰的壓力，并且在低谷時期抬高了負荷水平，存在促進風電消納的潛力。

在考慮儲能后，當負荷水平較高，儲能系統可以通過放電緩解火電機組的出力，當負荷水平較低時，可能會存在一定的棄風現象，這時儲能可以通過充電來減少棄風量。圖8為儲能系統在情況4的充放電情況。

圖8 充放電功率Fig.8 Charge and discharge power

從圖8可以看出，儲能系統的充電時段為3、5、15、17、18、23，這些時段對應于圖7為負荷的低谷時期或者負荷水平較低的時候；儲能的放電時段為12、13、16、19、20，這些時刻對應于圖7為負荷高峰時期或者負荷水平較高的時候。

4.1.3 不同置信度的影響

風電預測誤差的不確定集合中涉及到了綜合范數，在綜合范數中，置信區間α1、α∞取值不同會導致概率允許偏差值的改變，從而對應不同的不確定集合。設α1的取值為[0.2, 0.5, 0.99]，α∞的取值為[0.5, 0.8, 0.99]，對綜合范數中的置信區間取不同值進行分布魯棒優化，得到的結果如表7所示。從表7可以看出，保持α∞不變，隨著α1的變大，總成本值也在增加；保持α1的不變，隨著α∞的增大，總成本值也在變大?？偟膩碚f，α1和α∞越大，總成本值也越大。這是因為置信度增加會增大置信區間，從而增大了不確定集合，使得結果越發保守，所以總成本就會變大。

表7 不同置信度的結果比較Tab.7 Comparison of results with different confidence levels

另外，為了比較綜合范數和其他范數對優化結果的影響，分別采用綜合范數、1范數及∞-范數來規范誤差的不確定集合。當比較綜合范數和1范數時，α∞取0.99，α1的取值為[0.2, 0.5, 0.99]，比較結果如表8所示。

表8 綜合范數和1-范數的比較Tab.8 Comparison of comprehensive norm and 1-norm

從表8可以看出，隨著α1的增大，綜合范數的結果都優于1-范數的結果，說明1范數較綜合范數更加保守。

當比較綜合范數和無窮范數時，α1取0.5，α∞的取值為[0.5, 0.8, 0.99]，比較結果如表9所示。

從表9可以看出，采用∞-范數的經濟性均低于綜合范數，說明∞-范數的保守性也較高于綜合范數。綜合以上，綜合范數具有較低的保守性。

4.1.4 C&CG算法的分析

本文采用C&CG算法來求解兩階段分布魯棒經濟調度，其迭代圖如圖9所示。

表9 綜合范數和∞-范數的比較Tab.9 Comparison of comprehensive norm and ∞-norm

圖9 C&CG迭代圖Fig.9 C&CG iteration graph

由圖9可以看出，當迭代次數為3時，上界值和下界值之差為0，小于給定精度,此時目標值達到最優。

為了進一步說明C&CG算法具有較快的求解速度和較少的迭代次數，本文將其與Benders算法進行了比較，結果如表10所示。

表10 兩類算法的比較Tab.10 Comparison of the two algorithms

5 結論

針對風電預測誤差的不確定性，本文采用改進的高斯混合模型來表示其概率分布，然后采用LHS和改進的K-means獲得典型場景和初始概率，最后利用綜合范數來構建概率分布的不確定集合。為了進一步促進風電消納，在調度中又考慮到儲能和分時電價的影響，最后用C&CG算法求解構建的兩階段分布魯棒調度模型。通過IEEE 39節點系統進行算例分析，得出以下結論。

1)相較于魯棒優化和隨機優化，采用分布魯棒優化的方法求解不確定問題，綜合了魯棒優化和隨機優化的優缺點。

2)在調度模型中同時考慮儲能和分時電價影響，能進一步促進風電的消納，從而降低了系統運行的總成本。

3)本文采用綜合范數構建概率分布的不確定集合，隨著置信度的增大，保守性也會增大；另外，綜合范數的保守性要低于僅考慮1范數或無窮范數。

4)采用C&CG算法能夠以較少的迭代次數快速求解本文提出的兩階段DRO模型。

但是，本文涉及的風電場數很少，未考慮風電場之間的相關性，下一步將計及多個風電場及其相關性進行分析。