1.一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于，包括以下步骤：步骤1，在日前调度阶段，综合考虑机组和储能蓄电池，并将负荷分为居民用电负荷、工业用电负荷、商业用电负荷，在差异化价格型需求响应的基础上，对分类后的负荷建立以日综合运行成本最低为目标的日前优化调度模型；其中，差异化价格型需求响应记为DPDR；

步骤2，在日内调度阶段，在日前优化调度模型基础上，将差异化需求响应与模型预测控制方法相结合，建立以滚动时域综合运行成本最小为目标的基于DDR-MPC的日内时域滚动优化调度模型，结合日前优化调度模型和日内时域滚动优化调度模型，得到微网时域滚动优化调度模型；其中，差异化需求响应记为DDR，模型预测控制记为MPC；

步骤3，采用时域滚动复合微分进化算法对微网时域滚动优化调度模型进行求解；其中，时域滚动复合微分进化记为TDRCDE。

2. 根据权利要求1所述的一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于：在步骤1中，包括构建日前优化调度模型的目标函数，其目标函数为：式中：Τ为一个日前优化调度周期的总时段数，为时段，取正整数；G为柴油发电机组的数量； 为 时段第v台柴油发电机组调度成本，v取正整数； 为 时段蓄电池调度成本； 为 时段第m类负荷的DPDR调度成本； 为 时段弃风/弃光惩罚成本；

为 时段微网与外网的交互成本。

3.根据权利要求2所述的一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于：所述日前优化调度模型的目标函数中的各项成本的数学模型如下：其中，柴油发电机组调度成本为：

式中： 为第v台柴油机组调度成本系数； 为第v台柴油发电机组在t时段的有功出力； 和 分别为第v台柴油发电机组的单位容量安装成本、资本回收系数和最大输出功率； 和 分别为第v台柴油发电机组的运行管理成本系数、年运行小时数和机组的容量因素；

其中，蓄电池调度成本为：

式中： 分别为蓄电池的单位容量安装成本、资本回收系数和容量因素； 和 分别为蓄电池的年运行小时数和运行管理成本系数； 为蓄电池在t时段的充放电功率；

其中，DPDR调度成本为：

式中： 分别为第m类负荷在t时段的初始电价和初始用电量；

分别为第m类负荷在t时段参与DPDR后的电价和电量；

其中，弃风/弃光惩罚成本为：

式中： 为单位弃风量惩罚费用； 分别为日前风力发电机组在t时段的预计输出功率和消纳量； 为单位弃光量惩罚费用； 和 分别为日前光伏发电机组在t时段的预计输出功率和消纳量；

其中，微网与外网的交互成本为：

式中： 为微网与外网在t时段交互功率，购电为正、售电为负； 为t时段电量交易价格。

4.根据权利要求1所述的一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于：在步骤1中，包括构建日前优化调度模型的约束条件，其约束条件包括：功率平衡约束：

式中：G为柴油发电机组的数量； 为第v台柴油发电机组在 时段的有功出力，t取正整数，v取正整数； 为日前风力发电机组在 时段的预计输出功率； 为日前光伏发电机组在 时段的预计输出功率； 为微网与外网在 时段交互功率，购电为正、售电为负； 为第m类负荷在 时段参与DPDR后的电量； 和 分别为蓄电池在时段的充电功率和放电功率；

柴油发电机组功率上下限约束：

式中： 和分别为第v台柴油发电机组的最小和最大输出功率；

柴油发电机组爬坡约束：

式中： 分别为第v台柴油发电机组的上升和下降爬坡速率； 为调度的时间差；

蓄电池充放电约束：

式中： 为蓄电池在t时段的荷电状态； 分别为蓄电池在t时段的充电功率和放电功率； 分别为蓄电池的最大充、放电功率； 分别为蓄电池的充电效率和放电效率； 为蓄电池的储能容量； 分别为蓄电池的最大和最小荷电状态；

微网与外网交互功率约束：

式中： 分别为交互功率的最小值和最大值。

5.根据权利要求1所述的一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于：在步骤2中，具体包括：步骤2.1，基于模型预测控制方法建立预测模型；

步骤2.2，建立滚动优化调度模型；

步骤2.3，引入反馈校正环节，以实际测量值来对微网时域滚动优化调度模型的输出进行修正，把微网时域滚动优化调度模型实际的测量值作为新一轮滚动优化的初始值，构成闭环优化控制。

6.根据权利要求5所述的一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于，所述预测模型为：式中： 为可控单元u在 时段的初始出力值，由日前开环调度所得到，u取正整数，t取正整数； 为t时段预测未来 时段内可控单元u的出力增量； 为t时段预测未来 时段可控单元u的出力值；N为优化时域时段数；

为相邻预测时段内各可控单元出力需满足的爬坡功率值。

7.根据权利要求5所述的一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于：在步骤2.2中，包括构建滚动优化调度模型的目标函数，其目标函数为：式中： 为当前时段；N为优化时域时段数；G为柴油发电机组的数量； 为t时段第v台柴油发电机组调度成本，t取正整数，v取正整数； 为t时段蓄电池调度成本； 为t时段微网与外网的交互成本； 和 分别为日内第m类负荷在t时段的DPDR调度成本和IDR调度成本； 为t时段弃风量， ， 和分别为日内风力发电机组在t时段的输出功率和实际消纳量； 为日内弃光量，， 和 分别为日内光伏机组在t时段的输出功率和实际消纳量； 为单位弃风量惩罚费用， 为单位弃光量惩罚费用；

DPDR调度成本如下：

式中： 分别为第m类负荷在t时段参与DPDR后的电价和电量；

分别为第m类负荷在t时段经日前调整后再参与DPDR后的电价和负荷值；

IDR调度成本如下：

式中： 为第m类负荷在t时段的实际负荷削减量； 为第m类负荷的第k级负荷削减量所对应的阶梯报价； 为第m类负荷的第k级削减负荷区间间隔；K为与 对应的阶梯报价等级。

8.根据权利要求5所述的一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于：在步骤2.2中，包括构建滚动优化调度模型的约束条件，其约束条件为：功率平衡约束

式中：G为柴油发电机组的数量； 为第v台柴油发电机组在t时段的有功出力，t取正整数，v取正整数； 为日内风力发电机组在t时段的输出功率； 为日内光伏机组在t时段的输出功率； 为微网与外网在t时段交互功率，购电为正、售电为负；

为第m类负荷在t时段经日前调整后再参与DPDR后的负荷值； 和 分别为蓄电池在t时段的充电功率和放电功率； 为用户m在t时段的实际负荷削减量；

IDR上下限约束

式中： 分别为第m类负荷的削减量的最小值和最大值；

柴油发电机组功率上下限约束：

式中： 分别为第v台柴油发电机组的最小和最大输出功率；

柴油发电机组爬坡约束：

式中： 分别为第v台柴油发电机组的上升和下降爬坡速率； 为调度的时间差；

蓄电池充放电约束：

式中： 为蓄电池在t时段的荷电状态； 和 分别为蓄电池在t时段的充电功率和放电功率； 和 分别为蓄电池的最大充、放电功率； 和 分别为蓄电池的充电效率和放电效率； 为蓄电池的储能容量； 和 分别为蓄电池的最大和最小荷电状态；

微网与外网交互功率约束：

式中： 分别为交互功率的最小值和最大值。

9.根据权利要求1所述的一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于：步骤3中，将滚动优化策略引入到复合微分进化CDE算法中，构建TDRCDE算法，其中，复合微分进化记为CDE，具体的，TDRCDE算法进行动态寻优的过程如下：步骤3.1、设置种群规模为 ，优化时域时段数为N，最大迭代次数为 ，总时段为T，初始化t时段种群 ，其中 表示t时段种群中的第个个体； 中个体基于可控单元总数U和优化时域时段数N采用U×N的矩阵构造，个体元素包括柴油发电机组出力、蓄电池的充放电量、负荷削减量；

步骤3.2、在优化阶段的t时段，将当前已知的各可控单元实际出力值作为初始值，基于未来t到t+4时段的最新风光出力预测数据，以日前优化调度所得到的未来4个时段的各可控单元最优计划出力值 作为参考值；

步骤3.3、以微网滚动时域综合运行成本最低为目标采用CDE算法求取该调度时域内各可控单元在未来4个时段出力值的最优滚动优化调整量；在CDE操作中根据综合运行成本越低

适应度越高的原则对种群个体进行排序，并按分割比例1:1将种群划分为优势种群和劣势种群，将优劣种群集分别用随机变异和基于最优解变异两种不同策略进行变异以兼顾收敛速度和个体多样性，其中，交叉概率因子和变异尺度因子可分别设为0.85和0.5；

步骤3.4、将优劣种群集进行合并重组得到新种群，种群继续进行迭代g=g+1，若时，返回步骤3.3，当满足条件 时，寻优得到最优种群 ，输出当前迭代种群最优值 ；并将通过预测模型调度所得到的未来4个时段各可控单元最优出力值的序列用以更新各可控单元最优计划出力值序列中的 ；

步骤3.5、调度时域继续向前推进t=t+1，若满足条件t=T时，则停止循坏对优化合并后的种群排序得到最优值；若不满足条件则转到步骤3.1，此时依照上一个滚动优化过程的最优种群 来构造初始化种群 ，然后通过微分进化的变异交叉操作得到新的一代种群，如此循坏直至满足条件为止，得到微网滚动时域综合运行成本的最优值。