1.一种基于风光不确定性和P2P交易的微网容量配置方法，其特征在于，所述方法包括如下步骤：步骤S1：构建多能微网中能源转换设备模型及电、热负荷需求响应模型，其中，所述能源转换设备包括热电联产装置、燃气锅炉、电制冷机和吸收式制冷机；

步骤S2：基于距离的经验分布模糊集对不确定性进行建模，并获取可再生能源的不确定性模型，其中，在所述不确定性建模时，使用1‑范数和∞‑范数共同构成的约束集合；

步骤S3：将日均投资建设成本和运行成本之和的最小值作为目标成本，并基于所述目标成本对所述多能微网内的能源转换设备容量进行配置规划，在运行阶段，基于所述多能微网间电能P2P交易，建立基于场景概率驱动的多能微网分布鲁棒联合规划模型；

步骤S4：基于列与约束生成算法求解所述分布鲁棒联合规划模型，在第一阶段确定所述多能微网内能源转换设备容量配置策略，在第二阶段优化最恶劣场景概率分布的所述多能微网的运行成本；

在第一阶段，算法通过迭代过程生成和评估不同的设备容量配置方案，利用历史数据和预测模型来评估每种配置方案在不同场景下的表现和成本，选择能够在大多数场景下提供成本效益和系统稳定性的最优或次优配置策略；

第二阶段，在第一阶段确定的容量配置策略基础上，进一步优化多能微网在最恶劣场景概率分布下的运行成本，利用算法对最恶劣场景进行模拟，并评估不同运行策略下的成本，考虑概率分布，优化微网在面对极端条件时的运行计划，以最小化潜在的最大损失。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，构建多能微网中能源转换设备模型，包括：构建所述热电联产装置模型，在所述热电联产装置处于常开状态时，其电、热出力特性用表达式1和表达式2表示：（表达式1）

（表达式2）

其中，所述表达式1和所述表达式2中，e表示电能，h表示热能，t表示某一时间段，CHP表示所述热电联产装置， 表示微网n在t时段所述热电联产装置的电功率、 表示所述微网n在t时段所述热电联产装置的热功率， 表示所述热电联产装置的发电效率，表示天然气燃烧热值， 表示所述热电联产装置的耗气量， 、 为电热转换系数，n表示微网n,取值范围为1到N，N表示所述多能微网中总的微网数量；

构建所述燃气锅炉模型，所述燃气锅炉热出力特性用表达式3表示：（表达式3）

其中，所述表达式3中，GB表示所述燃气锅炉， 表示所述微网n在t时段所述燃气锅炉的产热功率， 表示所述燃气锅炉的产热效率， 表示所述燃气锅炉的耗气量；

构建所述电制冷机模型，所述电制冷机的制冷功率与消耗电功率的关系用表达式4表示，（表达式4）

其中，所述表达式4中，c表示冷能，EC表示所述电制冷机， 表示所述微网n在t时段所述电制冷机的制冷功率， 表示所述电制冷机的电制冷效率， 表示所述电制冷机的消耗电功率；

构建所述吸收式制冷机模型，所述吸收式制冷机制冷功率与吸热功率的关系用表达式

5表示，

（表达式5）

其中，所述表达式5中，AC表示所述吸收式制冷机， 表示所述微网n在t时段所述吸收式制冷机的制冷功率， 表示所述吸收式制冷机的热制冷效率， 表示所述吸收式制冷机吸收的热功率。

3.根据权利要求1所述的方法，其特征在于，所述步骤S1中，构建多能微网中电、热负荷需求响应模型包括：可转移电负荷约束用表达式6表示，

（表达式6）

其中，所述表达式6中，tr表示可转移量，load0表示实际量， 表示所述微网n在t时段所述可转移电负荷， 表示所述微网n在t时段实际电负荷， 表示所述可转移电负荷系数；

所述可转移电负荷在一个周期内的所述可转移电负荷总量用表达式7表示，（表达式7）

可削减电、热负荷的约束用表达式8和表达式9表示：

（表达式8）

（表达式9）

其中，所述表达式8和所述表达式9中，cut表示可削减量， 表示所述微网n在t时段可削减电负荷， 表示所述微网n在t时段可削减热负荷， 表示所述微网n在t时段实际电负荷， 表示所述微网n在t时段实际热负荷， 表示所述可削减电负荷系数，表示所述可削减热负荷系数；

需求响应的电、热负荷功率平衡约束用表达式10和表达式11表示：（表达式10）

（表达式11）

其中，所述表达式10和所述表达式11中， 表示所述微网n在t时段需求响应后的电负荷， 表示所述微网n在t时段需求响应后的热负荷。

4.根据权利要求1所述的方法，其特征在于，所述步骤S2还包括：所述微网n包括M个新能源出力历史场景，基于聚类方法获取Q个离散场景，每个所述历史场景的初始概率分布为 ，实际概率分布 不等于所述初始概率分布 ，基于距离的经验分布模糊集对不确定性进行建模，并获取可再生能源的所述不确定性模型，其中，在所述不确定性建模时，使用1‑范数和∞‑范数共同构成的约束集合；

基于所述可再生能源的不确定性模型，获取所述微网n的不确定集合，并用表达式12表示:（表达式12）

概率分布 的置信度用表达式13和表达式14表示：

（表达式13）

（表达式14）

设所述表达式13中的 ，所述表达式14中的 ，可得

出表达式15和表达式16：

（表达式15）

（表达式16）

其中，所述表达式12、所述表达式13、所述表达式14、所述表达式15和所述表达式16中，q表示场景q，取值范围为1到Q，Q表示总的场景数量， 和、 分别表示在1‑范数和∞‑范数约束条件下的概率允许偏差限值，Pr表示概率， 和 分别表示在1‑范数和∞‑范数约束条件下的不确定性概率置信度。

5.根据权利要求3所述的方法，其特征在于，所述步骤S3还包括：第一阶段，基于所述多能微网内的能源转换设备的容量进行优化配置，获取最优总投资建设成本，将所述总投资建设成本折算为日均投资建设成本，并创建第一阶段目标函数，用表达式17表示，（表达式17）

其中，所述表达式17中， 表示所述多能微网内的能源转换设备的容量优化配置阶段的目标函数，即所有所述多能微网内的能源转换设备的总所述日均投资建设成本，s表示所述能源转换设备的种类，s的取值范围为1到4之间的整数，分别表示所述热电联产装置、所述燃气锅炉、所述电制冷机和所述吸收式制冷机，r表示所述能源转换设备贴现率，ts表示所述多能微网内第s种所述能源转换设备的规划使用年限， 表示第s种所述能源转换设备的单位容量的投资建设成本， 表示所述微网n对应所述能源转换设备s的投资建设容量；

第二阶段，基于所述多能微网内的能源转换设备的容量优化配置，获取每个所述能源转换设备的最优容量配置结果，并基于所述最优容量配置结果，制定所述多能微网的运行优化计划，获取所有所述多能微网的最小运行成本总和，其中，所述运行成本包括每个多能微网的购电成本、购气成本和需求响应成本，所述第二阶段的目标函数用表达式18表示，（表达式18）（表达式19）

（表达式20）

其中，所述表达式18、所述表达式19和所述表达式20中， 表示所述多能微网中所有微网的总的日运行成本， 表示所述微网n在t时段向电网购电及气网购气的费用之和，表示所述微网n在t时段需求响应费用， 和 分别表示所述微网n在t时段向所述电网购电和售电的电价， 表示所述微网n在t时段向所述气网购气的气价， 和分别表示所述微网n在t时段向所述电网购电和售电的电量， 表示所述微网n在t时段向所述气网购气的气量， 和 分别表示单位所述可转移电负荷和所述可削减电负荷的补偿成本， 表示单位可削减热负荷的补偿成本， 和 表示所述微网n在t时段所述可转移电负荷量和可削减电负荷量， 表示所述微网n在t时段可削减热负荷量；

所述第一阶段的约束条件为所述多能微网内每个所述能源转换设备的计划投资建设容量约束，用表达式21表示：（表达式21）

其中，所述表达式21中，   和 分别表示所述

多能微网中各微网对应的能源转换设备的安装容量上限值；

所述第二阶段的约束条件包括风光出力约束、所述多能微网内各所述能源转换设备的输出功率与投资建设容量的约束、多能微网间含电能P2P交易的电热冷功率平衡约束、所述多能微网向所述电网购电和售电量约束、所述多能微网间的P2P功率交互约束，所述风光出力约束用表达式22表示：（表达式22）

其中，所述表达式22中， 和 分别表示所述微网n在t时段所述风光发电的实际功率和预测值；

所述多能微网内各所述能源转换设备的输出功率与投资建设容量的约束用表达式23表示：（表达式23）

所述多能微网间含电能P2P交易的电热冷功率平衡约束用表达式24、表达式25和表达式26表示：（表达式24）

（表达式25）

（表达式26）

其中，所述表达式24、所述表达式25和所述表达式26中， 和 分别表示所述微网n在t时段向所述电网购电和售电量， 表示所述微网n在t时段与除所述微网n之外的其他微网间电能P2P交易的电量， 表示所述微网n在t时段实际的冷负荷；

所述多能微网向所述电网购电和售电量约束用表达式27和表达式28表示：（表达式27）

（表达式28）

其中，所述表达式27和所述表达式28中， 和 分别表示所述微网n与所述电网的购电和售电量上限值，b表示所述多能微网向所述电网交易时的状态变量；

所述多能微网间的P2P功率交互约束用表达式29表示：（表达式29）

其中，所述表达式29中， 和 分别表示所述多能微网间电能P2P交易电量的最大值和最小值；

所述第一阶段和所述第二阶段的两阶段分布鲁棒优化配置模型用表达式30、表达式31和表达式32表示，（表达式30）

（表达式31）

（表达式32）

其中，所述表达式30、表达式31和表达式32中， 表示所述第一阶段的决策变量，包括各所述多能微网内各能源转换设备的投资建设容量，x表示各所述多能微网投资决策变量集合， 表示给定所述微网n能源转换设备投资建设容量方案以及新能源出力场景概率分布下的系统运行决策变量集合，包括：所述能源转换设备实际出力、向所述电网购电和售电电量和所述多能微网间电能P2P交易电量运行变量， 表示各所述多能微网中各能源转换设备的总的投资建设成本， 表示给定各所述多能微网能源转换设备投资建设容量方案以及新能源出力场景概率分布下，概率分布不确定集中最恶劣概率分布对应的总运行成本期望值， 表示风光历史出力场景经聚类后得到的第q个出力场景。

6.根据权利要求1所述的方法，其特征在于，所述步骤S4还包括：采用列与约束生成算法求解程序，将“min‑max‑min”的3层鲁棒优化问题转化为混合整数规划主问题和可并行计算的线性规划子问题，所述主问题是在给定的概率分布下寻找最优解，并更新下界值，在所述第一阶段决策 变量固定后，所述子问题是一个双层的“max‑min”问题，其在最小的运行成本下找到Q个场景的最坏概率分布，所述概率分布的可行域受综合范数约束，求解所述子问题后，更新上界值，若所述上界值和所述下界值之差小于预设容差，则得到最终解，所述主问题用表达式33、表达式34、表达式35和表达式36表示，（表达式33）（表达式34）

（表达式35）

（表达式36）

其中，所述表达式33、所述表达式34和所述表达式35中，W表示辅助变量，m表示迭代次数，上标“*”表示对应变量的最优解，所述主问题是一个标准的混合整数线性规划问题，在第m次迭代中，所述主问题得到最优投建容量 和各所述多能微网最优运行变量 ，得到的优化结果给两阶段分布鲁棒优化配置模型找到了一个下界值，从所述主问题中得到的所述第一阶段决策变量 ，将用于解决所述子问题，所述子问题用表达式37和表达式38表示:（表达式37）

（表

达式38）

当所述主问题的解 给定时，所述子问题得到两阶段分布鲁棒优化配置模型的上界值，在所述子问题中， 和 的可行域是不相交的，可将所述表达式33到所述表达式36分解为2步进行求解，先求解内层“min”优化问题，再对外层“max”求解，在“min”层，通过并行求解Q个小规模独立最优电力调度问题，获得最小的运行成本，在“max”层，得到给定Q个最小运行成本值下的最差的不确定概率分布，基于模糊集的线性约束，所述子问题实际上是一个线性规划问题；

迭代求解所述主问题和所述子问题，直至等于终止条件。

7.根据权利要求6所述的方法，其特征在于，基于列与约束生成算法的求解过程包括：步骤S41：设置 ，迭代次数 ，收敛精度 ；

步骤S42：求解所述主问题，寻到最优解 和 ，更新

；

步骤S43：给定解 ，求解所述子问题并得到最坏分布情况 ，然后更新；

步骤S44：当 ，终止迭代，得到最优解，否则设 ，并将相关约束加入到所述主问题中，重复所述步骤S42到所述步骤S44；

其中，所述终止条件是 。

8.一种基于风光不确定性和P2P交易的多能微网容量配置系统，用于实现如权利要求

1‑7任一项所述的方法，其特征在于，所述系统包括：

模型构建单元配置为：构建多能微网中能源转换设备模型及电、热负荷需求响应模型，其中，所述能源转换设备包括热电联产装置、燃气锅炉、电制冷机和吸收式制冷机；

基于距离的经验分布模糊集对不确定性进行建模，并获取可再生能源的不确定性模型，其中，在所述不确定性建模时，使用1‑范数和∞‑范数共同构成的约束集合；

将日均投资建设成本和运行成本之和的最小值作为目标成本，并基于所述目标成本对所述多能微网内的能源转换设备容量进行配置规划，在运行阶段，基于所述多能微网间电能P2P交易，建立基于场景概率驱动的多能微网分布鲁棒联合规划模型；

基于列与约束生成算法求解所述分布鲁棒联合规划模型，在第一阶段确定所述多能微网内能源转换设备容量配置策略，在第二阶段优化最恶劣场景概率分布的所述多能微网的运行成本；

在第一阶段，算法通过迭代过程生成和评估不同的设备容量配置方案，利用历史数据和预测模型来评估每种配置方案在不同场景下的表现和成本，选择能够在大多数场景下提供成本效益和系统稳定性的最优或次优配置策略；

第二阶段，在第一阶段确定的容量配置策略基础上，进一步优化多能微网在最恶劣场景概率分布下的运行成本，利用算法对最恶劣场景进行模拟，并评估不同运行策略下的成本，考虑概率分布，优化微网在面对极端条件时的运行计划，以最小化潜在的最大损失。