1.一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述方法包括以下步骤：步骤1，光伏功率预测，首先对原始光伏功率数据进行数据处理和Spearman相关系数特征筛选，将光伏数据集划分为光伏训练集、光伏测试集，然后利用ConvLSTM‑Attention‑LSTM融合预测模型进行训练预测；

步骤2，光伏功率动态区间预测，首先通过光伏功率爬坡聚类模型，将光伏测试集预测结果分为多种天气类型，进一步基于ShapeDTW算法的动态区间预测方法计算出区间范围得到动态区间预测结果；

步骤3，电力负荷预测，首先对原始负荷数据进行数据预处理和Spearman相关系数特征筛选，然后采用CEEMDAN序列分解模型对负荷特征进行分解，将分解后的序列和筛选后的数据共同构成训练数据，并将负荷数据集划分为负荷训练集、负荷测试集和负荷验证集，最后使用FEDformer模型进行模型训练预测；

步骤4，负荷动态区间预测，首先利用Kmeans聚类模型将负荷测试集预测结果分为多种类别，进一步利用动态区间计算公式计算多种类别的动态预测误差，将动态预测误差叠加在点预测结果上，得到最后的光伏和负荷区间预测结果；

步骤5，考虑源荷不确定性的微电网的动态区间优化调度，首先建立考虑源荷不确定性的微电网动态区间优化调度模型，进一步建立微电网动态区间优化调度模型的目标函数和约束条件，求解得到微电网的优化调度结果。

2.如权利要求1所述的一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述步骤1具体包括：步骤1.1，对原始光伏功率数据进行数据预处理得到初始特征，数据预处理包括缺失值处理、异常值处理和数据标准化；

步骤1.2，对处理后的光伏电站历史数据利用Spearman相关系数分析特征和功率的相关性，删除相关性较小的特征，得到筛选后的光伏电站历史数据，将筛选后的光伏电站历史数据划分为ConvLSTM‑Attention‑LSTM融合预测模型的光伏训练集、光伏测试集；

步骤1.3，利用ConvLSTM‑Attention‑LSTM融合预测模型对筛选后的光伏电站历史数据进行训练，对未来数据进行预测。

3.如权利要求1所述的一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述ConvLSTM‑Attention‑LSTM融合预测模型为：(1)ConvLSTM‑Attention‑LSTM融合预测模型首先reshape成模型所需要的维度，经过若干ConvLSTM网络并应用到输入上；通过卷积操作提取局部空间特征，保持数据的空间连续性，卷积核会逐个滑动区域在输入特征图上进行计算，每次都计算出局部特征的加权和，然后根据这些局部特征来更新LSTM中的状态；

(2)通过使用自定义的注意力函数将Attention机制集成进ConvLSTM‑Attention‑LSTM融合预测模型中，首先使用Permute层将输入数据的维度进行转置；接着数据经过一个Dense层，并使用softmax激活函数进行处理，输出的结果可以被视为每个时间步的注意力权重；之后再次将注意力权重的维度进行转置恢复到原始顺序，最后将输入数据和注意力权重进行元素级别的乘法运算，输出的结果即为应用了注意力机制后的数据；

(3)在完成注意力处理之后，数据传入若干LSTM层，并使用ReLU激活函数；最后数据经过的全连接层进行处理，并通过ReLU激活函数完成非线性变换，最终经过多次迭代，在输出层数据经过处理便得到光伏预测结果数据。

4.如权利要求1所述的一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述步骤2具体包括：步骤2.1，通过光伏功率爬坡聚类模型，将光伏测试集预测结果聚类得到n种天气类型；

步骤2.2，通过ShapeDTW算法从光伏测试集预测结果中选取未来预测结果的k个相似日，计算相似日的预测误差，将预测误差求最大绝对值得到区间范围，最后将区间范围叠加在预测结果上，得到最后的区间预测结果。

5.如权利要求4所述的一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述光伏功率爬坡聚类模型利用改进的优化功率爬坡计算公式实现，公式如下：Pt'＝Pt(sgn((Pt‑Pt‑1)·(Pt‑Pt+1)＞0)    (1)ΔPt+i＝Pt+i‑Pt'(i＝1,...,τ)    (2)Pε＝ηPd    (3)

式中,t——爬坡检测时刻；Pt——t时刻功率；Pt'——可能爬坡点；ΔPt+i——t+i与t时刻功率差值；Pε——爬坡阈值；τ——爬坡持续时间阈值；Pd——光伏装机容量，η——爬坡阈值占装机容量百分比，sgn(*)为sgn函数；

改进的功率爬坡计算公式通过遍历功率数据点，进行爬坡起始点和连续爬坡的判断；

设定爬坡阈值用以过滤功率常规日趋势点，设置爬坡时间阈值来选取非常规功率波动，从而识别有效爬坡事件；

基于所述改进的功率爬坡计算公式，功率爬坡检测流程如下：

S100，首先从第1个点开始遍历每一个功率数据，利用公式(1)判断是否为可能的功率爬坡点；

S101，然后利用公式(2)判断是否为真正的爬坡点；

S102，进一步判断爬坡持续的时间，通过在后续数据点Pt+i(i＝1、2、3…)中，判断是否存在|ΔPt+i|＞Pε(i＝1,...,τ)的爬坡点，当i＜τ时，得到爬坡值ΔP＝ΔPt+i，ΔP>0时为上爬坡点，ΔP<0时为下爬坡点；τ为指定的时间阈值，当i＞τ时，停止当前时刻的判断；持续爬坡区间t～t+i后面的点的爬坡判断，存在则连同爬坡区间构成连续爬坡点；

S103，持续其他点的判断，直到遍历完所有的点，最后记录爬坡点的爬坡值、爬坡时间、爬坡次数；

利用改进的功率爬坡计算公式，构建光伏爬坡特征并进行计算统计，光伏爬坡特征包括光伏功率爬坡值、爬坡持续的时间、爬坡次数，光伏功率爬坡聚类模型使用这些光伏爬坡特征将每一天的数据按照天气类型划分为晴天、少云、多云和阴雨4个类别；

光伏功率爬坡聚类模型的工作流程如下：

S200，基于光伏功率爬坡聚类模型，首先获取经过光伏功率爬坡检测的数据，以天为单位统计每日的爬坡次数和每日的平均功率；

S201，然后通过每日平均功率初步判断天气类型，如果每日平均功率小于阈值Pmean，则直接判断为阴雨天；如果每日平均功率大于或等于阈值Pmean，爬坡次数为0时为晴天；爬坡次数在(0,N1]则为少云天气类型；爬坡次数在(N1,N2]则为多云天气类型；爬坡次数大于N2时则为阴雨天天气类型；持续其他天的判断，直到遍历完所有的天，最后记录聚类结果，完成光伏功率爬坡聚类检测流程。

6.如权利要求4所述的一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述光伏功率爬坡聚类模型为：基于ShapeDTW算法构建光伏功率爬坡相似日聚类模型，选取长度为L的光伏功率时间T L序列τ＝(t1,t2,…tL) ,τ∈R，RL表示实数R构成的L维空间，首先从序列中每个时间点ti提取长度为l的子序列si；子序列si以ti为中心，其长度l远小于L；得到一系列子序列，即S＝T l(s1,s2,…sL) ,si∈R，Rl表示实数R构成的l维空间，其中si对应于时间点ti；

然后，利用形状描述符来表示子序列，形状相似的子序列具有相似的描述符，而形状不同的子序列具有不同的描述符；子序列si的形状描述符自然地编码时间点ti周围的局部结构信息；

l m m

设计形状描述符归结为设计映射函数F(·)，映射子序列si∈R 到形状描述符di∈R，R表示实数R构成的m维空间，即di＝F(si)，采用欧几里得距离测量描述符之间的相似性；给定形状描述符计算函数F(·)，选取斜率作为形状描述符计算函数；将子序列S转换为描述符序列D；经过上述转换后，使用DTW算法对齐2个描述符序列，具有相似局部形状的点倾向于对齐；

T m

D＝(d1,d2,…dL) ,di∈R

T

D＝F(S)＝[F(s1),F(s2),…,F(sL)]。

7.如权利要求1所述的一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述步骤3具体包括：步骤3.1，对原始负荷数据进行数据预处理，包括缺失值、异常值和标准化处理；

步骤3.2，分析预处理后原始负荷数据的周期性，并利用Spearman相关系数进行特征筛选，得到负荷特征；

步骤3.3，采用CEEMDAN序列分解模型对负荷特征进行分解，将分解后的序列和筛选后的数据共同构成训练数据；

步骤3.4，最后，将训练数据划分为负荷训练集、负荷测试集和负荷验证集，使用FEDformer模型训练，直到模型训练完成，保存最优的训练模型。

8.如权利要求1所述的一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述步骤4具体包括：步骤4.1，获取负荷测试集，使用最优的FEDformer模型对负荷测试集进行预测，得到负荷测试集的预测结果；

步骤4.2，将负荷测试集的预测结果分为m种类别，得到m种类别的聚类预测结果；

步骤4.3，计算m种类别的聚类预测误差，将预测误差利用动态区间计算公式得到不同类别的区间范围，将区间范围叠加在预测结果上，得到最后的区间预测结果，动态区间计算公式如下：式中，Enegtive(t)——第t时刻的区间下界；Epostive(t)——第t时刻的区间上界；e(t)——第t时刻的预测误差；e(t)Q(i)——第t时刻满足条件的Q(i)第i1,i2,i3,i4四分位数；

σ1、σ2——设置的调节阈值。

9.如权利要求1所述的一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述步骤5具体包括：步骤5.1，微电网的优化运行以日运行成本最小化为目标函数，通过微电网各系统的总运行成本计算，环保性由微电网的污染排放治理等效成本决定，安全性方面通过微电网各系统运行的约束条件和系统运行控制来实现；

微电网的日运行成本公式如下：

式中，C——系统日运行总成本(元)；Cac(t)——蓄电池日运行成本(元)；Cmt(t)——微型燃气轮机日运行成本(元)；Cgrid(t)——微电网和配电网的交互成本；Cep(t)——环保运行总成本(元)；

(1)微电网运行经济性

蓄电池在t时段的平均充放电成本Cac(t)表示为：

式中，Kac——折算后的储能单位充放电成本； 和 ——分别表示t时段储能的充电功率和放电功率；ηac——储能单元的充放电效率；Δt——调度步长；

微型燃气轮机成本函数为：

Cmt(t)＝[aPmt(t)+b]Δt

式中，Cmt(t)——微型燃气轮机在t时段的运行成本；Pmt(t)——t时段微型燃气轮机的输出功率；a、b——拟合函数的成本系数；

微电网和配电网的交互成本可表示为：

式中，λ(t)——配电网的分时电价； ——微电网从配电网购入和售出的电功率；

(2)微电网运行环保性

微电网运行环保性计算公式如下：

式中，i——表示不同的污染物；βi——治理污染物i所需费用；Pgrid(t)——电网的调度功率； ——配电网污染物i的排放拟合系数； ——微型燃气轮机污染物i的排放拟合系数；

(3)微电网运行安全性

微电网安全性通过各系统运行的约束条件和系统运行控制来实现光伏、储能、微型燃气轮机系统运行约束，能量平衡约束供需平衡；微电网功率平衡约束如下式：式中， ——为光伏的实际消纳值；Pmt(t)——微型燃气轮机的发电功率；Pload(t)——系统的电负荷；Pac(t)——蓄电池充放电功率； ——放电和充电状态，充电、放电状态为0‑1变量；

储能系统运行约束：

微电网储能系统的运行约束包括充放电功率约束、始末容量相等、剩余容量等方面；储能单元约束条件如下：式中， ——储能允许的最大充放电功率；μac(t)——储能的充放电状态，放电状态值为1，充电取为0；Eac(0)——储能在初始时刻的容量， ——储能在调度过程中允许的最小剩余容量、最大剩余容量；

微型燃气轮机运行约束如下式：

式中， ——微型燃气轮机的最小输出功率和最大输出功率；

配电网交互约束：

微电网与配电网之间的电力交换遵循的约束条件如下式：

式中， ——微电网和配电网交换功率的最大值；μgrid(t)——微电网与配电网的购售电状态，当微电网向配电网购电时取值为1，当微电网向配电网售电时取值为0；

步骤5.2，基于步骤2和步骤4的区间预测结果，将光伏出力和负荷功率的预测误差范围构建成一个区间预测不确定集U，如下式：式中，u——不确定变量；upv(t)——光伏功率不确定变量；uload(t)——负荷功率不确定变量； ——光伏功率不确定变量的最小值和最大值； ——负荷不确定变量的最小值和最大值；——实数集合；N——正实数；

对微电网动态区间优化调度模型求解得到最优的优化调度结果，重点在于找到不确定变量u在区间预测不确定集u内朝着最不利情况变化时经济性最优和最安全可靠的调度方案，具有如下形式：式中，min[·]——第一阶段优化问题，优化变量为x；maxmin(·)——第二阶段优化问题，优化变量为u和y，其中的最小化问题表示最小化运行成本；c——目标函数；最大化问题表示导致运行成本最不利情况时的场景；

步骤5.3，结合区间预测不确定集合U，可将求解问题总结为如下形式，求解得到微电网的优化调度结果：式中，D、K、F、G、Iu——对应约束下变量的系数矩阵；d、h、γ、λ、ν、π——常数列向量；Bpv(t)、Bload(t)——二进制0‑1变量；λpv——光伏功率的“不确定性调节参数”；λload——负荷功率的“不确定性调节参数”；

通过对基于功率和负荷不确定集的优化调度变量求解，得到满足最小化运行成本的优化调度变量值和调度策略。