1.一种考虑风光荷不确定性的多能互补电网联合调度优化方法，其特征在于，包括如下步骤：S1、采集多能互补电网内各供能设备参数，以及区域电网内风电、光伏发电功率和用电负荷需求的日前预测结果，作为后续模型的输入数据；

S2、利用风光火储四类能源间的互补协调特性，结合多能互补电力系统中的电源构成和调度需要，从日前调度层面兼顾系统运行经济性、平稳性以及可再生能源消纳最大化的优化目标，构建多目标多约束的风光火储多能互补日前联合调度优化模型；

S3、在调度优化模型的基础上，使用非线性模糊机会约束来表征风光火储多能互补调度模型中系统功率平衡约束的风光荷不确定性；

S4、采用动态多目标遗传算法对方法所提的风光荷不确定性下多能互补电网联合调度优化模型进行求解；

S5、获得最优日前调度计划，即多能互补场景下电网日前联合调度计划，包括火电机组出力计划、储能电池工作计划、电网交互购售计划；

步骤S4包括如下步骤：

步骤4.1、设定初始参数种群大小N、最大迭代次数itermax、交叉概率pc、变异概率pm、切换系数ct、阈值系数α，生成大小为初始化N的初始种群P0，每个个体随机生成，评估初始种群P0中每个个体x的目标函数值F(x)；

步骤4.2、根据动态控制机制进行选择操作、并进行交叉操作、变异操作生成第t代的子代种群Qt；

步骤4.3、合并第t代父代种群Pt‑1和子代种群Qt得到组合种群Rt；

步骤4.4、对可行解集Rt进行非支配排序，生成前沿解集Fronts；

步骤4.5、生成新父代种群Pt；

步骤4.6、应用扰动修正策略，在后期迭代中将候选解重新分配到潜在解空间中，并重复步骤4.4、4.5；

步骤4.7、输出解集，算法求解得到的帕累托前沿解集为Pfinal＝{x∈Pitermax}。

2.根据权利要求1所述的一种考虑风光荷不确定性的多能互补电网联合调度优化方法，其特征在于，步骤S2包括如下子步骤：S2.1、设定调度优化模型的目标函数，风光火储多能互补电力系统的多优化目标包括了风光能源消纳量、电网运行成本及净负荷波动性；

S2.2、设定调度优化模型的约束条件，风光火储多能互补电力系统的多约束条件包括系统功率平衡约束、火电机组运行约束，储能电池运行约束、和电网交互约束，分别表示为约束条件1至约束条件4。

3.根据权利要求2所述的一种考虑风光荷不确定性的多能互补电网联合调度优化方法，其特征在于，步骤S2.1考虑到低碳最优化目标，将风光能源消纳量最大作为优化目标1，由于系统整体的运行经济性涉及到燃料消耗费用及能源市场交易情况，以电网运行成本最小为优化目标2，为了保证系统出力的平稳性，将最终火电承担净负荷波动性标准差最小作为优化目标3；

其中，作为清洁的可再生能源，新能源电网中利用风光能源以代替火电减少化石能源消耗，提高系统经济性和环境效益，将风光能源消纳量最大作为优化目标1，公式如下：其中， 表示在区域新能源电网系统中可再生能源总的消纳量； 分别表示系统中风力、光伏产出电力的消纳量，公式如下：

其中， 表示t时刻系统的风力、光伏电力消纳量，T表示区域新能源电网系统优化调度的整个时间段；

其中，在风光火储一体的多能互补电网中，电力系统的运行经济性取决于电网常规运行费用，同时还要考虑其他附加成本；将电网运行成本最小作为优化目标2，用公式表示如下：minC＝Cfuel+COM+Cgrid+Cstorage+Cemission+Cpunish其中，Cfuel、COM、Cgrid、Cstorage、Cemission、Cpunish分别表示电力系统内燃料成本、运行维护费用、电网交互费用、储能系统的充放电折旧成本、火电机组排放的污染气体处理费用和偏差惩罚成本；具体表达式如下：其中，N表示系统内的火力发电单位个数，cfuel为火力发电单位消耗燃料的价格，Pi,t表示t时刻i站点的发电功率，Lfuel为消耗燃料的低热值，ηfuel表达火力发电单位发电效率；

其中，kwind、kpv、kfuel、kstorage分别表示风机、光伏、火电、储能电池的单位功率运行维护成本，Pwind,t、Ppv,t、Pfuel,t、Pstorage,t表示t时刻风机、光伏、火电、储能电池各电源的输出功率；

其中，wbuy,t、Pbuy,t分别为t时刻购电价格和购电功率，wsell,t、Psell,t分别为售电价格和售电功率；

其中，cstorage为储能电池的折旧成本系数，ΔPstorage,t表示储能电池的充放电调整功率；

其中，cj表示第j类排放物的单位处理费用，vt,j表示t时刻第j类排放物的排放量；

+ ‑

其中，c 、c表示出力高估、低估惩罚价格费用， 表示t时刻高估、低估出力惩罚；

其中，火电机组作为基荷电源，在电力系统中承担着基础功率支撑功能；频繁调整火电机组的出力会直接影响电力系统的经济效率和环境效益；需着力平抑净负荷波动幅值，使火电机组能够维持功率输出的准稳态运行状态，将火电所承担净负荷的标准差最小作为优化目标3，公式如下：其中，F表示火电承担净负荷的标准差，Lnet,t表示t时刻电力系统内火电承担的净负荷。

4.根据权利要求3所述的一种考虑风光荷不确定性的多能互补电网联合调度优化方法，其特征在于，步骤S2.2设定4个约束条件；

其中，约束条件1考虑系统供电功率和总负荷功率平衡：Pwind,t+Ppv,t+Pfuel,t+Pbuy,t+Pdis,t＝Lt+Psell,t+Pch,t其中，Pch,t、Pdis,t分别表示储能电池充、放电功率，Lt表示系统中总负荷；

其中，约束条件2考虑火电机组运行中需要满足的功率上下限及爬坡约束：其中， 为i站点火电机组发电功率的上下限，ΔPfuel,i,t表示t时刻与t‑1时刻的出力差， 为火电机组的上下爬坡；

其中，约束条件3考虑储能电池功率上下限、电容以及工作状态转换约束：其中， 表示储能电池的最大输出功率，Vps,init、Vps,end分别表示储能电池电容的初min max始和结束状态，Vt 、Vt 为储能电池的最小和最大电容，Vt表示t时刻储能电池电容状态；

其中，约束条件4考虑电网交互功率约束：

其中， 表示与电网交互，购电和售电的最大功率。

5.根据权利要求4所述的一种考虑风光荷不确定性的多能互补电网联合调度优化方法，其特征在于，步骤S3包括如下步骤：步骤3.1、构建基于模糊机会约束规划的模型，公式如下：s.t.Pos{ξ|gi(x,ξ)≤0}≥α,i＝1,2,…,p其中，α是一个介于0和1之间的参数，x＝{Pfuel,t,Pbuy,t,Psell,t,Pdis,t,Pch,t}为调度模型中的决策变量，ξ＝{Pwind,t,Ppv,t,Lt}为调度模型中的模糊变量，Pos{}为事件发生可能性；

步骤3.2、在日内优化调度中，使用正态分布模糊参数表征风光荷的不确定性问题为：其中，m为模糊数的中心值，对应预测均值，σ为模糊度参数，与预测误差相关：* 2 * 2

其中，mL (α),mL*(α)表示负荷Lt均值的模糊区间上下界，σL (α),σL*(α)表示Lt方差的模糊区间上下界，同理定义Pwind,t,Ppv,t的相关变量；

步骤3.3、以系统功率平衡定义模糊机会约束，要求出力满足负荷的概率不低于机会约束预先指定的模糊置信水平为易于区别，Pwind,t,Ppv,t,Lt设为W,P,L，Pfuel,t+Pbuy,t+Pdis,t‑Psell,t‑Pch,t设为X；定义组合变量Z＝L‑W‑P+X，其均值和方差为：利用模糊正态分布的性质，约束等价为：

其中 为模糊置信水平，F为标准正态分布的累积分布函数；

步骤3.4、利用可信性测度清晰等价类定理，将模糊约束转换为确定性形式，当置信水平α≥0.5时，机会约束的清晰等价类为：‑1

其中，F 为累积分布函数的反函数，其最终结果即为涉及到风光荷不确定性的系统功率平衡模糊机会约束的确定性形式；

步骤3.5、将该模糊机会约束引入所述调度优化模型中，构建风光荷不确定性下多能互补电网联合调度优化模型。

6.根据权利要求1所述一种考虑风光荷不确定性的多能互补电网联合调度优化方法，其特征在于，步骤S4.2中，动态控制机制具体如下：动态控制机制采用一种分阶段调整权重系数的动态控制机制来控制轮盘赌策略下的种群选择行为，迭代过程分为两阶段，两阶段间何时切换由变量T确定:其中，itermax表示迭代的最大值，ct是切换系数；

其中，在第一阶段，将在早期迭代过程中降低适应度的权重系数，配合拥挤距离惩罚扩大种群搜索空间的范围，然后逐步接近最优解；第一阶段的累积概率函数如式所示：其中，fitness表示个体xi的适应度，idistance为个体xi的拥挤距离， 表示种群中所有个体的适应度之和，W1是第一个迭代阶段的权重系数，在初期阶段控制候选个体降低适应度的权重，提高种群多样性，避免陷入局部最优；

其中，在第二阶段，种群选择不受早期迭代参数设置的影响，根据当前个体适应度分布进行调整选择压力；第二阶段的累积概率函数如式所示：其中，W2是第二阶段的权重系数，设置了一个较高的父代选择压力，通过调整概率公式来增强适应度较高个体的选择机会，保证了算法收敛更好的效果。

7.根据权利要求6所述一种考虑风光荷不确定性的多能互补电网联合调度优化方法，其特征在于，步骤S4.6中扰动修正策略具体如下：在NSGA‑II的后期迭代中，根据以下条件触发扰动修正策略：其中，α为阈值系数；基于当前非支配解集Pn，计算个体的新边界：(t)

ub ＝max(fi∈Pn))+δ·|max(fi)‑min(fi)|(t)

lb ＝max(fi∈Pn))‑δ·|max(fi)‑min(fi)|(t) (t)

其中，ub 、lb 表示潜在解空间的上限和下限，fi为解集Pn内个体xi的适应度，δ为扩展系数，用于控制搜索空间的扩展范围；对非支配解集Pn中的每个个体xi进行高斯扰动操作：(t) (t)

fi′＝fi+Ν(0,η(lb ,ub ))

其中，η为扰动强度；在操作后进行投影进行边界修正，生成新解集Pn,new，将Pn,new与原种群合并，进行非支配排序和环境选择。