微电网作为未来集成清洁能源的有效载体受到了广泛关注。风电等可再生能源的随机性和间歇性给微电网的经济调度带来挑战，为了减少不确定性的影响，本文基于数据驱动的条件正态Copula函数对风电预测误差的时间相关性及其与日前预测值的条件相关性进行建模，通过k-means聚类得到给定的日前预测值下第二日可能的风电功率场景，提升场景建模精度，并采用随机优化方法解决微电网的日前调度问题。

图1展示了风电功率的时间相关性，即各时段风电功率预测误差的线性相关系数，横、纵坐标轴表示各时段，不同颜色代表预测误差线性相关系数的大小，图例展示了对应的数值。可以看出，相邻时段的风电功率预测误差表现出较强的时间相关性。考虑时间相关性能够有效推理出风电场景中经常发生的持续偏差场景，从而得到在各种可能场景下期望最优的调度方案。

图2分析了风电功率预测误差与预测值的条件相关性。选取风电功率预测值为0.05pu、0.15pu、0.35pu附近的预测误差数据，范围是±0.03pu，从图中可以看出，当预测值较小时，预测误差较小且集中分布；而预测值较大时，预测误差相对更大且更分散。因此，需要根据不同的日前预测值得到不同预测误差的分布，从而在日前调度中得到更合理的风电功率场景。

以4个月历史数据作为训练样本，以1个月数据作为测试集，得到不同模型的对比结果如表1所示。从表1中可以看出，本文所提随机优化模型相比确定性模型、低置信度和高置信度鲁棒模型、以及传统随机优化模型，不平衡电量分别降低了22.77%、21.72%、21.65%和18.23%，总成本分别降低了4.01%、4.03%、4.27%和3.2%，能够抵御实时市场的电价波动，得到更为合理的调度方案。

⬇ 表1 不同模型的平均优化结果比较