1.一种区域能源互联网不确定优化调度方法，其特征在于，包括：获取随机变量数据；基于所述随机变量的误差概率分布生成多个场景；对所述多个场景进行削减得到典型场景；对所述典型场景进行处理获得离散组合优化场景；根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正；所述基于所述随机变量的误差概率分布生成多个场景，包括：将误差离散化为n个区间，每个区间所围面积分别为S 1,t ,S 2,t …S n,t ，构成当前时刻的误差状态向量：m t ＝[S 1,t ,S 2,t …S n,t ], 其中，S 1,t ,S 2,t …S n,t 代表每个区间发生的概率；基于马尔科夫理论修正所述随机变量的误差状态向量；对所述误差状态向量随机抽样，将选中的误差状态向量对应的误差区间转换为多个场景；所述对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景，包括：根据t时刻各误差状态概率，对所述误差状态向量进行随机抽样；进行N次抽样后，构成状态矩阵 其中各个区间的选中情况构成了一个长度为N的二进制向量(X t ) N×1 ，所述二进制向量(X t ) N×1 中令x i (i＝1…n)表示误差区间的选中状态：若被选中，则x i ＝1，否则x i ＝0；对所述状态矩阵 通过蒙特卡洛抽样将所述状态矩阵构成t 0 -T时段的场景。
2.如权利要求1所述的区域能源互联网不确定优化调度方法，其特征在于，所述基于马尔科夫理论修正所述随机变量的状态向量，按下式计算：式中，E表示一步状态转移矩阵， 表示t＝t 0 时刻时的误差状态向量。
3.如权利要求1所述的区域能源互联网不确定优化调度方法，其特征在于，对所述多个场景进行削减得到典型场景，包括：将所述多个场景采用模糊c均值聚类算法进行场景削减，并计算所述典型场景概率。
4.如权利要求3所述的区域能源互联网不确定优化调度方法，其特征在于，按下式将所述多个场景采用模糊c均值聚类算法进行场景削减：1≤m≤∞式中，U：隶属度矩阵，V为中心向量矩阵，C：典型场景数目，M 0 ：原始场景数目，V c ：第c个聚类场景集的中心向量，X i ：第i个原始场景向量，μ ci ：第i个场景向量到第c个聚类场景集的隶属度函数，m：收敛因子，J：各个类别内部的场景与中心向量的相似程度。
5.如权利要求4所述的区域能源互联网不确定优化调度方法，其特征在于，所述第c个聚类场景集的中心向量V c 概率，按下式计算：式中，N c ：可聚类为中心向量V c 的场景数量。
6.如权利要求5所述的区域能源互联网不确定优化调度方法，其特征在于，所述典型场景概率进行处理获得离散组合优化场景，包括：所述离散组合优化场景的概率，按下式计算：式中，I：光伏最优典型场景数目，K：风机最优典型场景数目，J：负荷最优典型场景数目，M为组合场景个数；δ i PV ：光伏电源发生第i个场景的概率， 风机发生第k个场景的概率， 负荷发生第j个场景的概率。
7.如权利要求6所述的区域能源互联网不确定优化调度方法，其特征在于，所述长时间不确定优化调度模型的目标函数包括：全局总成本最低和网络节点电压的理想分布；所述总成本按下式计算：式中，λ 1 ：总成本；ε s ：组合场景S发生的概率；c 1 ：可调分布式电源成本；p DG,t ：t时刻分布式电源发电功率；Δt：单位时间；c 2 ：柔性直流装置调度成本；p VSC,t ：t时刻柔性直流装置功率；c IL ：可中断负荷成本；p IL,t ：t时刻可中断负荷功率；c grid ：从上一级电网购买电量成本；p grid,t ：t时刻上一级电网传输功率；c e ：供电收益；p L,t ：t时刻供电负荷功率；c loss ：运行损耗成本；p line_loss,s ：组合场景S时的网损功率；p VSC_loss,s ：组合场景S时柔性直流装置的损耗功率；M：组合场景个数；T：长时间尺度优化时长；所述网络节点电压按下式计算：式中，λ 2 ：平均电压偏离量；N node ：节点数；u i,t,s ：第i个节点在S场景下t时刻的电压偏差；T：长时间尺度优化时长；u s,t ：t时刻电压偏移，u i N ：节点额定电压。
8.如权利要求7所述的区域能源互联网不确定优化调度方法，其特征在于，所述短时间滚动修正目标函数如下式：式中，g：可调资源相对参考值偏差；T:短时间尺度优化时长；U为可调资源数量，p i,t res ：第i个可调资源出力参考值；p i,t ：第i个可调资源短时间尺度的优化结果；P Gi ：第i个可调资源额定功率。
9.如权利要求1所述的区域能源互联网不确定优化调度方法，其特征在于，所述获取随机变量数据，包括：获取风电出力、光伏出力以及波动性负荷。
10.一种用于如权利要求1-9任一项所述的区域能源互联网不确定优化调度方法的优化调度系统，其特征在于，包括：获取模块、生成模块、削减模块、处理组合模块和确定模块；所述获取模块，用于获取随机变量数据；所述生成模块，用于基于所述随机变量的误差概率分布生成多个场景；所述削减模块，用于对所述多个场景进行削减得到典型场景；所述处理组合模块，用于对所述典型场景概率进行处理获得离散组合优化场景；所述确定模块，用于根据所述离散组合优化场景通过长时间不确定优化调度模型进行优化，并对优化结果根据短时间滚动修正模型进行修正。
11.如权利要求10所述的优化调度系统，其特征在于，所述生成模块，包括：划分子模块、修正子模块、抽样子模块；划分子模块，用于将误差离散化为n个区间，每个区间所围面积分别为S 1,t ,S 2,t …S n,t ，构成当前时刻的误差状态向量： 其中，S 1,t ,S 2,t …S n,t 代表每个区间发生的概率；修正子模块，用于基于马尔科夫理论修正所述随机变量的误差状态向量；抽样子模块，用于对所述误差状态向量随机抽样，将所述选中的误差状态向量对应的误差区间转换为多个场景。
12.如权利要求10所述的优化调度系统，其特征在于，所述削减模块，包括聚类子模块和计算子模块；所述聚类子模块，用于按下式将所述多个场景采用模糊c均值聚类算法进行场景削减：1≤m≤∞式中，U：隶属度矩阵，V：中心向量矩阵，C：典型场景数目，M 0 ：原始场景数目，V c ：第c个聚类场景集的中心向量，X i ：第i个原始场景向量，μ ci ：第i个场景向量到第c个聚类场景集的隶属度函数，m：收敛因子，J：各个类别内部的场景与中心向量的相似程度；所述计算子模块，用于按下式计算所述第c个聚类场景集的中心向量V c 概率：式中，N c ：可聚类为中心向量V c 的场景数量。
13.如权利要求12所述的优化调度系统，其特征在于，所述处理组合模块，包括，组合子模块，用于按下式计算所述离散组合优化场景的概率：式中，I：光伏最优典型场景数目，K：风机最优典型场景数目，J：负荷最优典型场景数目，M：组合场景个数；δ i PV ：光伏电源发生第i个场景的概率， 风机发生第k个场景的概率， 负荷发生第j个场景的概率。
14.如权利要求10所述的优化调度系统，其特征在于，所述确定模块，包括：长时间不确定优化调度模型和短时间滚动修正模型；所述长时间不确定优化调度模型，用于计算全局总成本最低和网络节点电压的理想分布的目标函数；所述短时间滚动修正模型，用于计算可调资源相对参考值偏差的目标函数。
