1.一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：包括以下步骤：

1)考虑多重随机因素的日前鲁棒调度建模；

2)最坏场景求解；

3)通过Benders分解法来对模型进行求解；

在步骤1)中，首先考虑多重随机因素的日前鲁棒调度建模；然后进行基本场景下的日前调度建模；再进行不确定场景下的日前调度建模；

在步骤2)中首先进行随机因素的概率密度函数建模，然后样本抽样，再进行正交转换矩阵推导；接着进行最坏场景求取；

在步骤3)中，首先进行UC主问题建模，然后进行基本场景下的安全子问题建模；再进行考虑不确定性的安全子问题建模；

在步骤2)中，首先利用非参数核密度估计分别构建风电、光伏以及负荷的概率密度函数，然后利用拉丁超立方抽样生成样本，最后采用Cholesky分解法将上述具有相关性的随机样本转换为相互独立的随机样本，并以此为基础确定最坏场景。

2.根据权利要求1所述的考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：已知基于历史数据的负荷样本个数为n，则基于非参数核密度估计方法构建负荷的概率密度模型为：式中:φ(Pd)为负荷的概率密度函数；K(Pd,l)为核函数；Pdm为负荷样本中的第m个样本值，l为带宽。

3.根据权利要求2所述的考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：选择高斯函数作为负荷概率密度模型的核函数，并对带宽l进行求解，从而得到系统负荷的概率密度函数φ(Pd)。

4.根据权利要求2或3所述的考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：求得风电出力的概率密度函数φ(Pw)以及光伏出力概率密度函数φ(Pv)，如式(2)和式(3)：式中:φ(Pw)为负荷的概率密度函数；K(Pw,l)为核函数；Pwm为风电出力样本中的第m个样本值，l为带宽；

式中:φ(Pv)为负荷的概率密度函数；K(Pv,l)为核函数；Pvm为光伏出力样本中的第m个样本值，l为带宽。

5.根据权利要求1所述的考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：采用拉丁超立方抽样进行分层采样。

6.根据权利要求5所述的考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：设采样规模为N，Ym＝Fm(Xm)表示第m个随机变量Xm的概率密度函数，其具体抽样过程如下：将区间[0,1]平均分为N等分，选取每个子区间的中间值，通过其反函数得到采样值 所有随机变量采样完成后，则得到其样本矩阵。

7.根据权利要求1或6所述的考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：利用相关系数矩阵来描述负荷、风电以及光伏发电间的相关性，设通过拉丁超立方抽样得到的样本矩阵为W＝[w1,w2,…wl]T，其相关系数矩阵为Cw：该矩阵各元素可由式(5)求得：

式中： 和 分别为输入变量wi和wj的标准差；Cov(wi,wj)为输入变量wi和wj的协方差。

8.根据权利要求7所述的考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：相关系数矩阵Cw是正定矩阵，则可以对系数矩阵进行Cholesky分解：Cw＝GGT      (6)

式中：G为下三角矩阵，其中元素可由式(7)求得：

设存在一正交矩阵B，可将具有相关性的输入随机变量W转换为不相关的随机变量Y：Y＝BW     (8)

由于不相关随机变量Y的相关系数矩阵CY为单位矩阵I，因而有：CY＝ρ(Y,YT)＝ρ(BW,WTBT)＝Bρ(W,WT)BT＝BCWBT＝I      (9)又由式(6)可得：

T T T T

CY＝BCWB＝BGGB＝(BG)(BG) ＝I     (10)由上式推导得到：

B＝G-1       (11)

在已知有相关性的输入不确定量W的前提下，通过正交变换矩阵，可以将其变为不相关的随机变量Y。

9.根据权利要求8所述的考虑多重不确定性及相关性的电力系统日前鲁棒调度方法，其特征在于：通过得到的正交变换矩阵，将存在相关性的负荷、风电及光伏出力矩阵转换为独立矩阵，消除其间的相关性，进而通过最坏场景线性叠加的方法求得最坏场景。