一种基于多源数据融合与能-碳双流耦合的低碳园区自适应调控方法与流程

本发明涉及园区综合能源系统低碳调控，尤其是涉及一种基于多源数据融合与能-碳双流耦合的低碳园区自适应调控方法，尤其适用于包含分布式可再生能源、多元化储能、冷热电联供及可调负荷的复杂园区能源系统的实时优化调度与碳排放精细化管理。。

背景技术：

1、园区级综合能源系统因其能源种类多样、用能行为复杂、碳排集中可控等特点，成为实现能源结构优化与碳排放削减的关键场景。典型的低碳园区通常集成光伏、风电、燃气轮机、储能、热泵、可调负荷等多种异构能源单元，各单元在物理特性、响应速度、运行约束及碳排放强度方面存在显著差异，构成了一个具有高维非线性、强不确定性和多时间尺度耦合特征的复杂系统。

2、当前，园区能源管理与碳减排技术主要面临以下三大尚未有效解决的技术难题：

3、难题一：异构灵活性资源的统一表征与动态聚合困难。现有方法大多采用简化的稳态模型描述设备特性，例如将储能充放电效率视为常数、将可调负荷的调节范围视为固定区间、将燃气轮机的发电效率视为额定值。这种简化处理导致聚合后的虚拟资源外特性严重偏离实际，基于失真模型制定的调度策略在实际执行时往往出现功率越限、响应滞后甚至设备保护动作等问题。虽然已有研究尝试采用数据驱动方法提取设备特征，但缺乏针对不同类型资源运行机理差异的差异化建模策略，难以实现从微观设备特性到宏观集群特性的精准映射。

4、难题二：多主体协同决策的维数灾难与收敛性问题。园区系统包含数十乃至上百个可调控设备，若将每个设备直接建模为独立决策单元，强化学习的状态-动作空间将呈指数级膨胀，导致训练难以收敛。现有的集中式优化方法（如混合整数规划）虽然求解精度高，但计算复杂度随系统规模急剧增长，难以满足在线实时调度的需求。分层递阶控制虽能一定程度降低复杂度，但上下层之间的信息传递与目标协调机制尚不完善，容易出现上层目标与下层可行域脱节的问题。

5、难题三：碳排放核算的滞后性与优化决策的割裂。当前园区的碳核算普遍采用基于平均排放因子的月度或年度静态统计，无法反映系统运行时由新能源波动、设备启停、负荷变化引起的分钟级碳强度变化。更关键的是，碳流信息与优化调度过程相互独立，优化模型在决策时无法获知当前各节点的实时碳势，导致调度策略虽然满足了经济性目标，却可能在高碳时段增加用电负荷，反而推高了实际碳排放。虽有文献提出利用图神经网络进行碳势预测，但仅将预测结果作为独立模块输出，未将其嵌入优化决策的闭环反馈中，无法实现感知-决策-执行-评价的实时联动。

技术实现思路

1、本发明的目的是为了解决现有技术存在的异构灵活性资源的统一表征与动态聚合困难，多主体协同决策存在维数灾难与收敛性问题以及碳排放核算的滞后性与优化决策的割裂等问题，提供一种基于多源数据融合与能-碳双流耦合的低碳园区自适应调控方法。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于多源数据融合与能-碳双流耦合的低碳园区调控方法，步骤包括：

4、采集低碳园区内各灵活性资源的多源异构运行数据，并提取特征向量；

5、将各灵活性资源特征向量输入包含设备层、集群层与系统层的三层聚合架构，基于复合相似度度量对灵活性资源进行分层分区聚合，得到虚拟灵活性资源；

6、将各虚拟灵活性资源构建为独立的强化学习智能体，进行基于注意力机制加权强化学习多智能体的分层协调优化，全局协调层以园区整体运行经济性与低碳性为目标，生成面向各虚拟灵活性资源的协调调控指令；局部执行层中各智能体以自身的局部观测状态及协调调控指令为输入，输出决策动作；

7、采用融合时序注意力与空间注意力的双维度注意力预测模型，生成未来多个采样周期的园区净负荷预测值及联络线交换功率预测值；基于园区实际拓扑结构构建动态图注意力碳势感知模型，生成各节点碳势预测值；

8、将园区净负荷预测值及联络线交换功率预测值作为全局协调层的前向输入，并将实时的各节点碳势预测值作为全局奖励函数低碳奖励项的实时刷新依据，形成闭环反馈链路并采用收缩时域模型预测控制框架进行滚动优化，最终输出园区系统灵活性边界、最优运行策略轨迹以及节能降碳潜力。

9、作为优选技术方案，所述灵活性资源包括：可调负荷与不可调负荷、能源转换设备、储能装置以及可再生能源发电单元；

10、对于可调负荷，将其物理调节参数与用户行为不确定性联合建模，构建包含额定功率、调节深度、响应延迟、持续调节能力、能量状态边界及舒适度松弛因子的特征向量；对于不可调负荷，采用局部加权回归散点平滑法将其功率序列分解为趋势分量、周期分量及随机残差分量，并以残差分量的统计矩作为不确定性特征；

11、对于能源转换设备，以历史运行数据拟合负载效率曲线与全工况效率地图，所述全工况效率地图以输入功率和输出功率为坐标轴，将设备效率表示为二元二次响应面函数，同时提取能源转换设备的最小稳定出力、最大爬坡率、启停时间及启停能耗作为动态特征；

12、对于储能装置，将储能装置的荷电状态、健康状态及充放电效率之间的非线性耦合关系建模为三阶状态空间方程，所述三阶状态空间方程中充电效率与放电效率分别为当前荷电状态、充放电倍率及工作温度的非线性函数，健康状态为循环老化累积效应与日历老化累积效应的叠加；

13、对于可再生能源发电单元，以变分模态分解将可再生能源发电单元出力序列解耦为多个具有不同中心频率的本征模态分量，对各本征模态分量分别提取波动性统计特征，并以各分量的瞬时频率与瞬时幅值构成波动模式特征向量。

14、作为优选技术方案，所述设备-集群-系统三层聚合架构中：

15、设备层，对提取的各灵活性资源特征向量进行最大信息系数筛选，剔除冗余特征后作为聚类输入矩阵；

16、在集群层，采用基于复合相似度度量的两阶段聚类策略进行资源聚合

17、第一阶段为改进密度峰值聚类，以设备之间的复合相似度作为距离测度，计算各设备的局部密度及其与更高密度设备的最小复合距离，以局部密度与最小复合距离的乘积作为聚类中心选取指标，识别聚类中心并完成初始资源分区；将密度低于全局密度阈值且与各聚类中心复合距离超出设定倍数的设备标记为边界设备；

18、第二阶段为模糊子空间聚类，对第一阶段形成的初始资源分区边界进行柔性修正，在模糊子空间聚类中为每个特征维度赋予独立的权重系数，使得不同虚拟灵活性资源在不同特征维度上具有差异化的关注程度，通过迭代优化各设备对各类虚拟灵活性资源的隶属度及各特征维度的权重系数，使同一虚拟灵活性资源内部的设备在关键调节特征上趋于一致，不同虚拟灵活性资源之间的调节特性差异最大化；对于同时属于多个虚拟灵活性资源且隶属度均高于设定阈值的设备，按隶属度比例将其调节容量分配至对应虚拟灵活性资源；所述模糊子空间聚类的目标函数为：

19、

20、其中，为设备

i隶属于虚拟灵活性资源

c的隶属度；为虚拟灵活性资源

c在第

f维特征上的聚类中心；为虚拟灵活性资源c自身对第f个特征维度的特征权重；

m为模糊指数；

c为虚拟灵活性资源总数；

n为设备总数；

f为特征维度数；为权重熵正则化系数；

21、所述隶属度的迭代更新公式为：

22、

23、虚拟灵活性资源

c的等效功率调节上界为：

24、

25、等效响应延迟为：

26、

27、其中，为设备

i在时刻

t最大可调功率；为设备

i自身调节响应时延；表示设备

i在时刻

t处于可调节运行状态；

28、当聚类中心变化量及目标函数变化量均低于收敛阈值时终止迭代，输出若干个虚拟灵活性资源及其对应的设备成员隶属度矩阵；

29、在系统层，根据所述隶属度矩阵对各虚拟灵活性资源内部的设备外特性进行加权聚合，计算每个虚拟灵活性资源的等效功率调节上界、等效功率调节下界、等效爬坡率、等效响应延迟、等效持续调节时间及等效能量状态区间，形成具有统一接口描述的虚拟灵活性资源集合。

30、作为优选技术方案，所述复合相似度由空间欧氏距离、类型属性匹配度、调节容量差异度、响应时间差异度、运行时段重叠率及功能耦合强度六项子相似度按自适应权重线性加权构成；所述自适应权重根据当前聚类目标中调节能力维度与空间维度的重要性比值动态调整，自适应权重表示为：

31、

32、其中，为当前聚类目标下第

m项子相似度的调节能力敏感度系数，为温度参数。

33、作为优选技术方案，所述基于注意力机制加权强化学习多智能体的分层协调优化，具体如下

34、所述全局协调层以园区整体运行经济性与低碳性为目标，融合园区总负荷超短期预测、可再生能源超短期预测、分时电价序列、碳价序列、联络线交换功率计划以及实时反馈的各节点碳势信息，通过全局注意力机制对各虚拟灵活性资源上报的可调能力边界进行重要性加权，生成面向各虚拟灵活性资源的协调调控指令，所述全局注意力机制根据各虚拟灵活性资源的调节容量大小、响应速度及所在节点碳势高低动态分配注意力权重；

35、所述局部执行层中各智能体以自身的局部观测状态及所述协调调控指令为输入，所述局部观测状态包括当前出力功率、剩余可调上界与下界、当前爬坡裕度、剩余可持续调节时间、储能当前荷电状态及所在节点实时碳势，各智能体通过策略网络输出功率调节量、充放电功率设定值、启停控制信号或负荷转移量。

36、作为优选技术方案，所述强化学习智能体采用带优先经验回放的多智能体近端策略优化算法进行联合训练：

37、在训练阶段，全局协调层基于各智能体执行动作后的系统响应计算全局奖励，所述全局奖励由经济成本奖励项、低碳奖励项及安全约束奖励项三项加权组成，所述经济成本奖励项由购电成本、购气成本及设备运维成本的负值构成，所述低碳奖励项由各节点碳势与节点净负荷乘积的负累加值构成且随实时反馈的各节点碳势信息动态刷新，所述安全约束奖励项由功率平衡偏差、设备出力越界量、储能荷电状态越界量及爬坡越界量的负二次型惩罚构成；所述全局奖励函数表示为：

38、

39、其中，、、分别为时段

t的购电成本、购气成本与运维成本，为节点

n在时段

t的实时碳势，为节点

n在时段

t的负荷功率，为节点总数，

q为约束项总数，第

q项约束违背量的二次型惩罚，、、为经济、低碳与安全三项奖励的权重系数；

40、第

i个智能体的策略网络更新时的剪切损失函数为：

41、

42、其中，为概率比，为优势函数，为剪切超参数；

43、优势函数由全局协调层基于全局奖励与全局价值函数

v(s)计算：

44、

45、其中，为折扣因子，v(s)为全局状态价值函数；

46、在分散执行阶段，各智能体根据自身局部观测及全局协调层下发的当前协调指令独立决策；全局协调层对各智能体的决策动作进行可行性校验，对违反功率平衡约束或设备运行约束的动作进行最小调整量投影修正，形成可执行的调度指令序列。

47、作为优选技术方案，所述融合时序注意力与空间注意力的双维度注意力预测模型采用编码器-解码器架构；

48、所述编码器部分由时序注意力模块与空间注意力模块并行组成，所述时序注意力模块基于多头自注意力机制捕捉输入特征序列中的长程时序依赖关系，所述空间注意力模块基于图注意力机制捕捉不同能源设备之间的空间耦合关系；时序注意力模块与空间注意力模块的输出经交叉注意力融合后形成综合编码特征；

49、解码器以所述综合编码特征为输入，通过自回归方式逐时段生成未来多个采样周期的园区净负荷预测值及联络线交换功率预测值。

50、作为优选技术方案，所述基于园区实际拓扑结构构建动态图注意力碳势感知模型，具体实现如下：

51、将园区电网拓扑定义为动态图结构，图节点包括母线、馈线及关键设备连接点，图边包括输配电线路及变压器支路；每个图节点的初始特征向量由其注入有功功率、注入无功功率、节点类型编码及节点所连边数构成；每个图边的初始特征向量由其电阻、电抗及当前传输功率构成；

52、所述动态图注意力碳势感知模型采用多层时域图注意力卷积架构，在每一层中，每一节点通过图注意力机制聚合其邻域节点的特征信息，所述图注意力机制为每一对相邻节点计算独立的注意力系数，所述注意力系数由两节点的特征向量、连接边的特征向量及当前时段共同决定；引入门控循环单元对各节点的隐藏状态沿时间维度进行递推更新，使碳势感知结果随系统运行状态的时变而动态演化；

53、经多层图注意力卷积与门控循环单元递推后，通过全连接回归输出层得到各节点在当前及未来若干时段的碳势预测值，任一组负荷节点在任一时段消耗电能所对应的实时碳排放量由节点的碳势预测值与负荷功率的乘积给出。

54、作为优选技术方案，所述收缩时域模型预测控制框架进行滚动优化，具体如下：

55、收缩时域模型预测控制框架进行滚动优化，每一调度时刻以当前时刻为起点，向前截取固定长度的预测时域，执行分散执行过程获得预测时域内各时段的调度指令序列，仅将所述调度指令序列中当前调度时段的指令下发至现场执行端；

56、在当前调度时段结束后，重新采集园区各设备的实际运行状态、实际负荷需求、实际可再生能源出力、实际节点碳势及最新电价碳价信号，更新预测时域起点，重复上述滚动优化过程；

57、在滚动优化过程中，对训练完成的各智能体策略网络进行在线微调：以最近若干调度时段的实际运行数据构成小批量样本，计算实际执行后的累计奖励与预测奖励之间的时序差分误差；利用所述时序差分误差对策略网络参数进行少量步长的梯度更新，使智能体策略持续适应当前运行工况的变化。

58、作为优选技术方案，所述园区系统灵活性边界为各虚拟灵活性资源聚合后可向上/向下调节的功率极限及持续时间；

59、所述最优运行策略轨迹为各调度时段各设备出力设定值、储能充放电计划、可调负荷调节量及联络线功率交换计划；

60、所述节能降碳潜力优化调度方案与基准运行方案相比的用能成本降低量、一次能源消耗减少量、可再生能源弃用率下降量及碳排放总量削减量；其中碳排放总量削减量按各负荷节点分别统计，形成节点级碳减排贡献分布图，所述碳排放总量削减量计算如下：

61、

62、其中，、分别为基准场景下节点

n在时段

t的碳势与负荷功率，、分别为优化场景下节点

n在时段

t的碳势与负荷功率；为总调度时段数量；为节点总数。

63、与现有技术相比，本发明具有以下有益效果：

64、1）本发明实现了异构灵活性资源的多模态精准建模。针对负荷、储能、能源转换设备和可再生能源四类资源，分别构建差异化的特征提取模型，首次将储能效率的非线性耦合关系、可调负荷的用户舒适度松弛因子以及能源转换设备全工况效率响应面引入园区调控建模，相比现有技术中直接将设备设定为智能体的做法，本发明在设备特性刻画精度上具有明显优势。

65、2）本发明实现了大规模资源的高效可扩展聚合。通过改进密度峰值聚类与模糊子空间聚类相结合的两阶段策略，以及基于复合相似度的自适应权重调整，实现了从海量分散设备到有限数量虚拟灵活性资源的精准映射。相比现有技术仅依赖层级数据关联的静态分区方法，本发明的动态自适应聚类能够适应不同场景下的聚合需求，且模糊隶属度机制避免了硬聚类导致的容量截断误差。

66、3）本发明实现了碳流感知与优化决策的深度闭环耦合。现有技术均将碳流预测与调度优化作为独立模块，本发明首次将实时感知的节点碳势直接嵌入多智能体强化学习的奖励函数低碳项，并通过滚动优化与在线微调机制形成感知→决策→执行→再感知的闭环反馈，使调度策略能够主动根据碳势信号调整用电行为，而非事后核算碳排放。

67、4）本发明显著提升了预测与感知的时空精度。提出的时序-空间双维度注意力融合预测模型同时捕捉时间规律与空间拓扑关系，预测精度优于仅使用单一注意力的模型。动态图注意力碳势感知模型在传统图神经网络基础上引入时域递推与边特征依赖的注意力系数计算，能够更准确地反映碳流在复杂拓扑中的非线性传导特性。

68、5）本发明形成了可工程部署的滚动优化闭环系统。 通过收缩时域模型预测控制框架与策略在线微调机制的有机结合，本发明既保证了优化决策的实时性（分散执行），又保持了长期运行的适应性（在线微调），避免了现有方法中离线训练模型与实际运行环境脱节的问题，具有直接的工程应用价值。