图1 本文研究架构
Fig.1 Research architecture
摘要 针对智慧综合能源园区信息化进程的开展，目前难以在信息统一处理的基础上实现园区内部低碳运行的问题，该文提出一种基于云-边协同求解的智慧园区多能协调碳排放优化方法。首先，结合碳排放流理论建立智慧园区云-边协同动态碳减排模型，并且考虑到系统中的设备响应不确定性，通过设置噪声元将不确定性进行量化并嵌入目标函数；其次，为实现智慧园区碳减排计划动态求解，基于联邦迁移学习理论，结合卷积注意力模块（CBAM）、粒子群优化（PSO）算法与双向长短期记忆（BiLSTM）网络，建立能够同时实现源荷功率预测与云-边协同碳排放优化的CBAM -BiLSTM-PSO网络；最后，以实际运行中的综合能源系统（IES）作为算例对所提出的方法进行有效性验证，结果表明，该文提出的方法能够充分利用智慧园区内的云-边计算资源，实现园区内部源-荷间的协调优化，降低园区的碳排放量，为智慧综合能源园区的信息化低碳经济运行提供了一种可行方案。
关键词：智慧园区 综合能源系统 双向长短期记忆网络（BiLSTM） 动态碳减排 混合神经网络
近年来，国家能源局多次提出要加快推进综合能源服务，提高能源利用效率，推动清洁能源发展，促进能源可持续发展[1-2]。综合能源系统（Integrated Energy System, IES）是综合能源服务的核心，它能够实现多种能源协调规划、协同管理、交互响应和互补互济，推动能源整合优化、促进清洁能源利用。随着能源技术的进步，综合能源系统已应用到电力、热力、交通、建筑、工业等多个领域，并向着智能化、绿色化快速发展，未来技术和市场还会推动形成脱碳、去中心化和数字化的能源系统[3]。本文提及的综合能源系统主要针对布置在负荷侧的园区级综合能源系统。
传统综合能源系统的运维通常基于自动化控制系统和人工经验调控，难以满足综合能源系统的新型运维需求；并且较少对能源系统运行数据进行深度挖掘分析，难以有效评估和释放综合能源系统蕴含的能效、碳效优化潜力。因此，亟须采用更加先进和智能化的手段实现综合能源系统的智慧运维，更加准确和及时地掌握系统的运行状态、可优化潜力和异常情况，并采取有效的措施进行优化，推动数字化转型和可持续发展[4]。
针对综合能源系统低碳经济运行问题，已有研究主要在综合能源系统发电侧改造[5-6]、电碳交易机制[7-9]及运行计划求解方法三个层面进行。在运行计划求解方法方面，由于IES中的能源分属不同的管理主体，难以集中调度，当前研究中广泛采用分布式架构进行多能协同[10-11]。根据是否存在协调中心，分布式架构又可以分为无协调中心的“去中心化架构”和具有协调中心的“弱中心化架构”。Benders分解算法和交替方向乘子法及其变体[12-13]等分布式算法被广泛应用于分布式架构下综合能源系统的分布式协同调度。云-边协同优化方法作为“弱中心化”分布式优化方法的一种，可以充分尊重每个主体的自主决策权，通过云端与边缘智能体协同决策，来解决多方复杂能源信息的交互问题[14]。文献[15]提出了一种基于边缘计算和一致性算法的综合能源系统分布式协同最优调度策略。针对电、热、气耦合系统的最优调度问题，获得每个单元的最优输出，实现系统的最优运行。文献[16]提出一种电-气IES云-边协同分布式最优调度策略。将集中式IES调度问题合理划分为多个子问题。将云计算中心分别设置在不同的能源网络中，以解决能量流优化子问题，提高了问题的解决效率。文献[17]构建了基于拉格朗日松弛的虚拟电厂云-边协同优化调度框架与模型，实现电动汽车与虚拟电厂的高效协同优化。文献[18]提出了一种结合云-边协同的智能调度策略，旨在提升系统的智能化决策能力。文献[19]考虑分布式光伏不确定性，利用云-边协同技术实现分布式光伏并网点功率预测。文献[20]将IES业务流分解为多个逻辑独立的子业务，结合价格型和激励型需求响应，实现云-边协同需求响应。文献[21]提出了一种考虑功率可调节裕度的云-边协同优化调度模型，在低碳经济运行的同时提高系统的功率可调节裕度。
但在基于云-边协同技术的综合能源系统优化运行问题中，还存在以下几个有待解决的问题：
1）稳定性问题，在采用云-边协同技术实现系统优化的过程中，智能体对环境变化和噪声的敏感性限制了协同优化的性能。
2）训练效率问题，云-边协同网络训练过程中样本数据量大，如何在保证决策准确性的同时提升网络训练效率还有待进一步研究。
3）求解平衡问题，在云-边协同求解的过程中，过于依赖先验知识可能导致模型陷入局部最优，而随机探索又会导致模型收敛困难。
针对以上问题，本文引入联邦迁移学习（Federated Transfer Learning, FTL）理论，提出一种基于卷积注意力模块（Convolutional Block Attention Module, CBAM）、粒子群优化（Particle Swarm Optimization, PSO）算法与双向长短期记忆（Bidirectional Long Short-Term Memory, BiLSTM）网络的智慧园区云-边协同碳排放动态优化方法，主要创新点如下：
1）通过建立仿射函数，设置噪声元，来量化可再生能源出力及负荷响应的不确定性，并将不确定性嵌入目标函数，提升云-边协同求解的稳定性。
2）基于联邦迁移学习理论，建立云-边协同求解网络，实现云-边网络并行训练，加速模型训练过程。在边缘节点设置预测网络与优化网络两个模块，使优化网络能够在稳定的环境中运行，避免了神经网络在新环境下的决策错误问题。
3）将CBAM、PSO算法与BiLSTM模型相结合，利用CBAM的关键特征感知能力，提升BiLSTM模型的训练效率。采用PSO算法帮助神经网络寻优，通过启发式算法引导模型的训练过程，避免了神经网络陷入局部最优与收敛困难的问题。使建立的CBAM-BiLSTM-PSO云-边协同求解网络能够同时实现新能源电源出力预测、多能源负荷预测与低碳调度计划的求解与优化。
在智慧园区数字化和信息化建设中，每个区域的信息化进程是分别开展的，因此各模块均从自身角度出发，对于数据的处理和共享缺乏整体上的协调，不能够实现数据资源的高效充分利用。
联邦迁移学习是一种结合联邦学习与迁移学习的分布式机器学习方法，旨在解决数据孤岛问题并实现跨域知识迁移，能够利用分散在各参与方的数据集，通过融合多方数据信息，协同构建全局模型。模型的参数、结构等信息能够在各参与方之间交换，但训练数据不会离开本地，减轻了计算中心的计算压力。本文基于联邦迁移学习架构的智慧园区动态碳排放优化研究结构如图1所示。
图1 本文研究架构
Fig.1 Research architecture
本文的主要研究内容分为以下两部分：
1）智慧园区动态碳减排模型建立及不确定性嵌入。本文针对园区的源荷协调碳减排问题，引入碳排放流理论，将碳排放从源头折算至用能的多能源负荷节点处，通过需求侧响应分摊系统的碳减排压力。并且考虑到系统中的设备响应不确定性，通过噪声元设置来关联模型输入变量与决策变量间的关系，实现目标函数的不确定性嵌入。
2）云-边协同CBAM-BiLSTM-PSO优化网络建立。为实现园区的动态碳减排计划求解，本文建立了具有源荷曲线预测功能与调度计划求解优化功能的云-边协同计算网络。该网络采用CBAM注意力机制对原始特征数据进行学习，然后分区加权输出，实现关键特征数据的强化；采用能够同时捕捉前向后向时间维度特征的BiLSTM网络对源荷数据进行预测；将PSO算法与神经网络相结合对负荷的响应计划进行优化，求解系统的动态碳减排计划。
为实现园区内的能流、碳流分布动态追踪，以及从源端至荷端的碳排放折算，进而将源荷资源进行统一整合，提升园区的碳减排灵活性，本文基于碳排放流理论，建立了智慧园区动态碳减排模型。本文所述智慧园区综合能源系统能量流如图2所示。
图2 智慧园区能量流
Fig.2 Energy flow of smart park
在园区中，实际碳排放源有外网购电中的燃煤机组、热电联产机组（Combined Heat and Power, CHP）、燃气锅炉、燃气负荷。这些实际碳排放源可以通过能量潮流折算至网络中的每个节点[22]。电网碳排放由电源产生，通过电能流流至储电设备、能源转换设备及负荷节点处。热网碳流由能源转换设备节点处开始，部分流至储热设备、热负荷，部分流回能源转换设备。气网与电、热网不同，碳排放来自燃气转换的瞬间，因此气网中的碳排放由节点的气流率决定。
2.1.1 碳排放源节点碳流模型
1）燃煤机组碳排放流模型
燃煤机组的发电碳排放强度是单位发电量下机组燃煤过程中产生的碳排放量，即
（1）
式中，
为t时段燃煤机组节点输入电网碳流；
为t时段煤消耗量；
为煤的含碳量；
为煤的碳氧化率；44/12为二氧化碳与碳的相对分子质量比；
为t时段燃煤机组输出功率。
2）燃气转换节点碳流模型
（2）
式中，
为t时段第i种能源转换设备所在的燃气节点输入网络的碳排放强度；
为t时段节点天然气消耗量；
为第i种能源转换设备的碳排放因子，根据燃气转换后的能源种类，此碳排放因子取值不同；
为t时段第i种能源转换设备输出功率。
2.1.2 多输出能源转换设备碳流模型
1）热电联产机组
CHP输入燃气，并将燃气转换为电能与热能，其碳流模型可表示为
（3）
式中，
为t时段CHP输入气功率；
、
分别为t时段CHP输出电功率与热功率；
为t时段CHP输入燃气碳流；
、
分别为t时段CHP输出电能与热能碳流；
、
分别为t时段CHP气转电效率和气转热效率。
2）电制氢（Grid to Hydrogen, G2H）设备
G2H设备输入电能，输出氢能与热能，碳流模型为
（4）
式中，
为t时段G2H设备输入电功率；
、
分别为t时段G2H设备输出热功率与氢功率；
为t时段G2H设备输入电能碳流；
、
分别为t时段G2H设备输出热能与氢能碳流；
、
分别为t时段G2H设备电转热效率和电转氢效率。
2.1.3 单输出能源转换设备碳流模型
对于单输入-单输出设备，根据“碳排放量守恒”原则，可以将碳势根据设备能源转换效率进行折算，建立电锅炉（Electric Boiler, EB）、燃气锅炉（Gas Boiler, GB）及氢燃料电池（Hydrogen Cell, HC）的碳流模型为
（5）
式中，
、
分别为t时段电锅炉输入电能碳流与输出热能碳流；
、
分别为t时段燃气锅炉输入燃气碳势与输出电能碳势；
、
分别为t时段氢燃料电池输入氢能碳流与输出电能碳流；
、
、
分别为电锅炉、燃气锅炉及氢燃料电池的能源转换效率。
2.1.4 多能源储能设备碳流模型
在综合能源园区中，考虑储电、储气、储热及储氢四种储能设备。在实际充放能过程中，储能设备随充放电状态的不同，在电源和负荷角色中进行转换。因此，在计算储能设备供能碳排放时，需要同时计算储能设备充能时注入的碳排放量与能量存储过程中的损耗。建立多能源储能碳流模型为
（6）
式中，
为储能设备t时段的碳排放强度；
为储能设备
时段的可用能量；
、
分别为储能设备t时段的充、放能功率。
2.1.5 多能源负荷节点碳流模型
根据前文模型，建立多能源负荷节点碳流模型为
式中，
、
、
分别为t时段电、气、热负荷节点的碳排放强度；
、
分别为t时段光伏、风电输出电功率；
、
分别为t时段电、热储能设备放能功率。
2.2.1 多能源负荷碳交易成本模型
为充分调动负荷侧的碳减排潜力，本文采用阶梯式碳交易机制[23]计算负荷的用能碳排放成本，计算式为
（8）
其中
式中，
为第k种能源负荷的碳交易成本；
为负荷的实际碳交易量；
为阶梯碳交易量区间长度；α为碳交易单价；β为碳交易价格增长率。
2.2.2 云-边优化目标
1）边端目标函数
为调动负荷侧的碳减排潜力，本文依据前文建立的节点碳排放流模型与阶梯式碳交易模型，以负荷碳交易成本最低为边端优化目标，对多能源负荷的用能计划进行统一安排。目标函数为
（9）
2）云端目标函数
为在需求侧响应的基础上，将供给侧的能源转换装置进行统一协调，实现碳减排，本文设置云端目标函数为园区碳排放量最低，目标函数为
（10）
2.2.3 约束条件
1）新能源出力约束
（11）
式中，
、
分别为t时段光伏、风电电源预测出力。
2）能源转换设备运行约束
园区中的能量转换设备需要满足输入功率上、下限约束及爬坡约束，即
（12）
式中，
为t时段第i种能源转换设备的输入功率；
、
分别为第i种能源转换设备的输入功率上、下限；
、
分别为第i种能源转换设备的爬坡功率上、下限。
3）上级网络购能约束
（13）
式中，
、
分别为t时段外网购电及外网购气功率；
、
分别为外网购电及外网购气上限。
4）多能源储能约束
由于各类储能设备具有一定的相似性，因此，本文建立统一的约束模型对多能源储能设备充放能过程进行约束，有
（14）
式中，
、
分别为储能系统的荷能状态上、下限；
为储能系统充电时长；
分别为t时段储能系统充、放电功率上限；
为t时段储能系统荷能状态；
、
分别为储能充、放能效率。
5）园区供需平衡约束
（15）
式中，
、
、
分别为t时段电、气、热负荷用能功率，本文将外购电能认定为燃煤机组供电。
6）需求侧响应约束
对具有时移特性的电负荷，可引导其在用能时间段上进行转移，建立约束使其在一个调度周期内总量保持不变，对于具有一定中断可能的热负荷，约束其中断时长。
（16）
式中，
、
分别为响应后t时段电、热负荷功率；
、
分别为响应前t时段电、热负荷功率；
、
分别为t时段电、热负荷响应变化量；
、
分别为热负荷响应变化量的上、下限。
2.2.4 不确定性目标函数嵌入
在智慧园区的低碳调度过程中，存在可再生能源出力及负荷响应不确定性，基于仿射函数对可再生能源预测出力及负荷响应预测功率不确定性建立量化模型。
1）源荷不确定性模型
建立可再生能源出力不确定性的概率密度函数为
（17）
式中，
为节点处i电源的不确定性概率密度函数；
为节点处i电源的实际出力；
为节点处i电源出力预测误差的标准差；
为节点处i电源实际出力与预期出力之间的误差。
多能源负荷不确定性概率密度函数为
（18）
式中，
为负荷不确定性概率密度函数；
为负荷曲线标准差；
为负荷平均值；
为预期总负荷。
2）噪声元设置
仿射函数通过噪声元的设置可以关联模型输入变量与决策变量之间的关系，量化模型多重变量的不确定性。基于仿射函数的可再生能源出力预测与负荷响应预测功率为
（19）
（20）
式中，
为可再生能源出力仿射函数中心点；
为电、热及电动汽车充电负荷响应功率仿射函数的中心点，
；
、
、
分别为电、热、电动汽车响应功率仿射函数的不确定性噪声元；
和
分别为可再生能源出力与负荷响应功率的偏差值，l=e′, h′, v′；e′、h′、v′分别为电、热及交通网中噪声元；
分别为电、热及交通网中噪声元的总数量；
、
分别为
个电网噪声元影响下的光伏、风电出力功率仿射函数；
、
、
分别为电负荷、热负荷与电动汽车在个噪声元的影响下的响应功率仿射函数。
3）噪声元相关性
仿射函数中的可再生能源出力与负荷响应功率的不确定性是独立的。但能源间存在可替代关系的耦合性，能源之间互相影响，能源之间的不确定性也存在影响。所以能源转换设备、储能设备参数及节点碳排放强度会受到各能源不确定性的影响，其中的关联关系用相同不确定噪声元表示。其仿射函数为
（21）
（22）
式中，
、
分别为多能源储能装置及能源转换装置的决策变量，即输出功率。
4）不确定性目标函数嵌入
基于上文提出的仿射函数模型，本文建立的目标函数可更新为
（23）
式中，
、
分别为目标函数1、2的不确定性权重系数。
为对第2节建立的云-边协同智慧园区碳减排模型进行求解，本文设计了如图3所示的CBAM-BiLSTM-PSO的云-边协同优化网络。
为实现综合能源园区中的多元数据特征提取，本文引入CBAM注意力机制用于提升模型的综合感知能力，使模型能够更多地关注源荷数据中波动较大的部分。为实现可再生能源出力与多能源负荷用能的准确预测，本文采用擅长时间序列数据生成的BiLSTM进行预测，并采用PSO算法配合BiLSTM进行参数寻优。在多能源负荷用能优化与调度计划求解方面，本文同样采用PSO算法配合BiLSTM进行计划生成，但基于网络用途的不同，将PSO算法寻优过程中的适应度函数进行改进，使BiLSTM-PSO网络能够根据上文建立的碳减排目标生成相应的计划。
图3 基于CBAM-BiLSTM-PSO的云-边协同优化网络
Fig.3 Cloud-edge collaborative solving network based on CBAM-BiLSTM-PSO
由图3可以看出，智慧园区运行数据通过卷积网络输入，利用CBAM模块实现特征提取，提取得到的特征数据被输入云-边节点的BiLSTM-PSO网络中。在可再生能源边缘节点仅设置1个BiLSTM-PSO网络，用于实现可再生能源电源出力预测。多能源负荷边缘节点设置2个BiLSTM-PSO网络，分别用于实现负荷用能预测与用能计划优化。云端节点设置1个BiLSTM-PSO网络，用于实现调度计划的迭代求解。模型主要包括特征提取、源荷功率预测、初始调度计划求解、负荷用能计划优化及调度计划优化五部分。
1）在数据特征提取部分，边缘节点分别对光伏、风电出力数据，电、热、气负荷用能数据进行特征提取，并将提取到的特征数据上传云端。云端节点对能源转换设备、储能设备及外网购能数据进行特征提取，接收边缘节点上传的特征数据，并实现云-边特征数据融合。
2）在源荷功率预测部分，边缘节点中的BiLSTM1.1～1.5负责预测数据的生成。在训练过程中，采用PSO算法对BiLSTM1.1～1.5输入源荷功率历史数据进行BiLSTM参数寻优，通过设置预测误差为适应度函数，实现网络最优参数的获取，使BiLSTM1.1～1.5在实际工作流程中能够输出准确的预测数据。在实际工作流程中，BiLSTM1.1～1.5将预测得到的光伏、风电出力数据，以及电、热、气负荷用能数据上传云端节点。
3）在初始调度计划求解部分，云端节点中的BiLSTM3负责初始调度计划的生成。在训练过程中，对BiLSTM3输入云-边融合特征数据及节点碳流计算结果，设置PSO算法适应度函数为云端目标函数，即园区碳排放量最小。训练完成后，BiLSTM3能够输出符合云端目标函数的园区调度计划。在实际工作流程中，BiLSTM3基于边缘节点上传的风光出力及多能源用能预测数据，实现初始调度计划的生成，并将生成的初始调度计划传输至边缘负荷节点。
4）在负荷用能计划优化部分，边缘节点中的BiLSTM2.1～2.3负责多能源负荷用能计划的优化。在训练过程中，对BiLSTM2.1～2.3输入多能源负荷历史用能数据及节点碳流计算结果，设置PSO算法适应度函数为边端目标函数，即负荷碳交易成本最低，使训练完成后的BiLSTM2.1～2.3能够输出低碳目标下的多能源负荷响应功率。在实际工作流程中，BiLSTM2.1～2.3基于BiLSTM1.1～1.5输出的预测数据及BiLSTM3输出的初始调度计划生成优化后的多能源负荷用能计划，并将计划上传云端节点。
5）在调度计划优化部分，BiLSTM3基于边缘负荷节点上传的响应后，负荷数据对初始调度计划进行优化，得到最终的优化调度计划。
在特征数据的分析过程中，并非所有信息都具有相同程度的重要性，尤其是可再生能源的出力波动与多能源负荷的用能波动特征，在数据预测中需要重点分析。
因此，为有选择性地甄别波动较大的数据段，对其特征数据进行重点分析。本文采用CBAM注意力机制实现此过程。CBAM注意力机制主要由通道注意力机制与空间注意力机制两部分组成，如图4所示。
图4 CBAM注意力机制
Fig.4 CBAM attention mechanism
前者通过训练学习各个通道的重要性，对通道特征图的权重进行自适应调整，以此增强模型对不同通道特征的感知能力；后者则通过训练学习每个特征图在不同空间位置的重要性，以自适应地调整对应空间位置的权重，从而提升模型对不同空间位置的感知能力。
基于图3建立的CBAM-BiLSTM-PSO网络可以看出，BiLSTM1.1～1.5负责可再生能源电源出力预测及多能源负荷预测，BiLSTM2.1～2.3负责多能源负荷用能计划优化，BiLSTM3负责调度计划的生成及优化。根据网络用途的不同，本文通过设置不同的PSO算法适应度函数对网络进行训练，使BiLSTM能够生成符合目标要求的数据。
3.3.1 BiLSTM结构
在时间序列数据预测方面，传统长短期记忆（Long Short-Term Memory, LSTM）按照时间顺序单向依次训练各单元，无法充分捕捉数据特征。因此，本文采用能够同时捕捉前向后向时间维度特征的BiLSTM网络对数据的预测精度进行提升[24]。LSTM单元之间的数据流动关系及BiLSTM连接方式如图5所示。
图5 BiLSTM连接方式
Fig.5 BiLSTM coupling means
长短期记忆单元从数据输入开始，LSTM单元的输入为
（25）
式中，
、
分别为节点处i设备在
时输出的预测值和可以采集到的实际值；
为逻辑运行符；
为矩阵加法运算符。
数据输入后，遗忘门对时段各设备出力预测误差进行判断，若误差过大，则选择将此部分遗忘，有
（26）
式中，
、
分别为对应权值矩阵和偏置值；
为遗忘门门控输出向量。
遗忘门工作后，信息流至输入门，输入门工作分为两部分：基于
与
调整输入门控制信号；生成当前时刻记忆信息
。
（27）
式中，
为输入门的门控输出向量；
、
分别为对应权值矩阵与偏置值；
、
分别为
函数对应权值矩阵和偏置值。
此时长期记忆更新为
（28）
最后，输出门通过两步更新，得到最优的设备运行优化方案，表达式为
（29）
式中，
、
分别为输出门权值矩阵与偏置值；
为输出门门控输出向量。
3.3.2 PSO算法寻优原理
PSO算法最早是由R. C. J. Eberhart和J. Kennedy于1995年根据鸟群的觅食行为提出的一种基于种群的随机优化技术[25]。PSO算法流程由一组初始粒子种群开启，在粒子的运动过程中，不断更新个体局部最优解与全局最优解的适应度函数值，通过多次迭代使粒子群逐渐靠近最优解，最终输出最优解集。迭代过程中，各粒子的速度与位置更新可表达为
（30）
式中，m为当前迭代次数；
为粒子q速度；
为粒子q位置；
、
分别为个体局部最优解及全局最优解；
、
为[0, 1]之间的常数；
、
为加速因子；
为惯性权重。
为提升粒子的局部及全局搜索性能，对惯性权重，采用线性微分递减，对加速因子采用两种方式进行线性调整，有
（31）
式中，
分别为惯性权重上、下限；
为迭代次数上限；
、
为加速因子初始值；
、
为加速因子终止值。
3.3.3 BiLSTM-PSO训练及数据生成
根据网络功能，针对负责可再生能源电源出力预测及多能源负荷预测的BiLSTM1.1～1.5，本文采用预测平均绝对百分比误差
最小作为PSO算法的适应度函数，即
（32）
式中，y(d)、Y(d)分别为样本d的预测值、真实值；n为数据样本数。
BiLSTM2.1～2.3负责多能源负荷用能计划优化，BiLSTM3负责调度计划的生成及优化。BiLSTM2.1～2.3与BiLSTM3的适应度函数分别设置为边缘优化目标函数与云端优化目标函数，如式（23）、式（24）所示。基于PSO算法的BiLSTM训练及数据生成流程如图6所示。
图6 PSO-BiLSTM寻优流程
Fig.6 PSO-BiLSTM Model solving process
由图6可以看出，基于PSO算法参数寻优的BiLSTM训练及数据生成分为以下步骤：
1）数据处理
获取智慧园区设备运行数据作为模型输入，为了减少模型不必要的计算负担，需要将数据归一化至[0, 1]区间。将经过滑动窗口取值后的负荷数据按照8:2划分为训练集和测试集。
2）初始化
初始化模型参数，设置LSTM隐藏层神经元个数与学习率的取值范围、搜索范围，确定最大迭代次数与种群数量。对模型参数进行初始化，设置LSTM隐藏层神经元个数，确定迭代终止条件与种群数量。
3）粒子生成
将初始化种群输入BiLSTM训练网络，确定寻优参数及寻优范围。将LSTM的神经元数量、学习率和训练迭代次数m作为参数变量，生成一个种群粒子。
4）最优粒子记录
计算粒子适应度值，根据适应度值确定个体最优值与全局最优值，并记录最优粒子的位置。
5）粒子更新及输出
对粒子的速度和位置进行更新，判断是否达到终止条件。若未达到，则将更新后的粒子输出至BiLSTM网络，训练继续；若达到，则将最优参数输出到BiLSTM网络，寻优完成。
6）数据生成
训练完成后，BiLSTM1.1～1.5生成可再生能源电源出力及多能源负荷预测数据，BiLSTM2.1～2.3生成多能源负荷用能优化计划，BiLSTM3生成初始调度计划及优化调度计划。
为对本文提出的智慧园区协调优化方法的有效性进行验证，本文以某实际运行中的IES为例进行验证，系统能源转换设备参数见表1，多能源储能设备见表2，多能源负荷碳交易参数见表3，源荷不确定性参数见表4。设置外网购电为燃煤机组供电，设置调度周期为24 h，调度步长为1 h。
表1 能源转换设备参数
Tab.1 Energy conversion equipment parameters
设备参数数值 电锅炉额定功率/MW2 产热效率0.94 碳排放系数/[t/(MWh)]0 燃气锅炉额定功率/MW2 产热效率0.95 碳排放系数/[t/(MWh)]0.58 电制氢设备额定功率/MW1.75 产氢效率0.8 碳排放系数/[t/(MWh)]0.58
（续）
设备参数数值 氢燃料电池额定功率/MW0.8 电能转换效率0.56 热电联产机组额定功率/MW发电4 产热3 能源转换效率发电0.64 产热0.84 碳排放系数/[t/(MWh)]发电0.39 产热0.21
表2 多能源储能参数
Tab.2 Multi-energy storage parameters
储能种类充放能功率/MW荷能状态容量/(MWh) 蓄电池-2～20.1～0.93.5 蓄热罐-1.8～1.80.3～0.95.0 储气罐-0.8～0.80.2～0.91.75 储氢罐-0.5～0.50.1～0.90.75
表3 碳交易参数
Tab.3 Carbon trading parameters
能源种类碳交易量区间长度/[kg/(kW·h)]碳交易单价/(元/kg)碳交易价格增长率(%) 电0.320.38425 气0.250.48025 热0.350.30025
表4 不确定性参数
Tab.4 Uncertainty parameters
类别项目概率密度函数值 “源”侧光伏电源0.863 风电电源1.272 储能装置0.265 “荷”侧能源转换设备1.378 电负荷2.655 热负荷1.235 气负荷1.036
4.2.1 数据集预处理
原始数据集中部分数据如图7所示。从图7中可以看出，原始数据集存在部分异常数据，数量级较大，若直接用于模型训练，会对模型预测效果产生不良影响。因此，通过箱线图法检测并修正异常数据，然后对数据进行归一化。同样地，对其他异常数据进行检测与修正，由于异常数较多，此处不再展示。
图7 部分原始数据曲线
Fig.7 Part of original data curves
4.2.2 基于PSO算法的BiLSTM参数寻优
根据3.3节建立的模型，采用PSO算法对BiLSTM网络参数进行寻优，PSO算法参数设置参考文献[26]。BiLSTM中隐藏层层数取值范围为CÎ[1,6]；隐藏层神经元个数取值范围为LÎ[0,550]；学习率取值范围为eÎ[0.05,0.015]，训练次数取值范围为mÎ[1,500]。寻优过程中各参数的变化曲线如图8所示，各边缘节点的适应度函数如图9所示。
图8 BiLSTM参数寻优曲线
Fig.8 BiLSTM parameter optimization curves
图9 适应度函数曲线
Fig.9 Fitness function curves
以BiLSTM1.1网络为例分析网络参数取值对预测精度及效率的影响，展示模型预测误差及训练时长在不同参数下的结果如图10所示。由图10可以看出，隐藏层层数在1～4内变化时，模型的预测误差相差较小，层数增加到4以上后，预测误差逐渐增加。模型的训练时长在隐藏层层数不超过4层时基本保持一致，超过4层后，训练时长显著增加，综合来看隐藏层层数设定为2最优。随着神经元个数的增加，模型预测误差在一定范围内波动，训练时长逐渐增加，综合来看，神经元个数设定为64最优。
图10 不同参数下预测性能曲线
Fig.10 Predicted performance curves under different parameters
4.2.3 预测模型对比分析
为了验证所提预测模型的优越性，设置多个对照组进行对比分析，预测模型设置见表5。
表5 预测模型设置
Tab.5 Forecasting model setting
模型编号预测模型是否考虑不确定性 S1LSTM是 S2BiLSTM是 S3CBAM-BiLSTM否 S4CBAM-BiLSTM是
在此基础上进行源荷数据预测，以10次实验结果的平均值作为最后的预测值，并与实际值对比来进行误差分析。随后从测试集中选取某段数据展示，预测结果曲线如图11所示。
图11 部分预测结果
Fig.11 Part of forecasting result
从图11中可以直观看出，光伏电源、风电电源与电负荷真实值曲线具有较大的波动性，各模型预测曲线走势与真实负荷曲线走势基本一致。
由S1曲线可以看出，单一LSTM模型预测值与实际负荷值拟合效果不佳。整体来讲，S2曲线预测精度优于S1，BiLSTM在波动较小的热、气负荷预测中表现较好，但在波动较大的光伏电源、风电电源与电负荷预测中，对实际数据的波动跟随不够精准，表现逊于S3、S4。对比S2、S3曲线可以看出，引入CBAM注意力机制后，模型对数据波动性的关注度有所提升，在S3中，预测模型对于数据突变的跟随精度明显高于S2，验证了引入CBAM机制的必要性。
模型预测性能对比见表6。为了更加全面地衡量模型预测的准确性，引入方均根误差
与决定系数
两个指标，表达式分别为
（33）
（34）
式中，
为样本的真实平均值。
表6 模型预测性能对比
Tab.6 Forecasting model comparison
参数数值 S1S2S3S4 风电RMSE794.21509.64350.23280.75 MAPE(%)7.685.524.123.08 R2(%)80.1991.8492.3297.52 训练时长/s223556502513 光伏RMSE225.26237.97150.36103.86 MAPE(%)5.433.912.051.89 R2(%)74.5689.2590.8697.47 训练时长/s256582554560 电负荷RMSE451.35413.41205.32125.77 MAPE(%)5.174.472.511.38 R2(%)93.6194.6395.2398.51 训练时长/s235696629623 热负荷RMSE7.165.953.211.41 MAPE(%)3.503.071.080.67 R2(%)91.3293.9395.4498.66 训练时长/s179456411410
（续）
参数数值 S1S2S3S4 气负荷RMSE62.3480.2965.3224.45 MAPE(%)4.954.081.050.93 R2(%)33.9651.6390.3497.52 训练时长/s203497424422
在表4中，通过对比S1、S2、S4可以发现，单一LSTM预测模型在训练时间上比较占优，但显然预测精度受限，而BiLSTM神经网络模型不仅在训练时耗上代价较高，在面对波动性较大的负荷预测时，也会面临预测精度不足的问题。CBAM-BiLSTM引入CBAM对数据进行压缩处理，加强了对特征信息细节的捕捉，在提升预测精度的同时，缩短了训练时长，S1对比S2训练时长缩短了60%，对比S4缩短了56%。
对比S3、S4数据可以看出，考虑不确定性预测数据的各项精度指标均优于不考虑不确定性情况下的数据，且两种方案下的训练时长相差不大。综合来看，采用本文提出的考虑不确定性的CBAM-BiLSTM网络进行预测，相较于LSTM、BiLSTM及不考虑不确定性的CBAM-BiLSTM网络，预测精度分别提升了约68%、50%及36%。
4.3.1 不确定性分析
在云-边协同碳排放优化调度过程中，本文通过设置噪声元的方式将源荷不确定性进行了量化，建立了嵌入不确定性的优化目标函数。以云端为例对园区不确定性进行分析，采用文献[27]中的运行成本及风险成本公式对不确定性进行量化，如图12所示。
图12 不确定性量化
Fig.12 Uncertainty quantification
由图12可知，当不考虑不确定性，即噪声权重取值为0时，园区运行成本与风险成本均取最低值。当噪声权重从0增加到0.1时，由于不确定性扰动的突然加入，风险成本提升至最高，运行成本降低至最低。之后，随着噪声权重的不断增加，运行成本缓慢升高，风险成本缓慢降低，符合综合能源系统中的风险成本变化规律，同时也验证了前文建立的仿射函数模型对于源荷不确定性的改善作用。
4.3.2 云-边协同优化结果分析
为验证本文提出的云-边协同智慧综合能源园区低碳经济协调算法的有效性及优越性，在智慧园区预测样本集的基础上，将碳排放优化前与优化后调度计划进行对比。优化前园区调度计划如图13所示，优化前负荷节点碳排放强度如图14所示。由图13可知，本文建立的云-边协同求解网络能够根据光伏、风电出力曲线及负荷用能预测曲线，对IES中的其他能源转换设备运行计划进行安排。由图14可知，在同一时段的IES中，各种能源负荷的用能碳排放强度不同。电负荷的碳排放主要来自于外网购电，因此电负荷节点碳排放曲线在日间新能源出力较多的9:00—16:00为低谷。热负荷碳排放主要由GB与CHP产生，因此可以看出热负荷碳排放强度曲线随着两种能源转换设备的出力功率的改变而改变。
图13 优化前园区调度计划
Fig.13 Energy plan before optimization
图14 优化前负荷节点碳排放强度
Fig.14 Node carbon intensity before optimization
在此基础上，IES中的负荷节点根据用能碳排放对自身用能计划进行优化，边缘节点负荷响应量随迭代次数增加的变化曲线如图15所示，优化前后的多能源负荷曲线对比如图16所示，优化后园区调度计划如图17所示。
图15 负荷节点迭代响应曲线
Fig.15 Load node response curves
图16 多能源负荷优化前后对比
Fig.16 Comparison of multi-energy load before and after optimization
由图15、图16可知，考虑用能碳排放后，园区中的多能源负荷都根据自身目标做出了调整，在碳排放较高的4:00—8:00时段及18:00—21:00时段，电负荷有所降低，转移了一部分至碳排放较低的10:00—14:00时段。配合电负荷的变化，IES中的能源转换设备及外网购电计划也发生了变化，在0:00—5:00时段，外网购电明显减少。储电设备及G2H设备在碳排放较低时用电增加，在碳排放较高时放电增加，充分发挥了碳减排潜力。在热能供需层面，热负荷曲线同样根据碳排放做出了调整，优化后GB在碳排放较高的11:00—24:00时段出力有所减少，部分转移至3:00—10:00时段，其余部分由储热设备及其他能源转换设备填补。储热设备在碳排放较低的7:00—10:00时段增大充电功率，并在碳排放较高时放出。
图17 优化后园区调度计划
Fig.17 Energy plan after optimization
优化前后的园区碳排放对比如图18所示。由图18可知，不考虑园区中多能源负荷的配合会限制园区碳减排。采用本文提出的协调优化算法进行优化协调后，碳排放量降低了8%，验证了本文提出的方法在IES低碳运行层面的有效性。
图18 园区碳排放对比
Fig.18 Comparison of carbon emission
为验证本文提出的基于联邦迁移学习的PSO-BiLSTM网络求解的优越性，将本文建立的求解网络与传统集中式求解网络和基于边缘计算的分布式求解网络进行对比。在算法方面，集中式求解采用混合整数规划算法[28]与柔性动作-评价算法[29]进行求解，分布式求解采用交替方向乘子法[30]。
为分析本文提出方法在不同园区规模下的求解性能，对IEEE 33节点系统进行改进，将4.1节采用的IES嵌入系统作为IES1，系统拓扑如图19所示。场景对比见表7，IES2、IES3新能源出力与负荷需求如图20、图21所示，网络优化结果见表8。
图19 改进后的IEEE 33系统
Fig.19 Improved IEEE 33 system
表7 优化模型设置
Tab.7 Optimization models setting
模型编号求解方案网络模型园区类型 S5集中求解混合整数规划单个IES S6集中求解柔性动作-评价算法单个IES S7分布式求解交替方向乘子法单个IES S8云-边协同PSO-BiLSTM单个IES S9云-边协同PSO-BiLSTM改进后的IEEE 33系统
图20 IES2、IES3新能源出力
Fig.20 Sustainable energy output of IES2 and IES3
图21 IES2、IES3多能源负荷
Fig.21 Multi-energy load of IES2 and IES3
表8 优化求解对比
Tab.8 Optimizational solving comparison
模型编号园区园区碳排放量/kg负荷碳排放成本/元训练收敛时长/s 电负荷热负荷气负荷 S5IES150 95019 95112 8015 717226 S6IES147 70918 72413 2935 902737 S7IES149 87817 70912 8065 798906 S8IES146 76517 94012 8905 608503 S9IES147 76017 53613 0905 665605 IES246 76018 00013 0665 750640 IES348 76517 98912 8885 620753
由表8可知，S5模型的求解效率最高，但对于目标函数的优化效果不佳。S6模型的云-边目标函数优化效果较好，仅次于本文提出的S8模型。S7模型求解得到的云端目标优化效果稍显逊色，这是由于分布式计算使得云-边目标具有相同的重要性，因此无法实现网络整体碳排放量的最优化。在云端目标函数的优化方面，本文提出的S8模型相较于S5、S6、S7分别提升了8.2%、2.0%及6.2%。
在模型训练时长方面，采用简单的混合整数规划算法所需时间最短，本文提出的PSO-BiLSTM方法其次。本文算法相较于采用集中求解的柔性动作-评价算法，训练时长缩短了32%，相较于分布式求解的ADMM-BiLSTM算法，训练时长缩短了44%。这是因为本文提出的求解方法将多能源负荷优化设置在边缘节点处，并且基于迁移学习理论将训练结果上传云端节点，这样既减轻了云端的海量数据处理负担，也避免了分布式求解中各节点迭代次数增加导致的训练时长延长。
由S9与S8的对比可知，在较大规模的园区中，PSO-BiLSTM网络仍然能够保持较好的求解性能，对于IES1中各目标函数的求解效果仍然优于S5～S7。但在训练时长方面，由于迭代范围增大，大规模园区求解时长会不可避免地高于单个IES。
本文针对智慧综合能源园区的低碳运行问题，建立了以云-边协同信息交互架构为基础的智慧园区低碳经济调度模型，采用CBAM-BiLSTM-PSO网络进行了云-边协同优化求解，并以实际IES为算例对文章提出的方法进行了仿真验证，结论如下：
1）采用本文建立的CBAM-BiLSTM-PSO网络能够根据设备的历史运行数据进行特征提取，可以对联合特征进行加权和降维处理。与其他两种方法相比，本文模型有效地提高了预测模型训练效率和模型预测的准确度，明显改善了传统单一模型和组合方法的预测性能。
2）采用本文提出的优化方法对IES中的能源供需平衡进行优化后，智慧园区的碳减排需求由源侧与荷侧共同承担，减轻了系统调节压力，相较于单一云计算与分布式计算具有更佳的优化效果和更短的训练时间，且优化后园区碳排放量降低8%，验证了本文提出的方法在IES低碳运行层面的有效性和优越性。
综上所述，本文提出的基于云-边协同求解的智慧综合能源园区多能协调碳排放优化模型能够基于迁移学习理念实现综合能源园区的动态碳减排。然而，在实际应用场景中，还有一些尚未考虑到的问题，有待进一步研究：
1）本文提出的碳减排优化网络具有计算业务密集、对数据传输延迟的敏感性高的特点。而由于电力终端设备的工作性质，通常只具有有限的算力与能源储备。因此，如何选择合适的终端设备才能够实现本文提出的动态碳减排优化，是实际应用中存在的一个技术性难题。
2）为方便研究，本文在建立边缘节点优化目标时未考虑许多复杂的负荷管理需求，如热力系统中需要考虑的人体舒适度指标等。因此，未来如何在碳减排的同时实现负荷的精细化管理还有待研究。
3）在电力系统拓扑结构日益发展、系统中决策主体类型不断增加的背景下，如何有针对性地建立不同主体的边缘计算模型，使本文提出的碳减排优化网络能够参与电力系统的多层级调度也是未来研究的方向之一。
参考文献
[1] 张献, 丁可浩, 赵黎媛, 等. 计及电动汽车混合充电系统接入的综合能源系统鲁棒优化调度[J]. 电工技术学报, 2025, 40(14): 4446-4459.
Zhang Xian, Ding Kehao, Zhao Liyuan, et al. Robust optimal scheduling of integrated energy system considering electric vehicle hybrid charging system [J]. Transactions of China Electrotechnical Society, 2025, 40(14): 4446-4459.
[2] 李鹏, 刘浩, 李雨薇. 考虑两阶段碳交易的多园区综合能源微网混合博弈优化运行方法[J]. 电工技术学报, 2025, 40(15): 4788-4803.
Li Peng, Liu Hao, Li Yuwei. Multi-park integrated energy microgrids hybrid game optimization strategy considering two-stage carbon trading[J]. Transactions of China Electrotechnical Society, 2025, 40(15): 4788-4803.
[3] 张薇, 王浚宇, 杨茂, 等. 基于分布式双层强化学习的区域综合能源系统多时间尺度优化调度[J]. 电工技术学报, 2025, 40(11): 3529-3544.
Zhang Wei, Wang Junyu, Yang Mao, et al. The multi-time-scale optimal scheduling for regional integrated energy system based on the distributed bi-layer reinforcement learning[J]. Transactions of China Electrotechnical Society, 2025, 40(11): 3529-3544.
[4] 吴孟雪, 房方. 计及风光不确定性的电-热-氢综合能源系统分布鲁棒优化[J]. 电工技术学报, 2023, 38(13): 3473-3485.
Wu Mengxue, Fang Fang. Distributionally robust optimization of electricity-heat-hydrogen integrated energy system with wind and solar uncertainties[J]. Transactions of China Electrotechnical Society, 2023, 38(13): 3473-3485.
[5] 贠韫韵, 张大海, 王小君, 等. 考虑光热电站及富氧燃烧捕集技术的电热气综合能源系统低碳运行优化[J]. 电工技术学报, 2023, 38(24): 6709-6726.
Yun Yunyun, Zhang Dahai, Wang Xiaojun, et al. Low-carbon operational optimization of integrated electricity-heat-gas energy system considering concentrating solar power plant and oxygen-enriched combustion capture technology[J]. Transactions of China Electro-technical Society, 2023, 38(24): 6709-6726.
[6] 潘超, 范宫博, 王锦鹏, 等. 灵活性资源参与的电热综合能源系统低碳优化[J]. 电工技术学报, 2023, 38(6): 1633-1647.
Pan Chao, Fan Gongbo, Wang Jinpeng, et al. Low-carbon optimization of electric and heating integrated energy system with flexible resource participation[J]. Transactions of China Electrotechnical Society, 2023, 38(6): 1633-1647.
[7] 刘晓军, 熊健, 王艺博, 等. 考虑不确定变量变分模态分解及绿证-碳联合交易的综合能源系统经济优化调度[J]. 电工技术学报, 2025, 40(13): 4276-4291.
Liu Xiaojun, Xiong Jian, Wang Yibo, et al. Economic optimization of integrated energy system scheduling considering uncertainty variables variational mode decomposition and green certificate-carbon joint trading[J]. Transactions of China Electrotechnical Society, 2025, 40(13): 4276-4291.
[8] 王杰, 贾宏杰, 靳小龙, 等. 基于电-氢-热P2P交易的分布式智能电网低碳优化运行方法[J]. 电力系统自动化, 2025, 49(9): 40-51.
Wang Jie, Jia Hongjie, Jin Xiaolong, et al. Low-carbon operation optimization method for distributed smart grid based on electricity-hydrogen-heat peer-to-peer trading[J]. Automation of Electric Power Systems, 2025, 49(9): 40-51.
[9] 万屹, 侯慧, 戈翔迪, 等. 考虑碳排放多级利用的综合能源系统两阶段混合博弈共赢策略[J]. 电力系统自动化, 2025, 49(5): 69-79.
Wan Yi, Hou Hui, Ge Xiangdi, et al. Two-stage mixed-game win-win strategy for integrated energy system considering multi-stage utilization of carbon emission[J]. Automation of Electric Power Systems, 2025, 49(5): 69-79.
[10] 孙毅, 鲍荟谕, 郑顺林, 等. 基于数据分解与知识蒸馏的多能负荷与碳排放联合预测模型[J]. 中国电机工程学报, 2025, 45(20): 7997-8011.
Sun Yi, Bao Huiyu, Zheng Shunlin, et al. Multi-energy load and carbon emission prediction model based on data decomposition and knowledge distillation[J]. Proceedings of the CSEE, 2025, 45(20): 7997-8011.
[11] 杨畅, 李正烁, 薛屹洵, 等. 基于双步投影算法的多区域互联电热综合能源系统的三层分布式可信分布鲁棒优化调度[J]. 中国电机工程学报, 2025, 45(6): 2097-2110.
Yang Chang, Li Zhengshuo, Xue Yixun, et al. Trilevel distributed credible distributionally robust optimization of multi-area integrated electricity and heat systems based on two-step projection algorithm[J]. Proceedings of the CSEE, 2025, 45(6): 2097-2110.
[12] 张雨曼, 刘学智, 严正, 等. 光伏-储能-热电联产综合能源系统分解协调优化运行研究撤回[J]. 电工技术学报, 2020, 35(11): 2372-2386.
Zhang Yuman, Liu Xuezhi, Yan Zheng, et al. Decomposition-coordination based optimization for PV-BESS-CHP integrated energy systems[J]. Transactions of China Electrotechnical Society, 2020, 35(11): 2372-2386.
[13] 罗清局, 朱继忠. 基于改进交替方向乘子法的电-气综合能源系统优化调度[J]. 电工技术学报, 2024, 39(9): 2797-2809.
Luo Qingju, Zhu Jizhong. Optimal dispatch of integrated electricity and gas system based on modified alternating direction method of multipliers [J]. Transactions of China Electrotechnical Society, 2024, 39(9): 2797-2809.
[14] Wang Xiaokang, Yang L T, Xie Xia, et al. A cloud-edge computing framework for cyber-physical-social services[J]. IEEE Communications Magazine, 2017, 55(11): 80-85.
[15] Yang Jun, Sun Fengyuan, Wang Haitao. Distributed collaborative optimal economic dispatch of integrated energy system based on edge computing[J]. Energy, 2023, 284: 129194.
[16] Zhu Xu, Yang Jun, Zhan Xiangpeng, et al. Cloud-edge collaborative distributed optimal dispatching strategy for an electric-gas integrated energy system considering carbon emission reductions[J]. International Journal of Electrical Power & Energy Systems, 2022, 143: 108458.
[17] 胡安妮, 张天策, 李庚银, 等. 考虑电动汽车参数一致性的虚拟电厂云-边协同调度方法[J]. 电力系统自动化, 2025, 49(20): 113-124.
Hu Anni, Zhang Tiance, Li Gengyin, et al. Cloud-edge collaborative scheduling method for virtual power plants considering consistency of electric vehicle parameters[J]. Automation of Electric Power Systems, 2025, 49(20): 113-124.
[18] 康伦, 向海燕, 余平, 等. 基于云-边协同技术的综合能源系统优化调度方法研究[J]. 电力设备管理, 2025(1): 232-234.
Kang Lun, Xiang Haiyan, Yu Ping, et al. Research on optimal scheduling method of integrated energy system based on cloud-edge collaboration technology [J]. Electric Power Equipment Management, 2025(1): 232-234.
[19] 苏建平, 王培尧, 冯坤, 等. 基于云-边协同的分布式光伏超短期功率预测方法[J]. 中国新技术新产品, 2025(1): 7-9.
Su Jianping, Wang Peiyao, Feng Kun, et al. Ultra-short-term power prediction method of distributed photovoltaic based on cloud edge collaboration[J]. New Technology & New Products of China, 2025(1): 7-9.
[20] 郑悦. 基于云-边资源协同的智能配电网优化运营策略研究[J]. 自动化与仪器仪表, 2024(12): 276-280.
Zheng Yue. Optimization and operation strategy of intelligent distribution network based on cloud edge resource collaboration[J]. Automation & Instrumentation, 2024(12): 276-280.
[21] 李志颖, 王鸿, 王致杰. 考虑功率可调节裕度的综合能源系统云-边协同优化[J]. 上海电机学院学报, 2024, 27(3): 125-130.
Li Zhiying, Wang Hong, Wang Zhijie. Cloud-edge collaborative optimization of integrated energy system considering power adjustable margin[J]. Journal of Shanghai Dianji University, 2024, 27(3): 125-130.
[22] 陈厚合, 茅文玲, 张儒峰, 等. 基于碳排放流理论的电力系统源-荷协调低碳优化调度[J]. 电力系统保护与控制, 2021, 49(10): 1-11.
Chen Houhe, Mao Wenling, Zhang Rufeng, et al. Low-carbon optimal scheduling of a power system source-load considering coordination based on carbon emission flow theory[J]. Power System Protection and Control, 2021, 49(10): 1-11.
[23] 邱彬, 宋绍鑫, 王凯, 等. 计及需求响应和阶梯型碳交易机制的区域综合能源系统优化运行[J]. 电力系统及其自动化学报, 2022, 34(5): 87-95, 101.
Qiu Bin, Song Shaoxin, Wang Kai, et al. Optimal operation of regional integrated energy system considering demand response and ladder-type carbon trading mechanism[J]. Proceedings of the CSU-EPSA, 2022, 34(5): 87-95, 101.
[24] Asghar R, Quercio M, Sabino L, et al. A novel dual-stream attention-based hybrid network for solar power forecasting[J]. IEEE Access, 2025, 13: 59596-59609.
[25] Xu Peilong, Lan Dan, Yang Haolin, et al. Ship formation and route optimization design based on improved PSO and D-P algorithm[J]. IEEE Access, 2025, 13: 15529-15546.
[26] 刘可真, 苟家萁, 骆钊, 等. 基于粒子群优化–长短期记忆网络模型的变压器油中溶解气体浓度预测方法[J]. 电网技术, 2020, 44(7): 2778-2785.
Liu Kezhen, Gou Jiaqi, Luo Zhao, et al. Prediction of dissolved gas concentration in transformer oil based on PSO-LSTM model[J]. Power System Technology, 2020, 44(7): 2778-2785.
[27] Bao Huiyu, Sun Yi, Peng Jie, et al. Collaborative forecasting management model for multi-energy microgrid considering load response characterization [J]. IET Renewable Power Generation, 2024, 18(14): 2360-2380.
[28] 张儒峰, 姜涛, 李国庆, 等. 考虑电转气消纳风电的电-气综合能源系统双层优化调度[J]. 中国电机工程学报, 2018, 38(19): 5668-5678, 5924.
Zhang Rufeng, Jiang Tao, Li Guoqing, et al. Bi-level optimization dispatch of integrated electricity-natural gas systems considering P2G for wind power accommodation[J]. Proceedings of the CSEE, 2018, 38(19): 5668-5678, 5924.
[29] 罗文健, 张靖, 何宇, 等. 基于优势柔性策略-评价算法和迁移学习的区域综合能源系统优化调度[J]. 电网技术, 2023, 47(4): 1601-1615.
Luo Wenjian, Zhang Jing, He Yu, et al. Optimal scheduling of regional integrated energy system based on advantage learning soft actor-critic algorithm and transfer learning[J]. Power System Technology, 2023, 47(4): 1601-1615.
[30] 瞿小斌, 文云峰, 叶希, 等. 基于串行和并行ADMM算法的电-气能量流分布式协同优化[J]. 电力系统自动化, 2017, 41(4): 12-19.
Abstract This paper proposed a multi-energy coordinated carbon emission optimization method for smart integrated energy parks based on cloud-edge collaborative solution to address the issue of difficulty in achieving low-carbon operation within the park due to the distribution of information technology processes.
Qu Xiaobin, Wen Yunfeng, Ye Xi, et al. Distributed optimization of electric-gas integrated energy flow using serial and parallel iterative modes for alternating direction method of multipliers[J]. Automation of Electric Power Systems, 2017, 41(4): 12-19.
Firstly, a dynamic carbon reduction model for cloud-edge collaboration in smart parks is established based on carbon emission flow theory, taking the uncertainty of equipment response in the system into account. By establishing affine functions and setting noise elements, the uncertainty of renewable energy output and load response can be quantified, and the uncertainty can be embedded into the objective function to improve the stability of cloud edge collaborative solution.
Then, to dynamically solve the carbon reduction plan for smart parks, this paper establishes a cloud-edge collaborative solution network based on federated transfer learning theory, realizes parallel training of the cloud edge network, and accelerates the model training process. By combining the convolutional block attention module (CBAM) mechanism, particle swarm optimization (PSO) algorithm, and bidirectional long short-term memory (BiLSTM) model, and utilizing the key feature perception ability of CBAM, the training efficiency of BiLSTM model can be improved. The PSO algorithm is used to assist the neural network in optimization, and the training process of the model is guided by heuristic algorithms, avoiding the problem of the neural network getting stuck in local optima and convergence difficulties. Enable the established CBAM-BiLSTM-PSO cloud-edge collaborative solution network to simultaneously achieve new energy power output prediction, multi-energy load prediction, and the solution and optimization of low-carbon scheduling plans.
During the operation of the CBAM-BiLSTM-PSO cloud-edge collaborative solution network, the operation data of the smart park is input through a convolutional network, and feature extraction is achieved through the CBAM module. The extracted feature data is input into the BiLSTM-PSO network of the cloud and edge nodes. Only one BiLSTM-PSO network is set up at the edge nodes of renewable energy to achieve renewable energy power output prediction. Two BiLSTM-PSO networks are set up at the edge nodes of multi-energy loads to achieve load energy consumption plan prediction and optimization, respectively. Set up one BiLSTM-PSO network in the cloud node to achieve iterative solution of scheduling plans. The model mainly includes five parts: feature extraction, source load power prediction, initial scheduling plan solving, load energy consumption plan optimization, and scheduling plan optimization.
Finally, the effectiveness of the method proposed in this paper is verified by taking the actual integrated energy system as an example. The results show that the CBAM-BiLSTM-PSO network established in this paper effectively improves the training efficiency of the prediction model and the accuracy of model prediction, and significantly improves the prediction performance of the traditional single model and combination methods. Moreover, after optimization, the carbon emission reduction demand of the park is jointly borne by the source side and the load side, reducing the system regulation pressure. Compared with single cloud computing and distributed computing, it has better optimization effect and shorter training time. Moreover, the carbon emissions of the park are reduced by 8% after optimization, which verifies the effectiveness and superiority of the proposed method in the low-carbon operation of IES.
keywords：Smart park, integrated energy system (IES), bidirectional long short-term memory (BiLSTM), dynamic carbon reduction, hybrid neural network
中图分类号：TM732
DOI: 10.19595/j.cnki.1000-6753.tces.250802
智能电网国家科技重大专项资助项目（高压直挂构网型储能优化配置与融合调度控制关键技术（2024ZD0800200））。
收稿日期2025-05-13
改稿日期2025-07-28
程嵩晴 女，1999年生，博士研究生，研究方向为综合能源系统与交通网络耦合，智慧能源系统方向。
滕 云 男，1973年生，教授，博士生导师，研究方向为可再生能源发电、多能源系统运行优化、新型电力系统等。
E-mail：tengyun@sut.edu.cn（通信作者）
（编辑 赫 蕾）