21世纪以来,随着科技和经济的快速发展,能源工业已发生了翻天覆地的变化。化石能源的逐渐枯竭,可再生能源的蓬勃发展,环境污染问题的日益凸显,提高对多种类型能源的综合利用效率、降低污染物的排放已成为我国构建清洁、低碳、安全、高效的现代能源体系所需要解决的关键问题。然而,传统的电力系统、热力系统和天然气系统是单独规划、单独设计和独立运行的,这种方式忽略了不同能源类型之间的耦合关系,极大地限制了能源系统的灵活性。在此背景下,综合能源系统应运而生,区域型综合能源系统作为能源互联网与泛在电力物联网的重要组成单元,综合运用先进的电力电子技术、信息技术和智能管理技术,涵盖了供电、供热和供气等能源系统,在源、网、荷等环节实现了不同类型能源的耦合,具有运行方式灵活、低碳高效、可再生能源消纳率高等优点,受到人们的高度重视。本文以区域型综合能源系统为研究主体,针对区域型综合能源系统的相关标准,供能侧与用能侧的预测技术、电-热-气多能流计算方法、区域型综合能源系统优化调度方法等方面展开研究。针对于供能侧与用能侧的预测技术,精确的能源需求预测将成为综合能源系统经济调度和优化运行中重要的一环。本文以分布式光伏功率预测为例,提出一种特征筛选与深度学习的光伏短期功率预测方法,基于随机森林中各分叉的增益情况对特征进行筛选,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程。并利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性。针对于用能侧的预测技术。本文提出了基于深度结构多任务学习的短期电、热、气负荷联合预测方法。介绍了底层深度置信网络和顶层多任务回归的深度模型结构,其中深度置信网络作为无监督学习方法提取了抽象高级特征,多任务回归层作为有监督学习方法输出预测结果。其次建立含离线训练和在线预测的多元负荷预测系统,提出验证模型预测精度的指标。采用某综合能源系统的实际负荷数据对算法的有效性进行了验证。针对电力系统短期负荷预测问题,机器学习、人工智能领域的技术进步为提高负荷预测精度提供了有效途径,本文提出一种基于多模型融合Stacking集成学习方式的负荷预测方法。阐述了基于Stacking的集成学习机理,介绍了以树模型构造的XGBoost算法和长短记忆网络为代表的深度学习算法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的Stacking集成学习的负荷预测模型。使用ENTSO中瑞士负荷数据对算法有效性进行了验证,算例表明XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析。Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好。与传统单模型预测相比,基于多模型融合的Stacking集成学习方式的负荷预测方法有着较高的预测精度。针对电力系统连续多日负荷预测问题,连续多天的日高峰负荷的预判往往对电网的优化运行与安全稳定起到重要作用。本文深入分析了统计学习类算法的误差分布,提出一种基于串-并行集成学习的连续多日高峰负荷预测方法。介绍了统计学习类算法的泛化误差的分解情况,阐述了 XGBoost串行集成算法与Bagging并行集成学习的训练机理,分析了粒子群算法的基本原理。在综合考量模型偏差与方差分布的基础上,提出Bagging框架下基于XGBoost算法的负荷预测模型,并采用粒子群算法交叉验证XGBoost模型最优超参数。使用EUNITE竞赛数据对算法有效性进行了验证,算例表明XGBoost模型对特征贡献度的量化分析有效的辅助了特征选择的过程,粒子群算法缩短了 XGBoost超参数寻优的时间。与传统模型相比,基学习器为树模型的Bagging-XGBoost算法有着较高的预测精度。针对于多能流计算问题,本文提出了一种适用于含电、热、气的综合能源系统的扩展牛顿-拉夫逊多能流计算方法。分别建立了区域综合能源系统中电力、热力和天然气网络的能量流模型。针对现有方法对含压缩机的天然气网络建模的繁冗性问题,提出了改进的实用化处理方法。在此基础上,构建了区域综合能源系统中多能流计算模型,考虑其中电力子系统并网和孤岛两种运行方式,推导并得出了反映多能源耦合关系的雅可比矩阵,验证了该方法在不同运行场景下对多能流进行计算和互动特性分析的有效性。针对于区域综合能源系统优化调度问题,本文考虑各子区域由不同的能源供应商负责运营的实际场景,首先提出了一种含多个能源集线器的综合能源系统基本框架,分析了不同主体的运行特性和运行约束,并引入了交替方向乘子法,构建了计及C02排放水平的综合能源系统分布式日前低碳经济调度模型。并运用实际数据进行仿真,从各个子区域能源集线器的供能注入功率和储能设备调度结果、低碳减排经济性惩罚对系统的作用以及分布式算法的有效性3个方面进行分析,验证了所提模型和求解方法的实用性和准确性。