李玉凱，韓佳兵，王 全，楊 蒙，趙 鈞，李 鑫，李新利

(1.北京科東電力控制系統(tǒng)有限責(zé)任公司，北京 100085；2.華北電力大學(xué) 控制與計算機工程學(xué)院，北京 102206)

0 引 言

綜合能源系統(tǒng)概念的提出，為實現(xiàn)低碳環(huán)保和能源可持續(xù)發(fā)展提供了新方向[1]。以冷熱電聯(lián)供系統(tǒng)為核心，“源-網(wǎng)-荷”各環(huán)節(jié)協(xié)同為主要特征的區(qū)域綜合能源系統(tǒng)(Community integrated energy system，CIES)日益成為研究熱點[2]。綜合能源系統(tǒng)中，用戶對冷熱電負荷的需求及用能偏好各有不同，因此研究多種負荷準確預(yù)測，實現(xiàn)兼顧經(jīng)濟效益和用戶滿意的綜合能源系統(tǒng)調(diào)度方法具有重要意義。

綜合能源系統(tǒng)的負荷預(yù)測是進行系統(tǒng)優(yōu)化調(diào)度的關(guān)鍵前提，負荷預(yù)測的準確性影響著負荷調(diào)度的可靠性和經(jīng)濟性。目前負荷預(yù)測算法主要分成兩大類，一是傳統(tǒng)方法，包括移動平均預(yù)測法、指數(shù)平滑法、自回歸整合移動平均模型(Autoregressive Integrated Moving Average，ARIMA)、自回歸滑動平均模型等等，其中ARIMA模型廣泛應(yīng)用于能源系統(tǒng)負荷預(yù)測[3]；二是基于機器學(xué)習(xí)的負荷預(yù)測，包括極限梯度提升[4]、長短期記憶網(wǎng)絡(luò)[5](Long Short-Term Memory，LSTM)、時間卷積網(wǎng)絡(luò)[6](Temporal Convolutional Network，TCN)等，但基于神經(jīng)網(wǎng)絡(luò)算法的機器學(xué)習(xí)訓(xùn)練速度較慢，對長序列預(yù)測準確度不高。近幾年Facebook公司提出了Fbprophet算法，有效針對預(yù)測序列的波動問題進行時間序列預(yù)測，在電力需求預(yù)測上展現(xiàn)較強的優(yōu)越性[7]。

基于不同的優(yōu)化目標和運行準則，許多學(xué)者對綜合能源系統(tǒng)的調(diào)度方法進行了大量研究[8-10]。文獻[11-13]在考慮經(jīng)濟性基礎(chǔ)上，增加環(huán)保等多方面因素建立多目標優(yōu)化模型，對包含“源網(wǎng)荷儲”的綜合能源系統(tǒng)運行和設(shè)備出力進行優(yōu)化。文獻[14]研究了能源微網(wǎng)中各種不確定因素的影響，通過量化評價指標，提出包含多類型設(shè)備模型和系統(tǒng)模型的雙層日前-日內(nèi)調(diào)度優(yōu)化策略。上述研究主要針對供能側(cè)進行優(yōu)化，較少考慮負荷側(cè)自主性對綜合能源系統(tǒng)優(yōu)化運行的影響。文獻[15]介紹了需求響應(yīng)的概念、框架和模型，并對需求響應(yīng)的運行與求解進行了評價。有學(xué)者在此基礎(chǔ)上考慮負荷側(cè)需求響應(yīng)的綜合能源系統(tǒng)的優(yōu)化調(diào)度方法[16，17]，研究用戶側(cè)不同用電特性負荷的隨機性，探索可平移負荷對綜合能源系統(tǒng)優(yōu)化調(diào)度結(jié)果的影響，根據(jù)區(qū)間可能度提出了非線性冷熱電聯(lián)供系統(tǒng)負荷區(qū)間優(yōu)化調(diào)度模型[18-21]。文獻[22]加入用戶側(cè)舒適度，以經(jīng)濟型和用戶滿意度為目標，對微電網(wǎng)日前調(diào)度進行多目標優(yōu)化研究。上述研究考慮了用戶側(cè)的需求并進行相應(yīng)的優(yōu)化，較少兼顧用戶滿意度和綜合能源系統(tǒng)供能側(cè)中冷熱電能源供應(yīng)優(yōu)先級的關(guān)系。

文章提出了一種基于Fbprophet算法的多元負荷預(yù)測與考慮用戶滿意度約束的綜合能源負荷供能優(yōu)先調(diào)度模型。首先通過Fbprophet預(yù)測算法對冷、熱、電三種負荷進行預(yù)測，然后構(gòu)建用戶滿意度二次效用函數(shù)，將用戶滿意程度融入能源服務(wù)商的評價指標，通過負荷區(qū)間的形式對綜合能源多能供應(yīng)進行優(yōu)化，實現(xiàn)供能優(yōu)先級在負荷區(qū)間上利潤最大化；最后設(shè)計了綜合能源系統(tǒng)優(yōu)化調(diào)度模型和計及用戶滿意度的供能優(yōu)先級模型，并基于自適應(yīng)粒子群算法進行模型優(yōu)化求解。在調(diào)度過程中，引入用戶滿意度函數(shù)對整個優(yōu)化調(diào)度過程進行約束，確保在供能負荷優(yōu)先的調(diào)度中，用戶仍然有較好的使用體驗與滿意程度。

1 基于Fbprophet算法的風(fēng)光負荷預(yù)測

1.1 Fbprophet 算法

Fbprophet[7]預(yù)測算法是Facebook在2017年提出的一種新型算法。該算法在負荷預(yù)測過程中，利用數(shù)據(jù)的周期性、季節(jié)性、節(jié)假日性等特點，可實現(xiàn)用戶的多元負荷預(yù)測。它不僅可以處理時間序列數(shù)據(jù)中含有一定異常值的情形，也可以應(yīng)對數(shù)據(jù)中有缺失值的狀況。Fbprophet算法的實現(xiàn)主要是基于時間序列分解和機器學(xué)習(xí)的擬合。

Fbprophet算法在時間序列分解中分為以下4部分：

y(t)=g(t)+s(t)+h(t)+εt

(1)

式中：g(t)為趨勢項，表示時間序列在非周期上的變化趨勢；s(t)為周期項，通常以年單位；h(t)為節(jié)假日項；εt是誤差項。

Fbprophet算法中的趨勢項包含兩個主要函數(shù)，邏輯回歸函數(shù)和分段線性函數(shù)。邏輯回歸函數(shù)如式(2)所示：

(2)

式中：C(t)為待設(shè)置的參數(shù)，α(t)=(a1(t),…as(t))T為指示函數(shù)，δ=(δ1(t),…δs(t))T為時間增長的變化量，m,γ均為中間變量。

分段線性函數(shù)如式(3)所示：

g(t)=(k+α(t)δ)·t+(m+α(t)Tγ)

(3)

式中：k為增長率，式(2)和式(3)中γ的設(shè)置是不一樣的。

Fbprophet算法中會考慮數(shù)據(jù)的周期性質(zhì)，周期項s(t)可以表示為

(4)

式中：P為周期，P=365.25即代表以年為周期，此時N一般取為10；an，bn為系數(shù)。

考慮時序中的數(shù)據(jù)波動，F(xiàn)bprophet加入了節(jié)假日項h(t)，如式(5)所示：

h(t)=Z(t)ξ

(5)

式中：Z(t)為指示函數(shù)，并且ξ～Normal(0,v2)。不同的節(jié)假日對時間序列的影響不同，可以在實際中根據(jù)具體情況調(diào)節(jié)。

在上述時間序列分解的基礎(chǔ)上，F(xiàn)bprophet采用pyStan中的L-BFGS(limited-memory BFGS)方法獲取最大后驗估計來進行函數(shù)擬合，從而得到預(yù)測結(jié)果。由于Fbprophet算法本身考慮了節(jié)假日項與誤差項，可以處理電力系統(tǒng)不同時間尺度內(nèi)的負荷波動帶來的預(yù)測誤差[7]。

1.2 預(yù)測結(jié)果及分析對比

文中采用數(shù)據(jù)為社區(qū)內(nèi)2015年3月到2015年11月的用戶用能數(shù)據(jù)，由于冬季工況與夏季工況的能源交易模式單一，因此重點預(yù)測分析春秋季場景下電、熱、冷負荷。采用Fbprophet算法通過構(gòu)建時間序列進行預(yù)測，以24 h為采樣長度，即24條數(shù)據(jù)的時間點作為特征，預(yù)測電、熱、冷負荷曲線，并與實際結(jié)果對比，如圖1所示。

圖1 基于Fbprophet算法的負荷預(yù)測與真實負荷對比

為驗證基于Fbprophet算法的負荷預(yù)測的準確性，文中方法分別與基于LSTM、ARIMA算法的預(yù)測模型進行實驗對比。針對ARIMA模型，使用網(wǎng)格搜索算法和K折交叉驗證對ARIMA進行參數(shù)尋優(yōu)，最終確定ARIMA(1,1,1)模型，自回歸階數(shù)為1，差分次數(shù)為1，移動平均階數(shù)為1；針對LSTM模型，同樣采用網(wǎng)格搜索算法和K折交叉驗證對LSTM進行超參數(shù)尋優(yōu)，選取預(yù)測誤差最小的LSTM，其參數(shù)配置為：一層隱藏層，神經(jīng)元個數(shù)設(shè)置為64，激活函數(shù)為tanh函數(shù)，迭代次數(shù)為150次，步長設(shè)置為10。針對三種預(yù)測模型，采用平均絕對百分誤差(MAPE)與均方根誤差(RMSE)作為評價指標，如式(6)、(7)所示：

(6)

(7)

表1 不同預(yù)測模型的MAPE與RMSE對比

由上表可知，基于Fbprophet模型預(yù)測結(jié)果的MAPE值與RMSE值都較小，預(yù)測結(jié)果優(yōu)于ARIMX和LSTM模型，可以滿足供能方對用戶多能負荷預(yù)測的需求。

2 基于負荷預(yù)測和考慮供能優(yōu)先級的綜合能源系統(tǒng)

2.1 綜合能源系統(tǒng)框架

綜合能源系統(tǒng)結(jié)構(gòu)主要由外部能源輸入、分布式單元、能量管理系統(tǒng)、能量協(xié)調(diào)裝置和負荷構(gòu)成。綜合能源服務(wù)商(Integral energy service provider, IESP)作為此綜合能源系統(tǒng)的運行主體，在電能交易的基礎(chǔ)上，加入了熱能、冷能交易，通過光照風(fēng)力、供氣管道、電網(wǎng)輸送電等多種能源輸入，對多種設(shè)備進行優(yōu)化調(diào)度輸出冷、熱、電等能量，滿足多尺度不確定性用戶供能需求，實現(xiàn)經(jīng)濟、科學(xué)供能。

文章建立的含分布式電源及多類型負荷的區(qū)域綜合能源系統(tǒng)結(jié)構(gòu)如圖2所示。該系統(tǒng)主要由冷熱電三聯(lián)產(chǎn)機組、光伏發(fā)電、風(fēng)力機組等實體能源系統(tǒng)以及綜合能源調(diào)度管理系統(tǒng)組成，實現(xiàn)冷、熱、電能源的調(diào)度。

圖2 綜合能源系統(tǒng)結(jié)構(gòu)框圖

2.2 供能負荷優(yōu)先級與滿意度函數(shù)

綜合能源用戶的需求負荷按照響應(yīng)特性可以分為固定負荷和可平移負荷。固定負荷主要指必須在特定時間內(nèi)供電，用戶對其需求近似為剛性?？善揭曝摵墒侵赣脩艨砂从媱澴儎?、削減的負荷，取決于用戶需求的用能方式與生活習(xí)慣等因素，且用戶可通過電制冷設(shè)備或電熱水器將電能轉(zhuǎn)換為冷熱能，使得可轉(zhuǎn)移負荷更加難以預(yù)測[19]。

為了實現(xiàn)能源階梯級利用和節(jié)能環(huán)保需求，文中提出了供能負荷優(yōu)先級(Integral energy load priority, IELP)優(yōu)化調(diào)度策略。該策略在基于負荷預(yù)測的前提下，根據(jù)用戶用能偏好，服務(wù)商在用戶預(yù)測負荷區(qū)間對某一能源進行優(yōu)先供應(yīng)，對其他能源進行范圍內(nèi)削減，保證其最低負荷需求。通過負荷區(qū)間的形式對綜合能源多能供應(yīng)進行優(yōu)化，調(diào)整冷熱電能的供給優(yōu)先級，優(yōu)化綜合能源系統(tǒng)各設(shè)備出力效率，并考慮到用戶對供能的滿意程度，實現(xiàn)供能優(yōu)先級在負荷區(qū)間上利潤最大化的能源調(diào)度模式。因此首先建立用戶效用函數(shù)，表示用戶購買電能、熱能、冷能所獲得的滿意程度；然后考慮用戶要求，提高需求側(cè)用能舒適度，將用戶滿意程度通過數(shù)學(xué)建模的方式按系數(shù)融入能源服務(wù)商的評價指標，通過用戶購能滿意度影響能源服務(wù)商供能優(yōu)先級。用戶各時段的用能量與用能習(xí)慣和能源價格關(guān)系密切，考慮到用戶對能源價格的自適應(yīng)性，用戶會自主選擇綜合能源中舒適度最大的用能方式，用能習(xí)慣通過用戶用能偏好系數(shù)表示。對于區(qū)域綜合能源用戶，在能源價格不變的情況下，對整體用能情況進行分析，可獲取冷熱電能偏好系數(shù)。

用戶滿意度主要由用能偏好和經(jīng)濟性來定義，目標函數(shù)由用戶多元負荷滿意度函數(shù)疊加所得，由此量化出來用戶用能的滿意程度。用戶滿意度二次效用函數(shù)是非遞減且凸的，如下式所示：

(8)

式中:Qt(t)、Pt(t)、Ht(t)、是當(dāng)前的t時段冷負荷、電負荷和熱負荷，RQ、RP、RH分別為其供能價格，ve、ae、vh、αh、vh、αc表示對使用電能，熱能和冷能的偏好系數(shù)。

在能源服務(wù)方面，服務(wù)商優(yōu)先使用分布式產(chǎn)能設(shè)備和自產(chǎn)電能為用戶提供能源供應(yīng)，可控單元包括微型燃氣輪機(Micro gas turbine, MT)、燃氣鍋爐(Boiler)、吸收式制冷機(Absorption chiller, AC)、余熱鍋爐(Waste heat boiler, WHB)、電制冷機(Electric chiller, EC)。微型燃氣輪機發(fā)電的同時，攜帶的熱量可以通過余熱裝置回收再利用，并與燃氣鍋爐產(chǎn)生的熱量一起，在經(jīng)熱交換器供熱，或經(jīng)吸收式制冷機轉(zhuǎn)化為冷量為用戶供冷，按供能功率收取費用，服務(wù)商優(yōu)化各設(shè)備的負荷出力，以獲得更高的收益。

3 綜合能源系統(tǒng)數(shù)學(xué)模型與運行調(diào)度模型

3.1 綜合能源系統(tǒng)設(shè)備模型

風(fēng)電機組(WT)風(fēng)電機組的實際功率輸出Pwt與實際風(fēng)速v(t)關(guān)系可以表示為

(9)

(10)

微型燃氣輪機(MT)構(gòu)建如下模型：

(11)

式中：PMT(t)出力功率；CMT(t)為燃料成本；ηMT為發(fā)電效率系數(shù);Rgas為燃氣單位價格;LH為燃氣低位熱值;Δτ為設(shè)備運行時間。

電制冷機(EC)數(shù)學(xué)模型如下：

Qec(t)=Hec(t)·COPec

(12)

式中：Qec(t)為功率輸出；Hec(t)為消耗的電功率；COPec為此設(shè)備的能效比。

吸收式制冷機(AC)數(shù)學(xué)模型如下：

Qac(t)=Hac(t)·COPac

(13)

式中：Qac(t)為制冷功率輸出；Hac(t)為吸收的熱功率；COPac為該設(shè)備能效比。

燃氣鍋爐(Boiler)數(shù)學(xué)模型如下所示：

(14)

Hb(t)、Cb(t)、ηb依次為t時間內(nèi)該設(shè)備的熱功率、燃料成本、效率系數(shù)。

電鍋爐(EB)通過消耗電能轉(zhuǎn)化為熱量供給熱負荷，其數(shù)學(xué)模型為

Heh(t)=Peh(t)·COPeh

(15)

式中：Heh(t)、Peh(t)、COPeh依次為t時間內(nèi)的制熱功率輸出、輸入的電功率和電鍋爐能效比。

余熱鍋爐(WHB)在文中主要用于回收利用燃氣鍋爐熱能，用于供熱或?qū)⑵渌腿胛帐街评錂C制冷供給冷負荷。其數(shù)學(xué)模型如下：

ηhe(t)·COPhe·x(t)

(16)

式中：Hhe(t)為輸出功率；x(t)為燃氣輪機煙氣通入余熱鍋爐的流量比；ηl、ηhe、COPhe分別為散熱損失系數(shù)、熱回收效率和余熱鍋爐能效比。

3.2 系統(tǒng)約束

系統(tǒng)約束條件包括冷熱電負荷平衡約束和冷熱電聯(lián)供微網(wǎng)中各設(shè)備運行約束。

(1)冷負荷平衡約束

(17)

(2)熱負荷平衡約束

(18)

(3)電功率平衡約束

(19)

(4)上下行功率限制

設(shè)備的出力功率或儲能功率受最大功率和最小功率限制, 而且儲能設(shè)備同一時段只能進行充能或放能。能量轉(zhuǎn)換裝置和可再生能源發(fā)電機的輸出功率應(yīng)保持在其容量限制范圍內(nèi)：

(20)

(5)用戶側(cè)可平移負荷約束

(21)

3.3 基于用戶滿意度的運行調(diào)度模型

IESP在考慮供能側(cè)出力和用能側(cè)負荷需求的基礎(chǔ)上對設(shè)備優(yōu)先級出力進行調(diào)度優(yōu)化，優(yōu)化目標為供能商收益最大和用戶側(cè)滿意程度最高，如式(22)所示：

(22)

(23)

(24)

式中:T表示總時段數(shù)，文中指一天的24 h，RQ、RP、RH分別為其供能價格。供能成本包括向天然氣公司買氣成本Cgas(t)，向電網(wǎng)購電成本Cgrid(t)和設(shè)備運行維護成本Cmt(t)。當(dāng)Cgrid(t)大于 0 時表示向電網(wǎng)購電，否則表示上網(wǎng)售電。

3.4 求解方法

綜合能源系統(tǒng)中設(shè)備運營調(diào)度是一類大規(guī)模非線性優(yōu)化問題，傳統(tǒng)的集中優(yōu)化方法在求解時需要掌握所有參與者的詳細信息，如設(shè)備參數(shù)、用能偏好等，然而在能源中信息互不透明，各參與者需要進行單獨優(yōu)化。文中采用自適應(yīng)粒子群算法(Adaptive-particle swarm optimization, A-PSO)進行求解算法，相比于普通粒子群算法，自適應(yīng)粒子群算法由于加上了自適應(yīng)過程，加快了收斂速度，可較快找到最優(yōu)解。自適應(yīng)粒子群算法流程步驟如圖3所示。輸入歷史負荷數(shù)據(jù)，在經(jīng)過數(shù)據(jù)預(yù)處理后，使用Fbprophet算法進行預(yù)測訓(xùn)練，然后對日前負荷數(shù)據(jù)進行預(yù)測。預(yù)測的結(jié)果作為已知量帶入運營調(diào)度算法中。在實際求解中，取1 h為時間間隔，24 h為一個周期，取周期內(nèi)冷熱電聯(lián)供的各個設(shè)備以及向外部電網(wǎng)購電的電量作為變量，粒子的每一個維度代表一個變量的數(shù)值。適應(yīng)度為總收益加上總的滿意度減去總成本。

圖3 求解算法流程圖

3.5 算法穩(wěn)定性分析

作為啟發(fā)式算法，自適應(yīng)粒子群算法結(jié)果的穩(wěn)定性在不同的運算模型表現(xiàn)不盡相同。使用3.4中提出的自適應(yīng)粒子群算法，對上節(jié)建立的綜合能源調(diào)度模型進行計算求解。圖4為1 000次優(yōu)化運算中，算法結(jié)果的變動曲線，由圖可知求解的結(jié)果相對穩(wěn)定。

圖4 算法結(jié)果穩(wěn)定性圖

取1 000次運算結(jié)果中P值(P為式(21)中的優(yōu)化目標)最大一組值PMAX的調(diào)度參數(shù)，作為實際的最優(yōu)調(diào)度策略。

4 算例分析

以青島某社區(qū)為算例，對文中所提出的IELP協(xié)同優(yōu)化運行策略進行仿真分析。所采用數(shù)據(jù)為社區(qū)內(nèi)2015年3月到2015年11月的用戶用能數(shù)據(jù)，由于冬季工況與夏季工況的能源交易模式單一，因此重點預(yù)測分析春秋季場景下電、熱、冷能流的運行和交易過程。采用Fbprophet算法通過構(gòu)建時間序列進行預(yù)測，以24 h為采樣長度，即24條數(shù)據(jù)的時間點作為特征，預(yù)測冷、熱、電負荷曲線，并將預(yù)測結(jié)果與實際結(jié)果對比，驗證預(yù)測算法的可靠性

基于Fbprophet算法進行的春、秋季典型日風(fēng)電、光伏出力預(yù)測結(jié)果如圖5所示，冷、熱、電三種負荷需求預(yù)測如圖1所示。

圖5 光伏/風(fēng)電出力預(yù)測

文中所提的IELP調(diào)度優(yōu)化模型中，通過調(diào)整用戶滿意度參數(shù)，用能偏好等參數(shù)可以體現(xiàn)出服務(wù)商的不同供能負荷優(yōu)先級策略。根據(jù)歷史數(shù)據(jù)日前預(yù)測可得到風(fēng)電、光伏的輸出電功率，這兩者屬于清潔無污染的可再生能源，雖然其發(fā)電功率受環(huán)境影響較大，但是為了鼓勵新能源發(fā)電，避免出現(xiàn)棄風(fēng)棄光現(xiàn)象，因此設(shè)新能源發(fā)電量能夠全部售出。

考慮到用戶固定負荷和可平移負荷使用情況，在此基礎(chǔ)上設(shè)定預(yù)測負荷為負荷界限，可平移負荷波動范圍不超過負荷界限的10%，通過蒙特卡洛模擬法獲取100組負荷數(shù)據(jù)，并對其進行優(yōu)化，最后取平均值作為優(yōu)化結(jié)果。設(shè)備參數(shù)如表2所示。

表2 設(shè)備參數(shù)

在IELP運營方案優(yōu)化模型中，通過調(diào)整不同負荷優(yōu)先級體現(xiàn)出用戶的用能偏好和系統(tǒng)收益。將優(yōu)化模型分為電優(yōu)先、熱優(yōu)先、冷優(yōu)先這三種優(yōu)先級模型，分別通過A-PSO算法進行優(yōu)化，最終得到三種供能負荷優(yōu)先級情況下系統(tǒng)收益最大化目標最優(yōu)解，分別如圖6、圖7、圖8所示。

圖7 熱負荷優(yōu)先調(diào)度

圖8 冷負荷優(yōu)先調(diào)度

在電負荷優(yōu)先的情況下，IESP優(yōu)先滿足用戶電力需求，對冷熱供應(yīng)進行削減。冷熱優(yōu)先級亦然。各種負荷優(yōu)先運行的收益與滿意度結(jié)果如表3所示。

表3 各種負荷優(yōu)先運行收益

由上表可知，無負荷優(yōu)先調(diào)度的情況下，收益最低，滿意度最高。電負荷優(yōu)先的情況下，收益較低，但保持了正收益，滿意度較高。熱負荷優(yōu)先、冷負荷優(yōu)先依次凈收益提高，但滿意度依次降低。在不考慮負荷優(yōu)先的情況下，盡管用戶滿意度最高，但在文中選取的場景條件下凈收益相對低了一個數(shù)量級。因此實際應(yīng)用時，電負荷優(yōu)先調(diào)度是較好的選擇。在這種調(diào)度情況下，保證了較高的用戶滿意度(歸一化后為0.931)，也能獲得一定的正向收益。這在用戶主導(dǎo)的需求側(cè)，可以獲得更多的市場青睞，幫助企業(yè)搶占更多綜合能源市場。

5 結(jié) 論

針對區(qū)域綜合能源系統(tǒng)中用戶冷熱電負荷需求的不確定性，文中提出了一種基于Fbprophet算法的負荷預(yù)測與用戶滿意度約束的綜合能源負荷調(diào)度優(yōu)先供應(yīng)模型。采用Fbprophet算法實現(xiàn)對電、熱、冷多元負荷的預(yù)測，結(jié)合實際綜合能源系統(tǒng)算例仿真，并將基于Fbprophet算法的負荷預(yù)測與典型負荷預(yù)測方法ARIMA、LSTM進行對比，驗證了Fbprophet預(yù)測算法在冷、熱、電多元負荷預(yù)測的有效性。通過構(gòu)建用戶滿意度二次效用函數(shù)，將用戶滿意程度融入能源服務(wù)商的評價指標，設(shè)計了綜合能源系統(tǒng)優(yōu)化調(diào)度模型和計及用戶滿意度的供能優(yōu)先級模型，并基于自適應(yīng)粒子群算法進行模型優(yōu)化求解，實現(xiàn)供能優(yōu)先調(diào)度。通過分析不同負荷供能優(yōu)先調(diào)度的結(jié)果，可知電負荷優(yōu)先供應(yīng)能在保證較高滿意度的前提下獲得較好的經(jīng)濟收益。算例仿真結(jié)果表明，供能優(yōu)先運行模式能夠兼顧綜合能源服務(wù)商收益和用戶滿意度，實現(xiàn)服務(wù)商與用戶的共贏。