随着全球能源系统向低碳和智能化方向的加速转型，提高运行效率和优化能源节约已成为实现可持续能源发展的关键[1]，[2]。区域供热系统占冬季总能源消耗的40%以上，其运行效率直接决定了城市能源利用的整体水平和碳排放。传统的基于联合供热和发电（CHP）的供热模式受到“热-电耦合”的限制，在电力需求较低时期其调峰能力受限，导致燃气锅炉频繁启停，从而增加了能源消耗并降低了效率[3]，[4]。此外，气象变化、建筑特性和用户行为共同引入了负荷的显著非线性和时间变异性，进一步增加了系统优化的复杂性[5]，[6]，[7]。因此，基于高精度负荷预测和一次热源与调峰热源之间协调优化的多源运行控制策略的开发，已成为推动区域供热行业智能化升级的关键途径。
目前关于城市区域供热节能的研究主要集中在两个方向：热网运行优化和CHP系统调度。在热网优化领域，研究已从早期的稳态水力-热耦合模型发展到能够描述埋地管道动态热行为的混合瞬态模型，从而显著提高了热网的动态响应精度[8]。随后，引入了进化算法和多能源耦合模型，进一步降低了集成电力-热系统的运行成本[9]。最近的研究强调了站-网协同优化，其中综合考虑了网络拓扑、热存储能力和热源与负荷之间的空间耦合，以实现热源和管道网络之间的协调配置[10]，[11]。同时，CHP系统优化已从固定负荷运行发展到集成能源存储、电锅炉和特性匹配策略的多能源协调调度框架[12]。早期方法主要依赖于经验调度，无法处理热力和电力负荷的时间变异性[13]。随着建模和优化技术的进步，引入了热-电解耦和能源存储调节机制，实现了电力、热力和冷却子系统的集成优化[14]。近年来，在“双碳”目标的驱动下，研究越来越多地关注提高运行灵活性和低碳经济性能。通过开发动态、耦合和多目标优化模型，能源效率和经济性能得到了显著提升[15]。
尽管在热网和CHP系统优化方面取得了显著进展，但负责供暖季节灵活热调节的调峰热源的运行仍相对较少被探索。这些热源在冬季通常提供总供热负荷的20-40%，高燃气消耗和频繁的循环运行显著影响了系统经济性和碳排放。关于燃气锅炉的研究已逐渐从单一设备效率分析转向系统级建模和运行优化。例如，引入了自适应空气-燃料比例控制、在线学习和可再生能源耦合，以减少燃料消耗和排放[16]，[17]。此外，还开发了太阳能-燃气联合供热、燃气-热泵耦合和虚拟热存储集成等混合配置，以提高调峰单元的运行灵活性[18]，[19]，[20]。然而，尽管有这些进展，大多数现有研究仍侧重于单一设备性能优化或局部调节，缺乏考虑启停频率、负荷波动和长期动态约束的综合性多源协调策略。尽管一些仿真研究分析了热网参数对锅炉组效率的影响[21]，但系统化的方法来协调控制热网和调峰热源之间仍尚缺乏。
与此同时，基于负荷预测的优化控制已成为实现能源系统闭环智能管理的重要方法[22]，[23]，[24]。近年来，供热负荷预测方法已从经验和传统的机器学习模型发展到基于深度学习的框架[25]，[26]。卷积神经网络（CNN）、长短期记忆网络（LSTM）和图神经网络（GNN）等模型在提取时空特征和捕捉复杂非线性关系方面表现出色，从而显著提高了预测精度和泛化能力[27]，[28]，[29]。在此基础上，预测结果逐渐被纳入多目标优化框架，以平衡运行成本、碳排放和负荷稳定性[30]。与传统的反应式调度相比，基于预测的控制提供了主动的运行洞察，使系统能够预测负荷波动并减少启停频率和能量振荡[31]，[32]。这种集成的、基于预测的优化范式显著提高了系统的灵活性和稳定性，为实时协调和提高能源效率奠定了基础[33]。然而，现有研究主要集中在电力-冷却或电力-供热系统上，通常在理想化的仿真环境下进行，对多源区域供热系统中调峰热源的协调优化关注不足。此外，负荷预测和运行优化通常被视为独立的模块，阻碍了预测信息在实时调度中的有效利用。因此，在实际运行约束和热需求变化的情况下，基于预测的协调优化仍不够充分。
为了解决现有数据驱动优化研究的局限性，这些研究往往将负荷预测与运行优化分离或仅关注系统组件，本研究提出了一种针对多源区域供热系统的统一预测驱动协调优化框架。所提出的框架结合了用于短期供热需求预测的混合集成学习模型和连接一次热供应与调峰锅炉的协调控制策略。在此基础上，采用滑动窗口动态凸优化策略，在实际运行约束下联合优化锅炉启停决策和负荷分配。本研究的主要贡献在于将预测、优化和协调控制嵌入到一个闭环运行工作流中，实现了预测性而非反应性的系统调节。通过将数据驱动的预测与系统特定的设备校准和系统级的长期调度相结合，这项工作将现有的方法从组件级优化提升到了适用于实际多源区域供热运行的可复制和可转移的框架。
