1.一种综合能源系统多模态分层多目标分布式优化加速方法，其特征在于，将多模态问题优化方法、量子和模糊逻辑的全连接层嵌入式自关注网络加速方法和多层多目标分布式一致性方法进行结合，用于解决综合能源系统的多目标优化问题，能够克服非多层分布式方法用于大规模系统时计算速度慢和收敛性差的缺点，相比于集中式优化方法具有更高的信息私密性，运用加速过程提高整个方法的收敛时间，针对多目标多模态问题提供更加多样化的解集；在使用过程中的步骤为：步骤(1)：令当前所处的时间段t＝0，开始第t时段的优化求解；

步骤(2)：方法初始化，确定系统的总分层数Nlayer，输入由被优化系统的拓扑结构图计算得到的拉普拉斯矩阵LG，拓扑结构图采用无向无权图，确定每一分层的最大迭代步数K,令迭代层数Nl＝0，令当前迭代过程迭代步数k＝0；

拉普拉斯矩阵LG中的元素lii与元素lij为：

其中，aij为邻接矩阵AG中的元素，aij取值为：

其中，vi和vj分别拓扑结构中两个不同的点，vi,vj∈VG，VG＝{v1,v2,...,vM}为节点的集合，M为拓扑图节点数；vivj为拓扑结构中两个不同的点构成的边； 为边的集合；

综合能源系统多模态多目标优化问题的目标函数f(x)为：

其中，f(e)表示总成本目标的目标函数，f(c)表示总碳排放目标的目标函数，f(ξ)表示整个系统总能效目标的目标函数， 表示用户满意度的目标函数，f(F)表示系统调节能力灵活度的目标函数；x表示多维的决策向量，包括第t时段第j台供能机组在第t时段的有功出力 第t时段内供能机组的能源供给量Ej,t，第j个供能机组的能源消耗量Wj，用户经过需e g h求响应后第t时段的电、气、热负荷变化量ΔWt、ΔWt、ΔWt，供能机组所能提供的电能、热能、气能上调和下调灵活性指标 min()为选取最小值的函数；

总成本目标的目标函数f(e)为：

其中，n为供能机组个数， 为第j台供能机组在第t时段内的发电费用，ttotal为调度周期内被均分的总段数，aj、bj和cj分别为第j台供能机组的二次项、一次项和常数项费用系数；

总碳排放目标的目标函数f(c)为：

其中， 为第j台供能机组在第t时段内的碳排放量，αj、βj和γj分别为第j台供能机组的二次项、一次项和常数项碳排放系数；

整个系统总能效目标的目标函数f(ξ)为：

其中，ξ为系统完整调度周期内的综合能效， 为第t时段考虑综合需求响应后第j个供能机组对应承担地负荷量，dj为第j类能源的折标准煤参考系数，ηs,j为第j个供能机组的能效，第j个供能机组的能效为：其中Ej为第j个供能机组的能源供给量；

用户满意度的目标函数 为：

e g h

其中用户满意度用 表示，Wt 、Wt、Wt为原始电、气、热负荷；负荷响应量越大，即用户负荷调整行为越多，用户满意度调整值 越大，用户用能方式满意度水平越低；

max()为选取最大值的函数；

系统调节能力灵活度的目标函数f(F)为：

load E H G

minf(F)＝min(‑F )＝‑(ω1·F+ω2·F+ω3·F)    (9)load E H G

其中F 为综合能源系统灵活性评价指标；F，F 和F分别代表电、热、气环节的综合灵活性指标；ω1、ω2和ω3分别代表电、热和气环节的权重系数；

E

电环节的综合灵活性指标F为：

其中 和 分别表示供能机组所能提供的电能上调和下调灵活性指标；

H

热环节的综合灵活性指标F为：

其中 和 分别表示供能机组所能提供的热能上调和下调灵活性指标；

G

气环节的综合灵活性指标F为：

其中 和 分别表示供能机组所能提供的气能上调和下调灵活性指标；

机组的功率约束包括功率平衡约束和上下限出力约束；

功率平衡约束为：

其中 为第t时段系统总负荷需求；

供能机组上下限出力约束为：

其中 为第j台供能机组在第t时段的有功出力下限， 为第j台供能机组在第t时段的有功出力上限；

步骤(3)：将完整的综合能源系统分区，每个区域看作一个智能体，作为当前层迭代的初始智能体，选取一个领导者智能体，其余的为跟随者智能体，领导者智能体的选取选择拓扑结构的中心；

步骤(4)：随机生成每个智能体的一致性变量值与迭代变量值；

与决策变量对应同维元素不相同的一致性变量元素包括第j个智能体在第t时段的成本目标的目标函数与碳排放目标的目标函数对有功出力 的偏导数；第j个智能体在第t时段的成本目标的目标函数与碳排放目标的目标函数对有功出力 的偏导数为：其中为第j个智能体在第t时段的成本目标函数与碳排放目标函数线性加权后的总目标值， 为第1个智能体在第t时段的成本目标函数与碳排放目标函数线性加权后的总目标值， 为第n个智能体在第t时段的成本目标函数与碳排放目标函数线性加权后的总目标值， 为第1台供能机组在第t时段的有功出力， 为第n台供能机组在第t时段的有功出力， 为第t时段智能体的与决策变量不相等的一致性变量的元素；第j个智能体在第t时段的成本目标函数与碳排放目标函数线性加权后的总目标值 为：其中，τ为权重因子，其取值范围为0≤τ≤1；

由一致性变量得出的初始决策变量为：

其中， 是智能体j在第k次迭代时第t时段的与一致性变量元素不相等的决策变量元素， 为智能体j在第k次迭代时第t时段的与决策变量元素不相等的一致性变量元素， 为第χ层第 区域的有功上限，是第 区域所分的下层子区域或供能机组有功上限之和，为第χ层的区域总数，对于与一致性变量的元素相同的决策变量元素，智能体j在第k次迭代中第t时段与一致性变量相等的决策变量元素 为：其中， 为智能体j在第k次迭代中第t时段与决策变量相等的一致性变量元素；

步骤(5)：结合智能体的拓扑结构图分别对跟随者智能体和领导者智能体的一致性变量进行更新，并更新决策变量元素，之后比较决策变量和对应的目标空间函数值，生成帕累托最优解集和帕累托前沿；由输入的拉普拉斯矩阵LG求出智能体的行随机矩阵中的第k次迭代元素dij(k)：经过迭代更新后跟随者智能体的一致性变量为：

经过迭代更新后领导者智能体的一致性变量为：

其中， 为第t时段第i个智能体在第k+1次迭代的一致性变量； 为第t时段第i个智能体在第k次迭代的一致性变量；ε为多层多目标分布式一致性方法的功率平衡调t节因子；△P(k)是第t时段第k次迭代的功率偏差；

然后更新决策变量元素，对于与一致性变量元素不相同的决策变量元素，由一致性变量推导出的决策变量为：其中 是智能体j在第k+1次迭代时第t时段的与一致性变量元素不相等的决策变量元素， 为智能体j在第k+1次迭代时第t时段的与决策变量元素不相等的一致性变量元素；

对于与一致性变量元素相同的决策变量元素，第k+1次迭代中第t时段智能体的与一致性变量相等的决策变量元素 为：其中 为第k+1次迭代中第t时段智能体的与决策变量相等的一致性变量元素；

步骤(6)：判断当前迭代的代数是否满足k

步骤(7)：若满足k

步骤(8)：随机从种群中选择智能体进入候选解集，直至小生境被填满为止；

步骤(9)：计算候选解集中第一个智能体作为二元锦标赛中的一个个体a和该集合中除该智能体之外的每一个智能体之间的欧式距离D，并选择与智能体有最小的欧式距离的智能体作为二元锦标赛中的另一个个体b，判断二元锦标赛中两个个体a与个体b之间的支配t关系，在两个个体中选出一个进入迭代集；第t时段两个个体之间的欧式距离D为：其中 和 分别表示在第t时段个体a与个体b的决策变量的第i个元素，m表示决策变量的维度； 和 分别表示第t时段个体a与个体b的决策变量的第1个元素； 和分别表示第t时段个体a与个体b的决策变量的第m个元素；

二元锦标赛选择机制为：先判断二元锦标赛中两个个体a与个体b之间的支配关系，如果两个个体中个体a支配个体b，那么就把个体a放入迭代集中，反之将个体b放入迭代集中；

但是，若两个个体互不支配则计算每个个体在决策空间中的拥挤距离 并选择拥挤距离大的个体放入迭代集中；若两个个体的拥挤距离 是相等的，把个体a放入迭代集中；

由二元锦标赛选择机制选择得到的解就是多模态解，保证多种情况下解的全面性，而未被保留在迭代集中的解则是决策者不会使用的解；拥挤距离CDi,X为：其中， 表示第t时段第i个智能体在决策空间中的拥挤距离；1≤i≤Nagent； 表示第t时段的第i个智能体在第j维上的值，1≤j≤m， 表示第t时段的第i+1个智能体在第j维上的值， 表示第t时段的第i‑1个智能体在第j维上的值， 表示第t时段的第i+1个智能体在第1维上的值， 表示第t时段的第i‑1个智能体在第1维上的值， 表示第t时段的第i+1个智能体在第m维上的值， 表示第t时段的第i‑1个智能体在第m维上的值； 表示第t时段的第j维上的最大值， 表示第t时段的第j维上的最小值，表示第t时段的第1维上的最大值， 表示第t时段的第1维上的最小值， 表示第t时段的第m维上的最大值， 表示第t时段的第m维上的最小值；

步骤(10)：重复步骤(9)，直至填满迭代集；

步骤(11)：结合智能体的拓扑结构图分别对迭代集中的跟随者智能体和领导者智能体的一致性变量进行更新，并更新决策变量元素，之后比较决策变量和目标空间对应值，生成帕累托最优解集和帕累托前沿；步骤(12)：若不满足k

步骤(13)：据Nagent个智能体的加权总目标函数值，通过模糊逻辑策略将智能体划分为四个模糊逻辑子集；每个智能体都被基于加权总目标函数值的模糊规则分类到类别zp中；

第p个智能体加权总目标函数值fT,p为：

其中ρ1、ρ2、ρ3、ρ4、ρ5分别为目标函数f(e)、f(c)、f(ξ)、 f(F)对应的加权参数值；模糊规则分类得到的第p个智能体的类别zp为：其中fTmax和fTmin分别是加权总目标函数值的最大值和最小值，子集A、B、C、D是四个模糊逻辑子集，子集A到D分别具有Hagent，A、Hagent，B、Hagent，C和Hagent，D个智能体，0

步骤(14)：为防止输入全连接层嵌入式自关注网络的数据被过度合成并导致全连接层嵌入式自关注网络的训练过度拟合，选择每个子集中16％的个体进入两位量子通用门；每个被选中的个体通过一个两位量子通用门进入四个模糊子集，每个通用量子门Q1bit为：其中，θ,λ和 是费利克斯·布洛赫参数，θ为布洛赫球极角， 为布洛赫球相对相位，λ为布洛赫球全局相位；双位量子通用门Q2bit是两个单位量子通用门的张量积，为：其中Q1,1bit和Q2,1bit为两个单位量子通用门，θ1、θ2、λ1、λ2、 和 分别为Q1,1bit的布洛赫球极角、Q2,1bit的布洛赫球极角、Q1,1bit的布洛赫球全局相位、Q2,1bit的布洛赫球全局相位、Q1,1bit的布洛赫球相对相位和Q2,1bit的布洛赫球相对相位；

步骤(15)：以四个模糊子集为数据集运用动量随机梯度下降法训练四个全连接层嵌入式自关注网络，输入随机选取的加权总目标函数值，得到相应的决策变量值，并为下一次迭代提供输入；输入和输出分别是加权总目标函数值和决策变量；

步骤(16)：将预测的决策变量限制在边界 u表示决策变量的第u维元素，和 分别表示第t时段决策变量的第u维元素的下限和上限；输出经过边界限制的决策变量值作为多层多目标分布式一致性方法下一次迭代过程决策变量的初始值；

步骤(17)：加速过程结束后，继续进行多层多目标分布式一致性方法的迭代过程，当k＝K时，结束该层的迭代，令Nl＝Nl+1；

步骤(18)：判断是否满足Nl＝Nlayer，若不满足，则进入下一层的迭代，输出根据决策者偏好选出的帕累托最优解，输出的帕累托最优解的每一维元素作为下次迭代每个区域中所有智能体决策变量该维元素的总和，作为下一次迭代的一个约束条件；若满足，则输出该时间段的帕累托解集，令t＝t+1；

步骤(19)：当不满足Nl＝Nlayer，进入下一层的迭代，将上层的每个区域分别进行分区的划分，划分出的每一个子区域作为该层迭代的初始智能体，若为最底层的迭代过程，则每一个拓扑点为一个智能体，在上层的每个区域分别选择一个领导者智能体，其它的作为跟随者智能体；

步骤(20)：对每个分区进行并行的迭代过程，即对每个分区并行执行步骤(4)到步骤(17)，完成该层的迭代过程；

步骤(21)：若满足Nl＝Nlayer，则输出该时间段的帕累托解集，供决策者根据具体情况选取帕累托最优解，令t＝t+1，进行下一段时间的迭代；

步骤(22)：判断是否满足t≤ttotal，若满足，则继续执行下一时间段的迭代过程，若不满足，则方法结束，输出各时间段的帕累托解集。