1.一种碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于，包括：步骤S1，构建高比例分布式光伏接入下的电‑气‑热多能联供网络异质拓扑模型；

步骤S2，采用异质结构多任务学习方法识别多能联供网络异质拓扑模型；

步骤S3，构建电转气、富氧燃气与二氧化碳捕集装置联动的碳循环利用模型；

步骤S4，构建考虑碳循环利用的多能联供系统成本效率模型；

步骤S5，构建以运行成本最小化为目标的多能协同调控优化模型，以实现分布式供能网络零碳自循环的多能协同运行。

2.根据权利要求1所述的碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于：所述步骤S1包括：S101，将配电网络、供气网络、供热网络中的各种设备视为拓扑图中的节点，所述节点分为源节点、储节点、荷节点、耦合节点四种类型，各节点类型下的节点分别为：

1）源节点：电源、PV、气源；

2）储节点：储电设备、储气设备、储热设备；

3）荷节点：电负荷、气负荷、热负荷；

4）耦合节点：CHP机组、电锅炉、燃气锅炉、P2G；

S102，将连接节点的线路视为拓扑图中的边，所述边采用如下邻接矩阵来描述： (1)

S103，利用确定好的节点和边信息形成3个分别用于描述配电网络、供气网络、供热网络拓扑结构的二维邻接矩阵，再利用耦合节点的耦合特性将耦合节点作为不同能源网络间的枢纽，构建多维度邻接矩阵，建立高比例分布式光伏接入下的电‑气‑热能联供网络异质拓扑模型。

3.根据权利要求2所述的碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于：所述步骤S1，在构建高比例分布式光伏接入下的电‑气‑热多能联供网络异质拓扑模型的过程中，考虑高比例分布式光伏接入对电‑气‑热多能联供网络多能流的影响，对拓扑进行简化处理；

所述电‑气‑热多能联供网络多能流的模型如下式(2)‑式(4)：(2)

式(2)第1‑2行为配电网络交流潮流模型，其中 和 分别为节点 的有功功率和无功功率， 、 分别为节点 、 的电压幅值， 、 、 分别为节点 、 间的电导、电纳、相角差；

式(2)第3行为供气网络能流模型，其中 为节点 体积流换算至功率流的功率值，为气源节点向节点i注入的流量， 为节点 邻居节点集合， 为管道特征参数，为与节点 、 间管道参数相关的常系数， 、 分别为节点 、 的气压， 为节点的负荷流量， 为天然气热值；

式(2)第4‑7行为供热网络能流模型，其中 为热质比热容， 为节点支路关联矩阵，为管道中热质流速， 、 分别为节点供水温度和热质出口温度， 为节点负荷热功率， 为管道回路关联矩阵， 为管道阻抗系数， 、 分别为供水网络和回水网络系数矩阵， 、 分别表示使用供水温度和回水温度减去环境温度后得到的温度；

(3)

式(3)为耦合环节模型，其中第1‑2行为CHP模型，CHP为热电联产；第3‑5行分别为电锅炉模型、燃气锅炉模型、P2G模型，P2G为电转气； 、 、 、 、 分别为CHP机组的输出热功率、热电比、电功率、天然气输入流量、效率系数， 、 分别为CHP机组产热功率的下限与上限； 、 分别为CHP机组产电功率的下限、上限； 、 、分别为电锅炉的电热转化效率、输出热功率、消耗电功率， 为电锅炉输出热功率的上限； 、 、 、 分别为燃气锅炉的消耗天然气流量、输出热功率、热值利用率、天然气低热值， 为燃气锅炉输出热功率的上限； 、 、 分别为P2G产生的天然气流量、消耗电功率、转化效率， 为P2G设备出力上限；

(4)

式(4)为PV节点 的电功率平衡方程，其中 为节点 的净注入功率， 为节点 的光伏出力， 为节点 流向P2G节点的总功率， 为节点 流向电负荷节点的总功率， 为节点 储电存储总功率， 为节点 储电释放总功率；

所述简化处理包括：

1）删除分支节点及多余的测量节点，仅保留源节点、储节点、荷节点和耦合节点；

2）合并各种多余的连接线路，节点对间仅保留一条连接线；

3）明确各节点设备编号及类型，使拓扑识别时无需进行节点类型的判断，仅需识别节点连接关系。

4.根据权利要求3所述的碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于：所述步骤S2包括：S201，构建异质结构多任务学习模型，所述异质结构多任务学习模型包括三个子任务输入层、一个共享层、三个子任务输出层、一个耦合层，所述共享层为将多个异质网络卷积神经元进行组合构成的异质网络卷积层；

S202，将多能联供网络异质拓扑模型中的配电网络电压数据、供气网络气压数据、供热网络水压数据分别送入异质结构多任务学习模型的三个子任务输入层中，三个子任务输入层设置时间窗进行等长的时间时序截取，后对所获数据进行归一化处理，分别生成配电网络、供气网络、供热网络的节点特征矩阵；

S203，将配电网络、供气网络、供热网络的节点特征矩阵一起送入共享层进行迭代处理，每一次处理的过程为：先经异质网络卷积神经元的运算得到配电网络、供气网络、供热网络的隐藏特征矩阵，再对隐藏特征矩阵中的节点特征向量进行内积运算，得到表征节点间关联程度的预测分数，接着利用交叉熵损失对预测评分结果进行优化，得到配电网络、供气网络、供热网络的二维邻接矩阵；

S204，耦合层将经S203迭代处理后最终得到的配电网络、供气网络、供热网络的二维邻接矩阵进行耦合，形成多能联供网络的多维邻接矩阵；

所述异质网络卷积神经元采用如下公式(5)计算隐藏特征矩阵： (5)

式中， 为第 个异质网络卷积神经元输出的隐藏特征矩阵， ，其中 为维节点特征矩阵， 和 分别为网络节点数和网络节点特征向量的维数； 为激活函数； 为网络对称归一化拉普拉斯矩阵， ，其中 为添加自连边后的网络邻接矩阵， ， 为网络邻接矩阵， 为 的单位矩阵， 为网络度矩阵； 为第 个异质网络卷积神经元的可训练权重矩阵；

所述异质网络卷积神经元采用如下交叉熵损失函数对预测评分结果进行优化：(6)

式中， 为某一网络中所有节点总的损失函数值； 为第 个节点的真实值； 为第个节点的预测值； 为多能联供网络中节点数量，即各能源网络所有节点数量之和。

5.根据权利要求4所述的碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于：所述步骤S2，在对多能联供网络异质拓扑模型进行识别之前，先利用历史配电网络电压数据、供气网络气压数据、供热网络水压数据对异质结构多任务学习模型进行优化训练，得到最优异质结构多任务学习模型。

6.根据权利要求5所述的碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于：所述步骤S3，构建的电转气、富氧燃气与二氧化碳捕集装置联动的碳循环利用模型如下式(7)‑(13)：(7)

式(7)表示甲烷生产过程，其中 为电转气消耗的功率； 为电能转化为氢气的效率； 为氢气的低热值； 、 、 分别为所需的二氧化碳体积、所需的氢气体积、生成的甲烷体积； 为二氧化碳转换为 的效率；

(8)

式(8)表示甲烷储存模型，其中 、 分别为甲烷罐 时刻的净产量、储存量；

、 分别为甲烷罐 时刻的净产量、储存量； 为时间间隔； 、分别为 的下界、上界； 、 分别为 的下界、上界；

(9)

式(9)表示氧气储存模型，其中 、 分别为氧气瓶 时刻的净输出量、储存量；

、 分别为氧气瓶 时刻的净输出量、储存量； 、 分别为 的下界、上界； 、 分别为 的下界、上界；

(10)

式(10)表示以甲烷为燃料的热电联产机组运行约束，其中 为热电联产所消耗的甲烷体积； 为甲烷的热值； 、 、 分别为热电联产的电有功功率输出、无功功率输出、热功率输出； 、 分别为热电联产的甲烷‑电效率、甲烷‑热效率； 表示无功功率与有功功率间的相关系数； 、 分别为热电联产的二氧化碳排放量、甲烷全氧燃烧所需的氧气； 、 分别表示二氧化碳排放系数、氧气消耗系数；

(11)

式(11)表示二氧化碳捕集装置模型，其中 为捕获的二氧化碳体积； 为二氧化碳捕集效率； 为二氧化碳密度； 为捕集系统消耗的功率； 为耗电系数；

(12)

(13)

式(12)‑(13)分别表示氧气和甲烷的平衡约束，其中 为生成的氧气体积。

7.根据权利要求6所述的碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于：所述步骤S4中，构建的考虑碳循环利用的多能联供系统成本效率模型用于计算电转气设备降解退化成本、二氧化碳捕集装置寿命退化成本、二氧化碳采购成本、储能系统退化成本、电力采购成本和弃光成本，各成本的计算公式如下：

1）电转气设备降解退化成本 ；

 (14)

其中， 、 分别表示电解槽的资金成本、使用寿命； 为 时刻开或关状态的双变量； 为 时刻开或关状态的双变量； 、 分别表示电解槽启动、关闭时的单位降解退化成本；

2）二氧化碳捕集装置寿命退化成本 ：

(15)

其中， 、 分别表示二氧化碳捕集装置的固有资金成本、使用寿命； 为系统每小时的等效运行和管理成本； 为单位捕集成本； 为捕集系统消耗的功率；

3）二氧化碳采购成本 ：

(16)

其中， 为购买二氧化碳的单位成本；

4）储能系统退化成本 ：

 (17)

其中， 为与寿命退化相关的成本系数； 、 分别为ESS b的充电功率、放电功率； 、 分别为ESS b的充电效率、放电效率； ， 为储能节点集合；

5）电力采购成本 ：

 (18)

其中， 表示在市场上交易的有功功率； 、 分别表示购买价格、出售价格；

为一个运算符，表示 ；

6）弃光成本 ：

(19)

式中， 为弃光成本系数； 为不确定量，表示分布式光伏总出力的预测误差，，其中 、 分别表示分布式光伏总出力的预测值、实际值。

8.根据权利要求7所述的碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于：所述多能协同调控优化模型的目标函数为： (20)

所述多能协同调控优化模型包括储能系统运行约束、耦合设备运行约束、分布式光伏运行约束、配电网络约束和供热网络约束，分别如下：

1）储能系统运行约束

不考虑分布式光伏的预测误差，采用单因子仿射可调策略对储能系统功率进行调整，如下式：(21)

(22)

(23)

式(21)‑(23)中， 为储能系统ESS b功率调整量； 为相应的仿射因子，仿射因子受式(22)约束；式(23)能确保ESS b提供的储备不超过其容量，其中， 、 分别表示ESS b的下备用容量、上备用容量；

ESS b的运行约束如下：

式(24)‑(25)为SOC约束：

 (24)

  (25)

式(26)‑(29)为ESS b充、放电功率约束和上、下备用容量约束： (26)

 (27)

(28)

(29)

式(24)‑(29)中， 、 分别表示 、 时刻ESS b的荷电状态值；

、 分别表示ESS b荷电状态上限值、下限值； 表示储能容量； 、 分别为ESS b的充电功率上限值、放电功率上限值； 、 分别表示储能电池充电状态、放电状态的0‑1变量；

2）耦合设备运行约束

耦合设备运行约束包括耦合设备的出力约束和转换约束，即式(3)；

3）分布式光伏运行约束

分布式光伏的输出无功功率约束如式(30)所示： (30)

其中， 表示PV 的输出无功功率， 、 分别表示PV 输出无功功率上限、下限； 为分布式光伏节点集合；

4）配电网络约束

采用线性潮流模型来表示电力网络的约束，如式(31)‑(32)所示：(31)

 (32)

其中， 、 分别表示母线 到母线 的有功功率流和无功功率流； 、 分别表示母线 到母线 的电阻和电抗； 、 、 、 分别表示母线 到母线 的电压幅值和相角；

支路功率流和电压幅值约束如式(33)‑(34)所示：(33)

(34)

其中， 表示线路 的最大视在功率； 表示母线 的电压幅值， 、 分别表示其上下限；

母线的有功和无功功率平衡如式(35)‑(36)所示：(35)

(36)

其中， 、 、 、 、 为0‑1变量，分别表示PV、ESS、CHP、电锅炉、电转气是否位于母线 处； 表示母线集合，与主网相连的母线下标为0； 、 分别表示与母线相连的上、下游线路集合； 、 分别表示母线 的有功负荷和无功负荷；

5）供热网络约束

供热网络的热供需平衡约束如式(37)所示：(37)

其中， 为供热网络热负荷。

9.根据权利要求8所述的碳循环利用的电‑气‑热多能联供网络协同运行方法，其特征在于：所述步骤S5，在构建好多能协同调控优化模型后：采用分布鲁棒优化处理光伏出力的不确定性，利用基于Wasserstein距离的模糊集构造含高概率水平的真实概率分布，将多能协同调控优化模型的目标函数转化为式(38)： (38)

其中， 表示不确定量 的分布， 表示不确定量 的模糊集， 表示不确定量模糊集 中的最恶劣场景分布， 为不确定量 在 分布下弃光成本的期望值；

同时采用线性化方法对式(14)中的双线性项、式(33)中的二次约束非线性项进行线性化处理，将含不确定量的多能源协同调控优化问题经线性化处理转化为混合整数线性规划问题进行求解，实现分布式多能联供网络零碳自循环的最优协同调控运行。