近年来,环境问题日益突出,传统能源行业运行模式单一难以满足节能减排的发展需求。综合能源系统（integrated energy system,IES）是含有电、热以及天然气的多能耦合系统,相比于传统能源系统调节方式更加灵活,通过对各能源系统协调控制,可以在提高系统能效的同时降低系统碳排放量。综上,本文针对含有碳捕集和P2G综合能源系统的低碳经济问题展开研究,从多能源的供需侧入手,充分挖掘综合能源系统的低碳调节潜力。主要内容如下:从综合能源系统的供给侧入手,分析热电联产机组（combined heat and power,CHP）、电转气（power-to-gas,P2G）和碳捕集装置（carbon capture system,CCS）运行特性。提出了CHP-CCS-P2G（CCP）的联合运行模式。分析了在CCP联合运行模式下CHP机组的电-气-热出力特性与碳排放量。建立了在CCP联合运行模式下考虑碳交易的综合能源系统日前低碳调度模型。结果表明CCP联合运行模式能够明显提高系统经济效益和减少碳排放量,同时能够有效减少燃煤机组增加CCS的高额成本。研究考虑大气污染物排放的综合能源系统低碳经济运行策略。分析了综合能源系统中SO2、NOx、烟气灰尘、CO2排放特性。建立了考虑大气污染物排放的综合能源系统多时间尺度调度模型,在日前优化调度中将系统的SO2、NOx、烟气灰尘、CO2的排放成本加入目标函数中,建立了综合能源系统运行成本最低的目标函数。在日内优化调度中,以可再生能源消纳量最高为目标函数,为了缓解日前源荷预测出力误差对调度的影响,日内调度模型采用了基于分布式模型预测控制（distributed model predictive control,DMPC）的滚动优化方法。通过仿真验证了所提出的考虑大气污染物排放的优化调度模型可以有效减少日前预测误差对控制效果的影响,同时提高系统的环境效益。在日内优化调度中,本文在不考虑系统动力学模型和不确定因素建模的前提下,提出了基于深度强化学习的综合能源系统低碳优化框架。分析了基于Actor-Critic框架的深度强化学习方法。将综合能源系统低碳经济调度问题描述为马尔科夫决策过程,定义智能体的状态空间、动作空间和奖励函数,通过异步优势演员-评论家算法（advantage actor-critic algorithm,A3C）进行求解。仿真验证了所提出的优化方法能在可再生能源和负荷波动情况下得到良好动态控制效果。提出了考虑可靠性约束和综合需求响应（integrated demand response,IDR）的综合能源系统低碳调度模型。建立了基于价格和激励的综合需求响应模型。以综合能源系统的运行成本和碳排放量最低建立目标函数,同时将电力系统的失负荷率作为衡量系统可靠性的标准加入到目标函数中。然后将优化问题描述为强化学习框架,通过基于双延迟深度确定性策略梯度（twin delayed deep deterministic policy gradient algorithm,TD3）的深度强化学习算法求解。结果表明考虑需求响应后能够在保证系统可靠性的同时进一步降低了CO2排放量。