目前,综合能源系统建设正处在起步阶段,如何为综合能源系统提供智能化运行调度方案的关键技术尚未明确。传统的解决方案主要基于数值优化模型求解最优调度策略,该方法无法应对新型综合能源系统高维度、非线性及多主体的特点。机器学习技术因其去模型化的特点,可以应用于在复杂环境中探索最优解,帮助解决综合能源系统智能化运行调度问题。因此本论文围绕基于机器学习技术的综合能源系统智能调控方法展开研究,主要内容如下:（1）针对综合能源系统负荷侧用户,研究能源市场交易环境下综合能源系统终端用户的行为决策问题。本文首先提出了具有本地储能池的能源共享社区框架,该框架基于能源池定价机制将本地能源池的能源价格维持在合理范围内,从而激励用户更多地从本地能源池购入能源,提升新能源消纳率。其次,本文研究用户端实时决策算法,帮助社区用户实现从消费者到生产者的角色转变,更多地参与能源市场交易,在智能存储和控制设备的辅助下,节约用能成本。最后在所提供的算例中验证了框架和算法的可行性和有效性。（2）针对综合能源系统的源侧设备,研究可用于解决综合能源系统设备经济性调度问题的强化学习算法。首先将综合能源系统经济调度问题建模为无限马尔可夫决策过程,并设置相应约束以模拟实际运行中的可行域。接着,针对深度强化学习中的近端策略优化算法设计了分布式训练架构,从而提高算法训练过程的数据收集速度,训练速度和收敛性,使得该算法可以适用于综合能源系统经济调度问题。最后将所提出的方法应用于综合能源系统测试算例进行数值验证,并与基于数值优化的算法进行比较。（3）针对综合能源市场投标决策,研究基于图神经网络的信息交互层。基于博弈论的求解方法需要假设市场参与者之间信息完全共享,不符合实际市场中的竞争环境;而基于代理的求解方法假设市场参与者之间处于完全竞争关系,信息互相隔离,与实际市场环境中的参与者处在“合作与竞争”并存的关系下不符。本文在基于代理的综合能源市场投标决策求解方法的基础上,提出了基于图神经网络的局部信息交互层,使得能源市场内邻居节点之间的信息可以有效共享,提升最终决策效果。最后在14节点系统和35节点的电热联产系统中验证了所提方法的有效性,并与基于博弈论的方法进行对比。