1.一种基于时空图神经网络的多能源负荷预测方法，通过时空图神经网络捕捉综合能源系统中电、热、冷负荷分别与各气象特征与日历特征的依赖关系，实现多能源负荷预测模型预测性能的优化，其特征在于，包括以下步骤：S1：从现有综合能源系统数据库中先选取日历特征数据，然后获取对应时间的电、热、冷负荷历史数据，再获取综合能源系统所在地的各气象特征数据；

S2：分别对获取到的电、热、冷负荷历史数据、各气象特征数据进行数据预处理，得到时间序列数据集；

S3：使用灰色关联度分析法，以步骤S2得到的时间序列数据作为输入，得到电、热、冷两两负荷之间，以及每种负荷分别与各气象特征、日历特征的关联度，然后根据灰色关联度分析的结果和预设的关联度选择阈值，选出与每种负荷特征关联度都不小于关联度选择阈值的气象特征和日历特征，再将所选气象特征、日历特征对应的时间序列数据与各负荷特征的时间序列数据组合，构成多能源负荷预测数据集；

S4：将多能源负荷预测数据集中的数据按照预设比例划分为训练集、验证集和测试集，同时，搭建时空图神经网络负荷预测模型；利用训练集和验证集中的数据对时空图神经网络负荷预测模型进行训练，在对时空图神经网络负荷预测模型进行训练的过程中优化模型的参数和超参数，得到最优时空图神经网络负荷预测模型；

S5：将测试集中的数据输入到最优时空图神经网络预测模型，得到电、热、冷负荷的归一化预测结果，再对电、热、冷负荷的归一化预测结果进行反归一化处理，得到最终电、热、冷负荷的预测值；

S4中所述的时空图神经网络负荷预测模型包括图学习模块、特征注意力模块、图卷积模块、时序卷积模块；训练集中的数据输入图学习模块学习训练，图学习模块从训练集中提取各气象特征和日历特征与负荷之间的动态时空关系，得到邻接矩阵；时序卷积模块提取高层次的时间特征；特征注意力模块计算各气象特征和日历特征与负荷间相互影响的权重，充分挖掘气象特征和日历特征分别与电、热、冷负荷的相关性，自动选取与最终预测电、热、冷负荷相关性强的气象、日历特征；时序卷积模块、特征注意力模块和图卷积模块交错使用，以分别捕捉时间和空间上的依赖关系；在时序卷积模块的输入端和图卷积模块的输出端之间增加了残差连接，用于避免梯度消失的问题；

S4中对时空图神经网络负荷预测模型进行训练包括：

S4.1、采用网格搜索法确定时空图神经网络负荷预测模型的超参数，超参数包括卷积通道数、学习率、图卷积模块的层数、时序卷积模块的层数；

S4.2、将训练集中的数据输入时空图神经网络负荷预测模型，输出电、热、冷负荷的预测值，进行时空图神经网络负荷预测模型学习训练；

S4.3、将验证集中的数据输入时空图神经网络负荷预测模型，调整模型的超参数的同时对时空图神经网络负荷预测模型的预测能力进行评估；

步骤S4中训练集中的数据输入图学习模块学习训练，具体为：设置了一个超参数周期P，将训练的MTS分割成 段，在得到时间序列段后，将这些段连接起来，得到一个四维张量 使用二维卷积和两个全连接层来转换四维张量，输入通道的数量是S，而输出通道的数量是要得到的图的数量，这些图构成图集A；

通过特征注意力模块来捕捉空间维度上节点之间的动态关联：

首先，先将X转化成Q，K两个特征空间，公式如下：

Q(X)＝(X·WQ1)·WQ2

K(X)＝X·WK

然后，计算出特征注意力的权重，公式如下：

T

G＝Q(X)·K(X) +bs

最后，将特征注意力权重αi,j乘以F，以计算特征注意力模块的输出，同时把αi,j乘以邻接矩阵进一步的增加重要特征的权重：F′＝αi,j·F

adj′＝αi,j·adj

T C×T C b×N×N

其中F是特征注意力模块的输入，WQ1∈R，WQ2∈R ，WK∈R，bs∈R ，adj是邻接矩阵。

2.根据权利要求1所述的一种基于时空图神经网络的多能源负荷预测方法，其特征在于，所述S2包括以下步骤：S201：根据国际计量单位换算方法，将获取到的电、热、冷负荷数据的单位统一换算成以KW作为单位；换算公式如下：

1KW＝3.4mBtu/h＝0.284ton‑hr

其中，KW为电负荷单位、mBtu/h为冷负荷单位、ton‑hr为热负荷单位；

S202：对单位统一的电、热、冷负荷数据和各气象特征数据，分别都使用箱线图四分位检测法和一阶指数平滑法检测时间序列异常值；如果检测到时间序列异常值，将该时间序列异常值设为Nan，再采用线性插值法填补Nan，以得到电、热、冷负荷和各气象特征的样本数据；

S203：对电、热、冷负荷、各气象特征的样本数据分别做归一化处理，得到电、热、冷负荷数据、气象特征数据和日历特征数据的时间序列数据集；归一化处理公式如下：其中，x为各负荷特征或气象特征或日历特征，xmin为各负荷特征或气象特征或日历特征的最小值，xmax为各负荷特征或气象特征或日历特征的最大值，xnom归一化后数据。

3.根据权利要求1所述的一种基于时空图神经网络的多能源负荷预测方法，其特征在于，S5中的反归一化处理公式如下：ym＝yn*(ymax‑ymin)+ymin

其中，yn为基于时空图神经网络的多能源负荷预测数据，ymin为多能源负荷预测数据的最小值，ymax为多能源负荷预测数据的最大值，ym为反归一化后的预测数据。