1.一种综合能源系统多元负荷预测方法，其特征在于，包括：

步骤S1、获取综合能源系统数据，所述综合能源系统数据包括历史电负荷数据、历史热负荷数据、历史冷负荷数据、系统内气象数据；

步骤S2、根据所述综合能源系统数据对各气象因素与负荷进行相关性分析，从系统内气象数据中筛选出强相关性的历史气象因素数据；

步骤S3、基于所述历史气象因素数据和历史电负荷数据、历史热负荷数据、历史冷负荷数据，构建多元负荷耦合特征矩阵；

步骤S4、根据气象因素数据对多元负荷耦合特征矩阵利用自适应K‑means聚类算法进行聚类，得到聚类后的多元负荷耦合特征矩阵；

步骤S5、将聚类后的多元负荷耦合特征矩阵输入预训练好的Attention‑BiGRU预测模型进行预测，得到负荷预测结果，所述负荷预测结果包括电负荷、热负荷、冷负荷预测结果。

2.根据权利要求1所述的综合能源系统多元负荷预测方法，其特征在于，步骤S2中，所述相关性分析利用灰色关联度通过样本序列几何形状的相似度判断两者相关性程度：其中，ξi为关联系数，γi为关联度，xi(k)，x0(k)为样本序列，ρ为分辨系数，取为0.5，n为序列个数。

3.根据权利要求2所述的综合能源系统多元负荷预测方法，其特征在于，步骤S3中，多元负荷耦合特征矩阵由三部分组成，第一部分是历史电负荷、热负荷、冷负荷矩阵，第二部分是电负荷、热负荷和冷负荷三者乘积得到的多元负荷乘积矩阵，第三部分是筛选出的历史气象因素矩阵，多元负荷耦合特征矩阵X表示为：式中，Xe为电负荷，Xh为热负荷，Xc为冷负荷，Xo为前一时刻电负荷、热负荷和冷负荷三者乘积，Xw为气象因素。

4.根据权利要求3所述的综合能源系统多元负荷预测方法，其特征在于，步骤S4中，所述自适应Kmeans聚类算法是通过迭代的方式将无标签的M个样本聚集通过成k个簇，每个数值会被划分到类簇中心距离最小的簇中，通过误差平方和及轮廓系数两种指标综合考虑选取k值。

5.根据权利要求4所述的综合能源系统多元负荷预测方法，其特征在于，步骤S4中，自适应Kmeans聚类算法包括：初始化k个聚类中心Ck＝[C1,C2,…,Ck]，其中,计算每个数值到每个聚类中心的欧氏距离dis，表达式为：其中，Xi表示第i个对象，Cj表示第j个聚类中心，n表示每个对象的属性个数，Xit表示第i个对象的第t个属性，Cjt为第j个聚类中心的第t个属性；

所述误差平方SSE和及轮廓系数S计算公式为:

其中，p是类簇Ci中的样本点，mi是Ci的类簇中心；a是样本与同簇的其他样本的平均距离，b是样本与最近簇中所有样本的平均距离。

6.根据权利要求1所述的综合能源系统多元负荷预测方法，其特征在于，步骤S5中，所述Attention‑BiGRU预测模型依次包括输入层、双层双向门控循环单元BiGRU层、注意力attention层、dropout层、全连接层和输出层；

将所述聚类后的多元负荷耦合特征矩阵通过输入层输入双向门控循环单元BiGRU；

所述双向门控循环单元BiGRU层，用于提取时间特征信息；

所述注意力attention层，用于在预测过程中利用注意力机制将BiGRU层提取的时间特征信息赋予权重；

所述dropout层是通过适当丢弃神经元防止过拟合现象；

所述全连接层是通过提取特征之间的关联映射到输出层；

所述输出层用于输出负荷预测结果。

7.根据权利要求6所述的综合能源系统多元负荷预测方法，其特征在于，所述双向门控循环单元BiGRU是在门控循环单元GRU的基础上，构建两个单向的、方向相反的门控循环单元GRU组成的神经网络模型，并且其输出由两个GRU的状态共同决定；

GRU通过上个传输下来的状态ht‑1与当前节点BiGRU层的输入xt获取门控状态，分别为重置门和更新门，重置门和更新门通过控制单元遗忘和更新隐藏状态，计算方式为：rt＝σ(xtWir+ht‑1Whr+br)

zt＝σ(xtWiz+ht‑1Whz+bz)

其中，rt为重置门，zt为更新门，σ为sigmoid函数，Wir，Whr为重置门中的权重矩阵，Wiz，Whz为更新门中的权重矩阵，br,bz分别为重置门和更新门中的偏置向量；

经过重置更新后的输入数据为ht‑1经过遗忘和选择记忆过程后得到的当前藏状态ht传递给下一节点得到候选隐藏状态，rt与ht‑1按元素点乘，当重置门rt中元素接近0时，则遗忘上一时刻隐藏状态，隐藏状态ht是通过更新门zt分别与上一时刻隐藏状态ht‑1与候选隐藏状态 联合得到的，得到的隐藏状态ht作为当前层的输出传递到下一时刻隐藏层中，计算公式如下：其中， 为候选隐藏状态，ht为当前隐藏状态，作为BiGRU层的输出，Wxh，Whh为候选隐藏状态的权重矩阵，bh为候选隐藏状态的偏置向量。

8.根据权利要求5所述的综合能源系统多元负荷预测方法，其特征在于，所述注意力attention层的处理过程包括：et＝utanh(wht+b)

其中，ht为t时刻BiGRU层的输出，et表示t时刻时由神经网路输出向量ht的权重矩阵，u,w为权值矩阵，b为偏置量，αt为历史输入的隐藏层状态对当前输入的注意力权重，v为t时刻attention层输出。

9.一种综合能源系统多元负荷预测装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至8一项所述方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。