1.一种基于组合预测模型的综合能源系统多元负荷预测方法，其特征在于，包括以下步骤：（1）获取某区域综合能源系统中的冷热电负荷和影响因子的历史数据，建立特征数据库；

（2）构建一个Informer预测模型，建立基于全局时间戳和局部时间戳的输入表示模块，以此来提取影响因子数据，经过编码器的多头自注意力和自注意蒸馏机制降低复杂度，使得模型能够学习长时间序列数据的时间依赖性，最终通过多头注意力和特征进行交互，直接一次生成输出；

（3）利用Spearman相关性系数分析冷热电负荷之间的耦合性，建立三个独立的冷热电负LSTM预测模型同时训练，依据冷热电三负荷相关性分析的结果建立共享学习层，将LSTM的输出输入到共享学习层训练，从而提取冷热电负荷的周期性和耦合性特征来进行冷热电多元负荷预测；

（4）建立支持向量机模型，把Informer和LSTM的结果作为输入，进行组合均分训练，从而得到最终的预测结果。

2.根据权利要求1所述的一种基于组合预测模型的综合能源系统多元负荷预测方法，其特征在于，所述步骤（1）具体为：对某区域综合能源系统中的冷热电负荷和影响因子的历史数据进行整理；所述历史数据包括某区域的综合能源系统的冷热电历史负荷数据、对应的气象因子数据、对应的影响因子数据；对样本集进行去异常值和数据补全；

（1.1）运用拉依达准则法，给定一个置信概率，并确定一个置信限，凡超过此限的误差，就认为它不属于随机误差范围，将其视为异常值剔除，得到历史冷热电负荷数据、影响因子历史数据；

（1.2）在剔除异常值的基础上，采用Newton插值法分别对多元负荷历史数据、气象因子历史数据、节假日及特殊日历史数据中的缺失数据进行填补，得到按照年、月、周、日时间序列排布的处理好的完整的历史多元负荷数据和历史影响因子数据；

（1.3）将已经清洗完的历史负荷数据和影响因子历史数据进行归一化处理，所述归一化公式如下： ；

其中， 是标准化前的数据， 是对应的归一化数据， 和 是序列中的最小值和最大值。

3.根据权利要求1所述的一种基于组合预测模型的综合能源系统多元负荷预测方法，其特征在于，所述步骤（2）具体为：（2.1）构建一个Informer预测模型，建立基于全局时间戳和局部时间戳的输入表示模块，以此来提取长时间序列中的长期依耐性，具体步骤为：Informer模型的输入表示模块由标量投影、局部时间戳和全局时间戳三个部分叠加而成；时间序列 中t时刻的标量值 ，标量映射是利用 个一维卷积滤波器将 投影为维的矢量，记为 ，其中 为输入，表示模型的维度；

时间序列 中t时刻的局部时间戳为该时刻在时间序列中的固定坐标编码：；

其中，pos为整数，表示t时刻在序列中的固定位置， ， 为输入序列的长度，在编码器和解码器的输入序列进行表示时， 的取值为输入序列的长度；全局时间戳则是月、周、天和小时四种类型时间戳的和，每一种时间戳 都由pytorch包计算得来；

最后，输入序列 中t时刻的输入表示结果为：

；

其中， 是标量投影系数；为标量投影， 为局部时间戳， 为全局时间戳，为输入序列的长度；

（2.2）编码器在输入的全局时间序列中，选取与负荷有强相关性的样本数据进行自注意力的计算，利用概率稀疏自注意力机制降低计算复杂度；计算结果再进入自注意力蒸馏层，再次降低复杂度；

（2.3）连接所有的多头自注意力层的特征量，输入到Informer模型的解码器中；解码器的输入为待测时刻之前一定长度的时间序列和与待测序列等长的0序列，Informer的解码器采用遮挡注意力机制；最终以解码器的全连接层直接一次输出最终的预测结果；

Informer模型的目标函数为均方误差，定义为： ；

其中，和 分别表示第i个输入序列中第j时刻的真实值和预测值， 为待测序列的长度；通过最小化MSE实现Informer模型参数的训练。

4.根据权利要求1所述的一种基于组合预测模型的综合能源系统多元负荷预测方法，其特征在于，所述步骤（3）具体为：（3.1）利用Spearman相关性系数分析冷热电负荷之间的相关性，从而确定其耦合特性，其计算公式为： ；

其中， 表示第i个数据对的位次差之值，n为总的观测样本数；

（3.2）利用三个LSTM模型，将多元负荷数据作为输入变量，冷热电三类负荷各自作为输出变量，进行负荷数据的特征提取，然后将结果输入到共享学习层进行训练。

5.根据权利要求1所述的一种基于组合预测模型的综合能源系统多元负荷预测方法，其特征在于，所述步骤（4）具体为：（4.1）把Informer和LSTM的结果作为输入，进行组合均分训练，从而得到最终的预测结果，具体步骤如下：样本数据集为 ， 为输入训练数据， 为输出预测数

据，n为样本数量；SVM采用下式来建模，即： ；

其中， 、 、 为输入数据； 为函数得到的预测值即 ；利用下述公式求解未知参数 和 ，即：；

式中， 为反映函数； 为高维空间平坦的复杂性； 为损失函数；Z为惩罚因子 且为正数 ；引入拉 格朗日函数 ，得到最 终的模型 解形式为 ：；

式中， ， 是上式中待求解参数的解； ， 是对偶模型的最优解； 为核函数；

则第n+1个点的预测值如下式所示：

；

通过v‑SVR回归预测模型，核函数选择 RBF 核函数，如下式所示：；

通过试验法确定RBF核函数中gamma函数取值范围为 ；惩罚因子Z的计算公式如下式所示：；

寻找最优分类超平面，得到 ， ， ，输出SVM模型的预测值 。

6.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑5中任一项所述的一种基于组合预测模型的综合能源系统多元负荷预测方法。

7.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑5中任一项所述的一种基于组合预测模型的综合能源系统多元负荷预测方法。