1.一种基于DTformer的短期多能源负荷预测方法，其特征在于，包括以下步骤：（1）获取与日历特征相关的数据及气象数据；

（2）分别对获取到的电、热、冷负荷历史数据、各气象特征数据和日历数据进行缺失值填充和异常值处理得到经过清洗的时间序列数据集；

（3）利用最大信息系数评估多个能源负荷之间的耦合关系以及与各气象特征之间的相关性；选出与多个能源负荷之间相关性较强的气象数据作为DTformer负荷预测模型的输入；

（4）对DTformer负荷预测模型的输入数据进行了归一化处理；构建DTformer预测模型并进行训练，得到电、热、冷负荷的归一化预测结果；

（5）对归一化的预测结果进行反归一化处理，获得最终的电、热、冷负荷的预测值。

2.根据权利要1所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，所述步骤（1）与日历特征相关的数据包括：相应时间点的电、热、冷负荷的历史数据；其中，日历特征包括：是否为周末，是否为假期；气象数据包括：露点、风速、降水量、风向、湿度、温度、大气压。

3.根据权利要1所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，所述步骤（2）包括以下步骤：（21）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，公式如下：；

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；

（22）对于统一计量单位的历史负荷数据和气象数据使用绝对中位差检测时间序列中的异常值；当某个数据点被判定为异常值时，将其标记为缺失值，然后利用线性插值法对这些缺失值进行填补。

4.根据权利要1所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，所述步骤（3）中，最大信息系数公式如下：；

；

其中， 为变量x和y的联合概率； ， 分别为向量x和y的边缘概率；

取值范围介于0，1之间，表示两变量之间相关性的强弱。

5.根据权利要1所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，所述步骤（4）包括以下步骤：（41）对电、热、冷负荷和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为原始数据， 是归一化数据， 为原始数据的平均值，为原始数据的标准差；

（42）将得到的时间序列数据集划分为按照8：1：1将数据集划分为训练集、验证集和测试集；构建DTformer预测模型并进行训练；DTformer负荷预测模型包括：补丁嵌入模块、双注意力变量模块、最优时间窗口注意模块和输出模块；补丁嵌入模块将输入的多能源负荷序列通过补丁嵌入模块嵌入到3D向量数组中，保留时间和变量信息；双注意力变量模块捕获不同变量之间的依赖性；最优时间窗口注意力模块捕获时间上的长期依赖性；输出模块将模型在训练过程中学习到的信息生成相应的预测值。

6.根据权利要5所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，所述双注意力变量模块由多头注意力机制、残差设计的层归一化层，以及前馈网络构成，具体如下：设有 N 个Transformer 编码层，第i个Transformer  编码层的输入为：，则双注意力变量模块如下：

；

其中， 为双注意力变量模块的输入，的操作是将第1维与第2维互换，得到 ，矩阵 表示可学习的参数，c为超参数；

是 的输出； 是 的输出，

表示Layer Normalization用于解决梯度消失和梯度爆炸问题，同时加速神经网络的训练；

表示多层前馈网络，在得到 后，通过操作将第1维与第

2维互换，得到 。

7.根据权利要5所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，所述最优时间窗口注意力模块包括：最优时间窗口注意力、经过残差设计的层归一化，以及前馈网络构成；具体如下：设有  N 个Transformer 编码器层，第i个Transformer 编码器层的输入为：，公式如下：

；

其中，  为最优时间窗口注意力的输入，

为 的输出； 表示Layer Normalization用于解决梯度消失和梯度爆炸问题，同时加速神经网络的训练； 表示多层前馈网络；将 与进行残差连接，并在连接后应用Layer Normalization,得到输出。

8.根据权利要7所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，所述最优时间窗口注意力的计算量包括线性投影、区域到区域路由和令牌到令牌注意力；公式如下：；

上述等式当且仅当 成立；

其中， 表示标记嵌入的维，N为输入序列的长度， k 表示参与的区域数"top‑k"中的 "k"，S为非重叠区域的个数；若 最优时间窗口注意力的复杂度将达到。

9.根据权利要8所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，线性投影具体如下：设给定一个输入 ；首先，将其分割成 S个非重叠区域，每个区域包含 个特征向量；然后，通过线性投影导出查询、键、值张量；线性投影公式如下：；

其中， 分别是查询、键、值的投影权重；

区域到区域路由具体如下：首先，计算每个区域的 和的平均值，得到区域级查询和键 然后，使用

计算区域之间的权重矩阵 ；使用 得

到每个区域的前k个最重要权重矩阵的索引，其中， ；

令牌到令牌注意力具体如下： 和 进行收集

操作，得到 和 ；其中， 和 表示已

经收集好的键和值张量；将已收集的键值对应用于注意力机制，表示为：。

10.根据权利要1所述的一种基于DTformer的短期多能源负荷预测方法，其特征在于，所述步骤（5）中，反归一化处理公式如下：；

其中， 为基于DTformer的多能源负荷预测数据，为原始数据的平均值， 为原始数据的标准差，y为反归一化后的电、冷和热负荷预测数据。