作为能源领域的一项技术创新,综合能源系统的发展影响着人类的社会生活。综合能源系统的供能与用户各类负荷需求之间的动态平衡对于系统的供能质量至关重要,而综合能源系统多元负荷短期预测正是解决上述动态性问题的主要措施,因此其成为了综合能源系统方面的重要研究领域。为了提高多元负荷预测的精度,需要在预测之前对各负荷的特性进行分析。文中,首先通过不同的负荷指标分析了各类负荷的负荷特性,对负荷的变化规律进行了研究。其次,采用经Copula理论导出的Spearman系数,对多元负荷之间以及多元负荷与气象因素之间的非线性相关关系进行了定量分析。为了改善模型的学习和泛化能力,基于多元负荷之间以及多元负荷与天气因素之间存在的非线性耦合,文中选择能够处理非线性数据的核主成分分析法(KPCA)进行对原始数据的降维解耦,并选择广义回归神经网络(GRNN)实现对于多元负荷的短期预测。通过算例分析,可知KPCA-GRNN模型相比于PCA-GRNN模型以及GRNN模型,能够更加准确地实现多元负荷的预测。在研究分析了GRNN模型之后,针对其存在的不足,构造了一种改进广义回归神经网络(IGRNN)模型,在GRNN的基础上,对其模式层进行了多带宽拓展,并在模式层与求和层之间引入了筛选层,增强模型对有效量与干扰量的甄别能力。在剖析蝙蝠算法(BA)的数学原理之后,基于其存在的缺陷,对其进行了引入惯性权重因子和学习因子以及增加方向约束的改进,并将改进后蝙蝠算法(IBA)作为IGRNN模型的优化训练方法,实现对综合能源系统的多元负荷短期预测。通过算例仿真,与其它模型进行对比,文中提出的KPCA-IBA-IGRNN模型具有较高的预测精度,具有一定的理论意义。