城市燃气管网系统是城市重要的能源供应系统。燃气负荷预测是其非常重要的功能,对城市燃气合理并安全的利用具有举足轻重的意义。在现今众多的燃气预测方法中,门控循环单元（GRU）已经成为一个主流方法,能较好的挖掘燃气负荷数据的自相关特征及其他特征。本文在采用GRU进行燃气负荷预测的研究中发现该方法在时序维度上捕获信息的能力仍旧显得较弱,很难得到精确的预测结果。对此常用的解决方法是采用注意力机制强化时序信息的挖掘能力。本文主要工作是设计有效精确的燃气负荷预测模型并对其中注意力提升机制进行研究改进,提出基于距离相关系数的注意力评价函数并引入自变窗口改进注意力的关注范围使注意力机制更有效的挖掘数据信息,从而更好地与GRU协同工作;并在以上工作基础上,采用基于双重注意力的方案完善优化燃气负荷预测模型。整个研究工作使用实际燃气负荷数据进行了验证,其中对注意力机制的研究中也同时采用了公开数据进行了验证对比试验。本文的创新点如下:（1）提出了基于距离相关系数的注意力评价函数。基于距离相关系数的注意力评价函数与常用评价函数（点积、余弦相似度等）不同,它通过计算两个变量在空间中的距离相关性来衡量两者之间的相似度,从而能够捕捉变量之间的线性和非线性关系,弥补了现有注意力机制中常用评价函数各自存在的缺陷。（2）设计了基于自变窗口（SVW）的注意力提升方法。该自变窗口是一种以时间序列当前时刻为固定起点的单向伸缩窗口,窗口的大小代表了注意力关注的范围并通过模型预测的结果自适应调节,进一步突出了关键时刻的影响力,解决了传统全局注意力计算开销大且存在注意力泛化的问题。（3）为达到更好的预测效果,本文结合燃气数据的特性,对基于GRU的模型结构作出改进调整,采用基于双重注意力的方案改进优化燃气负荷预测模型。利用特征注意力和时序注意力分别挖掘特征信息的关联性和时序信息的依赖性,双维度强化了GRU网络对燃气数据潜在信息的深度挖掘能力。本文所设计的针对燃气负荷数据的预测模型与长短期记忆网络（LSTM）、梯度提升决策树（GBDT）等常用负荷类预测模型对比实验表明,其预测效果较好,平均绝对百分比误差（MAPE）相较其他对比模型中最优值低14.38%。