近年来,综合能源系统（Integrated energy system,IES）作为一种实现能源互联网多能互补特性的能源管理形式在国内外得到迅速发展。同时,随着分布式可再生能源的迅速发展,综合能源系统逐渐发展为集可再生能源、电能、热能和天然气为一体的能源系统。综合能源系统中用户多能源之间的空间耦合特性以及时间序列上的随机性和可变性,使得多能源时间序列的准确预测变得更加困难。针对综合能源系统海量用户多能源时间序列综合预测问题,本文的研究工作如下:针对综合能源系统海量多能源用户用能行为特性分析问题,提出了一种考虑多维数据耦合的聚类分析方法。首先基于Copula函数对多能源用户电-热-气-光时间序列之间的耦合特性进行了量化分析,并将其量化值纳入多能源特性指标,从而提取多能源用户用能行为特征。然后建立了多能源用户分层聚类框架,并提出了一种自适应k-means聚类算法。最后通过仿真分析得到了典型聚类结果,为用户多能源时间序列预测模型数据集的构成及多能源综合预测提供了理论依据。针对综合能源系统多能源用户电-热-气-光时间序列预测问题,提出了一种基于胶囊神经网络（Capsule neural network）的综合预测方法。首先通过卷积运算提取多能源用户电-热-气-光时间序列之间的耦合特征。然后利用多维时间胶囊封装多能源耦合特征的时间序列信息,并通过动态路由机制进行学习,从而基于提取的多能源耦合特征捕获非线性时间相关性。接着采用全连接线性回归层来整合耦合-时间特征并生成最终预测结果。此外,采用双层迭代训练方法来调整模型参数并加快收敛速度。最后利用用户实际多能源数据进行仿真结果对比分析,验证了本文所提基于胶囊神经网络的多能源时间序列综合预测方法的可行性和有效性。针对综合能源系统分散式异构用户群体的多能源时间序列预测问题,提出了考虑多用户时空耦合的分布式预测方法。首先对多用户多能源的时空相关性进行了量化分析,其次将来自分散式用户的多能源时间序列数据转换为三维空间中的时间顺序图像,通过卷积运算提取图像中隐含的耦合-空间特征,然后利用动态路由机制提取多用户多能源耦合-空间特征上的时间特征,并由Leaky Re LU函数激活的回归层整合了耦合-时空特征并生成最终的预测结果。最后通过仿真结果对比分析,验证了本文所提多能源时间序列分布式预测方法的有效性和优越性。综上所述,本文围绕综合能源系统海量异构多能源用户电-热-气-光时间序列预测展开研究,基于胶囊神经网络,提出了考虑多用户多能源耦合-时空特征的综合预测模型,提高了多用户多能源时间序列预测的准确率,为综合能源系统能源中心对多能源用户的用能管理及规划提供了理论依据。