随着能源利用技术的发展,为提升能源供应环节效率、降低用户用能行为的不确定性,综合能源系统受到越来越多的关注。此外,传感器及工业物联网技术的发展使得综合能源系统中量测种类越发丰富、采样频率越来越高,随着大数据积累,从用户用能数据中挖掘数据价值逐渐成为了研究的热点问题。在综合能源系统大数据背景下,开展用能行为分析与预测,有助于系统的经济稳定运行。本文首先对综合能源系统的数据进行清洗,并根据清洗后的数据开展后续用能行为关联分析与多能负荷预测,主要工作如下:（1）针对综合能源系统中存在的数据缺失异常问题,本文提出了一种基于STL分解及MICE多重填补模型的综合能源系统多元负荷数据联合清洗方法。首先对真实的建筑能源消耗数据集开展缺失异常情况分析,然后提出了一种基于孤立森林的多元数据异常值检测算法,使用STL对外部数据进行处理,通过MICE多重填补模型对多元数据进行清洗。所提数据清洗方法考虑了多元负荷的耦合特性,有助于提高数据修复的准确性。（2）针对用户多元用能需求与用能行为分析不足的问题,提出了一种基于FP-growth算法的综合能源系统负荷等级关联分析方法。首先基于k-means对冷、热、电负荷数据进行离散化,得到多能负荷等级的划分方法;然后采用基于熵的离散化方法对气象数据进行离散化;最后依据不同负荷等级的占比分布确定最小支持度和最小置信度,进行综合能源等级关联分析。所提方法能够挖掘出用户用能行为之间及其与外部因素之间的关联性,为理解用户用能行为提供了参考。（3）针对综合能源系统中用户多种用能负荷预测问题,本文提出了一种基于MMoE多任务学习策略与注意力机制的超短期多能负荷预测方法。使用MMoE模型充分考虑三类负荷间的强相关关系和弱相关关系,结合GRU网络建立负荷预测模型,并加入注意力机制提高模型的预测性能。所提方法能够充分考虑综合能源系统中冷、热、电负荷之间的耦合特性,提高了多能负荷预测精度,降低了建模复杂度。