基于能源互联网的园区综合能源系统主要包括电力、燃气、水能、热能等多种能源体系,其目的在于能实现不同类型的能源相互协调并提高能源利用效率。针对能源互联网综合能源用能感知主要是研究用能数据的采集、修正,进而对用户的用能情况进行预测,实现用户用能的优化。负荷数据的准确且实时感知是基础。负荷数据准确程度会直接影响到区域内综合能源系统的规划、运行以及预测。因此,综合能源负荷用能感知的研究有着显著意义。综合能源用能感知主要由用户侧能耗数据采集监测点优化布置、异常负荷数据的修正与去噪以及负荷短期预测组成。监测点布置和异常负荷数据修正去噪都是为了提高采集的负荷数据的质量,保证了负荷预测中使用的历史负荷数据更具可靠性,以减小负荷预测结果的误差。在采集监测点方面,本文将从监测点的位置、数量以及效果上进行了研究;在采集监测到的负荷数据中存在的异常数据上,本文从异常数据负荷识别修正与去噪的方面进行了研究;在多能源负荷预测方面,本文利用深度学习的方法进行负荷预测,并得到比较好的效果。本论文的主要研究内容有:1.针对本课题的研究背景和意义进行说明,接着分别对负荷监测点、负荷数据识别与修正、负荷数据去噪以及负荷预测的研究现状进行了分析,明确了主要的研究方向和方法。2.本文通过对用户侧能耗数据采集监测优化布置方法的分析和比较,最终选定了监测设备,并对监测设备安装的监测点进行三次布置优化,使得监测点的位置更优,监测设备数量更少,监测效果上更好。3.针对监测采集到的异常负荷数据进行分类和识别。本文主要采用密度估计法对异常数据进行识别,再用加权平均值对坏负荷数据进行修正;对畸变数据类型,主要采用小波阈值法进行去噪处理。4.介绍和分析了负荷预测的基础理论,接着介绍了基于深度学习的多能源负荷预测方法。根据实际案例分析,对比了浅层学习算法和深度学习算法的预测效果,也分析了多任务学习较单任务学习的优势,预测结果满足预测误差范围。