区域综合能源系统（District-level Integrated Energy System,DIES）在现代能源体系中占有重要地位,且DIES因多能流耦合、多系统融合的形态使负荷特性多变,影响因素复杂,非线性化强。为了更好的保持DIES供能与需求的动态平衡,需要更精确的DIES多元负荷短期预测。文章针对DIES的特点,进行DIES多元负荷短期预测研究。首先对DIES负荷进行特性分析,采用灰色关联度分析（Grey Relation Analysis,GRA）法对多元负荷及气象因素间的相关耦合性做定量分析。依据分析结果,构建了基于GRA法与LSTM结合的DIES多元负荷短期预测模型,该模型利用长短期记忆（Long Short Term Memory,LSTM）神经网络在处理时间序列中间隔或延迟较长的样本和非线性数据方面的优势对DIES多元负荷进行短期预测。通过算例分析结果表明,基于GRA法与LSTM结合的DIES多元负荷预测模型具有较好的预测精度。LSTM网络模型因存在三个门控结构和保留时间特性信息而造成运算量大且误差下降缓慢等问题,为提高模型预测水平,本文对LSTM模型进行改进,构建了基于PSO-Att-ALSTM的DIES多元负荷短期预测模型。在LSTM预测模型中加入注意力层和Dropout层,注意力机制可赋予模型隐含层不同的权重,Dropout层可对模型正则化,采用粒子群算法（Particle Swarm Optimization,PSO）对预测模型参数进行优化,采用Adam算法优化更新模型的权重和阈值。算例仿真结果表明,本文提出的PSO-Att-ALSTM预测模型有效提高了预测精度。为进一步提高模型的预测效果,考虑到多元负荷间的耦合性和复杂性,在PSO-Att-ALSTM 模型的基础上融入卷积神经网络（Convolutional Neural Networks,CNN）模型,构建了基于CNN与PSO-Att-ALSTM结合的DEIES多元负荷短期预测模型,用以提高模型对原始样本数据特征提取的能力。将两个模型优势互补,利用CNN模型对特征信息提取的优势,对输入样本数据进行降维解耦、特征提取,利用LSTM模型挖掘时间序列间的关联信息,对多元负荷进行预测。通过算例分析结果表明,融入CNN后的预测模型具有更好的预测精度,证明了该模型的可行性,为之后的DIES多元负荷预测的研究提供一定的参考意义。