La predicción precisa de la carga puede aportar beneficios económicos y optimización de la programación. La complejidad e incertidumbre que surgen de la combinación de diferentes fuentes de energía en sistemas energéticos integrados plantean desafíos para predecir simultáneamente múltiples secuencias de carga objetivo. Los métodos existentes basados en datos para la predicción de carga en sistemas energéticos integrados utilizan el aprendizaje multi-tarea para abordar estos desafíos. Al determinar los datos de entrada para el aprendizaje multi-tarea, la investigación existente se basa principalmente en el análisis de correlación de datos y considera la influencia de factores ambientales externos en términos de ingeniería de características. Sin embargo, tales métodos de ingeniería de características carecen de la utilización de las características de las secuencias de múltiples objetivos. Al aprovechar las características de las secuencias de múltiples objetivos, los modelos de generación de lenguaje entrenados en estructuras lógicas textuales y otras características de secuencia pueden generar datos sintéticos que incluso se pueden aplicar al autoaprendizaje para mejorar el rendimiento del modelo. Esto proporciona una idea para la ingeniería de características en modelos de pronóstico de series temporales basados en datos. Sin embargo, debido a que los datos de series temporales son diferentes de los datos textuales, los modelos de generación de lenguaje basados en transformadores existentes no pueden aplicarse directamente a la generación de datos de series temporales. Para considerar las características de las secuencias de carga de múltiples objetivos en la predicción de carga del sistema energético integrado, este documento propuso un modelo de red generativa tractiva (GTN). Al utilizar selectivamente datos de características autorregresivas apropiados para datos temporales, este modelo facilita la extracción de características de datos de series temporales. Este modelo es capaz de analizar las variaciones de los datos temporales, generando nuevos datos sintéticos de series temporales que se alinean con los patrones temporales intrínsecos de las secuencias originales. Además, el modelo puede generar muestras sintéticas que imitan de cerca las variaciones en la serie temporal original. Posteriormente, a través de la integración del GTN y los datos de características autorregresivas, se emplean varios modelos de predicción en estudios de caso para afirmar la efectividad de la metodología propuesta.