La previsión de carga para Sistemas de Energía Integrados (IES) es crítica para permitir la optimización coordinada de múltiples energías y la programación de bajo carbono. Frente a múltiples tipos de carga y datos heterogéneos de alta dimensión y múltiples sitios, sigue existiendo un desafío de aprendizaje global derivado de la representación insuficiente de las características de acoplamiento espaciotemporal. En respuesta a las características heterogéneas de múltiples fuentes de las cargas de IES, este artículo diseña un Codificador de Topología Espaciotemporal que mapea los datos de carga en una representación topológica espaciotemporal de múltiples energías tensorizada a través de clasificación difusa y clasificación multiescalar. En paralelo, construimos un Convolucionador Híbrido Multiescalar para extraer características globales espaciotemporales multiescalares y multinivel de las representaciones de carga de múltiples energías. Además, desarrollamos un Transformador de Segmentación Temporal y una Unidad de Memoria Exponencialmente Controlada en Estado Estable, y diseñamos un modelo de previsión optimizado conjuntamente que refuerza las correlaciones dinámicas globales y la preservación local en estado estable. En conjunto, proponemos un método de previsión de carga impulsado por memoria en estado estable y fusión espaciotemporal multiescalar para sistemas de energía integrados (MSTF-SMDN). Experimentos extensivos en un conjunto de datos real público de la Universidad Estatal de Arizona demuestran la superioridad del enfoque propuesto: en comparación con la línea base más fuerte, MSTF-SMDN reduce el RMSE de carga de refrigeración en un 16.09%, el RMSE de carga de calefacción en un 12.97% y el RMSE de carga eléctrica en un 6.14%, logrando valores de R2 de 0.99435, 0.98701 y 0.96722, respectivamente, confirmando su viabilidad, eficiencia y prometedor potencial para la previsión de carga de múltiples energías en IES.