(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111590960.4 (22)申请日 2021.12.23 (71)申请人 重庆工商大 学 地址 400067 重庆市南岸区学府大道19号 (72)发明人 白云　肖威　谢晶晶　李川　曾波　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 代理人 罗盼晴 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种企业用电量预测方法 (57)摘要 本发明公开了一种企业用电量预测方法， 包 括以下步骤： 1)数据采集； 2)引入最大均值差异， 进行相似度分析； 3)迁移学习的长短期记忆网络 建模； 4)电量预测， 利用步骤3)中的改进模型对 目标域企业未来时刻电量进行预测。 本发明有效 解决了在电量预测时数据量不足的问题， 节省模 型训练时间， 提高电量预测精度。 权利要求书2页 说明书5页 附图3页 CN 114169639 A 2022.03.11 CN 114169639 A 1.一种企业用电量预测方法， 其特 征是， 包括以下步骤： 1)数据采集， 确定一已知电量数据的企业， 作为迁移学习的源域， 为源域企业， 收集源 域企业历史电量数据， 形成原始序列， 作为迁移学习的源域， 对历史电量信息中记录的电量 时间序列标准 化处理； 2)引入最大均值差异， 将最大均值差异距离MMD作为判断源域企业和目标域企业电量 数据的相似度 度量， 进行相似度分析； 所述目标域企业 为预测用电量的企业； 3)迁移学习的长短期记忆网络建模， 将源域企业的历史电量数据作为输入， 进行长短 期记忆网络 建模训练， 在训练好模 型的基础上， 将 MMD距离乘以权重因子 λ， 改进模型损失函 数； 4)电量预测， 利用步骤3)中的改进模型对目标域企业未来时刻电量进行 预测。 2.如权利要求1所述的企业用电量预测方法， 其特征是： 所述电量数据为至少连续一年 的日用电量数据。 3.如权利要求3企业用电量预测方法， 其特征是： 所述步骤2)中的相似度分析方法如 下： 假设源域企业s电量数据 的概率分布函数是P， 目标域企业t电量数据 的概率分布函数是Q； 令H表示再生核希尔伯特空间RKHS， φ( ·):X→H表 示原始特征空间映射到RKHS的映射函数， 当ns,nt→∞时dX(s)和X(t)在RKHS中的最大均 值差 异为： 其中， ns和nt分别表示源域和目标域企业的样本数量； 即将求得的最大均值差异距离MMD为判断源域企业和目标域企业电量数据的相似度度 量。 4.如权利要求3企业用电量预测方法， 其特征是， 所述步骤3)中迁移学习的长短期记忆 网络建模方法为： 设置单层LSTM网络， 设置记忆单元个数为120～170， 迭代次数设置为150～250， 选择 sigmod函数控制遗忘门， 输入门和输出门， tanh函数为激活函数， 同时对LSTM神经网络和全 连接层之间的连接进行Dropout操作， Dropout比率为0.2～0.3， 采用深度学习方法中的 Adam优化算法对不同的参数设定学习率到0.001～0.1之间， 源域和目标域企业的电量数据 数量级差异越大， 学习率越低； 使用平均绝对误差MAE和最大均值差异作为最终损失函数， 将源域企业的电量数据作为输入， 进行迁移学习的长短期记 忆网络建模训练。 5.如权利要求4所述的企业用电量预测方法， 其特征是， 所述步骤3)中迁移学习的长短 期记忆网络建模方法为包括以下步骤： 31)遗忘门控制细胞历史状态信息的保留， 激活函数使得遗忘门的输出值在[0,1]之 间， 当遗忘门输出为0的时候， 表示将上一层状态的信息全部丢弃， 为1的时候， 表示上一层 状态的信息全部保留； 遗忘门的输入为上一层的输出ht‑1和当前层的输入xt， 通过sigmoid 激活函数， 得到 遗忘门的输出ft， 数学表达式为：权　利　要　求　书 1/2 页 2 CN 114169639 A 2ft＝σ(Wf*[ht‑1,xt]+bf) 其中， σ 为sigmoid激活函数， ht‑1为上一层的输出， xt是当前层的输入， Wf是遗忘门的权 重矩阵， bf是遗忘门的偏置项； 32)输入门控制信息输入， 生成补充信息； 首先使用Sigmoid激活函数， 负责处理当前序 列位置的输入， 输出为it， 然后使用tanh激活函数， 输出为细胞状态Ct， 两者的结果后面会 相乘再去更新细胞状态， 数 学表达式如下： it＝σ(Wi*[ht‑1,xt]+bi) Ct＝tanh(WC*[ht‑1,xt]+bC) 其中， Wi和bi分别是输入门的权重矩阵和偏置项， WC和bC分别是细胞状态Ct的权重矩阵 和偏置项； 33)更新信息， 信息通过遗忘门和输入门得出的结果， 需要进行更新状态。 输出结果Ct由 两部分组成， 第一部分是Ct‑1和步骤31)中遗忘门输出ft的乘积， 第二部分是步骤32)输入门 的it和Ct的乘积， 计算公式如下 所示： Ct＝ft*Ct‑1+it*Ct 其中， Ct‑1中为上一层的细胞状态； 34)输出门选择性输出， sigmoid层确定细胞状态的哪个部分将输出出去； 把细胞状态 通过tanh层进行处理， 得到输出门的输出Ot， Ot值在‑1到1之间， 并将它和sigmoid门的输出 相乘， 得到最终输出 结果ht， 计算公式如下： Ot＝σ(Wo*[ht‑1,xt]+bO) ht＝Ot*tanh(Ct) 其中， Wo是输出门的权 重矩阵， bo是输出门的偏置项； 35)将MAE作为模型主要损失函数， 在此基础上加入MMD距离， 对LSTM基础模型进行优 化， 改进模型的损失函数， 新的损失函数J： 其中λ表示权重因子， 取值范围在0到50之间， 用于权衡MMD距离与原始函数的比重； m为 训练集样本大小； J0为原始的损失函数； yi为模型实际输出； zt0为模型预测动态输出， 当损 失函数J达 到最小时， 对应取值的zt0即为最终预测值。 6.如权利要求5所述的企业用电量预测方法， 其特征是， 所述权重因子λ的取值范围在 20到30之间。 7.如权利要求1所述的企业用电量预测方法， 其特征是， 所述标准化处理为z ‑score标 准化的处理。权　利　要　求　书 2/2 页 3 CN 114169639 A 3