一种基于跨企业知识迁移的企业用电量自适应预测方法与流程

本发明涉及人工智能与工业大数据处理，具体来说，特别涉及一种基于跨企业知识迁移的企业用电量自适应预测方法。

背景技术：

1、随着低碳目标的深入推进和新型电力系统建设的加速，分布式光伏发电在工业园区、商业综合体及工业企业中得到了广泛应用。新能源的高比例接入使得企业用户侧用电特性发生了根本性变化，企业不再仅仅是纯粹的电力消费者，而是兼具发电与用电双重属性的源荷一体单元。在此背景下，企业用电量预测不再仅依赖于历史负荷数据的趋势外推，还需充分考虑光伏出力波动、气象条件变化、分时电价响应以及企业自身生产节律等多重耦合因素的影响，其预测难度较传统场景显著增加。

2、现有的预测技术通常为每个企业建立独立模型，这导致两个核心问题：一是数据孤岛，各企业之间的相似规律无法互通；二是冷启动难题，新接入的企业或近期进行产线改造的企业由于历史数据稀疏，模型训练不充分，预测精度极低。如何提取不同企业间的共性用电特征，并实现预测知识从成熟企业向新接入企业的有效迁移，是提升区域性能源管理效率的关键。

3、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、有鉴于此，本发明提供一种基于跨企业知识迁移的企业用电量自适应预测方法，以解决上述提及的问题。

2、为了解决上述问题，本发明采用的具体技术方案如下：

3、一种基于跨企业知识迁移的企业用电量自适应预测方法，包括以下步骤：

4、s1、获取企业电力运行数据，并构建多层递进式企业用电画像；根据层间互补校验机制，对多层递进式企业用电画像进行校验修正处理，并通过选择性拼接方式融合，得到企业综合用电画像；

5、s2、基于企业综合用电画像，结合预先因果结构学习提取的用电驱动机制特征，构建统计-因果综合距离度量；采用改进的k-means++算法进行聚类划分，并通过簇纯度校验与自适应二次细分策略，形成具有相似源荷耦合特性的企业簇集合；其中，改进的k-means++算法以统计-因果综合距离度量选取初始质心；

6、s3、构建分层迁移学习模型，利用企业簇集合对分层迁移学习模型进行分层预训练，并通过全量企业数据学习通用时序特征、同簇企业历史数据学习簇内行业特性，得到分层预训练预测模型；

7、s4、根据分层预训练预测模型，并结合域对抗特征解耦与一阶沃瑟斯坦距离度量，构建基于分布差异的自适应模式切换机制，通过三阶段渐进解冻，结合平滑过渡权重融合预测输出，实现冷启动至成熟期全生命周期的用电量自适应预测。

8、优选地，所述s1包括以下步骤：

9、s11、获取企业电力运行数据，并通过提取企业静态属性与动态运行特征，构建源荷用电画像；

10、s12、根据企业电力运行数据，确定企业净功率序列和总用电负荷序列，并通过计算鸭子曲线深度、傍晚爬坡速率及日内反转频次作为供需波动特征，根据供需波动特征，构建供需波动画像；

11、s13、根据企业电力运行数据，确定企业总有功功率序列，并计算周末偏离度、日周期信噪比及模式漂移速率作为稳态节律特征，根据稳态节律特征，构建稳态节律画像；

12、s14、基于层间互补校验机制，对源荷用电画像、供需波动画像及稳态节律画像进行修正处理，并将校验修正后的源荷用电画像、供需波动画像及稳态节律画像通过选择性拼接方式融合，得到企业综合用电画像。

13、优选地，所述s14包括以下步骤：

14、s141、提取供需波动画像中的鸭子曲线深度，判断鸭子曲线深度是否超过预设深度阈值，若是，则向上修正日均源荷功率比；若否，则保持日均源荷功率比不变；

15、s142、提取稳态节律画像中的日周期信噪比，判断日周期信噪比是否高于预设信噪比阈值，若是，则向下修正负荷波动率；若否，则保持负荷波动率不变；

16、s143、经供需波动画像和稳态节律画像校验修正后，输出校验修正后的源荷用电画像；校验修正后的源荷用电画像中的日均源荷功率比及负荷波动率已由上层画像完成偏差修正；

17、s144、将校验修正后的源荷用电画像、供需波动画像及稳态节律画像以向量拼接方式融合，输出企业综合用电画像。

18、优选地，所述s2包括以下步骤：

19、s21、以企业综合用电画像的特征变量为节点，通过带稀疏惩罚与无环约束的因果结构学习求解加权邻接矩阵，经阈值截断与无向化处理后提取因果骨架与因果效应特征，形成用电驱动机制特征；

20、s22、对企业综合用电画像进行标准化处理，得到标准化后的企业画像向量，并结合用电驱动机制特征，构建统计-因果综合距离度量；

21、s23、采用改进的k-means++算法，以统计-因果综合距离度量计算初始质心选取概率，并通过空间密度修正方法，迭代优化初始质心，完成企业聚类划分；

22、s24、对聚类结果执行簇纯度校验与自适应二次细分处理，得到具有相似源荷耦合特性的企业簇集合。

23、优选地，所述s21包括以下步骤：

24、s211、通过选取企业综合用电画像中的日均源荷功率比、负荷波动率、气象敏感度系数、鸭子曲线深度及傍晚爬坡速率作为因果分析节点，构建五维特征变量集合，以各因果分析节点间的因果影响强度为待求解变量，构建加权邻接矩阵；

25、s212、构建包含数据拟合项、稀疏惩罚项及无环约束项的因果结构学习损失函数，并通过梯度下降迭代更新加权邻接矩阵直至收敛，得到收敛后的加权邻接矩阵；

26、s213、对收敛后的加权邻接矩阵进行阈值截断处理，得到因果效应矩阵；

27、s214、将因果效应矩阵进行无向化处理，得到因果骨架邻接矩阵；

28、s215、从因果效应矩阵和因果骨架邻接矩阵提取因果骨架向量、关键路径因果效应及因果异质性指数，形成用电驱动机制特征。

29、优选地，所述s23包括以下步骤：

30、s231、基于统计-因果综合距离度量，计算质心的概率分布，并根据质心的概率分布选取若干初始质心；

31、s232、对于每个初始质心，分别计算其局部空间密度，并根据邻域范围内各样本相对于质心的方向向量计算密度梯度方向；将密度梯度方向作为质心偏移方向，以预设修正步长对初始质心的位置进行修正，得到修正后的质心；

32、s233、基于修正后的质心，进行标准的k-means迭代，直至收敛，得到初步聚类结果，以完成企业聚类划分。

33、优选地，所述s24包括以下步骤：

34、s241、获取初步聚类结果中各企业簇的样本构成信息及各企业对应的真实行业标签，分别计算各企业簇的行业纯度；

35、s242、基于因果骨架邻接矩阵，计算企业簇内企业因果骨架平均成对jaccard相似度，并以企业簇内企业因果骨架平均成对jaccard相似度作为该企业簇的因果纯度；

36、s243、若当前企业簇的行业纯度低于第一预设阈值或因果纯度低于第二预设阈值，则判定当前簇为异质混合簇，触发自适应二次细分；所述自适应二次细分为仅在该簇样本内重新运行改进k-means++算法进行二次聚类划分，直至所有企业簇的行业纯度大于或等于第一预设阈值，且因果纯度大于或等于第二预设阈值，或达到最大细分深度；

37、s244、输出全部满足行业纯度与因果纯度双阈值要求的企业簇，形成具有相似源荷耦合特性的企业簇集合。

38、优选地，所述s3包括以下步骤：

39、s31、构建包含三层参数共享架构的分层迁移学习模型；

40、s32、利用企业簇集合内的历史运行数据为训练集，对分层迁移学习模型进行分层预训练，得到预训练后的模型参数；

41、s33、针对目标企业，根据其所属企业簇加载对应预训练后的模型参数，利用目标企业的历史数据执行分层冻结训练，得到适配目标企业的分层预训练预测模型。

42、优选地，所述s4包括以下步骤：

43、s41、对分层预训练预测模型引入梯度反转层与域判别器，构建对抗训练目标函数并执行联合优化，强制提取域不变特征以实现源域与目标域的特征分布对齐，得到经域对抗解耦对齐后的特征空间；

44、s42、在经域对抗特征解耦对齐后的特征空间上，采用一阶沃瑟斯坦距离量化源域特征分布与目标域特征分布之间的残余差异，得到分布距离度量值；

45、s43、根据分布距离度量值及目标企业累计数据量执行三阶段自适应模式切换，并通过平滑过渡权重实现预测输出的无抖动融合。

46、优选地，所述s43包括以下步骤：

47、s431、将分布距离度量值及目标企业累计数据量与预设的比较阈值进行比较，并根据比较结果判断当前应处的阶段；所述阶段包括迁移模式、过渡模式及本地模式；

48、s432、根据判定的阶段执行对应层级的参数解冻策略；

49、s433、循环执行步骤s431-s432，在每个训练周期重新计算分布距离度量值并重新判定当前所处阶段，根据重新判定的阶段执行对应的参数更新策略，直至完成从冷启动知识迁移到完全个性化演进的平滑过渡。

50、本发明的有益效果为：

51、1、本发明通过构建企业用电画像进行聚类，识别具有相似源荷耦合特性的企业簇，并在簇内共享模型底层表征，实现跨企业的预测知识迁移，通过该方法，即便是在目标企业历史数据极少的情况下，也能通过借用相似企业的规律实现高精度用电量预测。

52、2、本发明基于wasserstein距离的动态模式切换机制，实现从冷启动到成熟期的无抖动过渡，全程无需人工调参。

53、3、本发明采用域对抗网络消除行业分布偏移，使跨企业知识迁移具备理论保证，打破数据孤岛。

54、4、本发明的框架支持联邦学习扩展，在保护企业数据隐私前提下实现跨园区知识共享，提升区域能源管理整体智能化水平。