基于FCGA-LSTM与迁移学习的天然气负荷预测.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第7期总第335期文章编号：1006-2475（2023）07-0007-06收稿日期：2022-08-12；修回日期：2022-09-06基金项目：国家自然科学基金面上项目（62072363）作者简介：张志霞（1973），女，内蒙古包头人，副教授，博士，研究方向:大数据，社会舆情，E-mail:；通信作者:谢宝强（1995），男，硕士研究生，研究方向:大数据，深度学习，负荷预测，E-mail:。0引言天然气传输涉及管线设计储存、计量、使用与营销多个环节，燃气管网的安全高效运行关乎着能源生产与人民财产安全。随着大数据、云平台等技术在天然气管网中的广泛应用，通过智能管理、智能监控以及智能调控实现客户服务、管网巡检、气体计量分析等功能的智能天然气系统迫切需要高精度的用气负荷预测。预测问题需要大量历史数据作为样本，在基于历史时序数据进行预测方面，学者们已经提出诸多成熟的方法.Li等1提出了自回归移动平均算法（ARMA）将特征映射到负荷消耗进行预测。王伟等2利用时间序列法进行电力负荷预测。近年来机器学习和深度学习备受关注并被广泛应用于能源负荷预测领域，例如支持向量机、极限学习机、BP神经网络、LSTM神经网络等。Izadyar 等3提出了一种极限学习机（ELM）与人工神经网络（ANA）的算法对住宅供热进行预测，与其他常规算法相比预测精度更高。张金金等4提出一种经验小波变换（EWT）和最小二乘向量机（LSSVM）算法，以此提高SVM算法预测精度。李军等5提出一种K均值与正交匹配追踪的模型，与单基于FCGA-LSTM与迁移学习的天然气负荷预测张志霞，谢宝强（西安建筑科技大学管理学院，陕西 西安710000）摘要：高精度的天然气负荷预测对天然气管网的平稳高效运行具有重要意义。现有天然气负荷预测方法大多是基于历史数据充足条件的，而对缺少历史数据地区天然气负荷预测问题研究很少。针对此类问题，本文提出一种模糊编码遗传算法（FCGA）优化的长短时记忆（LSTM）神经网络与迁移学习结合的天然气短期负荷预测方法。首先选定源域与目标域，利用源域的大量历史负荷数据构建FCGA-LSTM预测模型，进行模型训练与测试后将源域模型整体迁移至缺少数据的目标域，接着利用目标域少量数据对模型进行参数微调及二次训练，最终得到目标域负荷预测模型。以西安某新建小区为例验证，结果显示，基于 FCGA-LSTM 与迁移学习的预测方法相比于 LSTM 加迁移学习组合方法、非迁移学习下LSTM，预测精度分别提高15.6个百分点与35.2个百分点，表明了模型的有效性。本文方法对缺少历史数据的新建城区天然气负荷预测具有一定指导作用。关键词：天然气；负荷预测；遗传算法；长短时记忆网络；迁移学习中图分类号：TP181文献标志码：ADOI:10.3969/j.issn.1006-2475.2023.07.002Natural Gas Load Forecasting Based on FCGA-LSTM and Transfer LearningZHANG Zhi-xia，XIE Bao-qiang（School of Management，Xi an University of Architecture and Technology，Xi an 710000，China）Abstract:High precision natural gas load forecasting is of great significance to the smooth and efficient operation of natural gaspipeline network.Most of the existing natural gas load forecasting methods are based on the condition of sufficient historical data，and there is little research on the problem of natural gas load forecasting in areas lacking historical data.To solve these problems，a short-term natural gas load forecasting method based on long and short-term memory（LSTM）neural network optimized byFuzzy Coded Genetic Algorithm(FCGA)and transfer learning is proposed.First，the source domain and the target domain are selected，and the FCGA-LSTM prediction model is constructed by using a large amount of historical load data in the source domain.After model training and testing，the source domain model is moved to the target domain lacking data as a whole，and thena small amount of data in the target domain is used to fine tune and retrain the model.Finally，the target domain load predictionmodel is obtained.Taking a new residential area in Xi an as an example，the results show that the prediction accuracy of the prediction method based on FCGA-LSTM and transfer learning is improved by 15.6 percentage points and 35.2 percentage points respectively compared with the combination method of LSTM and transfer learning，LSTM under non transfer learning，whichproves the effectiveness of the model.The proposed method has certain guiding significance for the prediction of natural gas loadin new urban areas lacking historical data.Key words:natural gas；load forecasting；genetic algorithm；LSTM；transfer learning计算机与现代化2023年第7期一ELM和SVM相比，预测精度有较大提高。张少平等6将自适应变异粒子群算法与BP神经网络结合进行短期电力负荷预测，来提高传统BP神经网络预测模型。LSTM神经网络在收敛速度、预测精度方面相较于其他方法更有优势，在目前的预测领域越来越受到重 视。张 洋 等7利 用 LSTM（LongShort-TermMemory）神经网络对某地短期电力进行了预测，相对于传统算法，LSTM神经网络收敛速度更快，预测精度更高。熊红林等8则将LSTM与支持向量回归（SVR）结合对航空旅客出行指数进行了预测，克服了单一预测模型精度不足问题。随后，熊红林等9又提出了一种关键影响因子的互信息支持向量机模型对航空旅客出行指数进行预测。陈卫卫等10将LSTM应用于射频模块的温度预测，为防止模块过热提出了预防措施。吴娟娟等11将LSTM神经网络用于商场日销售额预测，与传统数学算法相比，LSTM可以解决非线性问题，预测模型精度有大幅提高。廖志伟等12将特征空间变换与LSTM结合进行电煤价格预测，解决了多变量少样本造成的过拟合问题。Huang等13则将LSTM用于故障诊断。以上研究表明神经网络与深度学习已在多领域得到应用。深度学习和神经网络能够泛化输入和输出的关系，其非线性计算能力适用于解决天然气这类负荷预测问题14，目前基于各种智能算法的组合方法是研究的热点，其将各种方法的优点结合使得预测精度更高。姚林等15等提出一种VMD-注意力机制的LSTM预测方法，通过将原始数据序列分解为子序列从而降低数据的复杂性。Szoplik16提出了一种多层感知器（MLP），将日期和天气因素作为网络输入对波兰某市天然气进行预测，结果显示其预测精度优于传统线性数学模型。王逸文等17将 LSTM 与极限学习机（ELM）结合对商场日销售进行预测，预测精度高于单个方法。刘金源等18将灰色理论、BP 神经网络和PCA主成分分析3种模型结合应用进行城市燃气负荷预测，结果显示其预测精度高于单个预测模型精度。姜秋龙等19提出一种基于模糊编码遗传算法（FCGA）的改进 LSTM-BPNN 模型进行燃气负荷预测，对比单模型其预测精度更高。刘春霞等20提出了一种遗传算法优化小波神经网络的算法进行天然气短期负荷预测，通过对网络权值等参数进行优化，使预测模型进一步提升。然而利用神经网络和深度学习构建预测模型时，需要大量历史负荷数据支撑，在解决只有小样本历史数据这类负荷预测问题时，则需要引入其他方法。迁移学习是一种利用已有知识或者模型克服数据量少这一缺点的一种方法21，在能源负荷预测领域尤其是电力负荷预测方面解决了很多因数据缺少而导致预测精度低的问题。蔡秋娜等22将参数迁移与深度神经网络结合进行电力负荷预测，解决了节假日样本过少的问题。谢飞等23利用迁移学习对互联网金融指数进行预测，对比没有经过迁移的 LSTM 预测模型，预测精度有较大提升。孙晓燕等24提出了一种基于特征迁移小样本电力负荷预测，融合聚类等算法提取源域数据特征进行迁移，有效提高了目标域预测精度。张勇等25在迁移学习中考虑源域的变化情况对建筑电力负荷进行预测，设计窗口关联度提高了预测精度。Hu等26将迁移学习与深度学习结合对新建风电场进行短期风速预测，弥补了新建风电场历史数据的不足。Fan等27在不同策略下进行迁移学习，验证迁移学习在建筑能源短期负荷预测中的价值。综上所述，在能源负荷预测领域，对电力负荷预测研究较多，根据研究问题背景不同结合不同的方法28，但对天然气负荷预测问题，尤其是对于新建城区这类缺少历史数据地区天然气负荷预测研究很少。本文针对天然气负荷特点，提出一种基于GA-LSTM与迁移相结合的预测方法。包含以下3个步骤：1）利用所选源域小区大量历史负荷数据，进行特征分析后，使用Pytorch框架构建LSTM预测模型；2）将遗传算法（GA）引入，对模型参数进行自动寻优使其精度最高；3）将GA-LSTM模型整体迁移至目标域小区，利用现有少量数据对模型进行二次训练并进行参数微调，最终得到缺少数据的目标域小区天然气负荷预测模型。1相关理论1.1长短时记忆网络长短时记忆神经网络（LSTM）由循环神经网络（RNN）改进而来，由若干个存储单元组成。相较于RNN，其巧妙地增加了输入门、遗忘门和输出门等组成实现信息的保护和控制结构，实现了自循环的权重变化。LSTM神经网络结构如图1所示。图1LSTM神经网络结构图图1中，ct-1和ct表示储存单元上一时刻和当前时刻的状态，ht-1和ht表示LSTM前一单元输出和当前单元输出，xt表示当前单元输入。遗忘门ft控制当前单元从上一单元“保留”多少信息，可以表示为：ft=(wf ht-1，xt+bf)（1）其中是sigmoid函数，wf为权重矩阵，bf为偏差。输入门决定当前细胞状态添加哪些新的信息，首先，输入门it利用ht-1和xt来决定更新哪些新的信息，it的值如式（2）所示，式中wi为权重矩阵，bi为偏置。然后利用ht-1和xt通过一个tanh层得到新的状态信息c t，其值如式（3）所示，其中wc为权重矩阵，bc为偏置。最xtct-1c tht-1htftitottanhtanhct82023年第7期后更新旧的ct-1得到新的状态ct，其更新规则是通过遗忘门选择忘记旧信息的一部分，通过输入门选择新的状态信息c t的一部分得到当前状态ct，其值如式（4）所示。it=(wi ht-1，xt+bi)（2）c t=tanh(wc ht-1，xt+bc)（3）ct=ftct-1+itc t（4）输出门控制单元输出状态特征，首先将输入xt经过一个输出门的 sigmoid层后得到判断条件 ot，其值可由式（5）得到，其中wo为权重矩阵，bo为偏置。然后将单元经过一个tanh层得到一个-1，1 之间的向量，将该向量与判断值ot相乘得到当前单元输出ht，如公式（6）所示。ot=(wo ht-1，xt+bo)（5）ht=ot tanh(ct)（6）但在平时的LSTM训练中，参数都是基于人为经验所设置，只能通过每次调整不同的参数值来选择最优模型。遗传算法是一种自动全局搜索最优的方法，为LSTM寻找最优参数提供了方案。遗传算法过程分为编码、种群初始化、适应度计算、遗传过程。其优点在于：1）有很好的适用性，能够与其他算法结合进行优化；2）根据问题进行求解，不需要建立目标函数；3）遗传算法可以取得全局最优解，而非局部最优解。遗传算法的这些优点为LSTM寻找最优参数带来了可能。1.2迁移学习迁移学习是一种机器学习方法，可以有效解决机器学习过程中不同数据集存在的数据分布差异、标注数据过期等问题。顾名思义，迁移学习是把一个领域的知识迁移到另外一个领域，即完成任务A开发的模型作为初始点重新用于任务B模型开发的过程中，其中事件A称为源域，事件B称为目标域。当源域具有大量历史数据，但目标域只有少量历史数据时，使用迁移学习可以很大程度提高目标域任务的学习效率。如果源域和目标域具有相同或相似特征，且任务相同，则可以利用迁移学习中最常用的参数迁移。2预测模型框架天然气负荷数据作为一种时序性数据，具有非线性、复杂性等特点。运用机器学习及深度学习做负荷预测的核心是：人为地选择用气负荷日的气象特征、日期类型、季节等影响用气负荷的因素作为特征输入，但目前在关于负荷预测研究中，缺少对影响因素相关性的分析、筛选，这会使得输入维度过高，导致预测模型误差增大。为了更大程度地避免与目标域有较大特征差异而可能导致的负迁移，本文选择同城具有足量历史天然气负荷数据且用户类型相似的老小区作为迁移学习的源域，且在负荷数据的前期分析中加入了影响因素相关性分析，对影响因素进行相关性分析，筛选出影响负荷最大的因素。预测模型框架包含以下2个部分：1）源域 FGCA-LSTM 预测模型构建。首先在选定源域后，对负荷影响因素进行相关性分析，挑选出相关性最大的几个影响因素，降低数据维度使得模型训练精度更高；其次对源域中大量历史数据进行预处理，填补缺失值及替换异常值；接着，将处理过的数据输入LSTM模型进行训练，进行模糊编码遗传算法优化，得到源域FCGA-LSTM预测模型。2）迁移学习。将源域预测模型整体迁移至目标域，根据目标域数据对源域预测模型进行参数微调，进行二次LSTM训练，最终得到目标域预测模型。预测模型框架如图2所示。图2预测模型框架3基于 FCGA-LSTM 与迁移学习预测模型3.1影响因素相关性分析相较于电力负荷，天然气负荷考虑因素更加复杂。天然气负荷也呈现出一定的连续性与周期性，连续性是指相近日用气量不会产生大的跃变，负荷数据较为平滑，周期性是指按日负荷或者月负荷来看，存在着一定的规律性。本文以日负荷预测作为研究对象。日负荷影响因素与气象条件、温度、日期类型、季节等多种因素相关，基于这些因素，将影响天然气负荷因素分为7类，分别为最高温、风力、天气状况、日期类型、季节、前一天负荷量、节假日。在深度学习中，更大的特征维度会使模型更加复杂从而出现过拟合，因此需要对影响因素进行筛选，减少特征维度。本文使用皮尔逊（Pearson）相关系数进行相关性描述，Pearson相关系数计算由式（7）得到：rxy=i=1n(xi-xave)(yi-yave)i=1n(xi-xave)2(yi-yave)2（7）其中，rxy为Pearson相关系数，n为变量数，xi、yi分别为变量的值，xave与yave分别为变量x和y的平均值。3.2FCGA-LSTM预测模型构建经过相关性分析，保留相关性最强的前3个影响因素，连同负荷数据作为LSTM的输入。在LSTM的源域小区处理后数据LSTM预测模型足量数据相关性分析天气因素日期类型温度空气湿度训练a11a12 a1na21a22 a2nan1an2 ann遗传算法参数寻优模型训练a11a12a21a22an1an2参数微调FCGA-LSTM预测模型目标小区数据目标小区预测模型模型迁移张志霞，等：基于FCGA-LSTM与迁移学习的天然气负荷预测9计算机与现代化2023年第7期训练过程中，参数的设定依赖经验，为了使得模型误差达到最小，只能人为每次调整不同的参数值进行训练，这无疑增大了工作量且有可能陷入局部最优。本文引入模糊编码遗传算法（FCGA）对LSTM参数自动寻优，较少受人为设置参数的局限性。FCGA在遗传算法的基础上考虑了个体从基因到表现的个体发展水平，将个体发展水平变为模糊决策过程，其值在 0，1 之间。FCGA改进了传统遗传算法中的2个缺点，即遗传算法的参数不匹配及基因型和表现形的转换太简单。FCGA过程分为编码、选择、交叉及变异4个部分，FCGA-LSTM预测模型实现过程如图3所示。LSTMS原始数据数据处理训练数据Y变异计算适应度初始化种群参数优化模块是否最优YN选择交叉lblsepdpX1X2XS训练数据模型评估、Adam优化网络训练模块训练输出Y参数预测模块测试数据P1P2PSLSTM1LSTM2C1H1C2CS-1H2HS-1测试数据X测试数据YFCGA-LSTM天然气负荷数据预测逆归一化输出预测结果计算误差3.3迁移学习模型构建源域 FCGA-LSTM 预测模型基于大量历史负荷数据训练而来，目标域小区只有少量数据，本文选择迁移学习中参数迁移构建目标域预测模型。参数迁移中，基于源域大量数据训练的模型无形中扩充了训练数据，且使得模型鲁棒性、泛化能力更好。FCGA-LSTM预测模型与参数迁移结合实现目标域预测的过程如图4所示。首先，在Pytorch框架下利用Python语言构建FCGA-LSTM预测模型，将预测模型整体迁移至目标域，固定预测模型被选择的前L层，根据目标域样本数据微调未固定层参数，实现对缺少数据目标域新建小区天然气负荷预测。图4迁移学习模型4算例分析本文以西安某新建小区为目标小区进行算例分析，数据集为400 d日负荷量，包含气象因素、温度、日期类型等7种影响因素。以同城某旧小区为源域，源域数据包含1997条日负荷及影响因素。分别对源域和目标域负荷数据使用SPSS软件进行异常值分析和缺失值插补，经分析，无异常值和缺失值。4.1影响因素相关性结果将7类影响因素定量值输入SPSS软件进行皮尔逊相关性分析，相关性系数结果如表1所示。表1Pearson相关性分析结果影响因素最高温风力天气状况日期类型季节节假日前一日负荷Pearson系数-0.654-0.056-0.153-0.214-0.582-0.135-0.912由表1可知，前一日负荷、温度、季节3个影响因素相关性系数最高，表明对天然气日负荷影响最大，选择这3类作为后续模型输入特征向量，其他4类影响因素可以忽略不计。4.2源域FCGA-LSTM预测模型结果分析使用Pytorch框架构建源域LSTM预测模型，以源图3FCGA-LSTM模型预测过程输入层隐含层输出层源域小区参数层#1#2#3#n-1#nFCGA-LSTM预测模型迁移模型输入层隐含层输出层参数迁移固定前n层，微调其余层参数目标域小区102023年第7期域小区1997条数据的80%作为训练集，剩下20%作为测试集，引入FCGA进行参数寻优。为体现FCGA-LSTM模型中遗传算法对LSTM的参数优化作用，选择未经优化的LSTM作为对照组，且前者的LSTM初始参数与后者完全一致。以决定系数R2和均方根误差RMSE作为预测模型精度的度量指标，其中R2值越接近1代表模型精度越高，RMSE值越低则表明模型精度越高。为排除一次模型训练的偶然性，重复进行10次训练。经实验，FCGA 迭代次数为 50 次，交叉概率为0.8，个体数目为30个。LSTM最佳学习率为0.01，层数为 3层，每层 5个 cell。反复进行重复 10次训练，FCGA-LSTM与LSTM预测值分别取训练10次的平均值，预测值与真实值对比如图5所示。图5预测模型对比图图5中实线部分为实际负荷值，划线与点线分别为单独LSTM预测值和FCGA-LSTM预测值，从图上看，二者很接近。接下来分析模型误差，图6与图7分别为10次训练的R2与RMSE的值。图6R2对比折线图通过对FCGA-LSTM与单独LSTM的R2和RMSE对比可以看到，FCGA-LSTM 模型的 R2整体高于LSTM，且RMSE整体低于LSTM，经过计算，前者较后者 R2高出 17.67 个百分点，RMSE 低了 19.85 个百分点，表明经过遗传算法优化的LSTM相较于直接使用LSTM预测模型，可以拥有更高的预测精度。4.3迁移学习模型结果分析将4.2节中源域FCGA-LSTM预测模型迁移至目标域，固定模型的前n层参数。将目标小区300条数据按 7:3 分为训练集与测试集，利用训练集数据对FCGA-LSTM进行二次训练、测试，根据训练结果微调其余参数，最终实现对目标新建小区天然气日负荷预测。为了验证迁移模型的有效性，选择未经遗传算法优化LSTM加迁移学习、缺少充足历史负荷数据情况下直接使用LSTM模型作为对照组。为了保证公正性，对所提方法及对比方法重复进行10次训练，预测结果如图8所示。图8模型对比图图 8 中点虚线表示实际值，实线为缺少数据时LSTM模型预测值，可以看到在数据很少的情况下，直接利用LSTM会出现很大波动，拟合效果已经不满足预测需求。点划线与双点划线分别表示遗传算法优化后进行迁移学习模型和不经优化的LSTM迁移模型预测值。经迁移学习的预测模型与真实值拟合较好，与不经迁移学习模型相比预测精度提升很大。0100200300400500时间序列/d实际负荷值LSTM预测值FCGA-LSTM预测值1.00.80.60.40.20.0天然气负荷/m30246810训练次数R2（FCGA-LSTM）R2（LSTM）R21.00.80.60.40.20.0图7RMSE对比折线图0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95100时间序列/dLSTM模型迁移FCGA-LSTM模型迁移LSTM模型真实值天然气负荷/m31.00.80.60.40.20.00246810训练次数/次R21.00.80.60.40.20.0R2（LSTM）R2（迁移未优化FCGA-LSTM）R2（迁移优化FCGA-LSTM）图9对比结果0246810训练次数/次RMSELSTMFCGA-LSTM0.70.60.50.40.3张志霞，等：基于FCGA-LSTM与迁移学习的天然气负荷预测11计算机与现代化2023年第7期对10次训练结果决定系数进行R2与误差统计，结果如图9所示。通过决定系数折线图，可以直观看到缺少数据情况下LSTM预测值与真实值拟合度低于0.5，已经不能满足预测需要。当对源域预测模型迁移后预测精度有了比较明显的上升，经过计算精度提高19.6个百分点，经过遗传算法优化后，预测精度又提升15.6个百分点。5结束语本文针对天然气在预测过程中遇到的数据缺失问题，提出一种基于FCGA-LSTM与迁移学习结合的方法。在天然气短期负荷预测领域做出2点贡献：一是对缺失数据这类研究较少的方向做了一些研究，提出了一种组合方法；二是在现有基础理论已经达到瓶颈的条件下，将各种优化思想引入其中，比如影响因素相关性分析、减少特征维度；引入模糊编码遗传算法进行参数寻优，通过实证分析，组合模型验证了预测精度有较大提升。在缺少数据的天然气负荷预测研究较少的方向，还有很多问题亟待解决，比如面对多个源域时，如何解决特征选择的问题等，这是今后研究努力的方向。参考文献：1 LI Y Y，HAN D，YAN Z.Long-term system load forecasting based on data-driven linear clustering method J.Journal of Modern Power Systems and Clean Energy，2018，6（2）:306-316.2 王伟，杨辉华，刘振丙，等.基于极限学习机的短期电力负荷预测 J.计算机仿真，2014，31（4）:137-141.3 IZADYAR N，ONG H C，SHAMSHIRBAND S，et al.Intelligent forecasting of residential heating demand for theDistrict Heating System based on the monthly overall natural gas consumption J.Energy and Buildings，2015，104（10）:208-214.4 张金金，张倩，马金辉，等.基于EWT和LSSVM模型的短期电力负荷预测 J.制造业自动化，2021，43（1）:38-42.5 李军，李世昌.基于K-SVD-OMP的稀疏表示方法在电力负荷预测中的应用 J.电机与控制学报，2020，24（9）:156-164.6 张少平，徐晓钟，代军委.基于自适应变异粒子群算法和BP 神经网络的短期燃气负荷预测 J.计算机应用，2016，36（S1）:103-105.7 张洋，姬波，卢红星，等.基于LSTM神经网络的短期高压负荷电流预测方法 J.计算机科学，2019，46（6）:49-54.8 熊红林，冀和，樊重俊，等.基于LSTM-SVR模型的航空旅客出行指数预测 J.系统管理学报，2020，29（6）:1169-1176.9 熊红林，朱人杰，冀和，等.基于MI-SVR模型的航空旅客出行指数预测方法研究 J.控制与决策，2021，36（7）:1619-1626.10 陈卫卫，李鑫，时林林，等.基于LSTM网络的综合射频模块温度的预测研究 J.计算机测量与控制，2022，30（7）:84-90.11吴娟娟，任帅，张卫钢，等.一种基于LSTM模型的日销售额预测方法 J.计算机技术与发展，2020，30（2）:133-137.12廖志伟，陈琳韬，黄杰栋，等.基于特征空间变换与LSTM的中短期电煤价格预测 J.东北大学学报（自然科学版），2021，42（4）:483-493.13 HUANG D Q，FU Y Z，QIN N，et al.Fault diagnosis ofhigh-speed train bogie based on LSTM neural network J.Science China Information Sciences，2021，64（1）:Articlenumber 119203.14 赵长伟，骈睿珺，杜天硕，等.基于LSTM的重要用户电能质量趋势预测分析模型 J.电力系统及其自动化学报，2022，34（7）:26-33.15 姚林，张岩，陈龙，等.基于自适应 VMD-注意力机制LSTM 的时间序列预测J.控制工程，2022，29（7）:1337-1344.16SZOPLIK J.Forecasting of natural gas consumption with artificial neural networks J.Energy，2015，85:208-220.17 王逸文，王维莉.基于 LSTM-RELM 组合模型的电商GMV 预测研究 J/OL.计算机工程与应用:1-9 2022-08-13.18刘金源，王寿喜，李婵.城市燃气日负荷PCA-GM-BPNN组合预测模型 J.天然气与石油，2018，36（5）:13-19.19姜秋龙，徐晓钟.基于FCGA和改进LSTM-BPNN的燃气负荷预测 J.计算机系统应用，2021，30（4）:1-8.20 刘春霞，李军，党伟超，等.基于遗传算法优化小波神经网络的短期天然气负荷预测 J.计算机系统应用，2020，29（4）:175-180.21何立，沈亮，李辉，等.强化学习中的策略重用：研究进展J.系统工程与电子技术，2022，44（3）:884-899.22 蔡秋娜，苏炳洪，闫斌杰，等.基于参数迁移的节假日短期负荷预测方法 J.电气自动化，2020，42（4）:59-60.23 谢飞，潘北啸.基于迁移学习的LSTM互联网金融指数高精度预测方法 J.西南民族大学学报（人文社科版），2020，41（7）:129-134.24 孙晓燕，李家钊，曾博，等.基于特征迁移学习的综合能源系统小样本日前电力负荷预测 J.控制理论与应用，2021，38（1）:63-72.25张勇，陶一凡，巩敦卫.迁移学习引导的变源域长短时记忆网络建筑负荷预测 J.控制与决策，2021，36（10）:2328-2338.26 HU Q H，ZHANG R J，ZHOU Y C.Transfer learning forshort-term wind speedprediction with deep neural networksJ.Renewable Energy，2016，85（1）:83-95.27 FAN C，SUN Y J，XIAO F，et al.Statistical investigationsof transfer learning-based methodology for short-termbuildingenergy predictions J.Applied Energy，2020，262（3）:219-231.28 梁宏涛，王莹，刘红菊，等.基于注意力机制的 CNN-BiGRU短期光伏发电功率预测 J.计算机测量与控制，2022，30（6）:259-265.12