1.一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法，其特征在于，包括如下步驟：
2.如權利要求1所述的一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法，其特征在于，在短期用電負荷預測模型構建時，所述短期用電負荷預測模型采用revin結合lstm構建，具體包括：將企業(yè)在n個時刻的歷史實際有功電量和無功電量數(shù)據(jù)歸一化處理后作為短期用電負荷預測模型輸入數(shù)據(jù)，對短期用電負荷預測模型的輸出數(shù)據(jù)作逆實歸一化處理，將企業(yè)在t時刻的歷史實際有功電量和無功電量數(shù)據(jù)，與逆實歸一化處理后短期企業(yè)有功電量和無功電量預測數(shù)據(jù)做交叉熵運算，并作為損失函數(shù)進行反向反饋，從而調節(jié)lstm神經元的各個參數(shù)值，當損失函數(shù)小于設定閾值時，固定各參數(shù)值，完成短期用電負荷預測模型的構建。
3.如權利要求1所述的一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法，其特征在于，所述基于歷史有功電量數(shù)據(jù)和無功電量數(shù)據(jù)、歷史排污監(jiān)測數(shù)據(jù)構建正例樣本數(shù)據(jù)和負例樣本數(shù)據(jù)，包括：
4.如權利要求3所述的一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法，其特征在于，上分枝基于損失函數(shù)loss反向傳播進行梯度更新模型參數(shù)θ，下分枝歷史有功電量數(shù)據(jù)和歷史無功電量數(shù)據(jù)a2的負例樣本是不斷更新的，即不斷有新的負例樣本進入a2，并按照先進先出更新負樣本隊列，上下分枝參數(shù)不共享。
5.如權利要求1所述的一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法，其特征在于，所述構造表示學習框架，通過該表示學習框架將訓練數(shù)據(jù)投影至超平面表示空間內，得到排污監(jiān)測表示向量和電量表示向量，包括：
6.如權利要求1所述的一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法，其特征在于，所述目標損失函數(shù)包括上分枝損失函數(shù)和下分枝損失函數(shù)；
7.如權利要求1所述的一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法，其特征在于，企業(yè)排污預測模型的訓練時采用wasserstein距離與相似歷史樣本數(shù)據(jù)相結合的方式構建生成器的損失函數(shù)，進行模型的參數(shù)調節(jié)，包括：
8.一種基于用電數(shù)據(jù)短期企業(yè)排污量預測系統(tǒng)，其特征在于，包括：
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如權利要求1-7中任一項所述的一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法中的步驟。
10.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權利要求1-7中任一項所述的一種基于用電數(shù)據(jù)短期企業(yè)排污量預測方法中的步驟。