电量预测是电力系统发电规划的重要组成部分,是合理安排购电、发电、输配电的必要前提,是电力经济运行的依据。准确的电力供应预测不仅可以提高供电企业的运营效率和水平,而且对生产企业的项目投资和管理具有重要意义。由于企业的行业、规模等因素差异,导致电量预测中仍存在电量样本数据不足、预测模型泛化性低等问题。本文基于企业电量数据分布的相似性,通过迁移学习,采用机器学习算法实现对不同用电规模企业电量的精准预测。本文主要研究内容如下:第一,基于数据分布相似性的迁移预测。根据用电规模划分企业类型,搭建长短期记忆网络（Long-Short Term Memory,LSTM）、误差反向传播（Backpropagation,BP）、支持向量机（support vector machines,SVM）、极限学习机（Extreme Learning Machine,ELM）四种机器学习模型对三种规模的企业日用电量进行了预测分析。实证结果表明,LSTM模型对相同规模之间的企业电量预测均有着更好的性能。同时为了解决目标域企业样本不足的问题,通过迁移学习,采用KL散度（Kullback-Leibler divergence）、JS散度（Jensen-Shannon）、最大均值差异（Maximum Mean Discrepancy,MMD）三种相似性度量改进LSTM模型的损失函数,证明了基于MMD的迁移LSTM模型运用到企业电量预测的可行性。不需要对目标企业再次重新建模,在保证模型预测精度的基础上,节省大量时间、人力成本。最后通过添加惩罚因子λ,改进模型损失函数,提出了一种基于改进MMD的迁移LSTM模型,进一步提高了模型的预测精度,确定了惩罚因子对模型预测性能的影响。第二,不同迁移因素的影响研究。分别研究了样本数量、惩罚因子λ和季节性MMD对迁移LSTM模型的影响:（1）在训练集样本比例较少的情况下,迁移学习确实有助于提升LSTM在样本比例不足时的对相同规模企业电量的预测性能。（2）惩罚因子λ的改变对基于全年MMD的迁移LSTM模型的预测性能有较大影响,当惩罚因子λ∈[30,35],基于全年MMD的迁移LSTM模型预测性能最好。（3）针对不同MMD距离的迁移策略,基于全年MMD的迁移LSTM模型明显好于基于季节MMD的迁移LSTM模型的预测效果,对于不同规模企业更加稳定。第三,不同用电规模企业迁移预测初探。以上的研究都是在相同用电规模企业下研究,进一步探究模型对不同规模企业电量预测效果,通对源域企业电量数据进行标准化改进,缩小不同规模企业间的电量数据分布差异,使得基于改进MMD的迁移LSTM模型实现了不同规模的企业间电量的有效预测,在保证较高的预测精度的情况下,不仅能够解决城市电网规划中电量数据收集不足的问题,还节省了重建模型的训练时间。总的来说,本文的研究针对基于数据分布相似性的迁移学习在企业电量预测中的应用,实现了从相同用电规模和不同用电规模的企业电量精准预测,为电网的日常运行、规划管理等多项工作提供参考依据,提高电力企业的经济效益,为维护我国的能源安全提供有力保障。