1.一种基于迁移学习的节能量在线量测系统，其特征在于，所述种基于迁移学习的节能量在线量测系统包括：离线预测模块、在线数据采集模块、在线数据预处理模块和在线节能量计算模块；所述离线预测模块包括离线信息存储模块、离线能耗模型预测模块以及离线数据聚类模块；所述离线信息存储模块被配置为存储电能替代项目基期数据，所述基期数据包括改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素；所述离线能耗模型预测模块被配置为获取电能替代项目基期影响因素与能源耗量的映射关系；所述离线数据聚类模块被配置为获取电能替代项目基期数据分布信息；所述在线数据采集模块包括在线数据信息存储模块；所述在线数据信息存储模块被配置为存储批量电能替代项目调试期数据，所述调试期数据包括电能替代项目调试期能源耗量和可以量化的影响用能单位能源绩效的影响因素；所述在线数据预处理模块包括在线数据清理模块以及离线数据信息迁移模块；所述在线数据清理模块被配置为对在线样本数据进行初步分析并去除离群值；所述离线数据信息迁移模块被配置为将所述离线数据聚类模块得到的电能替代项目基期影响因素分布信息进行迁移，设置调试期数据权值；所述在线节能量计算模块包括在线能耗模型预测模块和节能量计算模块；所述在线能耗模型预测模块被配置为获取电能替代项目调试期影响因素与能源耗量的映射关系；所述节能量计算模块被配置为获取标准条件下电能替代项目节能量。
2.一种应用于权利要求1所述系统的一种基于迁移学习的节能量在线量测方法，其特征在于，所述方法包括：获取电能替代项目基期数据，所述基期数据包括改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素；利用机器学习算法获取所述电能替代项目基期能耗量与各影响因素关系；利用聚类算法将电能替代基期影响因素数据分类；获得电能替代基期影响因素聚类中心和对应聚类样本概率；获取电能替代项目调试期数据，所述调试期数据包括电能替代项目调试期能源耗量和可以量化的影响用能单位能源绩效的影响因素；在线采集电能替代项目调试期第N批次数据；清除所述电能替代项目调试期第N批次数据中离群量；计算调试期数据影响因素与基期影响因素聚类中心距离，设置调试期数据权重；利用考虑样本权值的机器学习，更新电能替代项目调试期能耗量与各影响因素关系；增加迭代器N值，在线采集电能替代项目调试期第N批次数据；获得标准条件下的电能替代节能量数据。
3.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法，其特征在于，所述获取的电能替代项目基期数据包括：电能替代项目改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素。
4.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法，其特征在于，所述利用机器学习算法获取所述电能替代项目基期能耗量与各影响因素关系包括：建立电能替代项目基期能耗预测模型，输入端为电能替代项目基期影响因素，输出端为电能替代项目基期能耗量作。
5.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法，其特征在于，所述利用聚类算法将电能替代基期影响因素数据分类包括：设定聚类数k，利用k均值聚类算法，将电能替代项目基期数据按影响因素划分为k类，并得到相应聚类中心和聚类样本概率。
6.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法，其特征在于，所述在线采集电能替代项目调试期第N批次数据包括：获取的调试期第N批次数据包含电能替代项目改进调试过程中的能源耗量和可以量化的影响用能单位能源绩效的影响因素。
7.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法，其特征在于，所述清除电能替代项目调试期第N批次数据中离群量包括，对能源耗量数据做初步清洗，去除离群量。
8.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法，其特征在于，所述计算调试期数据影响因素与基期影响因素各聚类中心距离包括，调试期数据距离最近的聚类样本概率为该调试期数据权值。
9.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法，其特征在于，所述利用考虑样本权值的机器学习，更新电能替代项目调试期能耗量与各影响因素关系包括：建立电能替代项目调试期能耗预测模型，输入端为电能替代项目影响因素，输出端为电能替代项目调试期能耗量。
10.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法，其特征在于，所述获得标准条件下的电能替代节能量数据包括，确定标准影响因素取值，根据电能替代项目基期能耗预测模型得到标准影响因素条件下电能替代项目基期能耗量，根据电能替代项目调试期能耗预测模型得到标准影响因素条件下电能替代项目调试期能耗量，两者相减获得标准条件下节能量数据。
