CN110569981A - 散煤燃用量确定方法及装置 - Google Patents
散煤燃用量确定方法及装置 Download PDFInfo
- Publication number
- CN110569981A CN110569981A CN201910661024.4A CN201910661024A CN110569981A CN 110569981 A CN110569981 A CN 110569981A CN 201910661024 A CN201910661024 A CN 201910661024A CN 110569981 A CN110569981 A CN 110569981A
- Authority
- CN
- China
- Prior art keywords
- coal
- determining
- data
- sample
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000446 fuel Substances 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000002485 combustion reaction Methods 0.000 claims abstract description 21
- 238000010438 heat treatment Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000011835 investigation Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供了散煤燃用量确定方法及装置,方法包括:按预设的样本采集条件确定样本采集对象;根据确定的样本采集对象采集训练样本数据;训练样本数据包括:散煤燃用量影响参数数据;利用人工神经网络构建燃煤用量模型;利用训练样本数据训练预先构建的燃煤用量模型;根据待测区域的散煤燃用量影响参数数据和训练后的燃煤用量模型确定待测区域的散煤燃用量。提供了一种高准确性、低成本的民用散煤燃用量的确定方案。
Description
技术领域
本发明涉及数据处理技术,具体的讲是一种散煤燃用量确定方法及装置。
背景技术
民用散烧煤由于单位排放强度大、近地面排放、排放区域人口密集等特点,被认为是冬季北方地区空气污染加重的一个重要原因。科学研究民用散烧煤排放污染物对区域大气环境的影响,其基础在于准确掌握区域内散烧煤的活动水平,即民用散烧煤的年燃用量。
现有技术中,获得民用散烧煤的年燃用量,主要分为以下两种方法:第一,自上而下的方法,从区域内能源统计数据中获取民用散烧煤的消费总量;目前现有技术的研究结果表明,通过国家统计数据得到的散烧煤年燃用量数据与实际调研得到的结果有着巨大差异,该方法严重低估了农村散烧煤的用量。
现有技术中,还采用自下而上的方法获得民用散烧煤的年燃用量,通过逐村入户调研或者抽样入户调研的方法,得到各地区农户户均年散煤燃用量,与各地区农户数量相乘,得到各地区民用散煤燃用量。这种方法的缺点在于统计成本较高,此外,数据质量也难以保证。当获得较大区域内的民用散烧煤使用数据时,就需要耗费较大的人力和财力。更重要的是,这种方法获得的数据很难进行共享,造成了大量的低水平重复调研工作。这给相关科研团队开展相关研究,以及政府部门准确掌握民用散煤对大气污染的影响,以及制定相应的政策措施造成了很大困难。
发明内容
为了提供一种高准确性、低成本、可共享的民用散煤燃用量计算方法,本发明提供一种散煤燃用量确定方法,包括:
按预设的样本采集条件确定样本采集对象;
根据确定的样本采集对象采集训练样本数据;所述的训练样本数据包括:散煤燃用量影响参数数据;
利用人工神经网络构建燃煤用量模型;
利用所述训练样本数据训练预先构建的燃煤用量模型;
根据待测区域的散煤燃用量影响参数数据和训练后的燃煤用量模型确定待测区域的散煤燃用量。
本发明实施例中,所述的按预设的样本采集条件确定样本采集对象包括:
获取预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;
按预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量确定样本采集对象。
本发明实施例中,所述的按预设的样本采集条件确定样本采集对象包括:
按预设的温度区间将样本对象进行分组,确定温度组;
按预设的人均可支配收入值对各温度组的样本对象进行分组,确定收入组;
按预设的供暖面积值对各收入组的样本对象进行分组,确定面积组;
按预设的常住人口数对各面积组的样本对象进行分组,确定样本采集组;
根据预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量从所述的样本采集组中确定样本采集对象。
本发明实施例中,所述训练样本数据还包括:户均年燃煤量数据;
所述的利用所述训练样本数据训练预先构建的燃煤用量模型包括:
用预设的户均年燃煤量数据的燃煤用量参考范围数值和预设的参考区间,对采集的户均年燃煤量数据进行人工神经网络输出节点的预处理,确定输出训练样本;
将所述散煤燃用量影响参数作为输入训练样本,根据所述输入训练样本和输出训练样本训练所述燃煤用量模型。
进一步,本发明还提供一种散煤燃用量确定装置,包括:
样本对象确定模块,用于按预设的样本采集条件确定样本采集对象;
数据采集模块,用于根据确定的样本采集对象采集训练样本数据;所述的训练样本数据包括:散煤燃用量影响参数数据;
神经网络模型构建模块,利用人工神经网络构建的燃煤用量模型;
模型训练模块,用于利用所述训练样本数据训练预先构建的燃煤用量初始模型;
燃用量确定模块,用于根据待测区域的散煤燃用量影响参数数据和训练后的燃煤用量模型确定待测区域的散煤燃用量。
本发明实施例中,所述的样本对象确定模块包括:
预设参数获取单元,用于获取预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;
对象确定单元,用于按预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量确定样本采集对象。
本发明实施例中,所述的对象确定单元包括:
分组单元,用于按预设的温度区间将样本对象进行分组,确定温度组;按预设的人均可支配收入值对各温度组的样本对象进行分组,确定收入组;按预设的供暖面积值对各收入组的样本对象进行分组,确定面积组;按预设的常住人口数对各面积组的样本对象进行分组,确定样本采集组;
确定单元,用于根据预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量从所述的样本采集组中确定样本采集对象。
本发明实施例中,所述训练样本数据还包括:户均年燃煤量数据;
所述的模型训练模块包括:
样本预处理单元,用预设的户均年燃煤量数据的燃煤用量参考范围数值和预设的参考区间,对采集的户均年燃煤量数据进行人工神经网络输出节点的预处理,确定输出训练样本;
训练单元,用于将所述散煤燃用量影响参数作为输入训练样本,根据所述输入训练样本和输出训练样本训练所述燃煤用量模型。
同时,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法。
同时,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述方法的计算机程序。
本发明的散煤燃用量确定方法及装置,提供了一种高准确性、低成本的民用散煤燃用量的确定方案,本方案利用神经网络模型建立燃煤用量确定模型,提供一种可共享的民用散煤燃用量确定方案,并且本方案确定样本采集对象获得的训练样本建立的模型进一步提高散煤燃用量确定的准确性。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的散煤燃用量确定方法的流程图;
图2为本发明实施例中的神经网络模型示意图;
图3为本发明提供的散煤燃用量确定装置的框图;
图4本发明实施例中的电子设备图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明提供的一种散煤燃用量确定方法,包括:
步骤S101,按预设的样本采集条件确定样本采集对象;
步骤S102,根据确定的样本采集对象采集训练样本数据;训练样本数据包括:散煤燃用量影响参数数据。
可以理解的是,所述训练样本数据中还可以包含有户均年燃煤量数据;其中,所述散煤燃用量影响参数数据包括:温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;
步骤S103,利用人工神经网络构建燃煤用量模型;
步骤S104,利用所述训练样本数据训练预先构建的所述燃煤用量模型;
步骤S105,根据待测区域的散煤燃用量影响参数数据和训练后的燃煤用量模型确定待测区域的散煤燃用量。
本发明实施例中,按预设的样本采集条件确定样本采集对象包括:获取预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;
按预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量确定样本采集对象。
本发明一实施例中,按预设的样本采集条件确定样本采集对象包括:
按预设的温度区间将样本对象进行分组,确定温度组;
按预设的人均可支配收入值对各温度组的样本对象进行分组,确定收入组;
按预设的供暖面积值对各收入组的样本对象进行分组,确定面积组;
按预设的常住人口数对各面积组的样本对象进行分组,确定样本采集组;
根据预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量从所述的样本采集组中确定样本采集对象。
上述确定样本采集对象的方式,仅为本发明一实施方式的说明,对样本采集对象的确定过程,并不以上述的步骤为限,本步骤的目的在于举例说明如何根据温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量确定样本采集对象。
本发明实施例中,利用训练样本数据训练燃煤用量模型包括:
用预设的户均年燃煤量数据的燃煤用量参考范围数值和预设的参考区间,对采集的户均年燃煤量数据进行人工神经网络输出节点的预处理,确定输出训练样本;
将所述散煤燃用量影响参数作为输入训练样本,根据所述输入训练样本和输出训练样本训练所述燃煤用量模型。
进一步,本发明一实施例中,上述对用预设的户均年燃煤量数据的燃煤用量参考范围数值和预设的参考区间,对采集的户均年燃煤量数据进行人工神经网络输出节点的预处理,确定输出训练样本具体包括:以预设的区间对采集的作为训练样本的户均年燃煤量数据进行区间划分,即作为训练样本的户均年燃煤量数据Y的取值范围在Ymin~Ymax的区间内,以预设的区间值将其划分为若干区间,一实施例中以小于0.5的区间值将样本Y划分为若干区间,建立的神经网络模型在训练以及计算时,模型输出的Y值将归属到上述某一区间中。
本发明在确定燃煤量的过程中,首先针对性地选择调研样本,以更准确的样本参数训练模型,从而实现更准确的确定散煤燃用量。
本发明实施例中,确定样本采集对象采集样本包括:首先,本实施例通过研究确定了影响农户散煤年燃用量的四个主要因素:气温(x1)、人均可支配收入(x2)、供暖面积(x3)和户均常住人口(x4)。在选择调研样本时,将所在区域按照年均气温大小分为高、中、低三个区域,每个区域按照人均可支配收入大小分为高、中、低分为三个小区域,每一个小区域按照供暖面积的大、中、小以及户均常住人口的多、中、少分别选择不同的代表农户,对农户家进行入户调研。其次,对入户调研的数据进行定量核算,保证有限样本数据的准确性。本发明方法中涉及的核心数据为气温(x1)、人均可支配收入(x2)、供暖面积(x3)和户均常住人口(x4)以及户均年燃煤量(Y)。本实施例中,气温数据选用气象局发布的每日气温(x1),可通过读取气象局数据库,或从预先获取存储的气象数据中读取;人均可支配收入(x2)、供暖面积(x3)以及户均常住人口(x4)可由居民通过移动终端输入,或调研人员经过进行核算后通过终端输入,或通过其它存储该数据的数据库中读取。
本发明实施例的第二步为根据获得的数据,搭建人工神经网络,建立户均年燃煤量的估算模型。如图2所示,为本实施例中搭建的散煤燃用量确定模型的示意图,模型的核心运算单元为图2中所示的人工神经网络,其包括输入层、隐藏层和输出层。输入层设置了5个节点,因此在数据格式上,每个样本数据为1行5列的结构。其5个节点分别代表:供暖季日平均最低气温(x10)和日平均最高气温(x11)、人均可支配收入(x2)、人均供暖面积(x3)、户均常住人口(x4)。隐藏层可以设置1~2层,每一层可以包含约10个节点。在输出层,考虑到户均燃煤量的数据特点,为其设计了数据集为:{0.5、1、1.5、2、2.5、3、3.5、4、4.5、5、5.5、6、6.5、7、7.5、8、8.5、9、9.5、10},即农户户均燃煤量的范围在0.5吨~10吨/年,其误差为0.5吨/年,最大用量不超过10吨/年。因此,输出层包含1~20个节点,其输出结果对应数据集中的某一值。人工神经网络的主要代码如下所示:
本发明实施例的第三步为模型的应用,输入所在区域的相关数据:供暖季日平均最低气温(x10)和日平均最高气温(x11)、人均可支配收入(x2)、人均供暖面积(x3)、户均常住人口(x4),模型将计算出所在区域的户均年燃煤量(Y)。
本发明实施例的第四步为模型的共享与优化。人工神经网络能够获得的样本数据越多,其计算结果约接近与实际。将本发明中样本数据的获得方法,数据格式以及人工神经网络运行代码公开,其他的研究课题组按照本发明中提供的方法进行样本数据收集,数据格式处理,并带入人工神经网络进行训练,得到更优化的人工神经网络。
以下结合具体实施例来对本发明进行阐述,以某地区2018年散煤年燃用量进行估算为例。
第一步:获取样本数据:
1.将该地区按照气温高、中和低分为三个区域,在不同区域选择具有代表性的小区域。
2.根据各个小区域,按照人均可支配收入的大小分为高、中、低选择至少3个代表村庄。
3.在选择的村庄,根据常住人口数量的多中少、户均供暖面积的大中小选择不同的农户家庭进行入户调研。每个村庄至少选择6户农户进行调研。
4.在进行入户调研时,对入户调研的数据进行定量核算。
第二步:将获得的数据进行整理,搭建人工神经网络,建立户均年燃煤量的估算模型。
本实施例中,获得各地区的数据按表格整理如下表所示:
其中,样本的最低气温为样本供暖季每个月月最低气温的平均值;最高气温为样本供暖季每个月月最高气温的平均值。
2.搭建人工神经网络。输入层包括5个节点,分布代表供暖季日平均最低气温(x10)和日平均最高气温(x11)、人均可支配收入(x2)、人均供暖面积(x3)、户均常住人口(x4)。隐藏层结构为1层,包括10个节点。输出层包括一层,由于收集的样本中,绝大部分户均年燃煤量(Y)在5吨/年以下,因此输出节点设置为12个,人工神经网络的输出结果对应数据集{0.5、1、1.5、2、2.5、3、3.5、4、4.5、5、5.5、6}中的某一个。
使用调研得到的部分数据作为样本集对人工神经网络进行训练,另一部分数据作为测试集用于对人工神经网络的运行结果进行测试,本实施例的运行结果显示,本实施例搭建的神经网络模型对样本数据具有良好的模拟效果,准确率在95%以上。
第三步:模型的应用,计算地区散煤年燃用量。根据获取的相关统计数据,得到该地区的人均可支配收入(x2)、供暖面积(x3)和户均常住人口(x4);通过气象局数据库的数据,获得该区域各个地区的供暖季平均最低气温与平均最高气温。将数据输入人工神经网络,得到各地区散煤年燃用量的户均年用量,与各地区农户数量相乘,得到该地区民用散煤约4061万吨。
第四步,模型的优化与共享,根据本发明中的方法获得样本数据,将其输入到人工神经网络中进行训练,使得模型进一步优化,使建立的模型的计算结果进一步贴近实际。
同时,本发明还提供一种散煤燃用量确定装置,如图3所示,包括:
样本对象确定模块301,用于按预设的样本采集条件确定样本采集对象;
数据采集模块302,用于根据确定的样本采集对象采集训练样本数据;所述的训练样本数据包括:散煤燃用量影响参数数据。
可以理解的是,所述训练样本数据中还可以包含有户均年燃煤量数据;其中,所述散煤燃用量影响参数数据包括:温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;
神经网络模型构建模块303,利用人工神经网络构建的燃煤用量模型;
模型训练模块304,用于利用所述训练样本数据训练预先构建的燃煤用量模型;
燃用量确定模块305,用于根据待测区域的散煤燃用量影响参数数据和训练后的燃煤用量模型确定待测区域的散煤燃用量。
本发明实施例中,样本对象确定模块301包括:
预设参数获取单元,用于获取预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;
对象确定单元,用于按预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量确定样本采集对象。
本发明实施例中,对象确定单元进一步包括:
分组单元,用于按预设的温度区间将样本对象进行分组,确定温度组;按预设的人均可支配收入值对各温度组的样本对象进行分组,确定收入组;按预设的供暖面积值对各收入组的样本对象进行分组,确定面积组;按预设的常住人口数对各面积组的样本对象进行分组,确定样本采集组;
确定单元,用于根据预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量从所述的样本采集组中确定样本采集对象。
本发明实施例中,模型训练模块304包括:
训练单元,用于将散煤燃用量影响参数作为输入数据,户均年燃煤量数据作为输出训练所述燃煤用量初始模型;
限制单元,用于根据户均年燃煤量数据的燃煤用量范围对训练后的模型的输出进行限制确定燃煤用量确定模型。
此外,本发明实施例还提供一种电子设备,该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备的实施可以参照前述实施例,其内容被合并于此,重复之处不再赘述。
图4为本发明实施例的电子设备400的系统构成的示意框图。如图4所示,该电子设备400可以包括处理器401和存储器402;存储器402通过总线403耦合到处理器401。值得注意的是,该图是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,散煤燃用量确定功能可以被集成到处理器401中。其中,处理器401可以被配置为进行如下控制:按预设的样本采集条件确定样本采集对象;
根据确定的样本采集对象采集训练样本数据;所述的训练样本数据包括:散煤燃用量影响参数数据和户均年燃煤量数据;其中,所述散煤燃用量影响参数数据包括:温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;利用神经网络构建的燃煤用量初始模型;利用所述的训练样本数据训练燃煤用量初始模型确定燃煤用量确定模型;根据待测区域的散煤燃用量影响参数数据和燃煤用量确定模型确定待测区域的散煤燃用量。
本发明实施例还提供一种计算机可读程序,其中当在电子设备中执行所述程序时,程序使得计算机在所述电子设备中执行如上面所述的散煤燃用量确定方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中计算机可读程序使得计算机在电子设备中执行上面实施例所述的散煤燃用量确定方法。
本发明利用神经网络模型建立燃煤用量确定模型,提供一种可共享的民用散煤燃用量确定方案,并且本方案确定样本采集对象获得的训练样本建立的模型进一步提高散煤燃用量确定的准确性,从而一种高准确性、低成本、可共享的民用散煤燃用量计算方法。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的,因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外,由于本领域的技术人员容易想到很多修改和改变,因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作,而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种散煤燃用量确定方法,其特征在于,所述的方法包括:
按预设的样本采集条件确定样本采集对象;
根据确定的样本采集对象采集训练样本数据;所述的训练样本数据包括:散煤燃用量影响参数数据;
利用人工神经网络构建燃煤用量模型;
利用所述训练样本数据训练预先构建的所述燃煤用量模型;
根据待测区域的散煤燃用量影响参数数据和训练后的燃煤用量模型确定待测区域的散煤燃用量。
2.如权利要求1所述的散煤燃用量确定方法,其特征在于,所述的按预设的样本采集条件确定样本采集对象包括:
获取预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;
按预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量确定样本采集对象。
3.如权利要求2所述的散煤燃用量确定方法,其特征在于,所述的按预设的样本采集条件确定样本采集对象包括:
按预设的温度区间将样本对象进行分组,确定温度组;
按预设的人均可支配收入值对各温度组的样本对象进行分组,确定收入组;
按预设的供暖面积值对各收入组的样本对象进行分组,确定面积组;
按预设的常住人口数对各面积组的样本对象进行分组,确定样本采集组;
根据预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量从所述的样本采集组中确定样本采集对象。
4.如权利要求1所述的散煤燃用量确定方法,其特征在于,所述训练样本数据还包括:户均年燃煤量数据;
所述的利用所述训练样本数据训练预先构建的所述燃煤用量模型包括:
用预设的户均年燃煤量数据的燃煤用量参考范围数值和预设的参考区间,对采集的户均年燃煤量数据进行人工神经网络输出节点的预处理,确定输出训练样本;
将所述散煤燃用量影响参数作为输入训练样本,根据所述输入训练样本和输出训练样本训练所述燃煤用量模型。
5.一种散煤燃用量确定装置,其特征在于,所述的装置包括:
样本对象确定模块,用于按预设的样本采集条件确定样本采集对象;
数据采集模块,用于根据确定的样本采集对象采集训练样本数据;所述的训练样本数据包括:散煤燃用量影响参数数据;
神经网络模型构建模块,利用人工神经网络构建燃煤用量模型;
模型训练模块,用于利用所述训练样本数据训练预先构建的所述燃煤用量模型;
燃用量确定模块,用于根据待测区域的散煤燃用量影响参数数据和训练后的燃煤用量模型确定待测区域的散煤燃用量。
6.如权利要求5所述的散煤燃用量确定装置,其特征在于,所述的样本对象确定模块包括:
预设参数获取单元,用于获取预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量;
对象确定单元,用于按预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量确定样本采集对象。
7.如权利要求6所述的散煤燃用量确定装置,其特征在于,所述的对象确定单元包括:
分组单元,用于按预设的温度区间将样本对象进行分组,确定温度组;按预设的人均可支配收入值对各温度组的样本对象进行分组,确定收入组;按预设的供暖面积值对各收入组的样本对象进行分组,确定面积组;按预设的常住人口数对各面积组的样本对象进行分组,确定样本采集组;
确定单元,用于根据预设的温度数据、人均可支配收入数据、人均供暖面积以及户均常住人口数量从所述的样本采集组中确定样本采集对象。
8.如权利要求5所述的散煤燃用量确定装置,其特征在于,所述训练样本数据还包括:户均年燃煤量数据;
所述的模型训练模块包括:
样本预处理单元,用预设的户均年燃煤量数据的燃煤用量参考范围数值和预设的参考区间,对采集的户均年燃煤量数据进行人工神经网络输出节点的预处理,确定输出训练样本;
训练单元,用于将所述散煤燃用量影响参数作为输入训练样本,根据所述输入训练样本和输出训练样本训练所述燃煤用量模型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至4任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661024.4A CN110569981A (zh) | 2019-07-22 | 2019-07-22 | 散煤燃用量确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661024.4A CN110569981A (zh) | 2019-07-22 | 2019-07-22 | 散煤燃用量确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110569981A true CN110569981A (zh) | 2019-12-13 |
Family
ID=68773256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910661024.4A Pending CN110569981A (zh) | 2019-07-22 | 2019-07-22 | 散煤燃用量确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569981A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471174A (zh) * | 2013-10-10 | 2013-12-25 | 张久明 | 节能联动控制系统及节能联动控制方法 |
CN104268802A (zh) * | 2014-10-11 | 2015-01-07 | 国家电网公司 | 采用神经网络模型确定城市居民小区用电需用系数的方法 |
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN105205558A (zh) * | 2015-09-23 | 2015-12-30 | 南京磐能电力科技股份有限公司 | 一种面向建筑能耗预测的bp神经网络模型配置方法 |
CN105894111A (zh) * | 2016-03-30 | 2016-08-24 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
CN105894113A (zh) * | 2016-03-31 | 2016-08-24 | 中国石油天然气股份有限公司规划总院 | 一种天然气短期需求预测方法 |
CN109242209A (zh) * | 2018-10-12 | 2019-01-18 | 北京交通大学 | 基于K-means聚类的铁路突发事件分级预警方法 |
CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
CN109858700A (zh) * | 2019-02-01 | 2019-06-07 | 华北水利水电大学 | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 |
-
2019
- 2019-07-22 CN CN201910661024.4A patent/CN110569981A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471174A (zh) * | 2013-10-10 | 2013-12-25 | 张久明 | 节能联动控制系统及节能联动控制方法 |
CN104268802A (zh) * | 2014-10-11 | 2015-01-07 | 国家电网公司 | 采用神经网络模型确定城市居民小区用电需用系数的方法 |
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN105205558A (zh) * | 2015-09-23 | 2015-12-30 | 南京磐能电力科技股份有限公司 | 一种面向建筑能耗预测的bp神经网络模型配置方法 |
CN105894111A (zh) * | 2016-03-30 | 2016-08-24 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
CN105894113A (zh) * | 2016-03-31 | 2016-08-24 | 中国石油天然气股份有限公司规划总院 | 一种天然气短期需求预测方法 |
CN109242209A (zh) * | 2018-10-12 | 2019-01-18 | 北京交通大学 | 基于K-means聚类的铁路突发事件分级预警方法 |
CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
CN109858700A (zh) * | 2019-02-01 | 2019-06-07 | 华北水利水电大学 | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | A meta-analysis of 1,119 manipulative experiments on terrestrial carbon-cycling responses to global change | |
Li et al. | The adequacy of different landscape metrics for various landscape patterns | |
Bunting et al. | Modelling pollen dispersal and deposition using HUMPOL software, including simulating windroses and irregular lakes | |
Heath et al. | Taxon sampling affects inferences of macroevolutionary processes from phylogenetic trees | |
Li et al. | Pattern of spatial evolution of rural settlements in the Jizhou District of China during 1962–2030 | |
CN109446696B (zh) | 基于cmaq模型的快速大气环境容量测算方法、存储介质和终端 | |
CN110348746B (zh) | 基于单个污染源的空气质量影响评估方法和装置 | |
CN109613182A (zh) | 基于大气污染物的监测布点选址方法及装置 | |
CN111753426B (zh) | 颗粒物污染的源解析方法和装置 | |
Bayard et al. | Using spatial point-pattern assessment to understand the social and environmental mechanisms that drive avian habitat selection | |
CN114742460B (zh) | 一种确定待管控企业的方法、装置、电子设备及存储介质 | |
CN112581091A (zh) | 公共服务设施的量化评价方法、装置、设备及存储介质 | |
Reyniers et al. | Projected changes in droughts and extreme droughts in Great Britain strongly influenced by the choice of drought index | |
Bartha et al. | Beta diversity and community differentiation in dry perennial sand grasslands | |
CN104897769A (zh) | 基于改进的粒子群优化算法的漏磁检测缺陷重构方法 | |
CN115860214A (zh) | 一种pm2.5排放浓度的预警方法和装置 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
Fajmonová et al. | Distribution of habitat specialists in semi‐natural grasslands | |
Henriquez et al. | Analysis and optimal design of air quality monitoring networks using a variational approach | |
CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
CN110569981A (zh) | 散煤燃用量确定方法及装置 | |
CN110544006A (zh) | 污染物排放清单时间分布确定方法及装置 | |
CN110837875B (zh) | 地表覆盖数据质量异常判断方法及装置 | |
Wang et al. | Vaccination rates and determinants of nine recommended vaccines among migrants in China: a nationwide cross-sectional study | |
CN114565286A (zh) | 工业废水排放量的智能分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |
|
RJ01 | Rejection of invention patent application after publication |