CN113283790A - 基于熵权topsis法-bp神经网络的安全度预测方法、设备及介质 - Google Patents
基于熵权topsis法-bp神经网络的安全度预测方法、设备及介质 Download PDFInfo
- Publication number
- CN113283790A CN113283790A CN202110653935.XA CN202110653935A CN113283790A CN 113283790 A CN113283790 A CN 113283790A CN 202110653935 A CN202110653935 A CN 202110653935A CN 113283790 A CN113283790 A CN 113283790A
- Authority
- CN
- China
- Prior art keywords
- coal
- prediction
- neural network
- safety degree
- index
- 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
Images
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及安全度预测领域,具体涉及给出一种基于熵权TOPSIS法‑BP神经网络的安全度预测方法、计算机设备和计算机介质。根据时限范围内煤炭安全度预测指标的数值,通过确定预测指标权重,并计算正理想解、负理想解,确定时限范围内煤炭安全度,再利用煤炭安全度和预测指标确定用于训练的神经网络,以利用神经网络进行安全度预测。避免了权重决定的主观性并且在较少数据的情况下也有较好的适应性。采用神经网络方法对煤炭资源安全进行训练,达到预测煤炭安全度。而且,对预测指标进行敏感度分析,在训练好模型的基础上,对模型进行敏感性测试来寻找敏感性的因素,以确定敏感度较高的预测指标,以提高煤炭安全度预测的准确度。
Description
技术领域
本发明涉及安全度预测技术领域,具体涉及基于熵权TOPSIS法- BP神经网络的安全度预测方法、计算机设备及计算机介质。
背景技术
能源安全日益成为各个国家保持可持续发展的关键,该问题对于发展中的中 国来讲尤其重要。中国是能源进口大国,其能源结构十分不均衡,三分之二的能 源消费都是由煤炭提供。中国虽然拥有丰富的煤炭资源,但是在煤炭资源的开发 利用环节中存在着许多冲突和矛盾,具体包括煤炭资源的产能过剩;煤炭资源时 空分布不均;煤炭资源的调配困难;煤炭资源开采与使用带来的巨大的资源环境 压力;煤炭使用造成的环境污染和气候问题等。这就意味着中国煤炭资源安全的 研究具有一定的复杂性,需要从各个方面进行考量。因此,现阶段研究中国的能 源安全的关键是研究中国煤炭资源,利用中国煤炭的各类现有指标,利用煤炭资 源和煤炭应用、分布、环境等之间的自然规律,测量煤炭资源的安全度异常重要。
发明内容
本发明给出一种基于熵权TOPSIS法-BP神经网络的安全度预测方法、计算 机设备和计算机介质,以解决煤炭安全度科学化预测。
本发明提供一种基于熵权TOPSIS法-BP神经网络的安全度预测方法,其包 括:
获取时限范围煤炭安全度预测指标的数值,获取所述预测指标对煤炭安全度 的作用方向,所述煤炭安全度预测指标包括煤炭存量、供给量、投资需求量、进 出口量、和/或环境影响量,所述作用方向包括:正向、负向;
通过预测指标同度量化处理构建规范化矩阵,确定预测指标差异性,根据所 述预测指标差异性确定预测指标权重;并根据预设作用方向与正理想解、负理想 解的对应关系,通过规范化矩阵得到正理想解、负理想解;根据预测指标值与正 理想解的相对距离,确定时限范围内煤炭的安全度;
根据所述时限范围内煤炭的安全度构建神经网络训练模型;
根据所述神经网络训练模型进行煤炭安全度预测。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有 计算机介质,所述处理器执行计算机程序时实现所述安全度预测方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计 算机程序被处理器执行时实施所述安全度预测方法的步骤。
本发明提供一种基于熵权TOPSIS法-BP神经网络的安全度预测方法,其包 括:获取时限范围煤炭安全度预测指标的数值,获取预测指标对煤炭安全度的作 用方向,煤炭安全度预测指标包括煤炭存量、供给量、投资需求量、进出口量、 和/或环境影响量,作用方向包括:正向、负向;通过预测指标同度量化处理构建 规范化矩阵,确定预测指标差异性,根据预测指标差异性确定预测指标权重;并 根据预设作用方向与正理想解、负理想解的对应关系,通过规范化矩阵得到正理 想解、负理想解;根据预测指标值与正理想解的相对距离,确定时限范围内煤炭 的安全度;根据时限范围内煤炭的安全度构建神经网络训练模型;根据神经网络 训练模型进行煤炭安全度预测。根据时限范围内煤炭安全度预测指标的数值,通 过确定预测指标权重,并计算正理想解、负理想解,确定时限范围内煤炭安全度, 再利用煤炭安全度和预测指标确定用于训练的神经网络,以利用神经网络进行安 全度预测。避免了权重决定的主观性并且在较少数据的情况下也有较好的适应性。 采用神经网络方法对煤炭资源安全进行训练,达到预测煤炭安全度。
而且,对预测指标进行敏感度分析,在训练好模型的基础上,对模型进行敏 感性测试来寻找敏感性的因素,以确定敏感度较高的预测指标,以提高煤炭安全 度预测的准确度。
附图说明
图1为基于熵权TOPSIS法-BP神经网络的安全度预测方法的步骤示意图;
图2为中国煤炭资源安全年度变化图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下 实例用于说明本发明,但不用来限制本发明的范围。
本发明一个实施例中本发明提供一种基于熵权TOPSIS法-BP神经网络的安 全度预测方法、计算机设备和计算机介质,以实现结合预测指标,根据时限范围 内煤炭安全度,科学预测以后的煤炭安全度。
该基于熵权TOPSIS法-BP神经网络的安全度预测方法,包括:
步骤01,获取时限范围煤炭安全度预测指标的数值,获取预测指标对煤炭 安全度的作用方向,煤炭安全度预测指标包括煤炭存量、供给量、投资需求量、 进出口量、和/或环境影响量,作用方向包括:正向、负向;
步骤02,通过预测指标同度量化处理构建规范化矩阵,确定预测指标差异 性,根据预测指标差异性确定预测指标权重;并根据预设作用方向与正理想解、 负理想解的对应关系,通过规范化矩阵得到正理想解、负理想解;根据预测指标 值与正理想解的相对距离,确定时限范围内煤炭的安全度;
步骤03,根据时限范围内煤炭的安全度构建神经网络训练模型;
步骤04,根据神经网络训练模型进行煤炭安全度预测。
根据时限范围内煤炭安全度预测指标的数值,通过确定预测指标权重,并计 算正理想解、负理想解,确定时限范围内煤炭安全度,再利用煤炭安全度和预测 指标确定用于训练的神经网络,以利用神经网络进行安全度预测。避免了权重决 定的主观性并且在较少数据的情况下也有较好的适应性。采用神经网络方法对煤 炭资源安全进行训练,达到预测煤炭安全度。
接下来,本发明提供一个具体实施例,说明基于熵权TOPSIS法-BP神经网 络的安全度预测方法,如图1所示:
步骤101:构建预测煤炭安全度的预测指标;
煤炭资源安全包括两个方面:长期煤炭资源安全与短期煤炭资源安全。根据 我们对定义的理解,我们认为煤炭资源长期安全包括三个要素:煤炭存量、煤炭 行业经营和环境因素。这三个因素反映了煤炭资源的供应和利用是否会受到长期 的制约。从长远来看,煤炭存量将影响煤炭资源的自给自足。它还决定了它在一 个国家未来能源框架中的地位。煤炭行经营水平决定了煤炭的开采和经营管理能 力,从而影响着煤炭中长期资源的供应和利用。环境因素对煤炭资源长期安全的 影响机制复杂。煤炭生产和消费对环境的破坏,会增加煤炭使用的经济成本,不 利于煤炭的长期安全。为了保护生态和发展清洁能源,未来煤炭的使用量将逐步 减少。
短期煤炭资源安全包括三个要素:煤炭供给、煤炭需求、煤炭进出口。煤炭 供给是指国内煤炭供应能力。煤炭需求是指煤炭供应的最低要求。煤炭进出口反 映的是外部煤炭资源获取能力,以及国家或国际机构对煤炭的控制能力。这三个 要素反映了能源系统对供求平衡的突然变化作出迅速反应的能力。因此,缺乏能 源安全就与无法获得能源或价格波动过大所造成的消极经济和社会影响联系在 一起。
表1中国整体的煤炭资源安全度预测指标
其中,煤炭生产弹性系数H3是指煤炭总产量的平均年增长率0除以国民经 济的平均年增长率;煤炭自给率H12是指煤炭产量除以煤炭消费量。
在另一些实施例中,需要预测区域的煤炭安全度,则需要考虑一些其他的预 测指标,以预测省级别的煤炭资源安全度为例,预测指标见表2。
省级别的煤炭资源安全度预测的预测指标在煤炭供给和煤炭需求中考虑到 了煤炭区域间调配的指标,使得整个指标体系更能反应各个省份煤炭资源安全状 况的差异性。煤炭省内可调拨总量S3是指各省国有重点煤矿的总产量即为省内 可调拨总量。煤炭外调量S4是指本省可调拨总量中,调拨的外省的部分。煤炭 总受拨量S7是指本省收到的总调拨量(包括本省自调和外省调入部分)。
表2各省煤炭资源安全安全度预测指标
需要说明的是,在一些实施例中,预测指标可根据实际情况在以上指标中选 择使用。
步骤102,确定预测指标对煤炭安全度的作用方向,作用方向包括:正向、 负向;
根据各因素影响机制确定预测指标对煤炭资源安全度的作用方向。其中,煤 炭存量、煤炭供给、煤炭产业运营要素层所对应的全部指标对煤炭的作用方向为 正,这符合我们对煤炭资源安全度的认知。煤炭需求量下面的所有指标对煤炭资 源安全作用方向为负,这是因为煤炭消费量高、火力发电量越高、煤炭在能源中 占据的比例大意味着国家对煤炭的依赖越强,可替代的能源较少。煤炭进口对煤 炭资源安全作用为负,进口量越高说明国外煤的低价优势和品质对中国本土煤炭 行业冲击越大,会降低煤炭资源安全度;进口量越高说明我国对海外煤炭依赖度 越高,自给量越低,从而煤炭资源安全度越低。就环境因素要素层来讲,环境越 差、污染量越高、环境治理投资量越少,煤炭资源安全度越低。
表2中,可调拨量与外调量越高,煤炭资源安全度越高,所以作用方向为正, 相对的,煤炭总受拨量作用方向为负。
步骤103,对预测指标进行同度量化处理,确定预测指标的差异性,由预测 指标的差异性确定预测指标权重;
通过该步骤避免主观确定指标权重的随意性,实现客观性,更符合实际情况 中预测指标对煤炭资源安全度的影响能力,达到科学计量的目的。该步骤采用熵 权方法处理。
1)根据获取的预测指标的数值做原始数据建立矩阵,由p个对象的q个预 测指标构成的空间矩阵M=[mij]p×q,并将各预测指标同度量化处理,去除单位对 评价结果的影响,得到规范化矩阵Z=[zij]p×q。
2)利用熵值法计算权重。首先计算第j项指标下第i个对象指标值的比重然后,计算第j项指标的熵值其中ej为指标熵值, h为大于0的正数,可设定为h=1/lnp,确保ej大于0小于1;计算第j项指标 的差异性系数gi=1-ei,熵值越小,指标间差异系数越大,指标就越重要;定义 权重数
步骤104,根据预设作用方向与正理想解、负理想解的对应关系,通过规范 化矩阵得到正理想解、负理想解;
判断各预测指标对煤炭安全度的作用方向。如果作用方向为正,那么单指标 的正理想解(最优取值)为指标最大值,负理想解(最劣取值)为指标最小值; 如果作用方向为负,那么单指标的正理想解为指标最小值,负理想解为指标最大 值。综合各个指标的判断结果得到全指标综合的正理想解E+和负理想解E-。本 技术结合上文建设的规范化矩阵Z=[zij]p×q,通过TOPSIS方法计算正理想解E+和负理想解E-。
步骤105,根据预测指标值与正理想解的相对距离,确定时限范围内煤炭的 安全度;
步骤106,根据时限范围内煤炭的安全度构建神经网络训练模型;
步骤106-1,确定神经网络模型输入变量、输出变量
获取时限范围内煤炭的安全度,将时限范围内煤炭的安全度作为神经网络模 型的预测变量,将预测指标作为神经网络模型的输入变量。
步骤106-2,确定神经网络模型的结构
根据预测指标确定输入层节点数,并确定网络隐含层数;
步骤106-3,设置训练集、测试集以及目标,通过神经网络测试,确定神经 网络的参数
采用LM算法对神经网络进行训练。设置训练集为85%(12个样本),测 试集为15%(2个样本),二者随机划分。目标为训练集的MSE小于0.000001, 测试集的MSE小于0.0001。
最后得到训练集MSE为1.28241e-7,测试集MSE为4.67832e-5,达到了我 们预先设定的精度要求。在参数空间内逐步搜索,来寻找最优解。每搜索一步, 重新计算神经网络模型的参数,损失值则相应地减小。先随机初始化一组模型参 数。接着,每次迭代更新这组参数,损失函数值也随之减小。当某个特定条件或 是终止条件得到满足时,整个训练过程即结束。
针对数据量小的情况,使用衰减的最小平方法,针对损失函数是平方和误差 的形式,快速计算。
LM算法迭代流程确定神经网络模型的参数:
(1)给出训练误差允许值ε,以及初始化权值wn,迭代次数n,[λ,v]作为权 重修正参数,一般λ是一个很小的数,v取一个大于1的数.设初始n=0。
(2)计算网络的输出值tn,计算误差εn。
(3)计算Jacobian矩阵J。
(4)由[λ,v]和wn计算权重修正量Δwn,并得到权重修正值wn+1=wn+Δwn。
(5)若误差εn满足精度ε要求,则到(7);否则以权重修正值wn+1计算新误 差εn+1。
(6)如果新误差εn+1小于旧误差εn,那么令n=n+1,同时改变权重修正参数 λ=λ×v,并回到(2);否则这次不更新权重值,令新权重wn+1等于旧权重 wn,改变权重修正参数使λ=λ×v,并回到(4)。
(7)停止。
步骤107,通过神经网络训练模型预测煤炭安全度;
为了进一步确定预测指标的重要程度,以提高煤炭安全度的准确度,在步 骤107之后还可以进行步骤108。
步骤108,基于确定参数后的神经网络,依次变动其中一个输入参数,比 较输出参数的变动,分析输入参数敏感性;
输入参数敏感度分析是预先设定一个神经网络系统,在某一基准状态下, 研究变动给定输入参数的情况下,输出参数的变动。即输入参数变动对输出参 数的影响。
具体的计算方法如下。将所有输入指标归一化到[0,1]范围内。在保持其他 输入变量不变的情况下,使用0,0.25,0.5,0.75和1这5个值对单一输入变 量进行测试。分别将输入指标的各测试值引入网络之后,观察神经网络输出指 标的取值,记录其中最大和最小的输出,并计算出最大、最小值之差与最大输 出的比值,所有比值的均数为该输入变量的敏感度。在计算敏感性的过程中, 其他变量的取值决定了敏感度作用的基准状态。在不同基准下,敏感度取值也 不同。这种差异反映了各个输入变量之间的复杂的联合效应。所以可以通过设 定不同的基准值,计算不同基准状态下的敏感度值。
下面以研究2004年到2017年中国整体的煤炭资源安全为例,预测煤炭资 源安全度。数据来源于国家统计局、中国煤炭信息网、中国海关。
首先执行步骤101-步骤103,计算各指标权重;执行步骤104,根据标准化 后的矩阵得到有限方案(14个年限)中的正理想解A+和负理想解A-。表3为预 测指标的权重和正理想解A+和负理想解A-。煤炭行业经营、煤炭进出口这两个 要素层下的指标的平均权重最大,单个指标的权重来说,H5(能源工业投资)、 H15(废气项目投资)的权重较大,说明这两个指标信息含量较大,在煤炭资源 安全度中作用较大。
表3权重与正负理想解列表
指标 | 权重 | 正理想解 | 负理想解 | 指标 | 权重 | 正理想解 | 负理想解 |
H1 | 0.0300 | 0.986221 | -2.64743 | H9 | 0.0404 | 2.208788 | 0.964583 |
H2 | 0.0721 | 0.950231 | -1.58924 | H10 | 0.0643 | -1.73191 | 1.218256 |
H3 | 0.0324 | 1.52028 | -2.50053 | H11 | 0.0491 | -1.98454 | 1.016385 |
H4 | 0.0547 | 1.174736 | -1.82952 | H12 | 0.0911 | 1.5594 | -1.34402 |
H5 | 0.1019 | 1.197034 | -1.3033 | H13 | 0.0960 | -1.32507 | 1.427217 |
H6 | 0.0670 | 1.212067 | -1.61026 | H14 | 0.0383 | -2.36821 | 1.07112 |
H7 | 0.0670 | 1.42589 | -1.59174 | H15 | 0.1172 | 2.175937 | -1.06822 |
H8 | 0.0783 | 1.696349 | -1.43657 |
执行步骤105,分别计算各年度各预测指标值与正理想解及负理想解的欧式 距离D+,D-。计算各评价对象与正理想解的相对接近程度C,最后选取1-C— —与负理想解的远离程度用来代表煤炭资源安全综合评价值(煤炭安全度),基 于此做出中国煤炭资源安全年度变化图,见图2。
图2展现了煤炭安全度历年变化的趋势,从2004年起,中国煤炭资源安全 度就有波动地上升,到了2007年,达到最高点;2007年到2015年,中国煤炭资 源安全度逐渐下降,2015年以后,煤炭资源安全度又缓慢回升。
具体来说,从2004到2008年,受经济上行和国家大力建设基础设施的影 响,煤炭需求大大增加,拉动了煤炭工业经济的发展,该阶段煤炭库存在缓慢上 升,煤炭资源安全度处于较高水平。2008到2012年,煤炭建设效率在增加,煤 炭供需基本达到均衡。从2012年到2014年,受全球经济影响,煤炭需求增长缓 慢,而煤炭供给却增加迅速,这就造成了产能过剩的压力逐渐增加。2013年到 2017年,中国面临着复杂的煤炭资源安全状况。到2015年,煤炭安全度达到了 历年最低点。2015年以后,国家开始采用政策调整煤炭市场,2016年要关闭一 大批小型煤矿;同时限制煤炭的进口,减少国内沿海电厂对外国煤炭产品的依赖,加快消耗国内煤炭库存。所以中国煤炭资源安全度在2015触底后缓慢回升。
预测2025年前煤炭资源安全度。执行步骤106-步骤107,使用BP神经网络 模型对中国煤炭资源安全进行预测。利用熵权TOPSIS法下得到的煤炭安全度, 作为神经网络模型的预测变量(输出变量),将指标体系作为神经网络模型的输 入变量。
确定神经网络的结构。输入层节点数为15,对应煤炭资源安全评价指标体 系中15个指标。在本例中将网络隐含层数设置为单层。由隐藏层节点数计算公 式:(其中n是输入层节点数,l是隐层个数,α∈[1,10]),确定节 点数应该在5到11之间。经过测试不同的隐层节点个数,最终确定本文选取节 点数为10。输出层节点数为1,输出对象为煤炭资源安全度。
确定神经网络的参数。采用LM算法对神经网络进行训练。设置训练集为85% (12个样本),测试集为15%(2个样本),二者随机划分。目标为训练集的 MSE小于0.000001,测试集的MSE小于0.0001。
最后得到训练集MSE为1.28241e-7,测试集MSE为4.67832e-5,达到了我 们预先设定的精度要求。所以可以利用该神经网络模型来预测2025年前(或其 他年限)中国煤炭资源安全度,结果见表4。
表4 2025年前的中国煤炭资源安全度预测
年份 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 | 2025 |
安全度 | 0.27499 | 0.27568 | 0.43257 | 0.56528 | 0.56684 | 0.56751 | 0.57090 | 0.56406 |
从预测结果可以看出,中国的煤炭资源安全度会不断提高,并在2020年后 保持较高的稳定的安全度水平,接近2008年的安全度水平。
执行步骤108,研究输出参数对输入参数变动的敏感度,应用敏感度的近似 计算方法,计算出输入参数敏感度,并根据数值的大小对参数的重要程度进行排 序。考虑到不同基准值下的敏感度不同,选取三种基准值——2017年数据、2013- 2017年数据、2004-2017年数据,计算短期敏感度、中期平均敏感度、长期平均 敏感度。具体敏感度值如下表5。
表5敏感度值表
通过分析敏感度可得以下结论:
(1)煤炭行业发展的指标(H5、H6、H7和H8)的短期敏感性指数高于他们 的中期和长期平均敏感性,这表明煤炭行业发展的积极影响在第一年内立即生效, 而在后来的几年里,由于其他指标的变化而受到影响。
(2)环境因素指标(N14和N15)在短期、中期和长期的敏感性都是稳定的, 表明该指标在神经网络模型中独立地发挥作用。因此,我们可以得出结论,无论 其他指标的变化如何,环境因素指标始终对CRS具有正向影响。
(3)大多数指标(H1、N4、N8、N9)的中期平均敏感性均高于其短期和长期 平均敏感性,说明2013-2017年的影响比其他年份更大。原因是从2015年开始 的政府密集干预。
下面,再给出一种应用实例,根据2012-2016年中国各省煤炭资源进行各省 煤炭资源预测。
对2012年到2016年近5年的分省煤炭资源安全状况进行研究,给出各年各 省的煤炭资源安全度排名,并针对特定的省份进行分析。本部分数据来自于国家 统计局和《中国煤炭工业年鉴》(2012-2016)。使用熵权法计算2012年到2016 年分省煤炭资源安全指标体系的各指标权重,见表6.
表6 2012-2016指标体系权重变化
分别计算各评价对象各指标值与正理想解及负理想解的欧式距离D+,D-。 计算各评价对象与正理想解的相对接近程度C,1-C是与负理想解的远离程度用 来代表煤炭资源安全综合评价值,基于煤炭资源安全综合评价值的大小,得到每 年的各省煤炭资源安全的排序。
表7 2012年到2016年各省煤炭资源安全排名
由上表可以得到各个省的煤炭资源排名变化信息:
(1)山西、内蒙古、安徽、贵州、云南、陕西和新疆是主要的产煤省份, 煤炭储量和供应都远远领先于其他省份,因此,在研究的所有年份里,它们一 直保持在前10名。其中,贵州作为华南地区唯一的煤炭资源转移、西电东送的 省份,自2012年以来,一直在大力开展煤矿的兼并重组、转型升级,因此它在 过去两年中排名得到提高。
(2)天津、辽宁、吉林、上海、江苏、浙江、山东、湖北和广东都排在倒 数10名之内。这主要是因为这些省份对煤炭的需求量很大,但自身的煤炭供应 却不能满足需求。因此,从外省或外县输送煤炭是比较大的。
(3)2015年河南、山东、黑龙江、宁夏的排名下降,主要是因为有效供 给不足,向外省转移的煤炭数量明显下降,它反映了这些省份的供需矛盾。
(4)各省CRS程度存在明显的区域差异。东南沿海省份CRS较低,西部 和北部省份CRS较高。这一特征也反映出煤炭主要分布在内陆地区,东南沿海 地区人口众多,煤炭需求高。山东、湖南和广东的CRS一直处于较低水平,这 主要是因为这些东部和东南部沿海省份对其他省份的依赖性较高。
本发明还提供了一种基于熵权TOPSIS法-BP神经网络的安全度预测系统, 其包括获取模块和计算模块,获取时限范围煤炭安全度预测指标的数值,获取所 述预测指标对煤炭安全度的作用方向,所述煤炭安全度预测指标包括煤炭存量、 供给量、投资需求量、进出口量、和/或环境影响量,所述作用方向包括:正向、 负向;通过预测指标同度量化处理构建规范化矩阵,确定预测指标差异性,根据 所述预测指标差异性确定预测指标权重;并根据预设作用方向与正理想解、负理 想解的对应关系,通过规范化矩阵得到正理想解、负理想解;根据预测指标值与 正理想解的相对距离,确定时限范围内煤炭的安全度;根据所述时限范围内煤炭 的安全度构建神经网络训练模型;根据所述神经网络训练模型进行煤炭安全度预 测。
本发明还提供了一种计算机设备,包括:至少一个处理器、至少一个存储 器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成 相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,其特征在于, 所述处理器调用所述程序指令,以执行上述安全度预测方法。
获取时限范围煤炭安全度预测指标的数值,获取所述预测指标对煤炭安全度 的作用方向,所述煤炭安全度预测指标包括煤炭存量、供给量、投资需求量、进 出口量、和/或环境影响量,所述作用方向包括:正向、负向;通过预测指标同度 量化处理构建规范化矩阵,确定预测指标差异性,根据所述预测指标差异性确定 预测指标权重;并根据预设作用方向与正理想解、负理想解的对应关系,通过规 范化矩阵得到正理想解、负理想解;根据预测指标值与正理想解的相对距离,确 定时限范围内煤炭的安全度;根据所述时限范围内煤炭的安全度构建神经网络训 练模型;根据所述神经网络训练模型进行煤炭安全度预测。
本发明还提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储 介质存储计算机指令,所述计算机指令使所述计算机执行上述的安全度预测方法。
在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个 或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段 或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示 出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来 执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑 功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指 令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以 从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令 执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何 可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合 这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例 (非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式 计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可 编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储 器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他 合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、 解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在 计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。 在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行 系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中 一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对 数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电 路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部 分步骤是可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读 存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中, 也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。 上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实 现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时, 也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
另外,本领域内的技术人员应当理解的是,在本发明实施例的申请文件中, 术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包 括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有 明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的 要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除 在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例的说明书中,说明了大量具体细节。然而应当理解的是,本发 明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未 详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应 当理解,为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个, 在上面对本发明实施例的示例性实施例的描述中。
然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明 实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如 权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。 因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每 个权利要求本身都作为本发明实施例的单独实施例。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明 的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的 保护范围之内。
Claims (10)
1.一种基于熵权TOPSIS法-BP神经网络的安全度预测方法,其特征在于,包括:
获取时限范围煤炭安全度预测指标的数值,获取所述预测指标对煤炭安全度的作用方向,所述煤炭安全度预测指标包括煤炭存量、供给量、投资需求量、进出口量、和/或环境影响量,所述作用方向包括:正向、负向;
通过预测指标同度量化处理构建规范化矩阵,确定预测指标差异性,根据所述预测指标差异性确定预测指标权重;并根据预设作用方向与正理想解、负理想解的对应关系,通过规范化矩阵得到正理想解、负理想解;根据预测指标值与正理想解的相对距离,确定时限范围内煤炭的安全度;
根据所述时限范围内煤炭的安全度构建神经网络训练模型;
根据所述神经网络训练模型进行煤炭安全度预测。
4.根据权利要求2所述的基于熵权TOPSIS法-BP神经网络的安全度预测方法,其特征在于,所述作用方向与正理想解、负理想解的对应关系包括:
若作用方向为正向,那么预测指标的正理想解为预测指标最大值,负理想解为预测指标最小值;若作用方向为负向,那么预测指标的正理想解为指标最小值,负理想解为预测指标最大值。
7.根据权利要求6所述的基于熵权TOPSIS法-BP神经网络的安全度预测方法,其特征在于,所述设置训练集、测试集以及目标,通过神经网络测试,确定神经网络的参数,包括:
(1)给出训练误差允许值ε,以及初始化权值wn,迭代次数n,[λ,v]作为权重修正参数,一般λ是一个很小的数,v取一个大于1的数.设初始n=0;
(2)计算网络的输出值tn,计算误差εn;
(3)计算Jacobian矩阵J;
(4)由[λ,v]和wn计算权重修正量Δwn,并得到权重修正值wn+1=wn+Δwn;
(5)若误差εn满足精度ε要求,则到(7);否则以权重修正值wn+1计算新误差εn+1;
(6)如果新误差εn+1小于旧误差εn,那么令n=n+1,同时改变权重修正参数λ=λ×v,并回到(2);否则这次不更新权重值,令新权重wn+1等于旧权重wn,改变权重修正参数使λ=λ×v,并回到(4);
(7)停止。
8.根据权利要求1-7任一项所述的基于熵权TOPSIS法-BP神经网络的安全度预测方法,其特征在于,在所述根据所述神经网络训练模型进行煤炭安全度预测之后,所述安全度预测方法还包括:
基于确定参数后的神经网络,依次变动其中一个输入参数,比较输出参数的变动,分析输入参数敏感度。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机介质,其特征在于,所述处理器执行计算机程序时实现权利要求1~8中任意一项所述安全度预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实施权利要求1~8中任意一项所述安全度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653935.XA CN113283790A (zh) | 2021-06-11 | 2021-06-11 | 基于熵权topsis法-bp神经网络的安全度预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653935.XA CN113283790A (zh) | 2021-06-11 | 2021-06-11 | 基于熵权topsis法-bp神经网络的安全度预测方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283790A true CN113283790A (zh) | 2021-08-20 |
Family
ID=77284386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653935.XA Pending CN113283790A (zh) | 2021-06-11 | 2021-06-11 | 基于熵权topsis法-bp神经网络的安全度预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283790A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111983468A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨理工大学 | 基于神经网络的锂动力电池的安全度估算方法 |
-
2021
- 2021-06-11 CN CN202110653935.XA patent/CN113283790A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111983468A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨理工大学 | 基于神经网络的锂动力电池的安全度估算方法 |
Non-Patent Citations (2)
Title |
---|
孟超等: "基于BP神经网络的中国煤炭安全评价研究", 《科研管理》, vol. 37, no. 08, pages 153 - 160 * |
田时中等: "中国煤炭供需安全度测算——基于TOPSIS方法的实证研究", 《国土资源科技管理》, vol. 31, no. 05, pages 145 - 148 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416695B (zh) | 基于深度学习的电力负荷概率密度预测方法和系统、介质 | |
CN105825040A (zh) | 短期电力负荷预测方法 | |
CN107358318A (zh) | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 | |
CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN116107279A (zh) | 基于注意力深度神经网络的流程工业能耗多目标优化方法 | |
CN111600300A (zh) | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及系统 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
Zhang et al. | Flow prediction in the lower Yellow River based on CEEMDAN-BILSTM coupled model | |
CN113283790A (zh) | 基于熵权topsis法-bp神经网络的安全度预测方法、设备及介质 | |
CN108694472A (zh) | 预测误差极值分析方法、装置、计算机设备和可读存储介质 | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN117239731A (zh) | 基于混合模型的节假日短期电力负荷预测方法 | |
CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
Zheng et al. | TCN-GAT multivariate load forecasting model based on SHAP value selection strategy in integrated energy system | |
CN105654208B (zh) | 空间负荷预测中确定元胞负荷最大值的经验模态分解方法 | |
CN115575737A (zh) | 一种载流量检测方法及系统 | |
Mostafa et al. | Determinants of energy consumption in Egypt" new approach" | |
Ma et al. | Synergetic change of water, energy and food in China: Quantitative description and challenges | |
CN114444750A (zh) | 一种基于神经网络的电力负荷预测方法 | |
Ling et al. | A thermal load forecasting algorithm based on trajectory tracking |
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 |