CN113792258A - 一种电网企业信息化投资的贡献率确定方法 - Google Patents
一种电网企业信息化投资的贡献率确定方法 Download PDFInfo
- Publication number
- CN113792258A CN113792258A CN202111112984.9A CN202111112984A CN113792258A CN 113792258 A CN113792258 A CN 113792258A CN 202111112984 A CN202111112984 A CN 202111112984A CN 113792258 A CN113792258 A CN 113792258A
- Authority
- CN
- China
- Prior art keywords
- investment
- time sequence
- contribution rate
- module
- staged
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000011161 development Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Technology Law (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网企业信息化投资的贡献率确定方法,包括以下步骤:步骤S1、采集电网企业信息化投资中各个投资模块的投入和总产出的阶段性时序数据,并计算出各个投资模块的贡献率阶段性时序数据;步骤S2、为电网企业信息化投资的贡献率建立阶段性预测模型,并预测出各个投资模块的贡献率阶段性发展趋势;步骤S3、基于所述各个投资模块的贡献率阶段性发展趋势调整各个投资模块的投资布局。本发明构建阶段性预测模型,可实现根据当前阶段性时序内各个投资模块的投资贡献率预测出未来阶段性时序内各个投资模块的投资贡献率,辅助决策层对电网投资的效益评价,并指导下一阶段的项目投资布局,为项目投资提供决策支持,进一步优化企业管理。
Description
技术领域
本发明涉及投资贡献率技术领域,具体涉及一种电网企业信息化投资的贡献率确定方法。
背景技术
在信息技术蓬勃发展的今天,电网企业十分重视信息化建设,投入了大量资源来实施信息化项目,其中最具代表性的就是SG-186工程;SG-186工程旨在建立包含财务、项目、设备、物资、人力资源、计划管理业务的紧密集成的企业级信息平台,适应公司管理需求的八大业务应用以及规范有效的六个信息化保障体系,最终建成数字化电网、信息化企业。
包括SG-186工程在内的电网企业信息化建设已经持续多年,为电网企业的生产、经营、管理提供了强力支持,明显的提升了企业的管理水平,向集约化、精益化、标准化的目标迈进;然而在信息化建设极大地提升企业效率的同时,建设周期长、投入大、难以定量分析其贡献率等问题也不可避免的引起了人们的关注。
近年来,国内外有很多学者和机构开展了信息化对企业发展贡献率的研究;包括通过传统成本法、利润法、推广梯度法对企业信息化的利润进行测算;这些方法都存在较大的缺陷,不能够很好的用于确定电网企业信息化投资的贡献率。
发明内容
本发明的目的在于提供一种电网企业信息化投资的贡献率确定方法,以解决现有技术中电网企业信息化投资的贡献率测算效率低的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种电网企业信息化投资的贡献率确定方法,包括以下步骤:
步骤S1、采集电网企业信息化投资中各个投资模块的投入和总产出的阶段性时序数据,并基于投入和总产出的阶段性时序数据计算出各个投资模块的贡献率阶段性时序数据;
步骤S2、基于所述贡献率阶段性时序数据为电网企业信息化投资的贡献率建立阶段性预测模型,并依据各个投资模块的阶段性数据预测出各个投资模块的贡献率阶段性发展趋势;
步骤S3、基于所述各个投资模块的贡献率阶段性发展趋势调整各个投资模块的投资布局,以确保电网企业信息化投资的利润率最高。
作为本发明的一种优选方案,所述步骤S1中,各个投资模块的贡献率阶段性时序数据的计算方法包括:
依次获取各个投资模块在阶段性时序中每个时序上的投入和总产出数据,并在每个时序上建立拟合投入数据和总产出数据的关系函数,所述关系函数为:Y=A*f(K,L,X1,X2,…,Xn),式中,Y为总产出数据,A为科技水平,K为资本投入量,劳动投入量X1,X2,…,Xn表征为n个投资模块,Xn为第n个投资模块,f为关系函数体;
对关系函数进行数学变换得到各个投资模块在每个时序上的贡献率计算公式,其中,所述关系函数进行数学变换的方法包括:
对所述关系函数Y=A*f(K,L,X1,X2,…,Xn)求关于时序t的全导数,得到:
将Y=A*f(K,L,X1,X2,…,Xn)转换为C-D生产函数形式,得到:
式中,y表征为总产出的增长速度,a表征为科技水平的提高速度,α表征为资本投入的产出弹性,k表征为资本的增长速度,β表征为劳动输入的产出弹性,l表征为劳动增长速度,θj表征为第j个投资模块的产出弹性,xj表征为第j个投资模块的增长速度,Xj表征为第j个投资模块;
基于得到贡献率计算公式,所述贡献率计算公式为:式中,Wj表征为第j个投资模块的贡献率,并利用贡献率计算公式求得时序t上的贡献率数据{Wjt|j∈(1,n)},再依时序对贡献率数据进行排列构成贡献率阶段性时序数据{Wjt|j∈(1,n),t∈(1,m)},其中Wjt表征为时序t上的第j个投资模块的贡献率,m为时序总数目。
作为本发明的一种优选方案,利用最小二乘法进行变量A、α、β、θj求解,设定最小二乘法的求解约束条件为:求解精度为0.1,收敛速率为0.001,突变速率为0.7。
作为本发明的一种优选方案,所述步骤S2中,所述阶段性预测模型的建立方法包括:
步骤S201、将所述贡献率阶段性时序数据中每个时序上的所述投资模块的贡献率数据均量化成向量形式作为一个训练样本zt,将贡献率阶段性时序数据的时序属性保留为对应训练样本的时序属性,并将所有训练样本按时序属性进行顺序排列构成训练时序样本,所述训练时序样本为{zt|[z=Wj,j∈(1,n)],t∈(1,m)},其中,zt为时序t的所有所述投资模块的贡献率数据的真实值,且为时序t的训练样本,n为投资模块总数目,m为时序总数目,且为训练样本总数;
步骤S202、将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练得到阶段性预测模型。
作为本发明的一种优选方案,所述步骤S202,将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练的方法包括:
将所述训练时序样本输入CNN卷积神经网络进行特征提取,输出特征序列,其中,所述CNN卷积神经网络的训练参数设定包括:网络filter设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.20;
将所述特征序列输入值LSTM长短期记忆网络中进行时序预测训练,输出未来时序上的所有所述投资模块的贡献率数据的预测值,其中,所述LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为特征序列的特征类别k,训练方式设置为seq2seq的反向传递模式。
作为本发明的一种优选方案,所述LSTM长短期记忆网络的误差设定为其中,{outt|[out=Wj′,j∈(1,n)],t∈(1,m)},,m为时序总数目,zt为时序t的所有所述投资模块的贡献率数据的真实值{Wjt|j∈(1,n)},Wjt表征为时序t的第j个投资模块的贡献率数据的真实值,outt为LSTM长短期记忆网络输出的时序t的所有所述投资模块的贡献率数据的预测值{Wjt′|j∈(1,n)},Wjt′表征为时序t的第j个投资模块的贡献率数据的预测值。
作为本发明的一种优选方案,所述依据各个投资模块的阶段性数据预测出各个投资模块的贡献率阶段性发展趋势的方法包括:
将各个投资模块在阶段性时序[1,N]的贡献率的真实值{zp|p∈[1,N]}输入至所述阶段性预测模型中,输出各个投资模块在未来阶段性时序[N+1,阶段性时序[N+1,N+end]发展趋势曲线,其中,投资模块在未来阶段性时序[N+1,N+end]发展趋势曲线呈上升趋势,则投资模块的投资贡献率呈上升趋势,投资模块在未来阶段性时序[N+1,N+end]发展趋势曲线呈下降趋势,则投资模块的投资贡献率呈下降趋势。
作为本发明的一种优选方案,所述投资布局的调整方法包括:
若投资模块Xj的投资贡献率呈下降趋势或投资模块Xj的投资贡献率低于0,则需要减少投资模块Xj的投入;
若投资模块Xj的投资贡献率呈上升趋势且投资模块Xj的投资贡献率高于0,则需要增加投资模块Xj的投入。
作为本发明的一种优选方案,所述步骤S1中还包括对各个投资模块进行投入数据的量纲统一。
本发明与现有技术相比较具有如下有益效果:
本发明构建阶段性预测模型,可实现根据当前阶段性时序内各个投资模块的投资贡献率预测出未来阶段性时序内各个投资模块的投资贡献率,辅助决策层对电网投资的效益评价,并指导下一阶段的项目投资布局,为项目投资提供决策支持,进一步优化企业管理。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的贡献率确定方法流程图。
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,本发明提供了一种电网企业信息化投资的贡献率确定方法,包括以下步骤:
影响信息化投资的因素包括两个方面,实施因素和运营因素,
实施因素包括:硬件建设的投资:包括机房的建设,主机、交换机、无线装置等设备的购置与安装,网络环境的搭建、连通等;软件环境的投资:包括各应用软件的开发与集成,操作系统、常用软件、专用软件的版权费、信息安全问题的研究等;
运营因素包括:系统运行维护的投资:如系统折旧费用、管理费、维护及升级成本,系统使用过程中的数据录入、更新等费用,日常办公中利用信息化手段所付出的费用,如通讯费等;信息化人员的投资;包括企业员工的信息化教育和技能培训、信息化实施咨询费用等。
硬件投资、软件投资、运行维护投资、人员投资这四个方面是相辅相成的,因此本实施例包含的各个投资模块包括但不限于硬件投资、软件投资、运行维护投资、人员投资。坚实的硬件设备是软件运行的基本保障,而电网业务系统对应着某个软件系统,软件系统的协作运行正是信息化建设的有力体现。运行与维护则能长久的保证软硬件的正常运行。信息化人员的培养是信息化建设的主线,对于人员的投资是必不可少的。通过软件、硬件、运维、人员的大力投资,改进了企业生产、管理等诸多方面的信息化水平,极大的提升企业的办公效率,而效率的提升使得企业对人力的需求、对环境的要求降低。同时,各类信息化投资也能够激发企业效能,这都将间接地改善经济效益以及社会效益。另一方面,效益的提升也能够带来反馈作用,企业为了获得更大的效益而进行新一轮的信息化投资,而巨大的社会效益也使得政府能够提供政策上的支持。
步骤S1、采集电网企业信息化投资中各个投资模块的投入和总产出的阶段性时序数据,计算出各个投资模块的贡献率阶段性时序数据。
该步骤中,并基于投入和总产出的阶段性时序数据计算出各个投资模块的贡献率阶段性时序数据。
所述步骤S1中还包括对各个投资模块进行投入数据的量纲统一。
所述步骤S1中,各个投资模块的贡献率阶段性时序数据的计算方法包括:
依次获取各个投资模块在阶段性时序中每个时序上的投入和总产出数据,并在每个时序上建立拟合投入数据和总产出数据的关系函数,所述关系函数为:Y=A*f(K,L,X1,X2,…,Xn),式中,Y为总产出数据,A为科技水平,K为资本投入量,劳动投入量X1,X2,…,Xn表征为n个投资模块,Xn为第n个投资模块,f为关系函数体;
对关系函数进行数学变换得到各个投资模块在每个时序上的贡献率计算公式,其中,所述关系函数进行数学变换的方法包括:
对所述关系函数Y=A*f(K,L,X1,X2,…,Xn)求关于时序t的全导数,得到:
将Y=A*f(K,L,X1,X2,…,Xn)转换为C-D生产函数形式,得到:
式中,y表征为总产出的增长速度,a表征为科技水平的提高速度,α表征为资本投入的产出弹性,k表征为资本的增长速度,β表征为劳动输入的产出弹性,l表征为劳动增长速度,θj表征为第j个投资模块的产出弹性,xj表征为第j个投资模块的增长速度,Xj表征为第j个投资模块;
基于得到贡献率计算公式,所述贡献率计算公式为:式中,Wj表征为第j个投资模块的贡献率,并利用贡献率计算公式求得时序t上的贡献率数据{Wjt|j∈(1,n)},再依时序对贡献率数据进行排列构成贡献率阶段性时序数据{Wjt|j∈(1,n),t∈(1,m)},其中Wjt表征为时序t上的第j个投资模块的贡献率,m为时序总数目。
利用最小二乘法进行变量A、α、β、θj求解,设定最小二乘法的求解约束条件为:求解精度为0.1,收敛速率为0.001,突变速率为0.7。
本实施例以下表1(其中投入、产出的单位为万元)为例进行各个投资模块在每个时序上的贡献率的计算过程,以硬件投资、软件投资、运维投资、人员投资作为四个投资模块。
表1 2005-2013年的投资数据
求得A=3.973,α=0.248,β=0.4,θ1=-0.1,θ2=0.341,θ3=0.252,θ4=0.234,
表2 2005-2013四个投资模块的贡献率真实值
步骤S2、基于所述贡献率阶段性时序数据,针对电网企业信息化投资的贡献率建立阶段性预测模型,基于所述阶段性预测模型预测各个投资模块的贡献率阶段性发展趋势;
所述步骤S2中,所述阶段性预测模型的建立方法包括:
步骤S201、将所述贡献率阶段性时序数据中每个时序上的所述投资模块的贡献率数据均量化成向量形式作为一个训练样本zt,将贡献率阶段性时序数据的时序属性保留为对应训练样本的时序属性,并将所有训练样本按时序属性进行顺序排列构成训练时序样本,所述训练时序样本为{zt|[z=Wj,j∈(1,n)],t∈(1,m)},其中,zt为时序t的所有所述投资模块的贡献率数据的真实值,且为时序t的训练样本,n为投资模块总数目,m为时序总数目,且为训练样本总数;
步骤S202、将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练得到阶段性预测模型。
所述步骤S202,将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练的方法包括:
将所述训练时序样本输入CNN卷积神经网络进行特征提取,输出特征序列,其中,所述CNN卷积神经网络的训练参数设定包括:网络filter设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.20;
将所述特征序列输入值LSTM长短期记忆网络中进行时序预测训练,输出未来时序上的所有所述投资模块的贡献率数据的预测值,其中,所述LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为特征序列的特征类别k,训练方式设置为seq2seq的反向传递模式。
所述LSTM长短期记忆网络的误差设定为其中,{outt|[out=Wj′,j∈(1,n)],t∈(1,m)},,m为时序总数目,zt为时序t的所有所述投资模块的贡献率数据的真实值{Wjt|j∈(1,n)},Wjt表征为时序t的第j个投资模块的贡献率数据的真实值,outt为LSTM长短期记忆网络输出的时序t的所有所述投资模块的贡献率数据的预测值{Wjt′|j∈(1,n)},Wjt′表征为时序t的第j个投资模块的贡献率数据的预测值。
所述依据各个投资模块的阶段性数据预测出各个投资模块的贡献率阶段性发展趋势的方法包括:
将2005年到2013年硬件投资、软件投资、运行维护投资、人员投资的贡献率输入至阶段性预测模型,输出各个投资模块在未来阶段性时序2014年到2018(或其他数值)的硬件投资、软件投资、运行维护投资、人员投资的贡献率的预测值,如下表3所示。
表3 2014-2018年四个投资模块的贡献率预测值
将进行曲线拟合得到各个投资模块在未来阶段性时序[N+1,N+end]发展趋势曲线,其中,投资模块在未来阶段性时序[N+1,N+end]发展趋势曲线呈上升趋势,则投资模块的投资贡献率呈上升趋势,投资模块在未来阶段性时序[N+1,N+end]发展趋势曲线呈下降趋势,则投资模块的投资贡献率呈下降趋势。
硬件投资X1的[W12014′,W12018′],软件投资X2的[W22014′,W22018′],运维投资X3的[W32014′,W32018′],人员投资X4的[W42014′,W42018′]曲线拟合得到各个投资模块在未来阶段性时序[2014,2018]发展趋势曲线。
步骤S3、基于所述各个投资模块的贡献率阶段性发展趋势,调整各个投资模块的投资布局,使电网企业信息化投资的利润率调整至最高。
所述投资布局的调整方法包括:
若投资模块Xj的投资贡献率呈下降趋势或投资模块Xj的投资贡献率低于0,则需要减少投资模块Xj的投入;
若投资模块Xj的投资贡献率呈上升趋势且投资模块Xj的投资贡献率高于0,则需要增加投资模块Xj的投入。
本发明构建阶段性预测模型,可实现根据当前阶段性时序内各个投资模块的投资贡献率预测出未来阶段性时序内各个投资模块的投资贡献率,辅助决策层对电网投资的效益评价,并指导下一阶段的项目投资布局,为项目投资提供决策支持,进一步优化企业管理。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (9)
1.一种电网企业信息化投资的贡献率确定方法,其特征在于,包括以下步骤:
步骤S1、采集电网企业信息化投资中各个投资模块的投入和总产出的阶段性时序数据,计算出各个投资模块的贡献率阶段性时序数据;
步骤S2、基于所述贡献率阶段性时序数据,针对电网企业信息化投资的贡献率建立阶段性预测模型,基于所述阶段性预测模型预测各个投资模块的贡献率阶段性发展趋势;
步骤S3、基于所述各个投资模块的贡献率阶段性发展趋势,调整各个投资模块的投资布局,使电网企业信息化投资的利润率调整至最高。
2.根据权利要求1所述的一种电网企业信息化投资的贡献率确定方法,其特征在于,所述步骤S1中,计算出各个投资模块的贡献率阶段性时序数据,包括:
S101、依次获取阶段性时序中,各个投资模块在每个时序上的投入和总产出数据,并在每个时序上建立拟合投入数据和总产出数据的关系函数;
其中,所述关系函数为:Y=A*f(K,L,X1,X2,…,Xn),式中,Y为总产出数据,A为科技水平,K为资本投入量,劳动投入量X1,X2,…,Xn表征为n个投资模块,Xn为第n个投资模块,f为关系函数体;
S102、对关系函数进行数学变换得到各个投资模块在每个时序上的贡献率计算公式;
其中,所述对关系函数进行数学变换,包括:
对所述关系函数Y=A*f(K,L,X1,X2,…,Xn)求关于时序t的全导数,得到:
将Y=A*f(K,L,X1,X2,…,Xn)转换为C-D生产函数形式,得到:
式中,y表征为总产出的增长速度,a表征为科技水平的提高速度,α表征为资本投入的产出弹性,k表征为资本的增长速度,β表征为劳动输入的产出弹性,l表征为劳动增长速度,θj表征为第j个投资模块的产出弹性,xj表征为第j个投资模块的增长速度,Xj表征为第j个投资模块;
3.根据权利要求2所述的一种电网企业信息化投资的贡献率确定方法,其特征在于,所述步骤S1还包括:
利用最小二乘法进行变量A、α、β、θj求解,设定最小二乘法的求解约束条件为:求解精度为0.1,收敛速率为0.001,突变速率为0.7。
4.根据权利要求3所述的一种电网企业信息化投资的贡献率确定方法,其特征在于,所述步骤S2中,基于所述贡献率阶段性时序数据,针对电网企业信息化投资的贡献率建立阶段性预测模型,包括:
步骤S201、将所述贡献率阶段性时序数据中,每个时序上的所述投资模块的贡献率数据,均量化成向量形式作为一个训练样本zt;将贡献率阶段性时序数据的时序属性保留为对应训练样本的时序属性,并将所有训练样本按时序属性进行顺序排列构成训练时序样本{zt|[z=Wj,j∈(1,n)],t∈(1,m)};
其中,zt为时序t的所有所述投资模块的贡献率数据的真实值,且为时序t的训练样本;n为投资模块总数目;m为时序总数目,且为训练样本总数;
步骤S202、将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练,得到阶段性预测模型。
5.根据权利要求4所述的一种电网企业信息化投资的贡献率确定方法,其特征在于,所述步骤S202包括:
将所述训练时序样本输入CNN卷积神经网络进行特征提取,输出特征序列,其中,所述CNN卷积神经网络的训练参数设定包括:网络filter设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.20;
将所述特征序列输入值LSTM长短期记忆网络中进行时序预测训练,输出未来时序上的所有所述投资模块的贡献率数据的预测值,其中,所述LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为特征序列的特征类别k,训练方式设置为seq2seq的反向传递模式。
7.根据权利要求6所述的一种电网企业信息化投资的贡献率确定方法,其特征在于,所述依据各个投资模块的阶段性数据预测出各个投资模块的贡献率阶段性发展趋势的方法包括:
8.根据权利要求7所述的一种电网企业信息化投资的贡献率确定方法,其特征在于,所述投资布局的调整方法包括:
若投资模块Xj的投资贡献率呈下降趋势或投资模块Xj的投资贡献率低于0,则需要减少投资模块Xj的投入;
若投资模块Xj的投资贡献率呈上升趋势且投资模块Xj的投资贡献率高于0,则需要增加投资模块Xj的投入。
9.根据权利要求8所述的一种电网企业信息化投资的贡献率确定方法,其特征在于,所述步骤S1中还包括对各个投资模块进行投入数据的量纲统一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111112984.9A CN113792258A (zh) | 2021-09-18 | 2021-09-18 | 一种电网企业信息化投资的贡献率确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111112984.9A CN113792258A (zh) | 2021-09-18 | 2021-09-18 | 一种电网企业信息化投资的贡献率确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792258A true CN113792258A (zh) | 2021-12-14 |
Family
ID=78879141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111112984.9A Pending CN113792258A (zh) | 2021-09-18 | 2021-09-18 | 一种电网企业信息化投资的贡献率确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792258A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134129A (zh) * | 2014-08-11 | 2014-11-05 | 华北电力大学句容研究中心 | 一种电网企业信息化投资的贡献率确定方法 |
CN107464068A (zh) * | 2017-09-18 | 2017-12-12 | 前海梧桐(深圳)数据有限公司 | 基于神经网络的企业发展趋势预测方法及其系统 |
CN110659767A (zh) * | 2019-08-07 | 2020-01-07 | 浙江工业大学 | 一种基于lstm-cnn深度学习模型的股票趋势预测方法 |
CN111507528A (zh) * | 2020-04-17 | 2020-08-07 | 上海海事大学 | 一种基于cnn-lstm的股票长期趋势预测方法 |
CN111626785A (zh) * | 2020-05-29 | 2020-09-04 | 金陵科技学院 | 一种基于结合注意力的cnn-lstm网络基金价格预测方法 |
CN112803501A (zh) * | 2021-01-04 | 2021-05-14 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 一种基于机器学习算法的火电机组自优化辅助调频方法 |
-
2021
- 2021-09-18 CN CN202111112984.9A patent/CN113792258A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134129A (zh) * | 2014-08-11 | 2014-11-05 | 华北电力大学句容研究中心 | 一种电网企业信息化投资的贡献率确定方法 |
CN107464068A (zh) * | 2017-09-18 | 2017-12-12 | 前海梧桐(深圳)数据有限公司 | 基于神经网络的企业发展趋势预测方法及其系统 |
CN110659767A (zh) * | 2019-08-07 | 2020-01-07 | 浙江工业大学 | 一种基于lstm-cnn深度学习模型的股票趋势预测方法 |
CN111507528A (zh) * | 2020-04-17 | 2020-08-07 | 上海海事大学 | 一种基于cnn-lstm的股票长期趋势预测方法 |
CN111626785A (zh) * | 2020-05-29 | 2020-09-04 | 金陵科技学院 | 一种基于结合注意力的cnn-lstm网络基金价格预测方法 |
CN112803501A (zh) * | 2021-01-04 | 2021-05-14 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 一种基于机器学习算法的火电机组自优化辅助调频方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN116914747B (zh) | 电力用户侧负荷预测方法及系统 | |
Xiao-wei | Study on the intelligent system of sports culture centers by combining machine learning with big data | |
CN111199354A (zh) | 一种基于Hopfield神经网络的电力通信网运维工单调度方法 | |
Liu et al. | A systematic procurement supply chain optimization technique based on industrial internet of things and application | |
CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
Xiao et al. | Short-term power load interval forecasting based on nonparametric Bootstrap errors sampling | |
CN107134790B (zh) | 一种基于大数据的配电网无功优化控制序列确定方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN115187134A (zh) | 基于网格的配电网规划方法、装置及终端设备 | |
Ahmed et al. | A novel distributed approach for event-triggered economic dispatch of energy hubs under ramp-rate limits integrated with sustainable energy networks | |
CN117634695A (zh) | 基于大数据模型的光伏组件收益预测模型系统及其方法 | |
CN113792258A (zh) | 一种电网企业信息化投资的贡献率确定方法 | |
CN116090702B (zh) | 一种基于物联网的erp数据智能监管系统及方法 | |
Wang et al. | Electric short-term load forecast integrated method based on time-segment and improved MDSC-BP | |
CN105373880A (zh) | 电网工程项目方案反馈评价和方案决策系统 | |
CN114662775A (zh) | 综合能源系统规划的优化方法、装置、设备及存储介质 | |
CN113850443A (zh) | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 | |
CN114091904A (zh) | 一种基于人工智能算法的企业迁移园区招商分析方法 | |
Kalantayevskaya et al. | Design of decision-making support system in power grid dispatch control based on the forecasting of energy consumption | |
Ao | Integrated service system for multi-power business scenarios based on micro-service architecture | |
Nikolay et al. | Current Issues of Russian and Mongolian District Heating Systems and Scientific and Methodological Lines for Solving Them | |
Chai et al. | A review of internet of things major education in china | |
CN111079996A (zh) | 一种基于bp神经网络电力负荷预测的虚拟坐席系统及其控制方法 | |
Zhao et al. | Research on the Constraints of the Development of Prefabricated Building in Dalian Based on ISM |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211214 |