CN116703624A - 基于区块链的企业运行诊断系统和方法 - Google Patents
基于区块链的企业运行诊断系统和方法 Download PDFInfo
- Publication number
- CN116703624A CN116703624A CN202310576680.0A CN202310576680A CN116703624A CN 116703624 A CN116703624 A CN 116703624A CN 202310576680 A CN202310576680 A CN 202310576680A CN 116703624 A CN116703624 A CN 116703624A
- Authority
- CN
- China
- Prior art keywords
- data
- blockchain
- target
- layer
- industrial park
- 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 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000012774 diagnostic algorithm Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009189 diving Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000013515 script Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 4
- 230000018109 developmental process Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000272184 Falconiformes Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/10—Tax strategies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于区块链的企业运行诊断系统和方法,包括传感器、电量转换器、数值识别器和云平台,云平台中包含有区块链和大数据平台,通过区块链技术,将工业园区的供电量与用电量同时与工业园区的税收与产值进行记录与联动,当上述记录的数据汇集成大数据平台后,利用VMD‑HHO‑ELM诊断算法判定工业园区的税收与产值数据是否存在异常,并通过云平台输出最终结果,本申请中设备的数据难以篡改,可进行每一个节点的回溯,具有较高的可信度,并且能够及时发现工业园区的税收与产值的异常情况,节约行政成本,增强工业园区的赋税。
Description
技术领域
本发明涉及区块链具体场景应用技术领域,特别涉及一种基于区块链的企业运行诊断系统和方法。
背景技术
区块链技术可大大优化现有的大数据应用,在数据流通和共享上发挥巨大作用。未来互联网、人工智能、物联网都将产生海量数据,现有中心化数据存储将面临巨大挑战,基于区块链技术的边缘存储有望成为未来解决方案。区块链对数据的不可篡改和可追溯机制保证了数据的真实性和高质量,这成为大数据、深度学习、人工智能等一切数据应用的基础。区块链可以在保护数据隐私的前提下实现多方协作的数据计算,有望解决“数据垄断”和“数据孤岛”问题,实现数据流通价值。
随着经济社会发展,建立新型税收管理体制和征管模式,不断提高税务部门专业化管理、规范化执法和程序化服务水平势在必行。
针对这一需求,本申请结合区块链技术提出了一种解决方案。
发明内容
发明目的:本发明的目的是提供一种基于区块链的企业运行诊断系统和方法,能够及时发现工业园区的税收与产值的异常情况,节约行政成本,增强工业园区的赋税。
技术方案:本发明所述的基于区块链的企业运行诊断系统,包括有传感器一、电量转换器一、传感器二、电量转换器二、数值识别器一、数值识别器二和云平台,所述云平台中包括有区块链和大数据平台,所述传感器一、电量转换器一和云平台依次电气连接,所述传感器二、电量转换器二和云平台依次电气连接,所述数值识别器一与数值识别器二分别与云平台电气连接;
所述大数据平台基于VMD-HHO-ELM诊断算法判定大数据平台中工业园区各阶段的用电量、供电量、税收值及产值数据是否异常。
作为优选,所述传感器一在工业园区进行生产活动用电时,采集工业园区电网的电流值及电压值,并通过电量转换器一将采集到的电流值数据和电压值数据转换为工业园区每月的用电量数据;所述传感器二在工业园区的供电设备运行及从电网购入电量时,采集工业园区电网的电流值及电压值,并通过电量转换器二将采集到的电流值数据和电压值数据转换为工业园区每月的供电量数据。
作为优选,所述数值识别器一从工业园区的税收账单中采集各阶段的税收数据,数值识别器二从工业园区的账务账单中采集各阶段的产值数据。
作为优选,所述云平台中的区块链内汇集记录有传感器一、传感器二、数值识别器一和数值识别器二采集的数据,并且传感器一、传感器二、数值识别器一和数值识别器二采集的数据在大数据平台内进一步处理。
作为优选,所述区块链包括有应用层、合约层、激励层、共识层、网络层及数据层,所述应用层封装有区块链的应用场景和案例;所述合约层封装有各类脚本、算法和智能合约;所述激励层将经济因素集成到区块链技术体系中;所述共识层封装有网络节点的各类共识算法;所述网络层包括分布式组网机制、数据传播机制和数据验证机制;所述数据层封装有底层数据区块以及相关的数据加密和时间戳这些基础数据和基本算法;
所述区块链中将收集的工业园区各阶段的用电量、供电量、税收值及产值,再加入国家最新公布的缴税标准这些模拟数值数据,送入数据收集系统进行临时存储,通过数据收集系统将这些模拟数值数据送入区块链税收数据处理系统中,通过区块链网络管理中的区块链数据处理网关,将模拟数值进行处理与加密后转换为数字数值,便于区块链对上述数据进行处理,将上述数据送入区块链网络中的各个区块链节点进行存储,使上述数据难以更改,以保证其真实性及准确性,上述数据在各个区块链节点之间实现相关数据的联动,最后,将联动后的数字数值数据通过区块链网络管理中的区块链数据处理网关,转换为模拟数值数据作为结果输出,输入大数据平台进行处理。
作为优选,所述大数据平台经过VMD-HHO-ELM诊断算法诊断后,若某一阶段的数据存在异常,可通过区块链回溯该阶段的所有数据,找出异常的原因。
基于区块链的企业运行诊断方法,具体包括以下步骤:
S1:建立目标函数:
其中o1为工业园区在a至b阶段的用电量,o2为工业园区在a至b阶段的供电量,Wc为c时刻的电价且c在(a,b)区间内,δ为工业园区在a至b阶段的产值,p为工业园区在a至b阶段的税收值,dj为VMD-HHO-ELM诊断算法的实际输出值;
若τ的值在(0,1)区间内,则数据正常,反之则此阶段工业园区数据存在异常,需要进一步查看与处理;
S2:利用VMD算法对输入的数据进行初步处理,去除冗余或干扰性数据,该算法将原信号分解成k个IMF分量,把模态函数定义为一个调频调幅信号,记为:
uk(t)=Ak(t)cos[φ(t)]
其中:Ak(t)为IMF的幅值,φ(t)为IMF的频率;
S3:利用HHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索,最小化预测误差,获取最佳期望网络模型,实现ELM算法对工业园区税收数据异常的高精度诊断;
S4:利用优化后的ELM算法,对通过VMD算法初步处理后的数据进一步处理,诊断工业园区税收数据是否异常,具体的:
ELM算法由输入层、隐藏层以及输出层3部分组成,输入层的输入权重ω和隐含层的阈值b由S3中HHO算法寻优搜索获得;
输入层的n个神经元对应的输入矩阵为C=[ci1,ci2,...,cin]T,输出层的m个神经元对应的输出矩阵为D=[di1,di2,...,dim]T,隐含层有L个神经元,激励函数g(x)的模型为:
式中:βjk为隐含层神经元第j个神经元与输出层第k个神经元的连接权值;ωij为输入层第i个神经元与隐含层第j个神经元的连接权值;g(x)为隐含层神经元的激励函数;bi为第i个隐含层神经元的与之;dj为网络的实际输出值;
隐含层输出矩阵H表示为:
网络输出用Hβ=DT表示,其中DT为矩阵D的装置,若L=N则预测结果与ω和b无关,神经网络的输出值以零误差逼近训练样本,即
min||Hβ-T||<ε
式中:T为神经网络的期望输出;ε为输出误差,当N足够大时,ε<0;
根据最小范围二乘准则,可以计算出连接权值β为:
β=H+T
式中:H+为隐含层输出矩阵的广义逆。
作为优选,所述S2中VMD的计算过程如下:
S2.1:利用Hilbert变换计算得到每一个模态分量信号uk(t)对应解析信号,得到其单边频:
式中:δ(t)为冲击函数,其表达式为:
S2.2:进一步加入指数项模态函数对应解析信号的预估中心频率,将每个模态的频谱转移至基带:
S2.3:变分模态分解写成如下含有约束的最优化问题:
式中:uk(t)为信号分解的调频幅信号;wk为各模态分量的中心频率;k为迭代次数;f为为分界的输入的数据;
S2.4:引入二次惩罚因子α和增广Lagrange函数,解决上述约束变分问题,将变分问题转变为非约束性变分问题,组成扩展的Lagrange表达式:
式中:α为二次惩罚因子,通过选取α来调节变分模态分解方法的完备性;
S2.5:计算得到约束模型的最优解:
作为优选,所述S3中HHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索的具体步骤如下:
S3.1:在搜索阶段中时,HHO算法在大范围等待并搜索目标,此阶段会从两种不同的行动策略中,随机且等概率选取一种来执行,其公式如下:
式中:Xrand(t)表示从第t代种群中随机的个体;X(t)为截至第t代所得到的全局最优个体;Xr(t)为目标所在位置;q、r1、r2、r3和r4为(0,1)区间上均匀分布的随机数;U和L分别为种群位置的上界和下界;Xm(t)是第t代种群所有个体的平均位置;
S3.2:在转换阶段时,为了模拟猎物在逃逸过程中的能量衰减,引入逃逸能量E,其模型如下:
式中:E0表示目标初始逃逸能量,值为(-1,1)区间的随机数,t是当前迭代次数,T为总迭代次数,随着不断迭代,逃逸能量E的绝对值呈减小趋势,当逃逸能量绝对值大于1时,认为目标能量充足,此时为探索阶段,当逃逸能量绝对值小于1时,认为目标能量逐渐衰减,可以逐步包围并获取目标,此为开发阶段;
S3.3:在开发阶段时,根据逃逸能量E及随机数均匀分布在(0,1)区间的逃脱模拟参量r的大小,采用4种不同的包围策略,当逃逸能量E较大时,认为目标剩余能量较多,采取软包围,反之则采取硬包围,当r≥0.5时,认为目标逃脱失败,采取包围策略获取目标,当r<0.5时,则认为目标逃脱成功,采用俯冲方式进行包围,并调整位置。
作为优选,所述S3.3中4中不同的包围策略,具体包括有:
软包围:当r≥0.5,|E|≥0.5时,目标具有较多的逃逸能量,则对目标采取柔和的方式进行包围,消耗其能量,此阶段模型为:
X(t+1)=ΔX(t)-E|JXr(t)-X(t)|
ΔX(t)=Xr(t)-X(t)
式中:ΔX(t)为目标与种群位置的距离;J代表目标的随机跳跃强度,其值为(0,2)区间的随机数;
硬包围:当r≥0.5,|E|<0.5时,目标具有较少的逃逸能量,则对目标采取最后的突袭,此阶段模型为:
X(t+1)=Xr(t)-E|ΔX(t)|
渐近快速俯冲软包围:当r<0.5,|E|≥0.5时,目标依然具有较多的逃逸能量,有突破目前包围的可能,则对目标进行软包围,并调整种群位置,此阶段模型为:
A=ΔX(t)-E|JXr(t)X(t)|
B=A+S*LF(G)
式中:G为维数,S为1×G的随机向量,LF为Levy飞行函数,
式中:u和v为(0,1)区间上的随机数,β为常数1.5;
渐近快速俯冲硬包围:当r<0.5,|E|<0.5时,目标具有较少的逃逸能量,则对目标形成硬包围,为最后的突袭做准备。此阶段的目的是使种群位置的平均值更接近目标的位置,此阶段的模型为:
A=ΔX(t)-E|JXr(t)-X(t)|
B=A+S*LF(G)。
有益效果:
本发明通过大数据平台技术以及区块链技术,对工业园区发展,税务制度发展,具有积极作用。通过大数据平台技术可更直观更方便的了解工业园区数据,通过大量的数据分析,可更深一步的挖掘有价值的信息,例如工业园区目前具体的运行情况。区块链技术可以让数据实现联动,极大精简办事流程,区块链的分布式技术可以使多种功能集中到一个链上,所有办事流程交付智能合约,大幅降低了税收征管成本,有效解决数据篡改、一票多报、偷税漏税等问题,利用区块链技术的公开透明、可溯源、不可篡改等特性,可实现工业园区资金的透明使用、精准投放和高效管理。
附图说明
图1是本发明总体结构示意图;
图2是本发明中云平台结构框图;
图3是本发明中区块链的转化流程;
图4是本发明中诊断算法流程图;
图5是本发明中缴税异常情况占比使用本发明技术后前后对比图。
具体实施方式
下面结合具体实施例对本申请做进一步阐述。
本领域的技术人员应当知晓的是,本申请中VMD为Variational ModeDecomposition变分模态分解;HH0为Harris Hawks Optimization哈里斯鹰优化算法;ELM为Exteme Learning machine超限学习机。
如图1-3所示,本实施例公开了一种基于区块链的企业运行诊断系统,包括有传感器一、电量转换器一、传感器二、电量转换器二、数值识别器一、数值识别器二和云平台,其中云平台中包括有区块链和大数据平台,大数据平台基于VMD-HHO-ELM诊断算法判定大数据平台中工业园区各阶段的用电量、供电量、税收值及产值数据是否异常。
在本实施例中,传感器一、电量转换器一和云平台依次电气连接,传感器一在工业园区进行生产活动用电时,采集工业园区电网的电流值及电压值,并通过电量转换器一将采集到的电流值数据和电压值数据转换为工业园区每月的用电量数据,输出至云平台内。
在本实施例中,传感器二、电量转换器二和云平台依次电气连接,传感器二在工业园区的供电设备运行及从电网购入电量时,采集工业园区电网的电流值及电压值,并通过电量转换器二将采集到的电流值数据和电压值数据转换为工业园区每月的供电量数据,输出至云平台内。
在本实施例中,数值识别器一与数值识别器二分别与云平台电气连接,数值识别器一从工业园区的税收账单中采集各阶段的税收数据,数值识别器二从工业园区的账务账单中采集各阶段的产值数据,将采集到的数据输出至云平台内。
在本实施例中,区块链内汇集记录有传感器一、传感器二、数值识别器一和数值识别器二采集的数据,并且传感器一、传感器二、数值识别器一和数值识别器二采集的数据在大数据平台内进一步处理。
区块链包括有应用层、合约层、激励层、共识层、网络层及数据层,所述应用层封装有区块链的应用场景和案例;所述合约层封装有各类脚本、算法和智能合约;所述激励层将经济因素集成到区块链技术体系中;所述共识层封装有网络节点的各类共识算法;所述网络层包括分布式组网机制、数据传播机制和数据验证机制;所述数据层封装有底层数据区块以及相关的数据加密和时间戳这些基础数据和基本算法;
区块链中将收集的工业园区各阶段的用电量、供电量、税收值及产值,再加入国家最新公布的缴税标准这些模拟数值数据,送入数据收集系统进行临时存储,通过数据收集系统将这些模拟数值数据送入区块链税收数据处理系统中,通过区块链网络管理中的区块链数据处理网关,将模拟数值进行处理与加密后转换为数字数值,便于区块链对上述数据进行处理,将上述数据送入区块链网络中的各个区块链节点进行存储,使上述数据难以更改,以保证其真实性及准确性,上述数据在各个区块链节点之间实现相关数据的联动,最后,将联动后的数字数值数据通过区块链网络管理中的区块链数据处理网关,转换为模拟数值数据作为结果输出,输入大数据平台进行处理。
在本实施例中,大数据平台经过VMD-HHO-ELM诊断算法诊断后,若某一阶段的数据存在异常,可通过区块链回溯该阶段的所有数据,找出异常的原因。
如图4所示,为本实施例提供的一种基于区块链的企业运行诊断方法,具体包括以下步骤:
S1:建立目标函数:
其中o1为工业园区在a至b阶段的用电量,o2为工业园区在a至b阶段的供电量,Wc为c时刻的电价且c在(a,b)区间内,δ为工业园区在a至b阶段的产值,p为工业园区在a至b阶段的税收值,dj为VMD-HHO-ELM诊断算法的实际输出值;
若τ的值在(0,1)区间内,则数据正常,反之则此阶段工业园区数据存在异常,需要进一步查看与处理;
S2:利用VMD算法对输入的数据进行初步处理,去除冗余或干扰性数据,该算法将原信号分解成k个IMF分量,把模态函数定义为一个调频调幅信号,记为:
uk(t)=Ak(t)cos[φ(t)]
其中:Ak(t)为IMF的幅值,φ(t)为IMF的频率;
其中VMD的计算过程包括以下步骤:
S2.1:利用Hilbert变换计算得到每一个模态分量信号uk(t)对应解析信号,得到其单边频:
式中:δ(t)为冲击函数,其表达式为:
S2.2:进一步加入指数项模态函数对应解析信号的预估中心频率,将每个模态的频谱转移至基带:
S2.3:变分模态分解写成如下含有约束的最优化问题:
式中:uk(t)为信号分解的调频幅信号;wk为各模态分量的中心频率;k为迭代次数;f为为分界的输入的数据;
S2.4:引入二次惩罚因子α和增广Lagrange函数,解决上述约束变分问题,将变分问题转变为非约束性变分问题,组成扩展的Lagrange表达式:
式中:α为二次惩罚因子,通过选取α来调节变分模态分解方法的完备性;
S2.5:计算得到约束模型的最优解:
S3:利用HHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索,最小化预测误差,获取最佳期望网络模型,实现ELM算法对工业园区税收数据异常的高精度诊断;
具体的HHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索的步骤如下:
S3.1:在搜索阶段中时,HHO算法在大范围等待并搜索目标,此阶段会从两种不同的行动策略中,随机且等概率选取一种来执行,其公式如下:
式中:Xrand(t)表示从第t代种群中随机的个体;X(t)为截至第t代所得到的全局最优个体;Xr(t)为目标所在位置;q、r1、r2、r3和r4为(0,1)区间上均匀分布的随机数;U和L分别为种群位置的上界和下界;Xm(t)是第t代种群所有个体的平均位置;
S3.2:在转换阶段时,为了模拟猎物在逃逸过程中的能量衰减,引入逃逸能量E,其模型如下:
式中:E0表示目标初始逃逸能量,值为(-1,1)区间的随机数,t是当前迭代次数,T为总迭代次数,随着不断迭代,逃逸能量E的绝对值呈减小趋势,当逃逸能量绝对值大于1时,认为目标能量充足,此时为探索阶段,当逃逸能量绝对值小于1时,认为目标能量逐渐衰减,可以逐步包围并获取目标,此为开发阶段;
S3.3:在开发阶段时,根据逃逸能量E及随机数均匀分布在(0,1)区间的逃脱模拟参量r的大小,采用4种不同的包围策略,当逃逸能量E较大时,认为目标剩余能量较多,采取软包围,反之则采取硬包围,当r≥0.5时,认为目标逃脱失败,采取包围策略获取目标,当r<0.5时,则认为目标逃脱成功,采用俯冲方式进行包围,并调整位置。
4种不同的包围策略包括:
软包围:当r≥0.5,|E|≥0.5时,目标具有较多的逃逸能量,则对目标采取柔和的方式进行包围,消耗其能量,此阶段模型为:
X(t+1)=ΔX(t)-E|JXr(t)-X(t)|
ΔX(t)=Xr(t)-X(t)
式中:ΔX(t)为目标与种群位置的距离;J代表目标的随机跳跃强度,其值为(0,2)区间的随机数;
硬包围:当r≥0.5,|E|<0.5时,目标具有较少的逃逸能量,则对目标采取最后的突袭,此阶段模型为:
X(t+1)=Xr(t)-E|ΔX(t)|
渐近快速俯冲软包围:当r<0.5,|E|≥0.5时,目标依然具有较多的逃逸能量,有突破目前包围的可能,则对目标进行软包围,并调整种群位置,此阶段模型为:
A=ΔX(t)-E|JXr(t)X(t)|
B=A+S*LF(G)
式中:G为维数,S为1×G的随机向量,LF为Levy飞行函数,
式中:u和v为(0,1)区间上的随机数,β为常数1.5;
渐近快速俯冲硬包围:当r<0.5,|E|<0.5时,目标具有较少的逃逸能量,则对目标形成硬包围,为最后的突袭做准备。此阶段的目的是使种群位置的平均值更接近目标的位置,此阶段的模型为:
A=ΔX(t)-E|JXr(t)-X(t)|
B=A+S*LF(G)。
S4:利用优化后的ELM算法,对通过VMD算法初步处理后的数据进一步处理,诊断工业园区税收数据是否异常,具体的:
ELM算法由输入层、隐藏层以及输出层3部分组成,输入层的输入权重ω和隐含层的阈值b由S3中HHO算法寻优搜索获得;
输入层的n个神经元对应的输入矩阵为C=[ci1,ci2,...,cin]T,输出层的m个神经元对应的输出矩阵为D=[di1,di2,...,dim]T,隐含层有L个神经元,激励函数g(x)的模型为:
式中:βjk为隐含层神经元第j个神经元与输出层第k个神经元的连接权值;ωij为输入层第i个神经元与隐含层第j个神经元的连接权值;g(x)为隐含层神经元的激励函数;bi为第i个隐含层神经元的与之;dj为网络的实际输出值;
隐含层输出矩阵H表示为:
网络输出用Hβ=DT表示,其中DT为矩阵D的装置,若L=N则预测结果与ω和b无关,神经网络的输出值以零误差逼近训练样本,即
min||Hβ-T||<ε
式中:T为神经网络的期望输出;ε为输出误差,当N足够大时,ε<0;
根据最小范围二乘准则,可以计算出连接权值β为:
β=H+T
式中:H+为隐含层输出矩阵的广义逆。
如图5所示,利用MATLAB进行仿真,将各设备器件:传感器一、电量转换器一、传感器二、电量转换器二、数值识别器一、数值识别器二和云平台进行数学模型搭建,完成系统结构的仿真模型建立。并将此设备所收集的各阶段工业园区的供电量与用电量同时与工业园区的税收与产值进行记录与联动,并输入到VMD-HHO-ELM诊断算法中,不断对于目标函数进行寻优求解,诊断各数据是否存在异常。使用此设备后,可及时发现工业园区各阶段的产值与税收是否存在异常,并进一步判断工业园区目前的运行中是否存在异常。通过仿真运行的结果,可以得出,工业园区的税收异常情况占比从10.04%增加到14.37%。因此,本系统具有较高的发展前景。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于区块链的企业运行诊断系统,其特征在于:包括有传感器一、电量转换器一、传感器二、电量转换器二、数值识别器一、数值识别器二和云平台,所述云平台中包括有区块链和大数据平台,所述传感器一、电量转换器一和云平台依次电气连接,所述传感器二、电量转换器二和云平台依次电气连接,所述数值识别器一与数值识别器二分别与云平台电气连接;
所述大数据平台基于VMD-HHO-ELM诊断算法判定大数据平台中工业园区各阶段的用电量、供电量、税收值及产值数据是否异常。
2.根据权利要求1所述的基于区块链的企业运行诊断系统,其特征在于:所述传感器一在工业园区进行生产活动用电时,采集工业园区电网的电流值及电压值,并通过电量转换器一将采集到的电流值数据和电压值数据转换为工业园区每月的用电量数据;所述传感器二在工业园区的供电设备运行及从电网购入电量时,采集工业园区电网的电流值及电压值,并通过电量转换器二将采集到的电流值数据和电压值数据转换为工业园区每月的供电量数据。
3.根据权利要求1所述的基于区块链的企业运行诊断系统,其特征在于:所述数值识别器一从工业园区的税收账单中采集各阶段的税收数据,数值识别器二从工业园区的账务账单中采集各阶段的产值数据。
4.根据权利要求1所述的基于区块链的企业运行诊断系统,其特征在于:所述云平台中的区块链内汇集记录有传感器一、传感器二、数值识别器一和数值识别器二采集的数据,并且传感器一、传感器二、数值识别器一和数值识别器二采集的数据在大数据平台内进一步处理。
5.根据权利要求1所述的基于区块链的企业运行诊断系统,其特征在于:所述区块链包括有应用层、合约层、激励层、共识层、网络层及数据层,所述应用层封装有区块链的应用场景和案例;所述合约层封装有各类脚本、算法和智能合约;所述激励层将经济因素集成到区块链技术体系中;所述共识层封装有网络节点的各类共识算法;所述网络层包括分布式组网机制、数据传播机制和数据验证机制;所述数据层封装有底层数据区块以及相关的数据加密和时间戳这些基础数据和基本算法;
所述区块链中将收集的工业园区各阶段的用电量、供电量、税收值及产值,再加入国家最新公布的缴税标准这些模拟数值数据,送入数据收集系统进行临时存储,通过数据收集系统将这些模拟数值数据送入区块链税收数据处理系统中,通过区块链网络管理中的区块链数据处理网关,将模拟数值进行处理与加密后转换为数字数值,便于区块链对上述数据进行处理,将上述数据送入区块链网络中的各个区块链节点进行存储,使上述数据难以更改,以保证其真实性及准确性,上述数据在各个区块链节点之间实现相关数据的联动,最后,将联动后的数字数值数据通过区块链网络管理中的区块链数据处理网关,转换为模拟数值数据作为结果输出,输入大数据平台进行处理。
6.根据权利要求1所述的基于区块链的企业运行诊断系统,其特征在于:所述大数据平台经过VMD-HHO-ELM诊断算法诊断后,若某一阶段的数据存在异常,可通过区块链回溯该阶段的所有数据,找出异常的原因。
7.基于区块链的企业运行诊断方法,其特征在于:应用于权利要求1-6中任一项所述的基于区块链的企业运行诊断系统,所述诊断方法具体包括以下步骤:
S1:建立目标函数:
其中o1为工业园区在a至b阶段的用电量,o2为工业园区在a至b阶段的供电量,Wc为c时刻的电价且c在(a,b)区间内,δ为工业园区在a至b阶段的产值,p为工业园区在a至b阶段的税收值,dj为VMD-HHO-ELM诊断算法的实际输出值;
若τ的值在(0,1)区间内,则数据正常,反之则此阶段工业园区数据存在异常,需要进一步查看与处理;
S2:利用VMD算法对输入的数据进行初步处理,去除冗余或干扰性数据,该算法将原信号分解成k个IMF分量,把模态函数定义为一个调频调幅信号,记为:
uk(t)=Ak)t)cos[φ(t)]
其中:Ak(t)为IMF的幅值,φ(t)为IMF的频率;
S3:利用HHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索,最小化预测误差,获取最佳期望网络模型,实现ELM算法对工业园区税收数据异常的高精度诊断;
S4:利用优化后的ELM算法,对通过VMD算法初步处理后的数据进一步处理,诊断工业园区税收数据是否异常,具体的:
ELM算法由输入层、隐藏层以及输出层3部分组成,输入层的输入权重ω和隐含层的阈值b由S3中HHO算法寻优搜索获得;
输入层的n个神经元对应的输入矩阵为C=[ci1,ci2,...,cin]T,输出层的m个神经元对应的输出矩阵为D=[di1,di2,...,dim]T,隐含层有L个神经元,激励函数g(x)的模型为:
式中:βjk为隐含层神经元第j个神经元与输出层第k个神经元的连接权值;ωij为输入层第i个神经元与隐含层第j个神经元的连接权值;g(x)为隐含层神经元的激励函数;bi为第i个隐含层神经元的与之;dj为网络的实际输出值;
隐含层输出矩阵H表示为:
网络输出用Hβ=DT表示,其中DT为矩阵D的装置,若L=N则预测结果与ω和b无关,神经网络的输出值以零误差逼近训练样本,即
min||Hβ-T||<ε
式中:T为神经网络的期望输出;ε为输出误差,当N足够大时,ε<0;
根据最小范围二乘准则,可以计算出连接权值β为:
β=H+T
式中:H+为隐含层输出矩阵的广义逆。
8.根据权利要求7所述的基于区块链的企业运行诊断方法,其特征在于:所述S2中VMD的计算过程如下:
S2.1:利用Hilbert变换计算得到每一个模态分量信号uk(t)对应解析信号,得到其单边频:
式中:δ(t)为冲击函数,其表达式为:
S2.2:进一步加入指数项模态函数对应解析信号的预估中心频率,将每个模态的频谱转移至基带:
S2.3:变分模态分解写成如下含有约束的最优化问题:
式中:uk(t)为信号分解的调频幅信号;wk为各模态分量的中心频率;k为迭代次数;f为为分界的输入的数据;
S2.4:引入二次惩罚因子α和增广Lagrange函数,解决上述约束变分问题,将变分问题转变为非约束性变分问题,组成扩展的Lagrange表达式:
式中:α为二次惩罚因子,通过选取α来调节变分模态分解方法的完备性;
S2.5:计算得到约束模型的最优解:
9.根据权利要求7所述的基于区块链的企业运行诊断方法,其特征在于:所述S3中HHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索的具体步骤如下:
S3.1:在搜索阶段中时,HHO算法在大范围等待并搜索目标,此阶段会从两种不同的行动策略中,随机且等概率选取一种来执行,其公式如下:
式中:Xrand(t)表示从第t代种群中随机的个体;X(t)为截至第t代所得到的全局最优个体;Xr(t)为目标所在位置;q、r1、r2、r3和r4为(0,1)区间上均匀分布的随机数;U和L分别为种群位置的上界和下界;Xm(t)是第t代种群所有个体的平均位置;
S3.2:在转换阶段时,为了模拟猎物在逃逸过程中的能量衰减,引入逃逸能量E,其模型如下:
式中:E0表示目标初始逃逸能量,值为(-1,1)区间的随机数,t是当前迭代次数,T为总迭代次数,随着不断迭代,逃逸能量E的绝对值呈减小趋势,当逃逸能量绝对值大于1时,认为目标能量充足,此时为探索阶段,当逃逸能量绝对值小于1时,认为目标能量逐渐衰减,可以逐步包围并获取目标,此为开发阶段;
S3.3:在开发阶段时,根据逃逸能量E及随机数均匀分布在(0,1)区间的逃脱模拟参量r的大小,采用4种不同的包围策略,当逃逸能量E较大时,认为目标剩余能量较多,采取软包围,反之则采取硬包围,当r≥0.5时,认为目标逃脱失败,采取包围策略获取目标,当r<0.5时,则认为目标逃脱成功,采用俯冲方式进行包围,并调整位置。
10.根据权利要求9所述的基于区块链的企业运行诊断方法,其特征在于:所述S3.3中4中不同的包围策略,具体包括有:
软包围:当r≥0.5,|E|≥0.5时,目标具有较多的逃逸能量,则对目标采取柔和的方式进行包围,消耗其能量,此阶段模型为:
X(t+1)=ΔX(t)-E|JXr(t)-X(t)|
ΔX(t)=Xr(t)-X(t)
式中:ΔX(t)为目标与种群位置的距离;J代表目标的随机跳跃强度,其值为(0,2)区间的随机数;
硬包围:当r≥0.5,|E|<0.5时,目标具有较少的逃逸能量,则对目标采取最后的突袭,此阶段模型为:
X(t+1)=Xr(t)-E|ΔX(t)|
渐近快速俯冲软包围:当r<0.5,|E|≥0.5时,目标依然具有较多的逃逸能量,有突破目前包围的可能,则对目标进行软包围,并调整种群位置,此阶段模型为:
A=ΔX(t)-E|JXr(t)X(t)|
B=A+S*ΛF(G)
式中:G为维数,S为1×G的随机向量,LF为Levy飞行函数,
式中:u和v为(0,1)区间上的随机数,β为常数1.5;
渐近快速俯冲硬包围:当r<0.5,|E|<0.5时,目标具有较少的逃逸能量,则对目标形成硬包围,为最后的突袭做准备。此阶段的目的是使种群位置的平均值更接近目标的位置,此阶段的模型为:
A=ΔX(t)-E|JXr(t)-X(t)|
B=A+S*LF(G)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310576680.0A CN116703624A (zh) | 2023-05-22 | 2023-05-22 | 基于区块链的企业运行诊断系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310576680.0A CN116703624A (zh) | 2023-05-22 | 2023-05-22 | 基于区块链的企业运行诊断系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703624A true CN116703624A (zh) | 2023-09-05 |
Family
ID=87840165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310576680.0A Pending CN116703624A (zh) | 2023-05-22 | 2023-05-22 | 基于区块链的企业运行诊断系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703624A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315892A (zh) * | 2017-08-10 | 2017-11-03 | 北京交通大学 | 一种基于极限学习机的轴承故障诊断方法 |
US20200233956A1 (en) * | 2019-01-23 | 2020-07-23 | General Electric Company | Framework for cyber-physical system protection of electric vehicle charging stations and power grid |
CN113361777A (zh) * | 2021-06-08 | 2021-09-07 | 淮阴工学院 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
US20220198446A1 (en) * | 2019-04-11 | 2022-06-23 | Aleksey Vladislavovich POTANIN | Method for Recording Data Related to Product Manufacture and Sales, and Related System |
CN114781435A (zh) * | 2022-03-24 | 2022-07-22 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
-
2023
- 2023-05-22 CN CN202310576680.0A patent/CN116703624A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315892A (zh) * | 2017-08-10 | 2017-11-03 | 北京交通大学 | 一种基于极限学习机的轴承故障诊断方法 |
US20200233956A1 (en) * | 2019-01-23 | 2020-07-23 | General Electric Company | Framework for cyber-physical system protection of electric vehicle charging stations and power grid |
US20220198446A1 (en) * | 2019-04-11 | 2022-06-23 | Aleksey Vladislavovich POTANIN | Method for Recording Data Related to Product Manufacture and Sales, and Related System |
CN113361777A (zh) * | 2021-06-08 | 2021-09-07 | 淮阴工学院 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
CN114781435A (zh) * | 2022-03-24 | 2022-07-22 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
陈帅 等: "一种6kW开关磁阻起动/发电系统设计与实验研究", 微特电机, no. 09, pages 31 - 34 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537945B (zh) | 基于联邦学习的智能电表故障诊断方法及设备 | |
Li et al. | Development and investigation of efficient artificial bee colony algorithm for numerical function optimization | |
CN110457369A (zh) | 一种模型的训练方法及相关设备 | |
CN107045569A (zh) | 基于聚类多目标分布估计算法的齿轮减速器优化设计方法 | |
CN110516813A (zh) | 一种基于大数据机器学习进行电动汽车电池rdr预测的方法 | |
CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
Sibtain et al. | A multistage hybrid model ICEEMDAN-SE-VMD-RDPG for a multivariate solar irradiance forecasting | |
CN115456044A (zh) | 一种基于知识图谱多集池化的装备健康状态评估方法 | |
Tang et al. | Secure and trusted collaborative learning based on blockchain for artificial intelligence of things | |
Liu et al. | An improved Elman network for stock price prediction service | |
Qi et al. | AGFSM: an new FSM based on adapted Gaussian membership in case retrieval model for customer-driven design | |
Kim et al. | Real-time power system transient stability prediction using convolutional layer and long short-term memory | |
Saha et al. | Short-term electrical load forecasting via deep learning algorithms to mitigate the impact of COVID-19 pandemic on power demand | |
CN116703624A (zh) | 基于区块链的企业运行诊断系统和方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 | |
Cheng et al. | Evolutionary fuzzy hybrid neural network for conceptual cost estimates in construction projects | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
Li et al. | Short-term Power Load Forecasting based on Feature Fusion of Parallel LSTM-CNN | |
Wang et al. | Energy management strategy for HEV based on KFCM and neural network | |
Kaplan et al. | Fuzzy Reliability Theory in the Decision-Making Process | |
Xiao et al. | A time Series Prediction method based on self-adaptive RBF neural network | |
Sinha et al. | Double-Reservoir Deep Echo State Network Architecture for short-term Electricity Demand Forecasting |
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 |