一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型

技术领域

本发明属于网络分析预测技术领域，尤其涉及一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型。

背景技术

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。

对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。

卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。

冶金企业能源消耗量是一个与多种因素有关的复杂非线性问题.鉴于传统预测方法的缺陷,利用遗传算法来优化小波神经网络,建立基于遗传算法的小波神经网络模型对鞍山钢铁公司能源消耗进行预测.该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质.通过实验将其与传统的神经网络进行比较,证实前者具有更优的网络结构,更高的逼近精度。

发明内容

本发明的目的在于提供一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型。

为实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型，该基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型包括下列步骤：

S1、构建企业能耗数据集；

S2、构建基于企业能耗数据的卷积神经网络；

S3、构建企业多方位能耗影响因素数据集；

S4、利用企业多方位能耗影响因素数据集对构建的卷积神经网络进行训练，并调整参数进行评估，获得企业能耗的最优卷积神经网络模型；

S5、建立基于卷积神经网络的能耗预测模型，并研究参数对能耗预测结构的影响，将卷积神经网络与最优卷积神经网络模型进行比对，研究企业多方位能耗影响因素。

优选的，所述步骤S1中企业能耗数据包括企业基础设施能耗、企业生产加工能耗、企业能源重复利用所产生和收集的能耗剩余。

优选的，所述步骤S2中卷积神经网络将所述企业能耗数据中包含内部分别设置神经网络树。

优选的，所述步骤S3中企业多方位能耗影响因素包括设备使用寿命、企业加工原材料质量、企业设备维修老化信息、企业人员设备操作方法。

优选的，所述步骤S4中训练中，将能耗影响因素添加至神经网络中进行训练，同时改变能耗影响因素中可变因素，进行逐步训练。

优选的，所述步骤S5中在进行能耗预测时，可输入不同影响因素，进行能耗评估。

本发明的有益效果是：该基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型，经过卷积神经网络首先进行企业多方位多维度影响能耗因素进行训练，通过数据输入进行能耗预测，能耗预测效率高，准确。

附图说明

图1是本发明提供的一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型的示意图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

请参考图1，下面将结合附图对本发明实施例的基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型作详细说明。

该基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型包括下列步骤：

S1、构建企业能耗数据集；

S2、构建基于企业能耗数据的卷积神经网络；

S3、构建企业多方位能耗影响因素数据集；

S4、利用企业多方位能耗影响因素数据集对构建的卷积神经网络进行训练，并调整参数进行评估，获得企业能耗的最优卷积神经网络模型；

S5、建立基于卷积神经网络的能耗预测模型，并研究参数对能耗预测结构的影响，将卷积神经网络与最优卷积神经网络模型进行比对，研究企业多方位能耗影响因素。

具体的，步骤S1中企业能耗数据包括企业基础设施能耗、企业生产加工能耗、企业能源重复利用所产生和收集的能耗剩余。

具体的，步骤S2中卷积神经网络将所述企业能耗数据中包含内部分别设置神经网络树。

具体的，步骤S3中企业多方位能耗影响因素包括设备使用寿命、企业加工原材料质量、企业设备维修老化信息、企业人员设备操作方法。

具体的，步骤S4中训练中，将能耗影响因素添加至神经网络中进行训练，同时改变能耗影响因素中可变因素，进行逐步训练。

具体的，步骤S5中在进行能耗预测时，可输入不同影响因素，进行能耗评估。

在本发明中，利用可预见的影响因素对预测模型进行训练，在进行预测能耗时，通过卷积神经网络进行企业各项数据输入，可出具企业能耗预测数据。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。