一种基于区域电力数据与区域发展指数关联分析方法与流程

1.本发明涉及区域数据分析技术领域，特别涉及一种基于区域电力数据与区域发展指数关联分析方法。


背景技术：

2.当今社会，电气化水平的提高使得各种经济活动几乎都离不开电力，电力是国民经济发展中重要的生产资料及人民生活中必不可少的生活资料，电力作为关系国计民生的重要基础设施，在保障能源安全、促进节能减排、拉动经济增长、带动产业升级中的作用更加突出。全社会电力数据是通过发电侧表计与用电侧表计计量，经校合、计算而成，客观上保证了电力数据的实时性、可靠性及准确性，由此决定了电力生产、消费与区域发展的紧密相关性在宏观经济研究中的重要作用。各级政府已将全社会电力数据作为判断宏观经济发展的一个重要指数，电力数据已成为度量经济发展的温度计和晴雨表。在经济发展新常态下，区域发展与电力数据之间的弹性系数正在发生新的变化，一定程度上的背离恰恰反映了结构调整和转型升级取得积极进展。


技术实现要素：

3.针对现有技术存在的问题及技术要求，本发明的目的是提供了一种基于区域电力数据与区域发展指数关联分析方法，建立区域电力数据挖掘模型，从而提高电力数据的准确性与利用率，其次采用灰色关联分析方法，对区域电力数据与发展指数之间关联性进行分析，建立区域电力数据与发展指数间关联程度量化模型，然后，基于区域电力数据与发展指数之间关联性，采用大数据分析法对区域电力数据与发展指数模型进行发展指数评估。
4.为了达到上述目的，本发明采用以下技术方案实现：
5.一种基于区域电力数据与区域发展指数关联分析方法，包括以下步骤：
6.(s1)区域电力数据挖掘；
7.(s2)建立区域电力数据与发展指数模型；
8.(s3)采用大数据分析法对区域电力数据与发展指数模型进行发展指数评估。
9.所述的步骤(s1)区域电力数据挖掘，包括以下步骤：
10.(s11)采集电力数据图片；
11.(s12)提取电力数据特征图片，将电力数据特征图片的像素矩阵i(x,y)数据挖掘算法，得到电力数据特征图片空间尺度的卷积，即：
12.l(x,y,σ)＝g(x,y,σ)*i(x,y)
13.其中，g(x,y,σ)为尺度可变高斯函数，即：
[0014][0015]
其中，(x,y)为空间坐标，σ为尺度坐标；
[0016]
(s13)计算高斯差分尺度空间，即：
[0017]
d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)
[0018]
其中k为尺度常熟；
[0019]
(s14)通过高斯差分尺度空间检测关键点，提取电力数据的特征，并进行分析；
[0020]
(s15)提取电力数据的环境信息，并进行量化处理；
[0021]
(s16)将量化处理后的环境信息带入卷积神经网络经过池化层，对单位像素迁移和亮度影响进行校正，设电力数据特征图片的大小为w
×
w,电力数据特征图片空间尺度卷积的大小为f
×
f,电力数据特征图片空间尺度卷积边缘填充p个像素，电力数据特征图片空间尺度卷积步长为s，则电力数据特征图片空间尺度卷积池化输出的大小n为：
[0022][0023]
(s17)对电力数据特征图片空间尺度卷积进行最大值池化，即：
[0024][0025]
其中，为卷积核，aj为卷积核中的最大值。
[0026]
所述的步骤(s2)建立区域电力数据与发展指数模型，包括以下步骤：
[0027]
(s21)采用灰色关联分析方法，对区域电力数据与发展指数之间关联性进行分析；
[0028]
(s22)建立区域电力数据与发展指数间关联程度量化模型，确定发展指数的初始权重；
[0029]
(s23)建立区域电力数据与发展指数间关系模型。
[0030]
所述的步骤(s21)中的灰色关联分析方法，包括以下步骤：
[0031]
(s211)确定反映区域电力数据特征的参考数列和影响区域电力数据特征的比较数列，设参考数列为y＝{y(k)|k＝1,2,λ,n}，比较数列xi＝{xi(k)|k＝1,2,λ,n}，i＝1,2,λ,m；
[0032]
(s212)区域电力数据的无量纲化处理，即：
[0033][0034]
其中，y(k)为参考数列的评价值，y(l)为参考数列的阀值，xi(k)为比较数列的评价值， xi(l)比较数列的阀值；
[0035]
(s213)计算y(k)与xi(k)的关联系数ζi，即：
[0036][0037]
其中，ρ为分辨系数，y(k)与xi(k)的关联系数ζi的分辨系数ρ的取值区间为(0,1)，当ρ≤0.5463时，分辨力最好，故通常取ρ＝0.5；
[0038]
(s214)计算关联度ri，即：
[0039][0040]
(s215)关联度按照从大到小的顺序排列。
[0041]
所述的步骤(s23)建立区域电力数据与发展指数间关系模型，即：
[0042]
设离散随机变量x＝{x1,x2,
…
,xn}，单个离散随机变量所携带的信息量为：
[0043][0044]
其中，p(xi)为离散随机变量的发生概率，则离散随机变量的概率分布为：
[0045]
p(x)＝{p(x1),p(x2),
…
,p(xn)}
[0046]
其中，x＝{x1,x2,
…
,xn}为离散随机变量的运动状态，则所包含的不确定性用信息熵 h(x)来表示，即：
[0047][0048]
用信息熵h(x)的减少量来表示获得的信息量。
[0049]
与现有技术相比，本发明的有益效果是：
[0050]
本发明一种基于区域电力数据与区域发展指数关联分析方法，是对电力数据与区域发展分析的补充和完善，将在利用电力数据服务经济发展中得到应用，进一步提高数据分析能力及政府支撑度，在未来为政府提供电力数据以支撑宏观经济分析，政府利用电力数据间接了解产业结构、gdp走势。
[0051]
上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，从而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下列举本发明的具体实施方法。
[0052]
根据下文对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述及其他目的、特征和优点，但不作为对本发明的限定。
具体实施方式
[0053]
为了便于理解本发明，下面将对本发明进行更全面的描述。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
[0054]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0055]
以下对本发明提供的具体实施方式进行详细说明。
[0056]
一种基于区域电力数据与区域发展指数关联分析方法，包括以下步骤：
[0057]
(s1)区域电力数据挖掘；
[0058]
(s2)建立区域电力数据与发展指数模型；
[0059]
(s3)采用大数据分析法对区域电力数据与发展指数模型进行发展指数评估。
[0060]
其步骤(s1)区域电力数据挖掘，包括以下步骤：
[0061]
(s11)采集电力数据图片；
[0062]
(s12)提取电力数据特征图片，将电力数据特征图片的像素矩阵i(x,y)数据挖掘算法，得到电力数据特征图片空间尺度的卷积，即：
[0063]
l(x,y,σ)＝g(x,y,σ)*i(x,y)
[0064]
其中，g(x,y,σ)为尺度可变高斯函数，即：
[0065][0066]
其中，(x,y)为空间坐标，σ为尺度坐标；
[0067]
(s13)计算高斯差分尺度空间，即：
[0068]
d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)
[0069]
其中k为尺度常熟；
[0070]
(s14)通过高斯差分尺度空间检测关键点，提取电力数据的特征，并进行分析；
[0071]
(s15)提取电力数据的环境信息，并进行量化处理；
[0072]
(s16)将量化处理后的环境信息带入卷积神经网络经过池化层，对单位像素迁移和亮度影响进行校正，设电力数据特征图片的大小为w
×
w,电力数据特征图片空间尺度卷积的大小为f
×
f,电力数据特征图片空间尺度卷积边缘填充p个像素，电力数据特征图片空间尺度卷积步长为s，则电力数据特征图片空间尺度卷积池化输出的大小n为：
[0073][0074]
(s17)对电力数据特征图片空间尺度卷积进行最大值池化，即：
[0075][0076]
其中，为卷积核，aj为卷积核中的最大值。
[0077]
其步骤(s2)建立区域电力数据与发展指数模型，包括以下步骤：
[0078]
(s21)采用灰色关联分析方法，对区域电力数据与发展指数之间关联性进行分析；
[0079]
(s22)建立区域电力数据与发展指数间关联程度量化模型，确定发展指数的初始权重；
[0080]
(s23)建立区域电力数据与发展指数间关系模型。
[0081]
所述的步骤(s21)中的灰色关联分析方法，包括以下步骤：
[0082]
(s211)确定反映区域电力数据特征的参考数列和影响区域电力数据特征的比较数列，设参考数列为y＝{y(k)|k＝1,2,λ,n}，比较数列xi＝{xi(k)|k＝1,2,λ,n}，i＝1,2,λ,m；
[0083]
(s212)区域电力数据的无量纲化处理，即：
[0084][0085]
其中，y(k)为参考数列的评价值，y(l)为参考数列的阀值，xi(k)为比较数列的评价值， xi(l)比较数列的阀值；
[0086]
(s213)计算y(k)与xi(k)的关联系数ζi，即：
[0087][0088]
其中，ρ为分辨系数，y(k)与xi(k)的关联系数ζi的分辨系数ρ的取值区间为(0,1)，当ρ≤0.5463时，分辨力最好，故通常取ρ＝0.5；
[0089]
(s214)计算关联度ri，即：
[0090][0091]
(s215)关联度按照从大到小的顺序排列。
[0092]
其步骤(s23)建立区域电力数据与发展指数间关系模型，即：
[0093]
设离散随机变量x＝{x1,x2,
…
,xn}，单个离散随机变量所携带的信息量为：
[0094][0095]
其中，p(xi)为离散随机变量的发生概率，则离散随机变量的概率分布为：
[0096]
p(x)＝{p(x1),p(x2),
…
,p(xn)}
[0097]
其中，x＝{x1,x2,
…
,xn}为离散随机变量的运动状态，则所包含的不确定性用信息熵 h(x)来表示，即：
[0098][0099]
用信息熵h(x)的减少量来表示获得的信息量。
[0100]
以上所述实例的各技术特征可以进行任意组合，为使描述简洁，未对上述实例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0101]
以上所述实例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和非实质性的改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。