一种基于多模型融合策略的能源效率评价方法技术

一种基于多模型融合策略的能源效率评价方法，本发明专利技术涉及基于多模型融合策略的能源效率评价方法。本发明专利技术为了解决现有能源效率计算特征难以选择，模型评价结果不准的问题。本发明专利技术步骤为：步骤一：将数据进行归一化处理，得到归一化训练集；步骤二：对步骤一得到的归一化训练集进行特征选择；采用将信息增益和核主成份分析相结合的融合方法选取特征；即利用信息增益计算得到特征排序后，利用主成份分析方法做校核计算。步骤三：根据步骤一和步骤二建立多分类器融合的评价模型，得到能源效率评价的分类结果；步骤四：对步骤三得到的分类结果进行聚类分析，得到最终的聚类结果。本发明专利技术应用于能源效率有效评估领域。

【技术实现步骤摘要】
一种基于多模型融合策略的能源效率评价方法
本专利技术涉及基于多模型融合策略的能源效率评价方法。
技术介绍
随着能源问题与环境问题的日益突出，能源效率评价方法也日益受到重视。国际上许多学者都从不同角度研究了能源利用效率的改进和节能潜力。以中国为例，近些年经济保持了高速强劲的发展，但经济增长方式仍然十分粗放，资源和能源消耗高、利用率低、环境污染严重的现状仍然是不争的事实，能源利用效率在国际上仍然处于落后阶段。目前，中国以煤炭为主的不合理能源消费结构，严重影响了整个能源体系中的能源利用效率，对社会可持续发展构成挑战。因此，需要理清能源效率的关键影响因素，并定量分析各因素的影响程度。目前对能源利用效率的定量研究，大多基于数据包络分析方法(DEA)对能源效率值进行评价研究。有的学者还在测算出全要素能源效率基础上研究了产业结构、技术进步、对外开放程度等因素对能源效率的影响。然而，由于中国地区复杂性和空间发展不均衡性，有很多学者利用地区间、省份之间的能源面板数据，分析不同区域或省份间能源效率大小，并取得了行之有效的计算方法和评价方法。因此，采用不同能源指标计算能源效率，无法真实反映影响能源效率的实际因素。
技术实现思路
本专利技术的目的是为了解决现有能源效率计算特征难以选择，以及模型评价结果不准的问题，提出一种基于多模型融合策略的能源效率评价方法。一种基于多模型融合策略的能源效率评价方法包括以下步骤：本专利技术分类建模的主体策略如下：对数据进行特征值的标准化预处理，以便于正确进行特征选择。在此基础上，对数据集合进行类别标注，给出类标签以供分类算法学习得到训练集。然后，通过比较分析得到本专利技术可以使用的多分类器融合的分类模型，并能够在预测中使用。步骤一：将数据进行归一化处理，得到归一化训练集；步骤二：对步骤一得到的归一化训练集进行特征选择；步骤三：根据步骤一和步骤二建立多分类器融合的评价模型，得到能源效率评价的分类结果；步骤四：对步骤三得到的分类结果进行聚类分析，得到最终的聚类结果。本专利技术的有益效果为：本专利技术提出了一种基于多模型融合策略的能源绩效评价方法，不仅建立了基于多分类器融合策略的的分类模型，并用于能源效率值的高低预测；而且还建立了多聚类分析方法的融合模型，可将能源效率高的省份与效率低的省份区分开来。然后以中国能源利用效率评价为例进行算例研究：首先，收集24省份9年的相关能源效率数据，并使用2种特征识别方法确定了能源效率的关键影响因素；进一步，对所建立的分类融合模型的拟合度进行对比分析，并用于对能源效率高低的预测；然后，基于多模型融合聚类策略，进一步将能源效率高的省份与效率低的省份精确区分开来。最后，针对所总结出的中国整体能源效率发展问题，给出了相应的改进策略建议。实验结果表明：多模型融合策略相对单一模型方法具有更好的分类预测及聚类分析效果。因此，本专利技术具有较好的实际应工程应用价值。1)能够对计算能源效率的备选特征进行有效筛选，找出其中影响能源效率的相对主要因素。2)对我国各省之间能源效率建立三种单一分类器模型和多分类器融合模型，分类及预测的算例结果显示：多分类器融合模型的能源效率分类预测效果要比单一模型的分类预测效果要好，能够对能源效率值的高低进行更准确的分类。3)基于多模型融合聚类分析方法，发现了我国各地区的能源效率的差异性及变化规律，能够相适应地给出原因分析和发展建议。附图说明图1为基于三种分类器并行融合策略流程图。图2为多模型融合聚类分析策略流程图。具体实施方式具体实施方式一：一种基于多模型融合策略的能源效率评价方法的具体步骤为：步骤一：将数据进行归一化处理，得到归一化训练集；步骤二：对步骤一得到的归一化训练集进行特征选择；步骤三：根据步骤一和步骤二建立多分类器融合的评价模型，得到能源效率评价的分类结果；步骤四：对步骤三得到的分类结果进行聚类分析，得到最终的聚类结果。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中的数据具体包括：一次能源生产量、能源消耗总量、能源消费弹性系数、GDP、能源工业投资额、单位生产总值能耗、资本存量、和二氧化硫排放系数。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤一中将数据进行归一化处理，得到归一化训练集的具体过程为：收集全国多个省市自治区的面板数据，将数据进行标准化的预处理。数据的标准化是将数据按比例缩放，去除数据的单位限制，将其转化为无量纲的纯数值，便于进行比较和加权。0-1标准化(也叫归一化)是数据标准化最典型的方法，通过对原始数据的线性变换使结果落到[0,1]区间。考虑到本专利技术使用的数据集中的特征值均为正值，所以使用简化后的转换函数来对每个分量进行归一化。若有N个样本，对每个样本第m个特征进行处理，其表达形式如公式(1)所示：预处理后的特征值分布在[0，1]区间，其中所述xim*为第i个样本的第m个特征归一化后的值，xim为第i个样本的第m个特征原始值。其它步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤二中对步骤一得到的归一化训练集进行特征选择的具体过程为：考虑影响能源效率的各种因素，建立特征空间，收集相应数据，样本数据进行无量纲化处理，进行特征选择。为了使特征选择的结果更加准确，本专利技术采用将信息增益和核主成份分析相结合的融合策略选取最终的特征。首先，利用信息增益计算得到特征排序，然后利用主成份分析方法做校核计算。采用将信息增益和核主成份分析相结合的融合方法选取特征；即利用信息增益得到不同特征对应的信息增益，由大到小进行排序，得到特征相对重要性排序，利用主成份分析方法做校核计算。核主成分分析KPCA是主成分分析PCA的非线性扩展，KPCA是在通过映射函数Φ把原始向量映射到高维空间F，在F上进行PCA分析，可以最大限度地抽取指标的信息。假设x1,x2,……xM为训练样本，用{xi}表示输入空间。KPCA方法的基本思想是通过某种隐式方式将输入空间映射到某个高维空间(常称为特征空间)，并且在特征空间中实现主成分分析PCA。假设相应的映射为Φ，核函数K通过映射Φ将隐式的实现从点x到F的映射，并且由此映射而得的特征空间中数据满足中心化的条件[15]，即则特征空间中的协方差矩阵为：现求C的特征值λ≥0和特征向量V∈F\{0}，Cν＝λν，并考虑到所有的特征向量可表示为Φ(x1),Φ(x2),...,Φ(xM)的线性则有其中，v＝1,2,...,M。定义M×M维矩阵K，能得到特征值和特征向量，对于测试样本在特征向量空间Vk的投影为将内积用核函数替换则有并且，可以进一步将核矩阵修正为其它步骤及参数与具体实施方式一至三之一相同。具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述利用信息增益计算得到特征排序的具体过程为：特征选择就是通过搜索数据集中的所有可能的特征集合，按照某种规则选取一组有效的特征以降低特征空间的维数。同时，通过去除特征空间的一些冗余信息来避免这些信息对分类预测的影响，从而提高分类算法的预测准确率和计算效率。信息增益(IG)是进行特征选择的最常用方法。其中，在信息增益中，衡量标准是看特征能够为分类系统带来多少信息，带来的信息越多，该本文档来自技高网...

【技术保护点】
一种基于多模型融合策略的能源效率评价方法，其特征在于：所述基于多模型融合策略的能源效率评价方法包括以下步骤：步骤一：将数据进行归一化处理，得到归一化训练集；步骤二：对步骤一得到的归一化训练集进行特征选择；步骤三：根据步骤一和步骤二建立多分类器融合的评价模型，得到能源效率评价的分类结果；步骤四：对步骤三得到的分类结果进行聚类分析，得到最终的聚类结果。

【技术特征摘要】
1.一种基于多模型融合策略的能源效率评价方法，其特征在于：所述基于多模型融合策略的能源效率评价方法包括以下步骤：步骤一：将数据进行归一化处理，得到归一化训练集；步骤二：对步骤一得到的归一化训练集进行特征选择；步骤三：根据步骤一和步骤二建立多分类器融合的评价模型，得到能源效率评价的分类结果；步骤四：对步骤三得到的分类结果进行聚类分析，得到最终的聚类结果。2.根据权利要求1所述的一种基于多模型融合策略的能源效率评价方法，其特征在于：所述步骤一中的数据具体包括：一次能源生产量、能源消耗总量、能源消费弹性系数、GDP、能源工业投资额、单位生产总值能耗、资本存量、和二氧化硫排放系数。3.根据权利要求2所述的一种基于多模型融合策略的能源效率评价方法，其特征在于：所述步骤一中将数据进行归一化处理，得到归一化训练集的具体过程为：数据标准化的预处理也称为归一化，使用简化后的转换函数来对数据进行标准化的预处理，若有N个样本，对每个样本第m个特征进行处理，其表达形式如公式(1)所示：预处理后的特征值分布在[0，1]区间，其中所述xim*为第i个样本的第m个特征归一化后的值，xim为第i个样本的第m个特征原始值。4.根据权利要求3所述的一种基于多模型融合策略的能源效率评价方法，其特征在于：所述步骤二中对步骤一得到的归一化训练集进行特征选择的具体过程为：采用将信息增益和核主成份分析相结合的融合方法选取特征；即利用信息增益得到不同特征对应的信息增益，由大到小进行排序，利用主成份分析方法做校核计算。5.根据权利要求...

【专利技术属性】
技术研发人员：万杰，赵鑫宇，李兴朔，李飞，程江南，宋乃秋，刘智，张星元，常军涛，颜培刚，于继来，
申请(专利权)人：哈尔滨工业大学，哈尔滨燃卓科技开发有限公司，南京遒涯信息技术有限公司，
类型：发明
国别省市：黑龙江,23