基于人工智能的企业复工复产程度监控方法技术

本发明专利技术涉及一种基于人工智能的企业复工复产程度监控方法，其技术方案要点是，所使用的神经网络在训练时，采用基于坐标下降搜索的神经网络剪枝方法进行优化：剪枝步骤一，为神经网络中的每一层维护一个敏感度分数，保持其他层剪枝率不变，剪枝该层后对网络训练两轮得到的正确分类率即为该层的敏感度分数；剪枝步骤二，对敏感度分数最高的的层进行剪枝，并更新对应的敏感度分数；剪枝步骤三，计算当前剪枝网络的剪枝率，若满足压缩率要求，则对该网络进行微调，最后得到压缩后的神经网络；否则，返回剪枝步骤二。本发明专利技术通过神经网络的优化，能够有效提高神经网络预测的准确性，从而提高复工复产的监控和预测能力。

【技术实现步骤摘要】
基于人工智能的企业复工复产程度监控方法
本专利技术属于一种企业复工复产的监控方法，涉及一种基于人工智能的企业复工复产程度监控方法。
技术介绍
2019年年末新冠病毒肺炎导致了大量企业出现了较长时间的停工，因此对于电网负荷来说，地区整体能效的变动与以往的经验并不一致，在以往时间段，负荷的较大变化往往只局限于长假和长假前后时间段内，而本次复工复产出现了能耗水平整体变化趋势复杂，能耗水平的监测与疫情、复工复产、生产行业等都紧密相关，因此在整个地区的能耗监测上存在监测常态化，无法采用通过日期推测一刀切等问题，同时电网负荷监测也需要承当起社会整体复工复产态势监测的作用，因此，对电网负荷的能耗监测提出了更高的要求，不仅仅是要能看当前地区整体复工复产的态势，还要能对不同行业复工复产态势进行观测，进一步的还需要更多的预测功能，实现更多预测、推测功能，以期达到更为精准的复工复产帮扶、监控，辅助决策层进行下一步的决策。而人工智能技术由于硬件算力的提高，整体有了很大的强化，在企业工业等各个领域都能发挥重要的作用，因此，采用人工职能技术对企业复工复产问题是值得探索和使用的，但是现有技术尚未有此技术的内容可供借鉴，因此，需要开发一种基于人工智能的企业复工复产程度监控方法以利于有效提高复工复产的监控和预测能力。
技术实现思路
本专利技术解决了现有技术仅仅只能针对当前能耗进行监控，对于复工复产等时期的能耗监控较弱，不能区分各个行业的能耗水平、无法对复工复产水平进行进一步预测等问题，提供一种利于有效提高复工复产的监控和预测能力的基于人工智能的企业复工复产程度监控方法。本专利技术解决其技术问题所采用的技术方案是：一种基于人工智能的企业复工复产程度监控方法，包括以下步骤：步骤一，获取目标地区内企业的历史能耗数据，选出历史能耗数据中的历史复工数据；步骤二，根据目标企业的能耗类型对目标内企业进行第一次分类，并将目标企业的历史复工数据进行拟合形成复工的拟合曲线；步骤三，设定若干条复工的典型曲线作为聚类中心，选取典型曲线和拟合曲线的参数作为维度数值，根据维度数值之间的欧式距离进行聚类分析，并确定聚类的中心；步骤四，将同一类拟合曲线的参数作为神经网络的训练输入量，将同一类拟合曲线聚类的中心作为训练输出结果；步骤五，将企业当前复工的能耗数值制成拟合曲线，选取拟合曲线的参数送入神经网络然后输出，输出结果经过转换后和企业当前复工的能耗数值合并形成制成复工复产曲线；步骤六，进行能耗水平指数的计算，并根据能耗水平指数显示当前和预测的地区的整体复工复产水平；在步骤四中，所使用的神经网络在训练时，采用基于坐标下降搜索的神经网络剪枝方法进行优化；剪枝步骤一，为神经网络中的每一层维护一个敏感度分数，保持其他层剪枝率不变，剪枝该层后对网络训练两轮得到的正确分类率即为该层的敏感度分数；剪枝步骤二，对敏感度分数最高的的层进行剪枝，并更新对应的敏感度分数；剪枝步骤三，计算当前剪枝网络的剪枝率，若满足压缩率要求，则对该网络进行微调，最后得到压缩后的神经网络；否则，返回剪枝步骤二。本专利技术首先将数据进行固定格式的清理，然后通过将企业历史数据的分类，确定企业的类别，然后获取各个类别企业的复工曲线，对于这些复工企业进行拟合曲线的绘制，利用绘制的拟合曲线，然后在相同分类中选取聚合的中心，这个聚合的中心就是以后可供使用的典型曲线，利用典型曲线，可以通过折算、换算等方式，进行复工复产数据的预测，同时，拟合曲线的绘制为进行一次数据膨胀提供了条件，也就是增加了新的不能直接从能耗数值序列、集合中得出的参数，例如拐点数量、复工能耗的上升数值等参数，利用这些因此的参数进行后续的神经网络的训练，这里的参数往往是直接相关于复工曲线的参数，隐藏不深的参数；如果要挖掘更深的隐藏参数，还可以采取对拟合曲线取矩阵进行特征量的挖掘等方式。这个拟合曲线的训练集由上述的参数构成，聚合的中心则作为结果集进行使用，因此，通过上述方式，利用人工智能中常用的神经网络即可完成训练，利用这个神经网络，可以通过合适的数据输入，来判断当前的复工状态，以及复工至完全运行时可能的能耗等级，以此来判断预测整个地区复工复产的能耗状态。为了提高神经网络的训练效果，需要采用基于坐标下降搜索的神经网络剪枝方法进行优化；通过神经网络的优化，能够有效提高神经网络训练的效率，提高神经网络预测的准确性，能够最终较好的判断预测整个地区复工复产的能耗状态。本专利技术提供了一种当前地区能耗水平预测的方法，特别是适用于复工复产时期的监测和预测，能够较为精准的预测后续的符合能耗，当然在此基础上，也可以引入各种其他配合数据和方法进行进一步的强化其的预测性；例如，针对能源大客户即可应用如中国专利申请号CN201711070575.0一种区域内支柱性电力用户的电量预测方法和系统所提供的技术方案进行监控和预测，而针对服务业小微企业，则可以直接通过写字楼的空置率等手段进行相应的监控和预测。作为优选，剪枝步骤一中，直接将预训练的网络权重随机加载到剪枝网络上，然后进行若干轮数的训练来获得敏感度分数；剪枝步骤二中，将剪枝结构搜索过程建模为对每一个独立变量方向，即某一层的结构进行迭代优化，对第层进行优化后，对敏感度分数进行更新，以动态维护整个神经网络中的敏感度分数序列，使得每次优化搜索过程都造成最小的精度损失，在每次迭代中进行局部优化得到序列，在剪枝率达到目标要求后，迭代终止。卷积神经网络（deepneuralnetworks,DNNs）的出现直接掀起了人工智能领域发展的一波浪潮，极大的促进了包括图像理解、语言识别、自然语言处理、医学诊断等多个研究领域的发展。然而，随着深度神经网络性能的增加，其对运算能力和存储能力的要求也越来越高，深度神经网络高存储高功耗的弊端严重制约着其在智能化移动嵌入式设备上的应用。因此，研究人员提出了一系列压缩与加速神经网络的级数，包括低阶分解、参数量化、知识蒸馏和网络剪枝等。其中，结构化剪枝因其不会造成稀疏连接，不依赖软硬件支持的特点而受到广泛关注。结构化剪枝的核心思想在于直接移除某一个卷积层中的整个通道即滤波（filter），加速网络的计算。然而，这样做的缺点在于网络的结构会突然发生较大的改变，导致网络性能大幅度下降，所以需要设计更科学的剪枝方案来应对结构化剪枝带来的性能下降的缺点。本专利技术的出发点在于，以往的结构搜索方法没有关注到神经网络本身结构的特点，往往采用对神经网络剪枝方案随机改变的方法来搜索到一个最优结构，这样做的缺点在于非常耗时，往往在进行很多轮的搜索之后找到的仍然是一个局部最优（localoptimum）剪枝方案，对于不同的任务，同一个网络的最优剪枝方案往往不同。基于以上观察，本文提出了基于坐标下降搜索的神经网络结构化剪枝方法(CDPruner)，通过将神经网络剪枝结构搜索建模成为一个离散优化问题，为神经网络中的每一层维护一个敏感度分数（sensitivityscore），该分数的得出我们采用了基于启发式的对某一个方案训练若干本文档来自技高网...

【技术保护点】
1.一种基于人工智能的企业复工复产程度监控方法，其特征在于：包括以下步骤：/n步骤一，获取目标地区内企业的历史能耗数据，选出历史能耗数据中的历史复工数据；/n步骤二，根据目标企业的能耗类型对目标内企业进行第一次分类，并将目标企业的历史复工数据进行拟合形成复工的拟合曲线；/n步骤三，设定若干条复工的典型曲线作为聚类中心，选取典型曲线和拟合曲线的参数作为维度数值，根据维度数值之间的欧式距离进行聚类分析，并确定聚类的中心；/n步骤四，将同一类拟合曲线的参数作为神经网络的训练输入量，将同一类拟合曲线聚类的中心作为训练输出结果；/n步骤五，将企业当前复工的能耗数值制成拟合曲线，选取拟合曲线的参数送入神经网络然后输出，输出结果经过转换后和企业当前复工的能耗数值合并形成制成复工复产曲线；/n步骤六，进行能耗水平指数的计算，并根据能耗水平指数显示当前和预测的地区的整体复工复产水平；/n在步骤四中，所使用的神经网络在训练时，采用基于坐标下降搜索的神经网络剪枝方法进行优化；/n剪枝步骤一，为神经网络中的每一层维护一个敏感度分数，保持其他层剪枝率不变，剪枝该层后对网络训练两轮得到的正确分类率即为该层的敏感度分数；/n剪枝步骤二，对敏感度分数最高的的层进行剪枝，并更新对应的敏感度分数；/n剪枝步骤三，计算当前剪枝网络的剪枝率，若满足压缩率要求，则对该网络进行微调，最后得到压缩后的神经网络；否则，返回剪枝步骤二。/n...

【技术特征摘要】
1.一种基于人工智能的企业复工复产程度监控方法，其特征在于：包括以下步骤：
步骤一，获取目标地区内企业的历史能耗数据，选出历史能耗数据中的历史复工数据；
步骤二，根据目标企业的能耗类型对目标内企业进行第一次分类，并将目标企业的历史复工数据进行拟合形成复工的拟合曲线；
步骤三，设定若干条复工的典型曲线作为聚类中心，选取典型曲线和拟合曲线的参数作为维度数值，根据维度数值之间的欧式距离进行聚类分析，并确定聚类的中心；
步骤四，将同一类拟合曲线的参数作为神经网络的训练输入量，将同一类拟合曲线聚类的中心作为训练输出结果；
步骤五，将企业当前复工的能耗数值制成拟合曲线，选取拟合曲线的参数送入神经网络然后输出，输出结果经过转换后和企业当前复工的能耗数值合并形成制成复工复产曲线；
步骤六，进行能耗水平指数的计算，并根据能耗水平指数显示当前和预测的地区的整体复工复产水平；
在步骤四中，所使用的神经网络在训练时，采用基于坐标下降搜索的神经网络剪枝方法进行优化；
剪枝步骤一，为神经网络中的每一层维护一个敏感度分数，保持其他层剪枝率不变，剪枝该层后对网络训练两轮得到的正确分类率即为该层的敏感度分数；
剪枝步骤二，对敏感度分数最高的的层进行剪枝，并更新对应的敏感度分数；
剪枝步骤三，计算当前剪枝网络的剪枝率，若满足压缩率要求，则对该网络进行微调，最后得到压缩后的神经网络；否则，返回剪枝步骤二。


2.根据权利要求1所述的基于人工智能的企业复工复产程度监控方法，其特征在于：剪枝步骤一中，直接将预训练的网络权重随机加载到剪枝网络上，然后进行若干轮数的训练来获得敏感度分数；
剪枝步骤二中，将剪枝结构搜索过程建模为对每一个独立变量方向，即某一层的结
构进行迭代优化，对第层进行优化后，对敏感度分数进行更新，以动态维护整个神经网
络中的敏感度分数序列，使得每次优化搜索过程都造成最小的精度损失，在每次迭代中进
行局部优化得到序列，在剪枝率达到目标要求后，迭代终止。


3.根据权利要求1所述的基于人工智能的企业复工复产程度监控方法，其特征在于：在步骤二中，若目标企业的能耗类型为小微企业则采用基于电力数据分级赋权的方式对复工复产程度进行监控，包括以下评估子步骤：
评估子步骤一，根据电力大数据平台提供的企业电力大数据，分析零电量和周期性企业的用电特征，获取停工企业筛选条件；
评估子步骤二，根据筛选条件，筛选出停工企业，判定企业为停工企业的筛选条件下所示：

，
其中，一个计量周期由若干个分计量周期构成，若企业用电数据，满足条件a，或
者不满足条件a但分计量周期满足条件b的次数大于设定值，则判定该企业为完全停工；
若连续m个分计量周期满足条件b，判定该企业对停工率的贡献度为α,连续n个分计量周期满足条件b，判定该企业对停工率的贡献度为β；贡献度与该企业停工情况对目标区域内全部企业停工率的影响程度成正比，完全停工企业的贡献度为1；
评估子步骤三，根据下式计算目标区域内的企业复工率R：

，
上式中，K为贡献度为α的户数，q为贡献度为β的户数，e为计量周期内完全停工企业数，N为目标区域内符合设定条件的企业总数。


4.根据权利要求3所述的基于人工智能的企...

【专利技术属性】
技术研发人员：张宏达，马亮，陈仕军，胡若云，裘炜浩，林森，叶方斌，欧阳柳，
申请(专利权)人：国网浙江省电力有限公司，国网浙江省电力有限公司营销服务中心，
类型：发明
国别省市：浙江;33