第３７卷ꎬ总第２１４期２０１９年３月ꎬ第２期
«节能技术»
ＥＮＥＲＧＹＣＯＮＳＥＲＶＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ３７ꎬＳｕｍＮｏ２１４
Ｍａｒ２０１９ꎬＮｏ２
基于ＩＰＶ６的国内能源效率的综合分析及评价系统构建
万 杰１ꎬ２ꎬ李 滨３ꎬ姚 坤２ꎬ张晓洁４ꎬ孟凡生３ꎬ于继来１
(１.哈尔滨工业大学电气工程博士后流动站ꎬ黑龙江 哈尔滨 １５０００１ꎻ２.香港大学电机与电子工程系ꎬ
香港 ９９９０７７ꎻ３.哈尔滨工程大学经济与管理学院ꎬ黑龙江 哈尔滨 １５０００１ꎻ
４.南京遒涯信息技术有限公司ꎬ江苏 南京 ２１００１２)
摘 要:国内能源效率分析及评价工作非常重要ꎬ目前相关研究都集中在相关政策和基础算法等方面ꎬ缺乏针对能源效率综合分析及评价系统的构建方法相关研究ꎬ尤其是针对下一代互联网技术的应用探究ꎮ本文首先介绍了基于ＩＰＶ６的服务端局域通讯网络架构设计策略ꎬ构建了基于ＩＰＶ６网络协议的能源效率大数据综合管控平台ꎬ平台不仅可以实现了国内各类能源效率大数据的收集ꎬ而且还可以利用特征识别方法确定能源效率影响因素ꎮ然后ꎬ基于典型数据挖掘和人工智能算法集ꎬ可以方便建立分类预测和聚类分析的应用模型ꎻ平台既可对各省份能源效率高低进行分类预测ꎬ又可将能源效率高的省份与效率低的省份区分开来ꎬ实现了对全国整体能源效率的综合分析与评价ꎮ这对我国能源互联网发展建设、利用大数据技术提升能源综合利用效率具有一定的借鉴意义ꎮ
关键词:能源效率ꎻＩＰＶ６通讯ꎻ综合平台ꎻ分类预测ꎻ聚类分析
中图分类号:Ｆ２２４ 文献标识码:Ａ 文章编号:１００２－６３３９(２０１９)０２－０１８９－０５
ＣｏｍｐｒｅｈｅｎｓｉｖｅＡｎａｌｙｓｉｓａｎｄＥｖａｌｕａｔｉｏｎＳｙｓｔｅｍＣｏｎｓｔｒｕｃｔｉｏｎｏｆ
ＣｈｉｎｅｓｅＥｎｅｒｇｙＥｆｆｉｃｉｅｎｃｙｂａｓｅｄｏｎＩＰＶ６
ＷＡＮＪｉｅ１ꎬ２ꎬＬＩＢｉｎ３ꎬＹＡＯＫｕｎ２ꎬＺＨＡＮＧＸｉａｏ－ｊｉｅ４ꎬＭＥＮＧＦａｎ－ｓｈｅｎｇ３ꎬＹＵＪｉ－ｌａｉ１
Ｈａｒｂｉｎ１５０００１ꎬＣｈｉｎａꎻ２.ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇꎬＨｏｎｇＫｏｎｇ９９９０７７ꎬＣｈｉｎａꎻ４.ＮａｎｇｊｉｎｇＱｉｕｙａＰｏｗｅｒＨｏｒｉｚｏｎＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＣｏｍｐａｎｙＬｉｍｉｔｅｄꎬＮａｎｊｉｎｇ２１００１２ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｄｏｍｅｓｔｉｃｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙａｎａｌｙｓｉｓａｎｄｅｖａｌｕａｔｉｏｎｗｏｒｋｉｓｖｅｒｙｉｍｐｏｒｔａｎｔ.Ａｔｐｒｅｓｅｎｔꎬｒｅｌｅｖａｎｔｒｅｓｅａｒｃｈｆｏｃｕｓｅｓｏｎｒｅｌａｔｅｄｐｏｌｉｃｉｅｓａｎｄｂａｓｉｃａｌｇｏｒｉｔｈｍｓ.Ａｎｄｔｈｅｒｅｉｓａｌａｃｋｏｆｒｅｌａｔｅｄｒｅｓｅａｒｃｈｏｎｃｏｍ￣ｉｐｖ６－ｂａｓｅｄｌｏｃａｌａｒｅａｃｏｍｍｕｎｉｃａｔｉｏｎｎｅｔｗｏｒｋａｒｃｈｉｔｅｃｔｕｒｅꎬａｎｄｃｏｎｓｔｒｕｃｔｓｔｈｅｃｏｍｐｒｅｈｅｎｓｉｖｅｍａｎａｇｅ￣
收稿日期 ２０１８－０７－１３ 修订稿日期 ２０１８－０８－２２
基金项目:黑龙江省博士后基金项目(Ｎｏ.ＬＢＨ－Ｚ１７０６７)ꎻ赛尔网络下一代互联网技术创新项目(Ｎｏ.ＮＧＩＩ２０１５０８０２)ꎻ国家重点
研发计划项目(Ｎｏ.２０１６ＹＦＢ０９０１９０３)ꎮ
作者简介:万杰(１９８４~)ꎬ男ꎬ博士ꎬ助理研究员ꎬ研究方向为电力大数据、能源互联网等相关基础和应用研究ꎮ
(１.ＰｏｓｔｄｏｃｔｏｒａｌＲｅｓｅａｒｃｈＳｔａｔｉｏｎｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙꎬ
３.ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙꎬＨａｒｂｉｎ１５０００１ꎬＣｈｉｎａꎻ
ｐｒｅｈｅｎｓｉｖｅｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙａｎａｌｙｓｉｓａｎｄｅｖａｌｕａｔｉｏｎｓｙｓｔｅｍｃｏｎｓｔｒｕｃｔｉｏｎｍｅｔｈｏｄｓꎬｅｓｐｅｃｉａｌｌｙａｐｐｌｉｃａｔｉｏｎ
ｅｘｐｌｏｒａｔｉｏｎｒｅｓｅａｒｃｈａｂｏｕｔｎｅｘｔｉｎｔｅｒｎｅｔｔｅｃｈｎｏｌｏｇｙ.Ｆｉｒｓｔｌｙꎬｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｄｅｓｉｇｎｓｔｒａｔｅｇｙｏｆ
１８９
ｍｅｎｔａｎｄｃｏｎｔｒｏｌｐｌａｔｆｏｒｍｏｆｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙｂｉｇｄａｔａｂａｓｅｄｏｎｉｐｖ６－ｂａｓｅｄｎｅｔｗｏｒｋｐｒｏｔｏｃｏｌ.Ｔｈｅｐｌａｔ￣ｆｏｒｍｃａｎｎｏｔｏｎｌｙｒｅａｌｉｚｅｔｈｅｃｏｌｌｅｃｔｉｏｎｏｆａｌｌｋｉｎｄｓｏｆｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙｂｉｇｄａｔａｉｎＣｈｉｎａꎬｂｕｔａｌｓｏｄｅｔｅｒ￣ｍｉｎｅｔｈｅｉｎｆｌｕｅｎｃｅｆａｃｔｏｒｓｏｆｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙｂｙｔｈｅｆｅａｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄ.Ｔｈｅｎꎬｂａｓｅｄｏｎｔｙｐｉｃａｌｄａｔａｍｉｎｉｎｇａｎｄａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅａｌｇｏｒｉｔｈｍｓｅｔꎬｔｈｅａｐｐｌｉｃａｔｉｏｎｍｏｄｅｌｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｅｄｉｃｔｉｏｎａｎｄｃｌｕｓｔｅｒａｎａｌｙｓｉｓｃａｎｂｅｅｓｔａｂｌｉｓｈｅｄｃｏｎｖｅｎｉｅｎｔｌｙ.Ｔｈｅｐｌａｔｆｏｒｍｎｏｔｏｎｌｙｃａｎｃｌａｓｓｉｆｙａｎｄｐｒｅｄｉｃｔｔｈｅｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙｏｆｅａｃｈｐｒｏｖｉｎｃｅꎬｂｕｔａｌｓｏｃａｎｄｉｓｔｉｎｇｕｉｓｈｔｈｅｐｒｏｖｉｎｃｅｓｗｉｔｈｈｉｇｈｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙｆｒｏｍｔｈｏｓｅｔｈｅｃｏｕｎｔｒｙ.ＴｈｉｓｉｓｏｆｃｅｒｔａｉｎｒｅｆｅｒｅｎｃｅｓｉｇｎｉｆｉｃａｎｃｅｔｏｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄｃｏｎｓｔｒｕｃｔｉｏｎｏｆＣｈｉｎａ'ｓｅｎｅｒｇｙｉｎｔｅｒｎｅｔａｎｄｔｈｅｉｍｐｒｏｖｅｍｅｎｔｏｆｅｎｅｒｇｙｃｏｍｐｒｅｈｅｎｓｉｖｅｕｔｉｌｉｚａｔｉｏｎｅｆｆｉｃｉｅｎｃｙｂｙｂｉｇｄａｔａｔｅｃｈｎｏｌｏｇｙ.Ｋｅｙｗｏｒｄｓ:ｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙꎻＩＰＶ６ｃｏｍｍｕｎｉｃａｔｉｏｎꎻｉｎｔｅｇｒａｔｅｄｐｌａｔｆｏｒｍꎻｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｅｄｉｃｔｉｏｎꎻｃｌｕｓ￣
ｗｉｔｈｌｏｗｅｆｆｉｃｉｅｎｃｙꎬｒｅａｌｉｚｉｎｇｔｈｅｃｏｍｐｒｅｈｅｎｓｉｖｅａｎａｌｙｓｉｓａｎｄｅｖａｌｕａｔｉｏｎｏｆｔｈｅｏｖｅｒａｌｌｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙｏｆ
ｔｅｒａｎａｌｙｓｉｓ
０ 引言
当前ꎬ能源效率越来越受到国际国内社会的重视ꎬ提高能源利用效率被认为是减少能源消耗强度ꎬ缓解当前和今后能源供求结构矛盾ꎬ促进经济持续稳定增长的重要途径[１－２]解能源问题的重要前提之一ꎮꎬ改善经济发展质量就是理清能源效率的ꎬ破关键影响因素ꎬ并定量分析各因素的影响程度[３]目前对能源利用效率的定量研究ꎬ大多都集中在相ꎮ关政策和基础算法方面[４－５]法首次提出了全要素能源效率的概念ꎮ文献[５]ꎬ使用在最优生产ＤＥＡ方
效率下ꎬ除能源以外的其它要素投入保持不变进行生产所需要的能源投入与实际能源投入之比ꎮ后续研究中的产出指标为ＧＤＰꎬ投入指标为能源消费量、资本、劳动力、单位ＧＤＰ能耗等[６－７]针对产业结构、技术进步、对外开放程度等因素对能ꎮ也有学者源效率的影响进行研究[８]效率和能源环境效率评价指标体系ꎮ文献[９]ꎻ结合主成分分构建能源经济析法建立可处理非期望产出的ＤＥＡ能源效率评价模型ꎮ我国地区复杂性和空间发展不均衡性ꎬ随着能源互联网的发展需求[１０]析及评价平台ꎬ收集并利用地区间ꎬ开发能源效率的综合分、省份之间的相关能源效率大数据ꎬ综合分析与评价不同区域或省份间能源效率ꎬ对能源效率提升和改进会有非常重要的辅助决策支持作用ꎮ然而ꎬ公开文献缺乏针对能源效率综合分析及评价系统的构建方法相关研究ꎮ并且ꎬ传统ＩＰｖ４通讯协议ꎬ对于构建满足未来多能源类型、大区域覆盖的大数据综合平台的短板日益显现ꎮ基于新型网络体系架构的互联网逐渐受到国家的高度重视ꎬ由于ＩＰｖ６通讯协议的相对优势ꎬ不少研究字人员已经在一些行业大数据监测平台中进行各种尝试应用探索[１１－１２]针对上述现状ꎬ本文阐述了基于ꎮＩＰＶ６的能源效１９０
率大数据综合管控平台构建:基于ＩＰＶ６的数采通讯架构设计、多元结构化和非结构化复杂能源效率大数据收集策略、特征空间构造及选择方法、基于典型数据挖掘和人工智能算法集的分类预测和聚类分析模型ꎮ最终ꎬ实现了对全国整体能源效率的综合分析与评价ꎬ给各省能源效率发展提供参考ꎮ
１ 能源效率大数据平台建设
如图１所示ꎬ为所建平台基本功能和界面展示图ꎮ平台在现有的ＩＰＶ４通讯系统构建方法基础上ꎬ将ＩＰｖ６网络协议引入多源大数据云平台构建中ꎬ解决了ＩＰＶ４进行能源互联网大数据云平台建设中存在ＩＰ地址匮乏的问题ꎬ充足的ＩＰ地址解决了数据采集端的规模限制ꎬ为大数据云平台的建设所需的海量数据提供了收集基础ꎬ有助于提升大数据分析的准确性ꎮ然后ꎬ在网架结构中增加了负载均衡设备ꎬ通过平均分配能实现数据的快速获取并解决大６Ｌｏｗ量并发访问服务问题ꎻ最后ꎬＩＰｖ６相比ＩＰｖ４特有的
点ꎬ有助于密集分布的设备节点与云平台间的数据ＰＡＮ的通讯方式拥有的廉价、便捷、实用等特交换ꎮ
图１ 系统基本功能设计
１.１ 如图基于ＩＰＶ６的多元通讯架构设计
(１)应用于服务端的数据传输网络从上至下层
２所示ꎬ为本ＩＰＶ６通讯系统构建方法:
级依次为:云平台←→ＷＥＢ防火墙←→路由器←→负载均衡设备←→核心交换机←→办公设备ꎮ如果是多个不同的服务端需要接入云平台ꎬ则可以相同方式通过多个路由器和防火墙并行接入ꎮ
(２)当办公设备通过有线方式接入时ꎬ办公设
备通过有线分管交换机与负载均衡设备下层的核心
交换机相链接ꎬ最终形成从上至下层级依次为:云平台←→Ｗｅｂ防火墙←→路由器←→负载均衡设备←→核心交换机←→有线分管交换机←→办公设备的有线数据传输网络ꎻ当办公设备通过无线方式接入时ꎬ通讯过程从上至下层级依次类似ꎮ
１.２ 图２ 多元异构数据收集
基于ＩＰＶ６的服务端局域通讯网络的结构示意图
本平台不仅可以收集各类结构化数据ꎬ如全国各省市自治区的面板数据ꎬ不仅包括«中国统计年鉴»、«中国能源统计年鉴»和各地区统计年鉴资源ꎬ而且还包括各类ＷＥＢ资源ꎮ并且ꎬ本平台实现了多元异构数据的收集ꎮ如下图３所示ꎬ不仅包括各区域的各种能源消耗数据ｗｏｒｄ１.３ 文档、图片以及其它重要附件资料ꎬ而且还可以收集包括
ꎮ为了便于不同单位或量级指标的比较评价等数据标准化
ꎬ需要进行数据标准化ꎮ考虑到使用的数据集中的特征值均为正值ꎬ所以使用简化后的转换函数来对每个分量进行归一化处理ꎮ从而ꎬ消除了特征空间因值域差异造成的特征值选择误差ꎮ借鉴已有研究成果[１３]源消耗总量ꎬ选取特征空间包含一次能源生产量(Ｆ２)、能源消费弹性系数(Ｆ３(Ｆ１)、)、ＧＤＰ
能图３ 多源异构数据收集及可视化统计分析平台
(Ｆ４)、(Ｆ６)、资本存量能源工业投资额(Ｆ７)、和二氧化硫排放系数(Ｆ５)、单位生产总值能耗８(Ｆ８)这
下图个因子４所示ꎬ本平台实现了特征因子的各种可视化ꎮ
ꎬ如１９１
１.４ 特征选择
特征选择就是通过搜索数据集中的所有可能的特征集合ꎬ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ꎮ同时ꎬ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ꎬ从图４ 归一化后的８个特征空间因子
学习策略的元学习器则具有易优化、高效率、高准确率的优点[１７]ꎮ并且ꎬ由于近几年发展较快的深度学习算法在分类和回归任务中的广泛应用及优异表现[１８]ꎬ所以平台也嵌入了基于堆栈去噪自动编码器(ＳＤＡ)的深信度网络模型(ＤＢＮ)作为分类预报的一种可选算法ꎬ是一个具有五个隐含层的ＤＢＮ模型ꎮ
选取正确率(ｐｒｅｃｉｓｉｏｎ)、召回率(ｒｅｃａｌｌ)和Ｆ－ｍｅａｓｕｒｅ作为衡量分类性能指标ꎬ在计算正确率和召回率时ꎬ用到在ＲＯＣ曲线分析中的四个指标:真阳性(ＴＰ)、假阳性(ＦＰ)、假阴性(ＦＮ)和真阴性(ＴＮ)ꎮ并且ꎬＦ－ｍｅａｓｕｒｅ为正确率和召回率的调和平均而提高分类算法的预测准确率和计算效率ꎮ信息增益是进行特征选择的最常用方法[１４－１５]计算出特征的信息增益值并进行排序ꎬ如图ꎮ通过数据５所示ꎮ平台会直接给出相应的可视化表格ꎬ辅助人工选择与类别属性的相关性较强的特征ꎮ
图５ 不同特征对分类的信息增益排序
２ 能源效率的综合分析与评价
平台还可以实现分类分析ꎬ对所收集的能源效率影响因素数据进行分析ꎮ在归一化和特征选择基础上ꎬ对数据集合进行类别标注ꎬ给出类标签以供分类算法学习得到训练集ꎮ通过比较不同分类算法的优劣ꎬ得到本文可以使用的分类模型ꎬ从而能够在预测中使用ꎮ为了对比无类别标注下的能源效率分析ꎬ采用聚类算法对收集数据按照年份聚类ꎬ可得到各省能源效率类别分布和变化趋势ꎮ最终ꎬ实现能源效率的综合分析与评价２.１ ꎬ并给出相应的决策支持ꎮ一般分类分析
ꎬ能源效率分析可归为两类问题ꎬ即将数据集中的实例分为高能源效率和低能源效率两类ꎬ所以此处将分类数设为２ꎬ列标签值取０和１ꎬ０代表高能源效率ꎬ１代表低能源效率ꎮ根据特征选择结果ꎬＦ６、Ｆ８、Ｆ７、Ｆ４、Ｆ１、Ｆ３为能源效率的关键影响因素ꎬ而Ｆ５、Ｆ２这两个因子对能源效率几乎无影响ꎬ因此在分类时去除数据集中Ｆ５和Ｆ２两个属性ꎬ消除属性值对分类结果影响ꎮ
由于数据挖掘分类算法多、优势各有千秋ꎬ因此ꎬ本平台选取了多个常用方法ꎮ其中ꎬ决策树算法应用的最为广泛[１６]１９２
ꎻ基于规则的分类算法和基于元值ꎬ作为衡量分类性能的关键指标:
ｐｒｅｃｉｓｉｏｎ＝ＴＰＴＰ
＋ＦＰ(１)
ｒｅｃａｌｌ＝ＴＰ
Ｆ－ｍｅａｓｕｒｅ＝２ＴＰｐｒｅｃｉｓｉｏｎｐｒｅｃｉｓｉｏｎ＋ＦＮ
＋×ｒｅｃａｌｌ
ｒｅｃａｌｌ
(２)
(３)
如图６所示ꎬ为分四种分类器的分类结果ꎬ进而可对结果进行对比分析ꎬ选取合适的分类器ꎮ
图６ 分别使用四种分类器的分类结果
２.２ 进一步预测分析
ꎬ平台还可实现预测分析ꎮ通过选取各省份能源效率影响因素中的一次能源生产量、能源消费弹性系数、ＧＤＰ、单位生产总值能耗、资本存量和二氧化硫排放系数等构成特征空间ꎬ进行标准化处理后即可实现预测分析ꎬ结果如图７所示ꎮ进一步ꎬ对每个省份能源效率预测进行综合对比分析ꎮ
图７ 分别使用四种分类器的预测结果
２.３ 此外聚类分析
ꎬ平台还可以选常用的Ｋ均值等算法进行聚类分析ꎻ以Ｋ均值算法为例ꎬ其通过输入ｋ值ꎬ将ｎ个数据对象分为ｋ个簇ꎬ使得同一簇中的对象相似度较高ꎬ不同簇中的对象相似度较小[２１]ꎮ平台聚
类结果展示ꎬ如下图８所示ꎮ
图８ 平台对能源效率的聚类结果
基于上述聚类结果可以确定能源效率的高低:其中ꎬｃｌｕｓｔｅｒ０类实例为能源高效类ꎬｃｌｕｓｔｅｒ１类实例为能源低效类ꎮ并且ꎬ可以分析能源高效省份的数量变化情况ꎬ以及各省份的能效状态ꎮ
[２]陈尊理ꎬ马文辉.提高能源效率是我国能源政策的首要选择[Ｊ].节能技术ꎬ２００１(５):３６－４０.
[３]张意翔ꎬ成金华ꎬ汤尚颖ꎬ等.技术进步偏向性、产权结构与中国区域能源效率[Ｊ].数量经济技术经济研究ꎬ２０１７(８):７２－８８.
[４]潘国刚ꎬ贾江涛.基于系统论的我国能源效率提升战略研究[Ｊ].节能技术ꎬ２０１１ꎬ２９(３):２７７－２８０.
[５]ＨｕꎬＪ.－Ｌ.ａｎｄＳ.－Ｃ.ＷａｎｇꎬＴｏｔａｌ－ｆａｃｔｏｒｅｎｅｒｇｙｅｆ￣ｆｉｃｉｅｎｃｙｏｆｒｅｇｉｏｎｓｉｎＣｈｉｎａ.ＥｎｅｒｇｙＰｏｌｉｃｙꎬ２００６ꎬ３４(１７):３２０６－３２１７.
[６]ＷａｎｇꎬＱ.ꎬｅｔａｌ.ꎬＥｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙａｎｄｐｒｏｄｕｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｈｅｔｅｒｏｇｅｎｅｉｔｙｉｎＣｈｉｎａ:Ａｍｅｔａ－ｆｒｏｎｔｉｅｒＤＥＡａｐ￣ｐｒｏａｃｈ.ＥｃｏｎｏｍｉｃＭｏｄｅｌｌｉｎｇꎬ２０１３(３５):２８３－２８９.
实际上ꎬ分析能源效率的数据分析方法还有很多ꎬ尤其是在能源互联网大力发展的条件下ꎬ建立实际应用分析平台是必不可少的[１９－２０]发展的一个大趋势ꎬ包括省内、区域以及全国等不同ꎮ这也是未来等级的能源绩效综合评价分析ꎮ
３ 结论及展望
本文针对基于ＩＰＶ６的国内能源效率综合分析及评价平台构建策略及内容进行研究集ꎬ包括了各类结构化和非结构化复杂数据(１)平台实现了国内各类能源效率大数据的收ꎬ结论如下:
ꎻ并且ꎬ基于ＩＰＶ４ＩＰＶ６的网络架构设计ꎬ可以有效解决基于传统问题ꎬ通讯架构在未来数据采集端存在的规模限制满足并实现了能源互联网形势下大数据在一定带宽限制下的安全高效快速传输空间(２)ꎬ基于信息增益方法得给出的影响大小和重要系统可以利用能源效率决定因素构造特征、存储ꎻ
程度ꎬ算法集的分类预测和聚类分析(３)完成影响能源效率的关键因素的识别任务平台可实现基于典型数据挖掘和人工智能ꎻ
ꎬ既可对各省份能源效率高低进行分类预测ꎬ得到各省能源效率变化趋势ꎻ又可在消除已有计算结果标签影响的基础上ꎬ将能源效率高的省份与效率低的省份区分开来ꎬ实现了对全国整体能源效率的综合分析与评价ꎮ
本对我国能源效率提升和改进方法具有一定的辅助决策支持作用ꎬ给各省能源效率发展提供参考:着眼于能源效率关键影响因素ꎬ科学、有针对性地优化能源结构、转变经济增长方式ꎮ此外ꎬ由于深度学习算法的多样性及其不同优势ꎬ后续将在进一步收集相关大数据基础上ꎬ探讨深度学习及其它相关大数据分析方法其在能源效率综合评价平台中的应用ꎮ
ｃｉｅｎｃｙ[１]ＲｏｓｅｎꎬＭ.Ａ.ꎬＡｓｓｅｓｓｉｎｇ参考文献
ｇｌｏｂａｌ２０１３(４６１):８０４ｉｎｔｈｅｉｎｄｕｓｔｒｉａｌ－８０７.
ｓｅｃｔｏｒ.ＳｃｉｅｎｃｅｏｆｒｅｓｏｕｒｃｅｔｈｅＴｏｔａｌｕｔｉｌｉｚａｔｉｏｎＥｎｖｉｒｏｎｍｅｎｔꎬｅｆｆｉ￣Ａｆｆｅｃｔｉｎｇ[７]ＹａｎｇꎬＭ.ｔｈｅＶＥＣＣｈｉｎａ'ｓＥｎｅｒｇｙꎬＦ.ＹａｎｇꎬａｎｄＸ.Ｅｆｆｉｃｉｅｎｃｙ:ＣｈｅｎꎬＯｎＡｎＥｍｐｉｒｉｃａｌＩｎｆｌｕｅｎｃｉｎｇＴｅｓｔＢａｓｅｄＦａｃｔｏｒｓｏｎｔｒａｎｓｆｅｒ[８]Ｍｏｄｅｌ.ＳｈｅｎꎬＹ.ＲｅｓｏｕｒｃｅｓꎬＬ.ＬｅｉꎬａｎｄＳｃｉｅｎｃｅꎬ２０１１ꎬ３３(１):１６３Ｘ.ＺｈａｎｇꎬＥｖａｌｕａｔｉｏｎｏｆ－１６８.
ｅｎｅｒｇｙｐｕｌｓｅｄａｎｄｕｔｉｌｉｚａｔｉｏｎｅｆｆｉｃｉｅｎｃｙｏｆａｚｏｄｙｅｒｅｍｏｖａｌｂｙｄｉｆｆｅｒｅｎｔ２００８ꎬ５３(１２):１８２４ｅｌｅｃｔｒｉｃａｌｄｉｓｃｈａｒｇｅ－ｍｏｄｅｓ.ＣｈｉｎｅｓｅＳｃｉｅｎｃｅＢｕｌｌｅｔｉｎꎬ管理科学[９]吴琦ꎬ武春友１８３４.
.基于ＤＥＡ的能源效率评价模型研究力自动化设备[１０]ꎬ２００９ꎬ２２(１):１０３张国荣ꎬ陈夏冉.能源互联网未来发展综述－１１２.
.[Ｊ].电系统的设计与实现[１１]龚英杰ꎬ２０１７ꎬ３７(１):１.基于－７.
[Ｄ].ＩＰｖ６合公网络通讯技术的集群空调管控:管理系统中信息发布平台的设计[１２]闫红岩ꎬ王捷ꎬ徐红霞安徽大学.基于ＩＰｖ６ꎬ２０１７.
的智能交通监控(自然科学版[Ｊ].沈阳工程学院学报ｆｏｒＣｈｉｎａＩｍｐｒｏｖｉｎｇ[１３]ＬｉꎬＳ.)ꎬ２００８ꎬ４(３):２６２ＥｎｅｒｇｙꎬＦｅａｔｕｒｅｓＥｆｆｉｃｉｅｎｃｙｏｆＥｎｅｒｇｙ－２６４.
ｉｎＣｈｉｎｅｓｅＣｏｎｓｕｍｐｔｉｏｎＩｎｄｕｓｔｒｉａｌｉｚａｔｉｏｎ[Ｊ].ａｎｄＰｏｌｉｃｉｅｓｇｅｎｃｅ[１４]ＬｅｅꎬＣ.ＳｏｆｔＳｃｉｅｎｃｅꎬ２０１０(７):２３ｃａｔｅｇｏｒｉｚａｔｉｏｎ[Ｊ].－ｂａｓｅｄｆｅａｔｕｒｅＫ.ａｎｄｓｅｌｅｃｔｉｏｎＧ.Ｇ.ＬｅｅꎬＩｎｆｏｒｍａｔｉｏｎ－３５.
ｇａｉｎａｎｄｄｉｖｅｒ￣４２(１):１５５ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇｆｏｒｍａｃｈｉｎｅｌｅａｒｎｉｎｇ－ｂａｓｅｄｔｅｘｔｆｏｒｅｃａｓｔｓ[１５]ＤａｌｅｙꎬＤ.－１６５.
＆Ｍａｎａｇｅｍｅｎｔꎬ２００６ꎬＪ.ａｎｄＤ.ｇａｉｎ[Ｊ].ｆｏｒＪｏｕｒｎａｌｐｏｉｎｔｏｆｐｒｏｃｅｓｓｅｓ:ＴｈｅＶｅｒｅＡｐｐｌｉｅｄＰｒｏｂａｂｉｌｉｔｙꎬ２００４(４１Ａ):２９７ｅｎｔｒｏｐｙ－ＪｏｎｅｓꎬＳｃｏｒｉｎｇｓｃｏｒｅａｎｄｉｎｆｏｒｍａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙ－ｔｉｏｎｎａｌｏｆａｎｄ[１６]ＹａｎｇꎬＤ.ＩｎｆｏｒｍａｔｉｏｎｓｅｎｔｉｍｅｎｔＳｃｉｅｎｃｅꎬ２０１３ꎬ３９(４):４２９ｓｉｍｉｌａｒｉｔｙ－Ｈ.ａｎｄｆｏｒＧ.ＣｈｉｎｅｓｅＹｕꎬＡｍｅｔｈｏｄｍｉｃｒｏｏｆｆｅａｔｕｒｅｓｅｌｅｃ￣３１２.
－－４４１.
ｂｌｏｇｓ[Ｊ].Ｊｏｕｒ￣ｍｅｔｈｏｄｓ[１７]ＤｉｅｔｔｅｒｉｃｈꎬＴ.ｂｏｏｓｔｉｎｇꎬｆｏｒｃｏｎｓｔｒｕｃｔｉｎｇＧ.ꎬＡｎｅｘｐｅｒｉｍｅｎｔａｌｃｏｍｐａｒｉｓｏｎｏｆｔｈｒｅｅ(２):１３９ａｎｄ－１５７.
ｒａｎｄｏｍｉｚａｔｉｏｎｅｎｓｅｍｂｌｅｓ[Ｊ].ＭａｃｈｉｎｅｏｆｄｅｃｉｓｉｏｎＬｅａｒｎｉｎｇꎬｔｒｅｅｓ:２０００ꎬＢａｇｇｉｎｇꎬ４０ｏｕｓ[１８]ＫｉｍꎬＢ.ꎬＨ.ＰａｒｋꎬａｎｄＹ.ＢａｅｋꎬＮｏｔｊｕｓｔｆｕｎꎬｂｕｔｓｅｒｉ￣ｌｅａｒｎｉｎｇ[Ｊ].ｓｔｒａｔｅｇｉｅｓ:Ｕｓｉｎｇｍｅｔａ－ｃｏｇｎｉｔｉｖｅｓｔｒａｔｅｇｉｅｓｉｎｇａｍｅ－ｂａｓｅｄ源需求与碳排放预测[１９]刘俊杰Ｃｏｍｐｕｔｅｒｓꎬ李树林＆Ｅｄｕｃａｔｉｏｎꎬ２００９ꎬ５２(４):８００－８１０.
[Ｊ].ꎬ节能技术范浩杰ꎬ等.情景分析法应用于能评及研究思路探讨[２０]孟金岭ꎬ林国营[Ｊ].节能技术ꎬ党三磊ꎬ２０１２ꎬ３０(１):７０－７５.
ꎬ２０１７ꎬ３５(５):４７５ꎬ等.电力需求响应技术述－４８０.
因篇幅问题不能全部显示，请点此查看更多更全内容