文摘

随着互联网的发展,大数据收集、分析、加工都在蓬勃发展。这项研究旨在探索电力企业的绩效管理基于多源信息融合和大数据。首先,大数据在企业管理中的应用进行了分析。其次,介绍了多源信息融合方法,实现多源信息融合模型。最后,算法使用模糊语言评估电力企业的绩效管理。结果表明,提出的多源信息融合算法的效率很高,在评估企业绩效管理。评价的结果更接近于实际值比其他算法,和最大加速度率可以达到7,表明该算法适用于处理大数据。绩效评估表明,企业最关注产品的质量;重量达到0.414;和指标权重差异很大。 This study promotes the reform of the performance management mode and improves the management efficiency of enterprises through the proposed enterprise performance management strategy. It provides a great reference for the application of big data and information fusion technology.

1。介绍

多源信息融合方法也称为多传感器信息融合方法和数据融合方法,因为它是一个方法主要用于数据处理在早期1]。目前,基本理论研究发展非常迅速2),并相应通信技术和高效传感器发展很快。这极大地促进了信息融合技术的发展。信息融合理论的先驱y Bar-Shalom教授,国际知名系统科学家康涅狄格大学(3]。他第一次提出了概率数据互联滤波器的概念在1970年代。多源信息融合是信息处理的原则是一样的,人类的大脑。人类的大脑分析和过程通过多传感器信息和数据,然后生成一个一致的优化和补充解释观察到的对象。信息融合的终极目标是处理分散信息的多个传感器在多个层次和方面和输出有用的信息(4]。目前,信息融合是广泛应用于工业、交通、环境监测、金融、气象、和其他领域(5]。

大数据技术是领先的技术在计算机技术在二十一世纪的发展,起着重要的作用在促进互联网的融合和创新和产业6]。大数据的发展趋势需要传统企业分析大数据的发展方向,探索其潜在价值,企业管理创新,提高企业的管理能力。一般来说,业务经理和员工应该将大数据集成到企业决策、管理哲学、工作方法,和企业文化7]。大数据的应用企业管理是帮助企业决策行为规律的研究和分析,判断发展趋势,提供了重要的基础和手段,提高决策的科学性,避免损失和风险引起的错误(8]。

简而言之,电力企业的绩效管理是研究基于大数据和多源信息融合方法。首先,多源信息融合的背景,介绍了大数据。其次,电力企业和传统的管理方法介绍了多源信息融合方法,实现和多源信息融合模型。和企业绩效评估方法进行了研究。第三,实验结果进行了分析和讨论。融合算法的仿真实验和多源信息融合下的企业绩效评估的结果可以帮助企业节省绩效评估成本。最后,实验结论。这项研究旨在提高电力企业绩效管理的效率通过多源信息融合模型。研究的主要贡献是,管理融合模型是通过多源信息融合方法和实现大数据。同时,收集到的数据在风场用于电力系统实验仿真。 The research helps promote the reform of enterprise performance management mode and improve the management efficiency of enterprises.

2。企业管理融合模型基于多源信息融合模型和大数据

2.1。电力企业大数据管理的关键技术

大数据技术的应用,企业管理主要有四个问题,即信息融合,有效的数据提取,数据可视化,大规模数据存储(9]。在电力企业的管理,企业管理的效率,信息采集、沟通和有效的数据分析是非常重要的(10),这需要大量的数据融合。因此,基于大数据技术,数据融合,融合模型设计。目前,多源信息融合的方法主要包括统一的识别、数据对比、异构的权重,分析建模(11]。大数据对企业管理一般分为三类,如图1。

大数据对电力企业的管理数量庞大的特点,多种类型,速度快,密度高,符合这些大数据的12]。因此,融合管理技术的一个重要技术在大数据技术的应用。它可以减少复杂的尺寸数据,防止筒仓的信息。它包括数据清理、信息聚合和数据库(13]。由于企业管理数据的来源是不同的和广泛的,数据是非常复杂的。因此,这些数据必须首先有机融合前处理,然后统一结构用于存储这些数据,以确保他们的质量和有效性。另一个关键技术是大数据可视化,它是简化复杂的数据中包含多源信息的显示,包括数据可视化、空间数据流,和历史数据流(14]。可以使用可视化技术来获取企业经营背后的隐藏的价值企业操作直观的数据和检测状态。

2.2。传统的多源信息融合方法

多源信息融合的原理是一样的,人类的大脑和流程的全面信息。人类的大脑分析和处理来自多个传感器的信息,然后生成一个一致的优化和补充解释的对象。信息融合的终极目标是处理分散信息的多个传感器在多个层次和方面,然后输出有用的信息(15),使系统具有更好的性能比它的组件。多源信息融合分为以下水平,如图2。

信息融合的作用是把数据被收集点的信息在一个特定的范围内,以避免数据冗余,因为冗余数据可能占据有限的宽带资源。然后,数据传输由许多收购分单通道堵塞,同时间接地导致数据延迟数据处理的时间。此外,如果传感器失败,仅仅依靠传感器传输数据会增加数据错误和失败。在此基础上,基于信息融合的数据处理将解决这些问题,它可以减少数据冗余和数据拥堵,提高数据处理的效率。典型的信息融合方法是集中处理方法和分布式处理方法16的过程,集中处理方法如图3。

信息融合的传统方法主要是基于反向传播神经网络(摘要),分为输入层、隐藏层和输出层(17]。在模型中基于摘要, 如果获得 是输入,神经元的数量在输入层和输出层,分别。有关 - - - - - -th神经元的层,其输入值如下:

该神经元的输出可以表示如下:

错误是逆转时,预期的输入 , ,和错误可以由以下公式计算:

的均方误差,整个摘要可以表示如下:

体重调整方程得到方程(4)如下:

在这里,是学习速率。当输出值与期望输出值不一致,误差计算根据方程(3)。在神经学习过程,迭代步的主要角色η是调整网络振荡和搜索速度的程度。向前传播,首先计算隐层输出以下方程:

的 - - - - - -th网络输出层的输出如下:

为 - - - - - -th样本,神经网络学习的误差函数计算由以下方程:

在网络学习的 - - - - - -th样本,神经网络学习的误差函数计算由以下方程:

在哪里 , ,和时间函数的衍生品吗独立的变量当 。

计算阈值和权重的训练过程中通过使用摘要,每个神经元的传递函数必须有连续可微性,这是一个先决条件使用摘要[18]。这就是为什么通常用于系统基于摘要。传统的算法主要是基于三层摘要,它可能会导致一些问题在收敛速度的选择、局部最小值点,网络结构和学习速率的古典摘要。例如,当地的极端值可能出现利用传统的摘要算法解决复杂的非线性问题时,该算法的学习速率可以选择不高。因此,传统算法需要优化和改进19]。摘要,学习速率和相关传递函数的导数值是两个关键因素,确定摘要的收敛速度。当误差函数不是特别标准的凹函数,此时局部最小值点不一定是全球最小值点,并产生一个错误。隐藏层的数量和神经元的数量是两个重要的因素来确定网络结构。和隐藏层和神经元的数量的变化直接改变网络结构。

2.3。多源信息融合模型的实现

信息融合模型的基本结构如图4。

图4表明,信息融合可以交换信息块 。 是一个实体,其值是未知的。原始数据输入;过滤后的数据输出的数据层;和基本的数据处理。最后的特征的基本数据是根据融合的程度来划分。功能层提取特征数据,转移他们的决定层,然后最后的决定是由(20.]。数据层的融合是最简单和最基本的。通常,它是直接提取特征进行检测对象的所有的数据来源来计算所需的功能。在这一层,可以处理所有类型的数据,要求很低。融合功能层的中间,它是由从所有原始数据来源中提取特征向量,然后融合的特征向量提取主要融合在之前的水平。决定层的融合是在最高的层次上,它是由使用决策向量结合相关决策算法(21]。

2.3.1。电力企业的信息融合模型

目前,电力系统有三个要求,即信息共享、交互和效率高。根据这三个需求和数据融合的三层结构,三层结构的数据可以对应于电力系统的三层结构的原则,然后结合电力系统建立一个通用数据融合的框架。数据层对应的传感测量层,一层一层的数据管理功能,和决策层到应用层。传感测量层收集数据,数据可以应用在应用程序层。我们的目标是使电力系统智能,信息共享、故障自愈系统和确保系统的稳定可靠运行。根据电力企业的管理需求,实现电力企业的管理信息融合模型根据信息融合的三个层次,即数据层应该对应于传感测量层,一层一层的数据管理功能,和决定层应用程序层(22]。具体的模型结构如图5。

由于各种各样的电网数据和信息之间的相关性,初始数据冗余和噪声,他们需要预处理和分类。数据预处理的三个步骤是:(1)清理数据,这意味着删除无效的和缺失的数据收集的数据;(2)数据的统一;(3)数据压缩。如果样本数据的有效性和完整性保证,数据压缩可以极大地节省有限的存储空间和提高计算效率的融合。

2.3.2。数据级融合

大部分的数据在电力系统数据级融合来自各种传感器采集的数据。这些数据分为三种类型:电量,过程量和状态量(23]。在数据级融合阶段,二维相关分析是第一次进行,主要为相同类型的数据预处理后,然后进行同类产品的二维相关。这一步主要是基于物理模型和智能算法。结果的准确性可以保证数据级融合。数据级融合的具体流程如图6。

原始数据的数据级融合,得到了电力系统先进可靠的传感器技术在电网和聚合信息融合的目标(11]。监控技术的快速发展,更容易掌握设备的操作规程,和水平的融合变得更加准确和全面。主数据融合具有两个主要特征。第一,物理模型被认为是一个重要的基础。如图6、均匀和阶级二维关系是可以观察到的数据或监控。在图6,我是当前网格系统的单位;U是网格系统的电压值;和P和问是总功率和总能量网格系统,分别。X是网格系统的电抗,R是网格系统的阻力。第二,信息融合水平的要求作为数据转换的目标。根据信息的需求水平,数据级融合中的数据应该整理如下:(1)数据预处理和(2)数据会重新排序和分类根据不同应用目标和属性和排序和筛选准备随后的决策。

2.3.3。模型级融合和决策级融合

中级水平的模型级融合三个融合,哪个更聪明。它的优势是原始数据提取和融合处理,可以减少数据的数量和复杂性的计算。缺点是可能会丢失的信息,使数据精度较低。决策级融合是多源信息融合的最高水平。它是基于模型的融合,使综合决定最终的处理结果。不同类型的数据的优势是可以用少量的融合计算,容错性强,抗干扰,但缺点也很明显,和信息的损失将导致低精度(24]。

2.4。基于多源信息融合的企业绩效评价方法

多源信息融合下,企业绩效评估是基于大数据,评价指标的尺寸如图所示7。

基于上述五个方面的评价指标,基于模糊语言的层次分析法是用来评估企业的性能25]。模糊层次分析法是一种结合层次分析法和模糊评价方法。当进行模糊综合评价,层次分析法是用来为各种因素分配权重。分析过程如下:(1)建立层次结构;(2)构造判断矩阵;(3)层次单排序计算判断矩阵

在哪里 判断矩阵的特征值是C和 是矩阵的特征向量的重量吗C;和(4)判断矩阵的一致性检验。

3所示。结果

3.1。实验仿真的融合算法

风场的监测数据在2020年9月在西安被选中进行实验。数据的总量 。之后,数据的数量需要验证探索预测效果,和10月和11月的数据可以填写扩大实验中的数据的大小。MATLAB R2015b软件使用过程中的数据仿真实验。配置是英特尔(R) i5 - 7500 3.40 GHz和8 GB RAM和电脑和Windows 7操作系统加载实验分析和研究。表1显示所使用的数据类型。

一些监控数据如图8:

图8的监测数据表明,风速、无功功率,列出客舱温度和室外温度。在这个实验中,该算法的计算效果和具体的影响摘要算法比较,和以前的状态的改变到融合算法的输入数据算法。收集到的参数,如 ,问,T1,T2,被用作输入属性融合不同类型的风场数据和预测能力。最后,功率预测的准确性在风场模拟实验进行了分析。图9显示了摘要算法的预测能力和实际能力。

图9显示功率预测的算法在实际应用更接近实际值,也就是说,该算法的精度相对较高,预测结果更接近实际值为0.35。加速度比作为一个测量的标准来验证该算法在处理大数据的及时性通过扩大数据集的能力,以便在不同的数据集进行实验的能力。一般来说,加速意味着时间的比值花在单台机器上处理花在集群处理完成相同的任务,也就是说, 。具体模型的性能和效率是由加速度测量的比率。在实验中,传统的信号处理系统的加速比和并行系统处理大数据时计算。然后,加速率之间的差异进行比较和分析。加速度的比值的比较每组数据如图10。

图10显示集群点的数量越多,价值就越大加速。算法的计算速度增加而增加的节点在相同的数据样本。在相同数量的节点,数据样本的容量越大,加速的价值就越大。加速的最大值可以达到7。这表明适用于处理大数据和结构可以应用于企业绩效管理基于大数据。

3.2。分析企业绩效评估的结果在多源信息融合

根据上述的企业绩效评估的指标和维度,二级指标的权重计算结果的每个维度的企业绩效评估表所示2。

表2显示的重量“产品可靠性比率”“专业技能”的维度是大于或等于“同样重要”与“工程变更率产生重大影响,”“产品可靠性比率”之间的重量“显然”和“非常重大的”与“技术解决问题的速度,”和“产品可靠性比率”的重量大于“略大”与“技术反馈速度。“工程变更率产生重大影响”“大于或等于”同样重要”与“技术解决问题的速度,”和“工程变更率产生重大影响”小于“略微不足道”与“技术反馈速度。”表2显示该维度指标的判断矩阵。

当 ,矩阵满足一致性的条件测试,和 是获得。同样,其他四个指标的判断矩阵满足一致性测试的条件。这两个算法的标准误差比较表所示3,每个索引的重量在绩效评估表所示4。

表3和4显示的标准误差和平均绝对百分比误差算法和传统算法。这个算法的出错率远低于传统,及其波动的平均绝对百分误差越小,表明该算法预测模型更接近真实值。根据五个指标的权重,可以得出结论,企业最重视的质量保证能力制定性能评价指标。它的重量达到0.414,比其他人要高得多。与专业技术能力的企业相比,其进度管理能力更加突出,体重指标是相对较大的差距。企业管理的二级索引性能有很高的对企业绩效评价的影响,而体重指数很大差距。这个重量分析可以帮助企业节省成本的绩效评估和提高研发能力。

4所示。结论

目前,信息融合和大数据是广泛应用于工业、交通、环境监测、金融、气象等领域。大数据的应用,企业管理可以帮助企业在决策过程中,判断发展趋势,增加决策的科学性。因此,基于大数据技术的电力企业绩效管理研究在多源信息融合。发现多源信息融合算法具有高功率,和其预测能力比其他算法更接近实际值在实际应用。加速度的最大值比达到7时,表明该算法适用于处理大数据。绩效评估的企业,发现企业最重视质量保证能力的重量达到0.414,和每个的重量指数千差万别。这项研究提供了一个参考大数据融合和企业绩效管理。此外,它促进企业绩效管理模式的改革,提高企业的管理效率。然而,有一个缺点在企业的绩效评价,也就是说,指标不够完善,企业绩效评价的信息只是部分反映。这将在后续研究中得到改善。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的阶段的结果2021年广西教育科学规划资助重点项目(2021 a038);阶段的结果2019广西高等教育本科教学改革项目关键主题(2019 jgz145);2018年国家社会科学基金(18 bjy015);2018年学术研究项目的税务硕士(SWX20180010);阶段的结果集成创新项目(2020 jga166) 2020年广西民族大学;2015年中国-东盟经贸发展和南海战略协同创新中心项目(15 &ybb06)。