Machine Translated by Google

Informes energéticos 9 (2023) 785–792

Listas de contenidos disponibles en ScienceDirect

Informes energéticos

página de inicio del periódico: www.elsevier.com/locate/egyr

Evaluación sobre el impacto de la transformación digital en la resiliencia económica de la

industria energética en el contexto de la inteligencia artificial

Yuyan Lei , Zhuojie Liang b , Peng Ruanc ,

tiene

Escuela de Economía y Gestión, Universidad de Correos y Telecomunicaciones de Xi'an, Xi'an 710061, Shaanxi, China
tiene

b
Colegio Nanfang de la Universidad Sun Yat­sen, Guangzhou 51000, Guangdong, China
vs
El primer hospital afiliado de la Facultad de Medicina de Chengdu, Facultad de Medicina de Chengdu, Chengdu 610500, Sichuan, China

información del artículo abstracto

Historia del artículo: En los últimos años, la industria energética basada en recursos energéticos ha logrado un rápido desarrollo, pero en
Recibido el 16 de octubre de 2022
el contexto de la estrategia de desarrollo verde, las empresas energéticas tradicionales también se encuentran en
Recibido en forma revisada el 21 de noviembre de 2022
problemas durante el proceso de desarrollo. Sin embargo, el consiguiente desarrollo de tecnologías como Internet y
Aceptado el 7 de diciembre de 2022
la inteligencia artificial ha abierto la puerta a un nuevo mundo de transformación digital de la industria energética. La
Disponible en línea el 15 de diciembre de 2022
cuestión de si la industria energética puede realmente lograr la transformación digital radica en cómo mejorar su
Palabras clave: propio nivel de resiliencia económica. Con el fin de explorar cómo la transformación digital afecta la resiliencia
administración económica económica de la industria energética en el contexto de la inteligencia artificial, después de discutir el dilema del
Resiliencia económica
desarrollo de la industria energética y la integración de la inteligencia artificial y la transformación digital, este
Cambios digitales
documento estableció un estudio basado en la optimización del enjambre de partículas. Algoritmo de máquina de
inteligencia artificial
vectores de soporte de mínimos cuadrados (PSO­LSSVM). Los experimentos han demostrado que el modelo creado
Industria energetica
en este artículo tiene un buen efecto de predicción sobre el índice de resiliencia económica y el error de predicción
Máquinas de vectores de soporte
promedio después del entrenamiento es 0,0028. En comparación con los métodos estándar de máquina de vectores
de soporte de mínimos cuadrados y redes neuronales de retropropagación, este método no solo tiene resultados de
predicción más estables, sino que también mejora en gran medida la precisión de la predicción.
© 2022 Los Autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia
CC BY­NC­ND (http://creativecommons.org/licenses/by­nc­nd/4.0/).

1. Introducción los datos se utilizarían para mejorar la eficiencia de las operaciones

En la era de la economía digital, la transformación digital ha transformado energética global, es difícil lograr un crecimiento de las ganancias basándose
gradualmente los datos de un subproducto en el proceso de producción y
operación a un factor crucial en la participación en el proceso de producción
y operación. Al mismo tiempo, los datos se han convertido en un recurso
estratégico para las empresas. Por lo tanto, las empresas de energía
deberían fortalecer el desarrollo de capacidades de gestión de datos para
garantizar que la calidad de los datos esté garantizada. Uno es fortalecer la
recopilación de datos. El segundo es optimizar el almacenamiento de datos.
El tercero es mejorar la eficiencia del uso de datos. El cuarto es innovar en
los modelos de aplicación de datos. La capacidad de percepción de datos se
ha convertido en la capacidad básica para impulsar el desarrollo de la
transformación digital. La construcción de la capacidad de percepción de
datos de las empresas energéticas se centra principalmente en datos estructurados: activos y usuarios.
Además de la percepción de datos estructurados, diversas percepciones de
imágenes, vídeos y otros datos no estructurados siguen desempeñando un
papel. Los datos recopilados a través de la red digital deben analizarse y
extraerse para liberar valor, y estos profesionales
Autor correspondiente.
Direcciones de correo electrónico: leiyuyan@xupt.edu.cn (Y. Lei),
roger18813365967@163.com (Z.Liang), ruanpeng001@cmc.edu.cn (P.Ruan).
comerciales en primer lugar. En el contexto de una creciente regulación
únicamente en el suministro de energía. Por lo tanto, las empresas de
energía deberían prestar más atención a la experiencia del consumidor y
centrarse en los productos en sí. En medio de esta tendencia, cada vez más
empresas de energía confían en los datos para impulsar mejoras en la experiencia del cli
Cuando las empresas energéticas llevan a cabo la transformación digital, el
principal obstáculo es que la cultura corporativa original ha sido difícil de
satisfacer las nuevas necesidades de desarrollo. La transformación digital
pertenece a un campo nuevo y no existe un método de desarrollo replicable
en la nueva situación. Debe practicarse continuamente en la exploración. El
objetivo de este artículo es cómo garantizar la resiliencia económica en la
transformación digital de las empresas energéticas. En este contexto, este
artículo utilizó tecnología de inteligencia artificial para estudiar cómo la
transformación digital afecta la resiliencia económica de las empresas
energéticas, con la esperanza de contribuir al desarrollo de las empresas
energéticas.
Este artículo estudia el impacto de la transformación digital en la resiliencia
económica de la industria energética, utilizando el algoritmo de regresión
Least Squares Support Vector Machine (LSSVM) basado en Particle Swarm
Optimization (PSO). El propósito de este tema es predecir mejor el índice de
resiliencia económica de las empresas energéticas y, en base a esto,
promover mejor la

https://doi.org/10.1016/j.egyr.2022.12.019 2352­4847/©
2022 Los autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY­NC­ND (http://creativecommons.org/licenses/by nc­nd/4.0/).
Machine Translated by Google
Y. Lei, Z. Liang y P. Ruan
Transformación digital de las empresas energéticas. En comparación con otros
métodos, el algoritmo de regresión PSO­LSSVM utilizado en este artículo tiene las
características de un error de predicción más pequeño y un mayor grado de ajuste a
la realidad, y ha mostrado un buen efecto en la predicción del índice de resiliencia
económica. Las innovaciones del documento se reflejan principalmente en los
siguientes aspectos: (1) Se propone de forma creativa un nuevo método de predicción
del índice de resiliencia económica, que tiene una función de apoyo técnico para la
transformación digital y el desarrollo de las empresas energéticas. (2) Se combinan
la investigación en inteligencia artificial y la teoría y la práctica del desarrollo
económico, y se utilizan algoritmos de inteligencia artificial para brindar apoyo
algorítmico al desarrollo económico.
2. Trabajo relacionado
La resiliencia económica es la capacidad de un país o una empresa para convertir
el desarrollo económico en un lugar seguro frente a presiones o desastres. En los
últimos años, la investigación sobre la resiliencia económica se ha vuelto cada vez
más abundante. Jumiyati S creía que los desastres naturales tendrían un mayor
impacto en la resiliencia económica de las empresas, pero señaló que el potencial y
la tolerancia de las personas y las economías para sobrevivir exitosamente a los
desastres y evitar efectos adversos es también una manifestación de la resiliencia
económica (Jumiyati y al., 2021). Gherhes C creía que actualmente faltan estándares
consistentes para medir la resiliencia económica. En este sentido, tomó como ejemplo
a Japón para discutir el método de medición del índice de resiliencia económica
regional ante desastres naturales (Gher hes et al., 2018). Zhai W señaló que el medio
ambiente es un factor importante que afecta la resiliencia económica de las empresas
e incluso del país. Si tomamos a Indonesia como ejemplo, los vastos recursos
forestales han hecho una enorme contribución al desarrollo económico y también
desempeñaron un papel importante en el mantenimiento de la resiliencia económica
del país indonesio (Zhai y Yue, 2022). Volkov A creía que las medidas actuales de
resiliencia económica son insuficientes y, por esta razón, propuso un nuevo método
para determinar la resiliencia económica basado en una regresión lineal categórica,
determinando así los planes de desarrollo prioritarios de las ciudades (Volkov et al.,
2017 ) . Cuando Febriyanti F estudió la resiliencia económica de las pequeñas
empresas, descubrió que el efecto de agrupación espacial de los servicios es
beneficioso para mejorar la resiliencia económica de las empresas circundantes
(Febriyanti et al., 2021). La mayoría de los estudios anteriores analizan los factores
que influyen y los métodos de medición de la resiliencia económica de diferentes
países o industrias, lo que proporciona una base de investigación para la investigación
sobre la resiliencia económica de la industria energética en este
papel.
La transformación digital es una tendencia importante en el desarrollo económico
de los últimos años, y muchos estudios se centran en cómo lograr la transformación
digital en más industrias. Zhao Y descubrió en su investigación sobre las tecnologías
de la información y la comunicación en la industria energética existente que la
transformación digital puede proporcionar una evaluación de información a gran
escala para políticas públicas y medidas de diagnóstico, y también puede mejorar en
gran medida la eficiencia de la comunicación con las personas, lo que tiene un cierto
impacto en la resiliencia económica de las empresas (Zhao y Li, 2018). Midttun A
descubrió que las empresas de energía con capacidades de transformación digital
para integrar operaciones pueden utilizar tecnologías digitales para transformar sus
operaciones para una mejor interacción y colaboración con los clientes, mejorando
así la resiliencia económica del negocio (Midttun y Piccini, 2017 ) . Orlov A creía que
la llegada de Internet brinda una gran oportunidad para la transformación digital de la
industria energética, y que la transformación digital de la industria energética puede
convertirse en la próxima frontera de la economía energética, lo que también favorece
un mayor desarrollo de la industrial
786
Informes energéticos 9 (2023) 785–792
resiliencia de la economía energética (Orlov et al., 2020). Peng H señaló que la
transformación digital a menudo implica la creación de capacidades de análisis de big
data, lo que plantea desafíos considerables para muchas empresas de energía, ya
que la introducción exitosa del análisis de big data puede medir mejor el nivel de
resiliencia económica de las empresas (Peng y Liu, 2018 ) . Gasho EG creía que la
transformación digital se refiere a un tipo de tecnología digital que puede provocar un
gran cambio en la resiliencia económica o en los accionistas de las empresas de la
industria energética, y luego esta tecnología se llama transformación digital (Gasho
et al., 2021 ) . La investigación anterior analiza principalmente el impacto positivo de
la transformación digital en la resiliencia económica de las empresas energéticas,
pero no propone un método eficaz de medición del índice de resiliencia económica.
Por lo tanto, este artículo utiliza inteligencia artificial para investigar y predecir el índice
de resiliencia económica de la industria energética sobre esta base.
3. Diseño de métodos del impacto de la transformación digital en la resiliencia
económica de la industria energética en el contexto de la inteligencia artificial
3.1. Evaluación sobre la resiliencia económica de las empresas energéticas
La llamada ''energía'' es la fuente de energía, y la definición científica de energía
se refiere a los diversos recursos que pueden ser utilizados y obtenidos por los seres
humanos (Kaimasu, 2021; Nga y Long , 2021 ) . El alcance de la energía se expande
constantemente con el progreso de la producción social humana, la ciencia y la
tecnología, incluido el suministro de recursos materiales en una determinada forma
de energía y de recursos materiales en una determinada forma de movimiento. Como
se muestra en la Fig. 1, hay muchos tipos de fuentes de energía comunes en la vida
y las plantas de energía son los principales sitios de conversión. Entre ellos, la Fig.
1A es una central térmica, y la Fig. 1B es una central nuclear. Combustibles fósiles,
eólico, hidráulico, solar, etc. son todos energía
fuentes.
La industria energética está compuesta por importantes sectores o industrias
relacionadas con la fabricación de energía, como la exploración de petróleo y gas, la
energía nuclear, la energía eólica, la energía solar y la energía térmica, que están
estrechamente relacionadas con los tipos de energía originales (Ahmad et al., 2021 ;
Devaraja y Jagadeesha, 2021). Por tanto, se puede observar en la Fig. 2 que las
industrias energéticas correspondientes a diversas fuentes de energía son diferentes.
Este documento divide la industria energética en varias categorías según los tipos de
energía primaria, y cada categoría contiene muchas industrias subdivididas, o las
industrias relacionadas con la energía secundaria se derivan de ésta. La energía
primaria se refiere a la energía que se puede obtener directamente de la naturaleza,
mientras que la energía secundaria debe desarrollarse e integrarse artificialmente.
La llamada resiliencia económica es la clave para determinar si una economía
puede “recuperarse sin problemas y restaurar un crecimiento económico estable” o
“comenzar una trayectoria económica descendente” después de un shock económico
(Burunsuz, 2021; Zhang et al . ., 2022). Específicamente, se refiere a la capacidad de
una economía para hacer frente eficazmente a las perturbaciones internas y externas,
resistir las perturbaciones y obtener un desarrollo económico sostenible en el proceso
de ajustar su estructura económica y su modo de crecimiento. La resiliencia económica
se ha manifestado en muchos aspectos, entre los que se incluyen principalmente la
resiliencia macroeconómica, la resiliencia institucional, la resiliencia del desarrollo
regional, la resiliencia urbana, la resiliencia de la industria y la resiliencia de las
microempresas. La resiliencia económica de la industria energética estudiada en este
artículo es fundamental para la resiliencia económica industrial. La razón es que
vincula la economía macroestatal
resiliencia con la resiliencia económica de las microempresas. Una vez destruida la
resiliencia económica industrial, las consecuencias serían desastrosas.
Machine Translated by Google
Y. Lei, Z. Liang y P. Ruan
Higo. 1. Centrales térmicas y nucleares.
Higo. 2. Tipos de energía e industrias energéticas comunes.
3.2. Inteligencia artificial y transformación digital
La Inteligencia Artificial (IA) es una de las ramas de la informática.
ciencia. Su investigación y desarrollo tiene como objetivo realizar funciones inteligentes
e investigar y fabricar dispositivos inteligentes.
máquinas que pueden hacer juicios correctos basados en la realidad.
En pocas palabras, la IA es la conciencia y el modo de pensamiento humanos.
construido artificialmente. La investigación en IA es altamente técnica y profesional.
Cada rama es profunda y desconectada, y su contenido es muy amplio. Contenido de
investigación de inteligencia artificial principalmente.
incluye: representación del conocimiento y razonamiento automático,
métodos de investigación y procesamiento del conocimiento, aprendizaje automático y
Adquisición de conocimientos, visión por ordenador y lenguaje natural.
comprensión, programación automática y robots inteligentes,
etc. En el contexto de la digitalización, los científicos aplican tecnologías avanzadas
Tecnología de redes informáticas para la investigación de IA, formando lo digital.
aplicación de la IA.
Como se puede ver en la Fig. 3, la aplicación de la inteligencia artificial en el
contexto digital se puede dividir a grandes rasgos en
siguientes cuatro tipos: Responder preguntas: en los últimos años,
Los científicos han realizado investigaciones continuas sobre la inteligencia artificial,
la inteligencia artificial se ha convertido en el foco y la respuesta.
preguntas se ha convertido en la aplicación de la inteligencia artificial
en el entorno digital. La mente humana está implantada en
el sistema de inteligencia artificial, y la ciencia y la tecnología
Se utilizan medios para lograr el propósito de la inteligencia artificial.
solicitud. Por ejemplo, cuando un sistema de inteligencia artificial
787
Informes energéticos 9 (2023) 785–792
se ocupa de problemas de ajedrez, puede descomponer problemas complejos de
ajedrez y algunos sistemas de inteligencia artificial también pueden resumir
la experiencia real del ajedrez y realizar continuamente la optimización y mejora de
sus propios sistemas; automático
programa: la inteligencia artificial puede compilar una computadora automáticamente
Programas para diferentes ocasiones y diseño automático de programas.
Puede promover eficazmente el progreso del desarrollo de software.
sistema y mejorar la viabilidad de la inteligencia artificial
sistema mediante la mejora continua de su propia codificación;
El aprendizaje automático ocupa una posición crucial en el desarrollo de la inteligencia
artificial y la mejora del aprendizaje automático.
Las capacidades también son un medio importante para lograr una mejora continua.
desarrollo de la inteligencia artificial. El aprendizaje automático puede optimizar y
mejorar continuamente los sistemas de inteligencia artificial,
hacer que los sistemas de inteligencia artificial sean más completos, tener
más reservas de conocimiento y juzgar y resolver mejor varios
emergencias; recuperación inteligente: los datos masivos en el
El contexto digital no sólo brinda comodidad a las personas para acceder
información relevante, pero también hace que las personas se sientan problemáticas
en la recuperación de información, y el uso de sistemas de inteligencia artificial puede
Proporcionar a los usuarios una gran cantidad de información sobre temas relevantes,
lo que resulta conveniente para que las personas recuperen el conocimiento.
que necesitan y ahorra tiempo de recuperación.
Como se puede ver en la Fig. 4. Los datos se utilizan para promover la
transformación de las empresas, que muestra específicamente lo siguiente
cinco tendencias de desarrollo.
Machine Translated by Google

Y. Lei, Z. Liang y P. Ruan Informes energéticos 9 (2023) 785–792

Características del espacio de entrada. Cuanto mayor sea la dimensión, mayor

será la precisión aproximada del ajuste de tenacidad económica, y el coeficiente
es el peso lineal que conecta la capa de características con la capa de salida,
y b representa el umbral.
Después de obtener la función de decisión F (s), se pueden calcular los puntos de
entrenamiento ajustados:

(2)
L [F ] = ∫c (s, t, F ) dP (s, t )

Entre ellos, c es la función de pérdida y P (s, t) es desconocido, por lo que

el mínimo de L [F ] debe considerarse minimizado:

11
M (ε) = (ε ε) + Q 2 ∑nω |ti − f (si)|ω (3)
no
yo=1

Entre ellos, (ε ε) representa la complejidad de la función F (s), y la constante

Q representa la relación comprometida entre las dos.

La fórmula se transforma en una forma dual y el núcleo.

Se introduce la función para obtener:

F (s) = Tφ(s) + b = ∑ (4)

SV
( s­ _ s ) k + b

El análisis anterior muestra que, según el principio de mínimo estructurado, la

Higo. 3. La aplicación de la inteligencia artificial en el contexto de la digitalización.
En lo que respecta a la actual situación general del mercado, algunas
empresas energéticas han explorado con éxito la transformación digital,
combinando tecnología industrial con tecnología digital, y tienen experiencia
práctica avanzada en percepción de datos, optimización de operaciones y otros
campos. Sin embargo, la exploración del valor de los recursos de datos
energéticos aún se encuentra en una etapa relativamente preliminar, la cultura
digital sigue siendo la principal limitación y todavía hay mucho margen para
avanzar en la innovación de los modelos de negocio de la industria energética.
3.3. Evaluación del modelo de predicción del índice de resiliencia económica de
empresas energéticas basado en la máquina de vectores de soporte de
optimización de enjambre de partículas
SVM: la máquina de vectores de soporte se utilizó principalmente para
resolver problemas de clasificación al principio. Más tarde, debido a su fuerte
función de clasificación y generalización y su aplicación exitosa en el campo del
reconocimiento de patrones, comenzó a popularizar gradualmente el campo de
la regresión. Se generaliza bien porque es adecuado para muestras pequeñas,
no linealidad, alta dimensionalidad y situaciones prácticas con mínimos locales.
Debido a su principio especial de minimización del riesgo estructural y
características no lineales con mejor función adaptativa, la regresión del vector
máquina de vectores de soporte solo necesita extraer un subconjunto del conjunto
de entrenamiento en un vector de soporte, que puede representar las
características estables de las muestras de datos de investigación y también
puede acelerar enormemente aumentar el cálculo de las previsiones de resiliencia
económica cuando se apliquen. El principio específico es asignar de forma no
lineal el espacio de entrada al espacio de características de alta dimensión y,
sobre esta base, se introduce una función central para resolver la complejidad
computacional de la capa de características de alta dimensión, de modo que la
máquina de vectores de soporte pueda manejar cualquier relación de mapeo no
lineal aproximadamente.
Algoritmo de regresión de mínimos cuadrados SVM (LS­SVM): LS­SVM es
una generalización del SVM estándar. En comparación con el LS SVM estándar,
LS­SVM reduce la complejidad computacional, mejora la velocidad de resolución
y reduce la interferencia de la experiencia artificial y otros factores inciertos en
el algoritmo bajo la premisa de garantizar relativamente pocos parámetros del
algoritmo.
Según la teoría LS­SVM, la función de decisión para nonlin
La predicción del oído se define
como: f (s) = Tφ(s) + b (5)
Se puede ver que esta es la misma que la función de decisión del SVM
estándar anterior. Considerando la complejidad de la función y la varianza de
aptitud, según la teoría del riesgo estructural, la optimización de LS­SVM se
puede expresar como:
1 1
mín ( , e) =
2do

de soporte tiene una mejor capacidad de predicción de generalización en teoría, T +2 yo_

(6)
C∑n_ _
_

,b,e 2
especialmente en el campo de la predicción. Por lo tanto, este estudio selecciona yo=1

Support Vector Machine (SVM) como algoritmo de aprendizaje automático para

construir el modelo de predicción del índice de resiliencia económica de las
empresas energéticas. Su teoría de algoritmos es la siguiente:
metro
Suponiendo que existe un conjunto de entrenamiento {si, ti}
una relación de función de mapeo desconocida G(s) entre las variables de
entrada y las variables de salida del conjunto de entrenamiento. El trabajo de la
regresión del vector de soporte es estimar una función de decisión F (s) del
conjunto de entrenamiento para aproximar G (s). La expresión para F (s) es la
siguiente:
Entre ellos, ei es una variable de holgura y C es un parámetro de
regularización, que controla el grado de penalización por el error presupuestario
del índice de resiliencia económica.
Para resolver la función de optimización anterior, se introduce la función de
de hecho hay i=1 ,
La grangian para convertir el lema del problema restringido en un problema de
solución no restringida y finalmente el LS
El problema de regresión SVM se transforma en:
f (s) = ∑norte γik (s, si) + b (7)
yo=1

αnφn (s) + b = Tφ(s) + b (1) A través de la investigación y el análisis de las funciones del núcleo
F (s) = ∑N
norte=1 anteriores, se selecciona una nueva función del núcleo, que se expresa como:

Entre ellos, φ (s) es la fórmula de transformación no lineal de la capa de 2 2

entrada a la capa oculta, que representa la k (s, si) = exp ( − s − si /2β ) (8)
788
Machine Translated by Google

Y. Lei, Z. Liang y P. Ruan Informes energéticos 9 (2023) 785–792

Higo. 4. Cinco tendencias en la transformación digital de las empresas energéticas.

Del análisis teórico anterior se puede ver que los parámetros C y β deben di+1 = di + vi+1 (12)
determinarse en el proceso de modelado del modelo LS­SVM. C es el factor
de equilibrio. Si C es demasiado pequeño, las muestras excedidas por los Entre ellos, r1 y r2 son números aleatorios que preservan la
datos de la muestra se penalizarían menos y la curva de regresión tiende a diversidad de la población.
ser plana, lo que hace que el error de entrenamiento sea mayor, lo que En este artículo, se utiliza el algoritmo de enjambre de partículas para
provocaría que la máquina no aprenda lo suficiente. Si el valor es demasiado optimizar los parámetros C y β del modelo LS­SVM. Cuando se optimiza el
grande, la penalización correspondiente será demasiado grande, el error de enjambre de partículas, cada partícula equivale a una posible solución de un
entrenamiento de la máquina de aprendizaje será pequeño y los datos de parámetro. En la selección de parámetros, se define una función de aptitud
entrenamiento tendrán un fenómeno de sobreaprendizaje, lo que hará que la como el objeto objetivo, y la función de aptitud objetivo se utiliza para mejorar
capacidad de promoción disminuya. β es un parámetro en la función del el rendimiento de optimización de todo el proceso de entrenamiento y prueba
núcleo. del modelo de regresión para minimizar el error entre el valor real y el valor
Estos dos parámetros tienen un gran impacto en el rendimiento de la predicho. Por tanto, la función de aptitud se puede definir de la siguiente
máquina de aprendizaje, por lo que este estudio opta por utilizar PSO para manera:
optimizar los parámetros de LS­SVM, con el fin de predecir mejor la resiliencia
1
económica del índice de la industria energética. Algoritmo de regresión SVM
condición física = ∑metro ∑n ( f ( sij) − tij)2 (13)
de mínimos cuadrados basado en PSO­LSSVM: el algoritmo de optimización no
re=1
metro

i=1 √1
de enjambre de partículas es una tecnología informática de evolución de
inteligencia de enjambre desarrollada sobre la base de optimización iterativa. Entre ellos, m es el número de validaciones cruzadas de entrenamiento,
El algoritmo de optimización de enjambre de partículas es uno de los n es el número de cada subconjunto de validación, sij es el valor real de la
problemas de optimización más no lineales debido a su rendimiento de prueba y tij es el valor previsto para el subconjunto de validación.
optimización superior, su fácil implementación, su rápida velocidad de Debido a la insuficiencia de la optimización del enjambre de partículas en
convergencia y menos configuraciones de parámetros que el algoritmo de optimización
sí, engenética.
particular, aunque el algoritmo de optimización del enjambre de
El rendimiento es más estable y es un algoritmo de búsqueda eficaz para la partículas puede lograr bien la búsqueda no lineal, es fácil caer en el óptimo
mayoría de los problemas de optimización no lineal. El algoritmo específico local y aparecer un fenómeno de convergencia temprana. Este artículo
consiste en suponer que hay un espacio de búsqueda, que hay m partículas presenta la diversidad de la población y el mecanismo de convergencia
en el espacio y que el vector de posición de cada partícula se expresa como: prematura del juicio. Cuando se inicializa el enjambre de partículas, para
permitir que se distribuya bien en el espacio de solución, se puede introducir
dm = (d1, d2, . . . , dm) (9) el concepto de distancia promedio de partículas para hacer que la distribución
inicial de cada partícula en el enjambre sea más discreta, que se define como :
Al resolver un problema de optimización, cada partícula establece una
función de aptitud según el problema específico. De manera similar, todas las
partículas vuelan de acuerdo con el dominio del problema para alcanzar la 1
posición óptima actual y luego actualizan el siguiente desplazamiento de H (yo) = ∑n ( pi − pj )2 (14)
nX
i=1 √∑m i=1
acuerdo con su propia velocidad, y su velocidad de vuelo se expresa.
como:
Entre ellos, X es la longitud diagonal máxima de la búsqueda.
vi = (v1, v2, . . . , vi) (10) espacio, y m es la dimensión del espacio de solución.
En segundo lugar, se calcula la variación de aptitud:
El comportamiento matemático de la actualización de velocidad y posición
de cada partícula se puede expresar como: 2
contra
(15)
v = wvi + c1r1 (pi − di) + c2r2 ( pj − di ) (11) ( f1 − f =f ∑n
)2 i=1
789
Machine Translated by Google

Y. Lei, Z. Liang y P. Ruan Informes energéticos 9 (2023) 785–792

Cuadro 1
Lista de datos experimentales.

Producto Interno Bruto Valor agregado industrial Activos circulantes Beneficio total Índice de resiliencia económica
(100 millones de yuanes) (100 millones de yuanes) (100 millones de yuanes) (100 millones de yuanes) para el año
2015 689 052 228.974 648 817,50 66 187,07 1.32
2016 746 395 245.406 591 231,28 71 921,43 1,49
2017 832 036 275.119 565 178,27 74 916,25 0,98
2018 919 281 301.089 534 080,93 71 608,91 1.12
2019 986 515 311.859 500 852,80 65 799,04 1.37
2020 1 015 986 313.071 469 207,26 68 465,01 1.26

Entre ellos, el valor de f adopta la siguiente fórmula: Cuadro 2

Los datos de predicción y error relativo del índice de resiliencia económica del
máximo >1
fi − f , fi − f Modelo de predicción PSO­LSSVM basado en optimización de enjambre de partículas.
(dieciséis)
Valor actual Valor predictivo Error relativo
f = { máx.
1 , otro
2015 1,32 1,323 0.003
La variación de aptitud refleja el grado de agregación de partículas. 2016 1,49 1,492 0.002
2017 0,98 0,976 0.002
en la población.
2018 1,12 1,08 0.004
Con base en la discusión anterior, este artículo finalmente decidió
2019 1,37 1,374 0.004
utilizar el PSO­LSSVM para construir un modelo de predicción para la economía 2020 1,26 1,258 0.002
Índice de resiliencia de la industria energética. Este documento espera que el
El algoritmo se puede utilizar en experimentos posteriores.

4. Experimento del modelo de predicción de la resiliencia económica

índice de la industria energética basado en PSO­LSSVM

4.1. Datos fuente

En este artículo, se construyó el modelo de predicción PSO­LSSVM

Lo anterior se utiliza para predecir el índice de resiliencia económica. Al comparar el
valor real y el valor previsto, la precisión
de los resultados de predicción del sistema de predicción se verifica. En
En esta demostración se utiliza un esquema de predicción fijo. Primero el
El modelo se estima una vez con una muestra fija y luego se predice.
Se predicen muestras de diferentes duraciones según la fórmula de regresión
estimada. El modelo selecciona cinco muestras índice.
de los datos de seis años de la Oficina Nacional de Estadísticas de China
de 2015 a 2020 como conjunto de entrenamiento para el análisis de regresión de datos.
Su información se enumera en la Tabla 1:
Se puede ver en el Cuadro 1 que estos indicadores y el Higo. 5. La curva de comparación entre el valor previsto y el valor real.
índice de resiliencia económica de las empresas energéticas son mapeos no lineales del modelo de predicción de PSO­LSSVM basado en la optimización del enjambre de partículas.

multidimensionales muy complejos, y los convencionales

la regresión lineal múltiple y otros modelos econométricos no pueden
describir científicamente la relación interna entre estos
variables. Para ello, el artículo adopta el modelo de predicción.
basado en PSO­LSSVM para entrenar y predecir los datos.
4.2. Modelo de predicción PSO­LSSVM basado en la optimización del enjambre de
partículas para predecir el experimento del índice de resiliencia económica
El experimento se llevó a cabo con el software MATLAB y
los parámetros del modelo fueron seleccionados y predichos de acuerdo
a los indicadores establecidos anteriormente, y el índice de resiliencia económica
a través del modelo se predijo el crecimiento de las empresas industriales. Té
Resultados del cálculo de los datos pronosticados y datos de error relativos.
se muestran en la Tabla 2:
Según la Tabla 2, se puede dibujar la curva de predicción del índice de resiliencia
económica del modelo de predicción PSO­LSSVM basado en la optimización del
enjambre de partículas, que puede ser más intuitivo.
mostrar el efecto de predicción de este artículo.
Se puede obtener de la Tabla 2, después del entrenamiento, el error relativo
promedio del sistema es 0.0028, lo que indica que el modelo
tiene un buen ajuste y se puede utilizar para la predicción. además, el
Los errores relativos en cada año son pequeños, lo que también indica que el
La máquina de vectores de soporte tiene una gran capacidad de generalización. Puede
verse en la Fig. 5 que la desviación entre el valor previsto
y el valor real del modelo de predicción PSO LSSVM de optimización del enjambre de
partículas es pequeño, y las curvas de ajuste de los dos
están muy cerca, lo que indica que la optimización del enjambre de partículas
El modelo de predicción diseñado en este artículo tiene una alta precisión.
Además, como se muestra en las Figs. 6 y 7, el algoritmo PSO
se evalúa utilizando métricas de rendimiento tanto en línea como fuera de línea.
La diferencia entre los dos son las características dinámicas de
Pruebas de rendimiento en línea y características de convergencia.
de pruebas de rendimiento fuera de línea.
Puede verse en las Figs. 6 y 7 que la diversidad poblacional
se obtiene utilizando la distancia promedio entre partículas y la partícula
Se juzga la función de aptitud del enjambre, lo que puede resolver mejor el problema
de la convergencia prematura del algoritmo y puede guiar el
Posicionamiento de partículas para hacerlo menos aleatorio. Los gráficos de
rendimiento en línea y en línea muestran que el algoritmo mejorado omite
el punto óptimo local muchas veces y mantiene una buena partícula
dispersión para obtener la solución global óptima. la optimizacion
La capacidad se mejora significativamente y se pueden establecer mejores parámetros.
obtenido.
4.3. experimento comparativo
Para explicar mejor el papel del modelo de predicción.
basado en PSO­LSSVM en la predicción de la resiliencia económica
índice, este artículo compara sus resultados de predicción con los métodos estándar
de redes neuronales SVM y BP de mínimos cuadrados. como el
principal representante de la predicción no lineal y no paramétrica

790
Machine Translated by Google

Y. Lei, Z. Liang y P. Ruan Informes energéticos 9 (2023) 785–792

Cuadro 3
Comparación de datos de tres métodos de pronóstico.
método BPNN LS­SVM PSO­LSSVM

Año Valor real Valor predictivo Error relativo Valor predictivo Error relativo Valor predictivo Error relativo

2015 1,32 2016 1,47 0,15 1,322 0,002 1,323 0.003

1,49 2017 0,98 1,37 0,12 1,498 0,008 1,492 0.002
2018 1,12 2019 1,24 0,26 0,989 0,009 0,976 0.002
1,37 2020 1,26 1,38 0,26 1,123 0,003 1,08 0.004
1,33 0,04 1,364 0,006 1,374 0.004
1,42 0,16 1,265 0,005 1,258 0.002

Higo. 6.Gráfico de rendimiento sin conexión . Higo. 8. Comparación de curvas de error relativo para las predicciones de los tres
métodos.

Según la Tabla 3, se pueden dibujar las curvas de error relativo de las

predicciones de los tres métodos y compararlas.
Los tres métodos se pueden ver de forma más intuitiva.
Puede verse en la Tabla 3 que para el soporte de mínimos cuadrados
Modelo de predicción de máquina vectorial, máximo y mínimo.
Los errores relativos obtenidos por el método de predicción son 0,009 y
0.002 respectivamente, y el error promedio es 0.0055, mientras que el
Errores relativos máximos y mínimos del método de predicción.
basado en la red neuronal BP son 0,26 y 0,04 respectivamente, y
el error promedio es 0,1516. Se puede ver claramente que el modelo de predicción
PSO LSSVM propuesto en este estudio tiene el menor
Error y el rendimiento más estable. El soporte de mínimos cuadrados
El siguiente es el modelo de predicción de la máquina vectorial y nuevamente el
modelo de predicción de la red neuronal de BP. Comparando con la predicción
resultados de la red neuronal BP, se puede encontrar que la predicción
Los resultados de LS­SVM son ideales porque su principio único de minimización
de estructura no solo puede minimizar el riesgo empírico, sino también
También tienen una buena capacidad de predicción fuera de muestra. De la Fig. 8
Se puede encontrar que, en comparación con la red neuronal BP, que
se basa en la minimización empírica del riesgo, centrándose únicamente en el ajuste
e inferir y predecir es pobre, y el vector de soporte
función puede obtener una solución global única y hacer óptima
Higo. 7. Gráfico de rendimiento en línea. predicciones

Tecnología, la red neuronal BP en sí tiene las ventajas del procesamiento paralelo
a gran escala, la autoorganización y el autoaprendizaje.
Cuando la red neuronal de BP predice la resiliencia económica
índice, no es necesario establecer un modelo lógico y matemático preciso para el
estudio del problema económico en sí,
y los resultados se generan directamente, lo que es adecuado para resolver
la dificultad de construir un modelo lineal. Una comparación de tres
Los métodos de predicción se enumeran en el documento, como se muestra en la Tabla 3.
y la figura. 8:
5. Conclusiones
Este artículo estudió el efecto de la transformación digital en la
resiliencia de las empresas en el contexto de la economía artificial
inteligencia. En respuesta a este problema, este artículo estudió nuevos
tecnologías generadas por la transformación digital que pueden
optimizar la predicción de la resiliencia económica de la energía
industria y construyó con éxito un nuevo modelo de predicción
basado en la tecnología Support Vector Machine (SVM). El modelo de predicción
basado en PSO­LSSVM propuesto en este artículo fue

791
Machine Translated by Google
Y. Lei, Z. Liang y P. Ruan
aplicado al sistema de preprocesamiento, que eliminó la información redundante en los
datos del índice, y el grado de ajuste para el entrenamiento de la red mejoró
significativamente bajo la influencia de menos ruido, y la precisión de la predicción fue
mayor que la tradicional. El uso de PSO para optimizar parámetros puede evitar
depender de la experiencia humana o de múltiples pruebas para obtener parámetros
hasta cierto punto y mejorar la eficiencia de la predicción. Se puede concluir que con el
rápido desarrollo actual de la teoría no lineal y la tecnología de inteligencia artificial, los
métodos de tecnología blanda como SVM pueden utilizarse como herramientas
poderosas para el análisis y la predicción de sistemas económicos. Se puede observar
que este estudio tiene valor de referencia para el desarrollo de la industria energética.
Declaración de contribución de autoría CRediT
Yuyan Lei: Diseñó el método de investigación, Diseñó el modelo matemático
preliminar, Realizó la operación, Redactó – borrador original, Redactó – revisión y
edición. Zhuojie Liang: Escritura: borrador original, Diseñó y analizó cuidadosamente el
modelo matemático, Mejoró el manuscrito, Ayudó a Yuyan Lei a completar la
investigación preliminar y la preparación del proyecto. Peng Ruan: recopiló los datos
económicos publicados por el gobierno en los últimos años basándose en Internet,
redacción: revisión y edición, mejoró el manuscrito.
Declaración de intereses contrapuestos
Los autores declaran que no tienen intereses financieros en competencia ni
relaciones personales conocidas que pudieran haber influido en el trabajo presentado
en este artículo.
Disponibilidad de datos
Los autores no tienen permiso para compartir datos.
fondos
Este trabajo fue apoyado por el proyecto ''20YJC630086'' del fondo juvenil de
Humanidades y Ciencias Sociales del Ministerio de Educación: ''Investigación sobre el
mecanismo de operación y el camino de actualización de la innovación iterativa
independiente de empresas industriales bajo la 'tracción en dos ruedas' de la tecnología
digital. transformación y participación de los usuarios''; y el fondo juvenil del proyecto de
investigación sobre las principales teorías y problemas de la filosofía y las ciencias
sociales en la provincia de Shaanxi, China, ''2021ND0344'': ''Investigación sobre el
mecanismo de impacto de la economía digital en el ecosistema de innovación de
tecnologías de la información'' (Yuyan Lei ) .
Referencias
Ahmad, M., Jan, I., Jabeen, G., 2021. La producción y el consumo sostenibles hacen que la inversión en
la industria energética impulse el desempeño económico en la región de China: implicaciones para el
desarrollo sostenible. sostener. producción Consumir.
27 (julio), 176–192.
Burunsuz, KS, 2021. Características del análisis estratégico de las empresas de la industria energética.
Recolectar. Ciencia. Publ. NUS 2021 (1), 99–105.
Devaraja, TS, Jagadeesha, DK, 2021. Un análisis del desempeño financiero y la experiencia de los inversores en la
industria india de energías renovables. Banco indio J. Finance . 5 (1), 1–9.
792
Informes energéticos 9 (2023) 785–792
Febriyanti, F., Martini, S., Hidajah, AC, 2021. Un estudio sobre la resiliencia económica comunitaria en
respuesta a los terremotos en el subdistrito de Jailolo, en el norte de Maluku. J.
Berkala Epidemiol. 9 (13), 105­114.
Gasho, EG, Martynov, AV, Kutko, NE, 2021. Mejorar la situación medioambiental y la seguridad de la
megalópolis mediante la modernización de la industria energética.
Seguridad confiable. Industria de energía 13(4), 273–281.
Gherhes, C., Vorley, T., Williams, N., 2018. Emprendimiento y resiliencia económica
local : el impacto de la histéresis institucional en lugares periféricos. Autobús
pequeño . Economía. 51 (6), 1–14.
Jumiyati, S., Nurdin, R., Rahman, I., 2021. Adaptación económica y ecológica a los cambios en el uso de
la tierra agrícola para aumentar la resiliencia económica sostenible.
Conferencia de la PIO. Ser.: Medio Ambiente Tierra. Ciencia. 800 (17), 012–049.
Kaimasu, M., 2021. Perspectivas de los gerentes japoneses sobre los riesgos de los proyectos en el
Industria energetica. Medio Oriente J. Administrar. 8 (2/3), 219–232.
Midttun, A., Piccini, PB, 2017. Frente al desafío climático y digital: la industria energética europea del auge
a la crisis y la transformación. Política energética 108 (septiembre), 330–343.
Nga, N., Long, GN, 2021. La elección de la estructura de capital: un estudio sobre la industria energética
en un país en desarrollo. Contabilidad 2021 (enero), 289–294.
Orlov, A., Sillmann, J., Vigo, I., 2020. Corrección del autor: Mejores previsiones estacionales
para la industria de las energías renovables. NaturalezaEnergía 5 (3), 1.
Peng, H., Liu, Y., 2018. Cómo los subsidios gubernamentales promueven el crecimiento de empresas
emprendedoras en la industria de la energía limpia: un estudio empírico en China. J. Limpio.
producción 188 (1 de julio), 508–520.
Volkov, A., Ikien, A., Morkunas, M., 2017. Un enfoque multicriterio para evaluar la resiliencia económica de
la agricultura: el caso de Lituania. Sostenibilidad 356 (6), 50–83.
Zhai, W., Yue, H., 2022. Resiliencia económica durante COVID­19: una visión de los cierres permanentes
de empresas. Alrededor de. Plan. En 54 (2), 219­221.
Zhang, B., Yang, X., Tong, R., 2022. Impactos de la contaminación del aire en la salud en la industria china
de energía limpia basada en carbón: modelado basado en ACV y orientado a DAP.
Alrededor de. Ciencia. contaminar. Res. 29 (45), 67924–67940.
Zhao, Y., Li, X., 2018. Investigación sobre el concepto y mecanismo de promoción de la resiliencia económica
empresarial. Economía moderna. Administrar. Foro 15 (23), 504–508.
Yuyan Lei nació en Baoji, Shaanxi, China, en 1988.
Recibió el doctorado en Gestión de la Universidad Northwest, República
Popular China. Ahora trabaja en la Facultad de Economía y Gestión de
la Universidad de Correos y Telecomunicaciones de Xi'an. Su interés de
investigación incluye la innovación y gestión de tecnología, la innovación
de sistemas y el análisis de big data.
Correo electrónico: leiyuyan@xupt.edu.cn
Zhuojie Liang nació en Maoming, Guangdong, PR.
China, en 1997. Es estudiante universitario con especialización en
informática y tecnología en el Nanfang College de la Universidad Sun Yat
sen, República Popular China, con un certificado de especialización en
administración y un certificado de finalización en estudios políticos y
empresariales. Sus intereses de investigación incluyen la Inteligencia
Artificial, el Aprendizaje Profundo y la Gestión Económica, y ha publicado
más de cuatro artículos y ocho patentes de autor virtual.
Correo electrónico: roger18813365967@163.com
Peng Ruan nació en el condado de Santai, provincia de Sichuan.
República Popular China, 1981. Se doctoró en la Universidad Shinawatra
de Tailandia.
Sus intereses de investigación incluyen la gestión empresarial y la
psicología de la gestión.
Correo electrónico: ruanpeng001@cmc.edu.cn