Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1-S2.0-S2352484722026191-Main Traducido
1-S2.0-S2352484722026191-Main Traducido
Informes energéticos
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
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/).
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
Transformación digital de las empresas energéticas. En comparación con otros resiliencia de la economía energética (Orlov et al., 2020). Peng H señaló que la
métodos, el algoritmo de regresión PSOLSSVM utilizado en este artículo tiene las transformación digital a menudo implica la creación de capacidades de análisis de big
características de un error de predicción más pequeño y un mayor grado de ajuste a data, lo que plantea desafíos considerables para muchas empresas de energía, ya
la realidad, y ha mostrado un buen efecto en la predicción del índice de resiliencia que la introducción exitosa del análisis de big data puede medir mejor el nivel de
económica. Las innovaciones del documento se reflejan principalmente en los resiliencia económica de las empresas (Peng y Liu, 2018 ) . Gasho EG creía que la
siguientes aspectos: (1) Se propone de forma creativa un nuevo método de predicción transformación digital se refiere a un tipo de tecnología digital que puede provocar un
del índice de resiliencia económica, que tiene una función de apoyo técnico para la gran cambio en la resiliencia económica o en los accionistas de las empresas de la
transformación digital y el desarrollo de las empresas energéticas. (2) Se combinan industria energética, y luego esta tecnología se llama transformación digital (Gasho
la investigación en inteligencia artificial y la teoría y la práctica del desarrollo et al., 2021 ) . La investigación anterior analiza principalmente el impacto positivo de
económico, y se utilizan algoritmos de inteligencia artificial para brindar apoyo la transformación digital en la resiliencia económica de las empresas energéticas,
algorítmico al desarrollo económico. 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.
2. Trabajo relacionado
786
Machine Translated by Google
3.2. Inteligencia artificial y transformación digital se ocupa de problemas de ajedrez, puede descomponer problemas complejos de
ajedrez y algunos sistemas de inteligencia artificial también pueden resumir
La Inteligencia Artificial (IA) es una de las ramas de la informática. la experiencia real del ajedrez y realizar continuamente la optimización y mejora de
ciencia. Su investigación y desarrollo tiene como objetivo realizar funciones inteligentes sus propios sistemas; automático
e investigar y fabricar dispositivos inteligentes. programa: la inteligencia artificial puede compilar una computadora automáticamente
máquinas que pueden hacer juicios correctos basados en la realidad. Programas para diferentes ocasiones y diseño automático de programas.
En pocas palabras, la IA es la conciencia y el modo de pensamiento humanos. Puede promover eficazmente el progreso del desarrollo de software.
construido artificialmente. La investigación en IA es altamente técnica y profesional. sistema y mejorar la viabilidad de la inteligencia artificial
Cada rama es profunda y desconectada, y su contenido es muy amplio. Contenido de
sistema mediante la mejora continua de su propia codificación;
investigación de inteligencia artificial principalmente.
El aprendizaje automático ocupa una posición crucial en el desarrollo de la inteligencia
incluye: representación del conocimiento y razonamiento automático,
artificial y la mejora del aprendizaje automático.
métodos de investigación y procesamiento del conocimiento, aprendizaje automático y
Las capacidades también son un medio importante para lograr una mejora continua.
Adquisición de conocimientos, visión por ordenador y lenguaje natural.
desarrollo de la inteligencia artificial. El aprendizaje automático puede optimizar y
comprensión, programación automática y robots inteligentes,
mejorar continuamente los sistemas de inteligencia artificial,
etc. En el contexto de la digitalización, los científicos aplican tecnologías avanzadas
hacer que los sistemas de inteligencia artificial sean más completos, tener
Tecnología de redes informáticas para la investigación de IA, formando lo digital.
más reservas de conocimiento y juzgar y resolver mejor varios
aplicación de la IA.
emergencias; recuperación inteligente: los datos masivos en el
Como se puede ver en la Fig. 3, la aplicación de la inteligencia artificial en el
El contexto digital no sólo brinda comodidad a las personas para acceder
contexto digital se puede dividir a grandes rasgos en
siguientes cuatro tipos: Responder preguntas: en los últimos años, información relevante, pero también hace que las personas se sientan problemáticas
Los científicos han realizado investigaciones continuas sobre la inteligencia artificial, en la recuperación de información, y el uso de sistemas de inteligencia artificial puede
la inteligencia artificial se ha convertido en el foco y la respuesta. Proporcionar a los usuarios una gran cantidad de información sobre temas relevantes,
preguntas se ha convertido en la aplicación de la inteligencia artificial lo que resulta conveniente para que las personas recuperen el conocimiento.
en el entorno digital. La mente humana está implantada en que necesitan y ahorra tiempo de recuperación.
el sistema de inteligencia artificial, y la ciencia y la tecnología Como se puede ver en la Fig. 4. Los datos se utilizan para promover la
Se utilizan medios para lograr el propósito de la inteligencia artificial. transformación de las empresas, que muestra específicamente lo siguiente
solicitud. Por ejemplo, cuando un sistema de inteligencia artificial cinco tendencias de desarrollo.
787
Machine Translated by Google
(2)
L [F ] = ∫c (s, t, F ) dP (s, t )
11
M (ε) = (ε ε) + Q 2 ∑nω |ti − f (si)|ω (3)
no
yo=1
(6)
C∑n_ _
_
,b,e 2
especialmente en el campo de la predicción. Por lo tanto, este estudio selecciona 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:
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
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
790
Machine Translated by Google
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
Higo. 6.Gráfico de rendimiento sin conexión . Higo. 8. Comparación de curvas de error relativo para las predicciones de los tres
métodos.
5. Conclusiones
Tecnología, la red neuronal BP en sí tiene las ventajas del procesamiento paralelo
a gran escala, la autoorganización y el autoaprendizaje. Este artículo estudió el efecto de la transformación digital en la
Cuando la red neuronal de BP predice la resiliencia económica resiliencia de las empresas en el contexto de la economía artificial
índice, no es necesario establecer un modelo lógico y matemático preciso para el inteligencia. En respuesta a este problema, este artículo estudió nuevos
estudio del problema económico en sí, tecnologías generadas por la transformación digital que pueden
y los resultados se generan directamente, lo que es adecuado para resolver optimizar la predicción de la resiliencia económica de la energía
la dificultad de construir un modelo lineal. Una comparación de tres industria y construyó con éxito un nuevo modelo de predicción
Los métodos de predicción se enumeran en el documento, como se muestra en la Tabla 3. basado en la tecnología Support Vector Machine (SVM). El modelo de predicción
y la figura. 8: basado en PSOLSSVM propuesto en este artículo fue
791
Machine Translated by Google
aplicado al sistema de preprocesamiento, que eliminó la información redundante en los Febriyanti, F., Martini, S., Hidajah, AC, 2021. Un estudio sobre la resiliencia económica comunitaria en
datos del índice, y el grado de ajuste para el entrenamiento de la red mejoró respuesta a los terremotos en el subdistrito de Jailolo, en el norte de Maluku. J.
Berkala Epidemiol. 9 (13), 105114.
significativamente bajo la influencia de menos ruido, y la precisión de la predicción fue
Gasho, EG, Martynov, AV, Kutko, NE, 2021. Mejorar la situación medioambiental y la seguridad de la
mayor que la tradicional. El uso de PSO para optimizar parámetros puede evitar megalópolis mediante la modernización de la industria energética.
depender de la experiencia humana o de múltiples pruebas para obtener parámetros Seguridad confiable. Industria de energía 13(4), 273–281.
hasta cierto punto y mejorar la eficiencia de la predicción. Se puede concluir que con el Gherhes, C., Vorley, T., Williams, N., 2018. Emprendimiento y resiliencia económica
rápido desarrollo actual de la teoría no lineal y la tecnología de inteligencia artificial, los local : el impacto de la histéresis institucional en lugares periféricos. Autobús
pequeño . Economía. 51 (6), 1–14.
métodos de tecnología blanda como SVM pueden utilizarse como herramientas
Jumiyati, S., Nurdin, R., Rahman, I., 2021. Adaptación económica y ecológica a los cambios en el uso de
poderosas para el análisis y la predicción de sistemas económicos. Se puede observar la tierra agrícola para aumentar la resiliencia económica sostenible.
que este estudio tiene valor de referencia para el desarrollo de la industria energética. 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.
Declaración de contribución de autoría CRediT
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.
Yuyan Lei: Diseñó el método de investigación, Diseñó el modelo matemático
Orlov, A., Sillmann, J., Vigo, I., 2020. Corrección del autor: Mejores previsiones estacionales
preliminar, Realizó la operación, Redactó – borrador original, Redactó – revisión y
para la industria de las energías renovables. NaturalezaEnergía 5 (3), 1.
edición. Zhuojie Liang: Escritura: borrador original, Diseñó y analizó cuidadosamente el Peng, H., Liu, Y., 2018. Cómo los subsidios gubernamentales promueven el crecimiento de empresas
modelo matemático, Mejoró el manuscrito, Ayudó a Yuyan Lei a completar la emprendedoras en la industria de la energía limpia: un estudio empírico en China. J. Limpio.
investigación preliminar y la preparación del proyecto. Peng Ruan: recopiló los datos producción 188 (1 de julio), 508–520.
Volkov, A., Ikien, A., Morkunas, M., 2017. Un enfoque multicriterio para evaluar la resiliencia económica de
económicos publicados por el gobierno en los últimos años basándose en Internet,
la agricultura: el caso de Lituania. Sostenibilidad 356 (6), 50–83.
redacción: revisión y edición, mejoró el manuscrito.
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.
Declaración de intereses contrapuestos
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
Los autores declaran que no tienen intereses financieros en competencia ni empresarial. Economía moderna. Administrar. Foro 15 (23), 504–508.
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 Zhuojie Liang nació en Maoming, Guangdong, PR.
independiente de empresas industriales bajo la 'tracción en dos ruedas' de la tecnología China, en 1997. Es estudiante universitario con especialización en
informática y tecnología en el Nanfang College de la Universidad Sun Yat
digital. transformación y participación de los usuarios''; y el fondo juvenil del proyecto de
sen, República Popular China, con un certificado de especialización en
investigación sobre las principales teorías y problemas de la filosofía y las ciencias
administración y un certificado de finalización en estudios políticos y
sociales en la provincia de Shaanxi, China, ''2021ND0344'': ''Investigación sobre el empresariales. Sus intereses de investigación incluyen la Inteligencia
mecanismo de impacto de la economía digital en el ecosistema de innovación de Artificial, el Aprendizaje Profundo y la Gestión Económica, y ha publicado
tecnologías de la información'' (Yuyan Lei ) . más de cuatro artículos y ocho patentes de autor virtual.
Referencias
Peng Ruan nació en el condado de Santai, provincia de Sichuan.
República Popular China, 1981. Se doctoró en la Universidad Shinawatra
Ahmad, M., Jan, I., Jabeen, G., 2021. La producción y el consumo sostenibles hacen que la inversión en
de Tailandia.
la industria energética impulse el desempeño económico en la región de China: implicaciones para el
Sus intereses de investigación incluyen la gestión empresarial y la
desarrollo sostenible. sostener. producción Consumir.
27 (julio), 176–192.
psicología de la gestión.
Correo electrónico: ruanpeng001@cmc.edu.cn
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