CN103294928A - 一种碳排放组合预测方法 - Google Patents
一种碳排放组合预测方法 Download PDFInfo
- Publication number
- CN103294928A CN103294928A CN2013102662312A CN201310266231A CN103294928A CN 103294928 A CN103294928 A CN 103294928A CN 2013102662312 A CN2013102662312 A CN 2013102662312A CN 201310266231 A CN201310266231 A CN 201310266231A CN 103294928 A CN103294928 A CN 103294928A
- Authority
- CN
- China
- Prior art keywords
- harmony
- carbon emission
- model
- individual event
- forecast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
一种碳排放组合预测方法，用于降低预测风险，提高碳排放的预测精度，其技术方案是，所述方法首先根据碳排放趋势选择多个单项预测模型，并利用所选单项预测模型分别对碳排放进行预测，然后把各个单项模型的预测结果赋予不同的权重进行组合，并通过和声优化算法确定出各个单项模型预测结果的最优分配权重，使这些单项预测模型构成组合预测模型，利用组合预测模型对碳排放进行精确预测。本发明采用基于优化算法的组合预测模型对碳排放进行预测，使各单项预测模型信息得到充分利用，极大地提高了碳排放预测精度。同时，组合预测模型还可以处理小样本建模问题，降低了单项模型选择的风险。
Description
技术领域
本发明涉及一种能够精确预测碳排放量的方法，属于测量技术领域。
背景技术
自工业化革命以来，由于人类活动和大量化石燃料的消耗，造成大气CO2浓度明显增加，已远远超出根据冰芯记录测定的工业化前几千年中的浓度值。CO2是最主要的温室气体之一，其浓度的增加会加速区域变暖，造成生态系统和环境的急剧恶化。国际社会为了应对气候变化，先后制订了《联合国气候变化框架公约》（1992年）、《京都议定书》（1997年）、“巴厘岛路线图”（2007年）、《哥本哈根协议》（2009年）等国际性条约和文件，推动应对气候变化进程不断前行。
现阶段经济的快速增长必然引发能源消费需求和能源消费的快速增长，因而导致碳排放增速加快，环境污染问题日益突出。要控制能源消费产生的CO2-量，必须首先对BAU（Business as usual）模式下能源消费碳排放趋势有一个明确的把握，以激发减排的积极性和监控减排工作的进展。
现有碳排放预测方法较多，主要有传统经典预测方法和基于人工智能的预测方法。传统方法虽然模型简单，但是预测误差较大，无法描述因变量和自变量之间的非线性关系。人工智能方法的共同缺点是计算过程复杂，含义不明晰，需要大量的数据样本，才能对事物实际发展趋势进行科学合理的模拟和预测。但由于碳排放数据有限，计量经济学方法和人工智能方法常因无法获取到大样本数据而不能对碳排放作出精确预测。因此如何根据小样本数据对碳排放进行预测就成为一个亟待解决的问题。此外，尽管目前有诸多预测模型可供选择，但没有任何一个预测模型或方法能够在任何情况下解决所有的预测问题，传统碳排放预测方法仅仅选择单一预测模型，因此存在较大的预测风险，不能确保碳排放预测结果的准确性。
发明内容
本发明的目的在于针对现有技术之弊端，提供一种碳排放组合预测方法，以降低预测风险，提高碳排放的预测精度。
本发明所述问题是以下述技术方案实现的：
一种碳排放组合预测方法，所述方法首先根据碳排放趋势选择多个单项预测模型，并利用所选单项预测模型分别对碳排放进行预测，然后把各个单项模型的预测结果赋予不同的权重进行组合，并通过和声优化算法确定出各个单项模型预测结果的最优分配权重，使这些单项预测模型构成组合预测模型，利用组合预测模型对碳排放进行精确预测。
上述碳排放组合预测方法，所述方法包括以下步骤：
a.根据碳排放趋势选择单项预测模型，并计算单项模型预测结果；
b.根据折现均方差组合预测模型理论，列出包含折现因子β的单项模型权重表达式和组合预测模型表达式；
组合预测模型表达式为：
其中：
为第t期组合预测值，
为组合模型中分配给第i个单项模型的权重，
为第i个单项模型第t期预测值，k为选取的单项模型个数；
各单项模型权重的表达式为：
其中：
为第t期实际值，β为折现因子，取值位于区间[0，1]之间，T为观测期数；
c.选取折现因子β作为和声向量，运用和声搜索算法计算产生新的和声β’，具体步骤如下：
① 初始化预设规模大小的和声库HMS，确定目标函数形式和待优化参数、初始优化变量上限和下限、和声库选择概率HMCR、扰动调整概率PAR和带宽BW；
② 产生新的和声向量
以和声库选择概率HMCR在和声记忆库HM中随机搜索新解，以1-HMCR的概率在HM外各变量的可行域搜索，然后以扰动调整概率PAR对新解产生局部扰动；
d.计算目标评价函数值，确定最小目标评价函数对应的β向量，如果根据搜索算法得到的新和声向量对应的目标评价函数值小于原和声库内的最大值，则对和声库进行更新，将新和声向量替换原和声库最大目标评价函数值所对应的和声向量；否则不更新和声库；
e.更新迭代次数，若循环次数大于事先设定的最大循环次数，则停止搜索，跳出循环，并选取和声库内对应目标函数最小的和声向量为折现因子β的最优值；否则，返回步骤c；
f.将最优和声向量带入单项模型权重公式，得到最优权重，并计算组合预测结果。
上述碳排放组合预测方法，所述方法采用误差
最小作为目标评价函数：
其中：为第t期实际值，
为第t期预测值，
s.t.
初始和声库形式如下：
HM中的元素在区间
随机取得，。
上述碳排放组合预测方法，所述方法所选择的单项预测模型包括线性回归模型、时间序列模型、灰色GM(1，1)模型和灰色Verhulst模型。
本发明采用基于优化算法的组合预测模型对碳排放进行预测，使各单项预测模型信息得到充分利用，极大地提高了碳排放预测精度。同时，组合预测模型还可以处理小样本建模问题，降低了单项模型选择的风险。
本发明组合预测方法不仅可以应用于碳排放预测领域，而且可以解决其它预测问题。
附图说明
下面结合附图对本发明作进一步说明。
图1是本发明的流程图；
图2是本发明实施例中原始数据曲线和和声优化组合预测值曲线。
文中各符号表示为：β为折现因子，
为第t期组合预测值，
为组合模型中分配给第i个单项模型的权重，
为第i个单项模型第t期预测值，k为选取的单项模型个数，
为第t期实际值。
具体实施方式
本发明针对现有单项预测模型选择风险和预测精度有待提高的不足，提供了一种能够有效提高碳排放预测精度，并实现小样本建模和降低模型选择风险的组合预测方法。
组合预测实质是综合利用单项模型的预测信息，并把各个单项模型得到的预测结果赋予不同的权重，进行适当的组合。理论和实践研究都表明，组合预测模型可以导致一个比单项预测值更好的预测结果，从而有效地提高预测精度，减少预测误差和模型选择风险。组合预测一般形式表达为：
其中：
为第t期组合预测值，
为组合模型中分配给第i个单项模型的权重，
为第i个单项模型第t期预测值，k为选取的单项模型个数。
组合预测的核心问题之一就是权重的优化选择。折现均方差组合预测模型理论是通过使用均方误差来计算单项模型的权重，其公式中含有折现因子β。相对于离散数据，它更侧重于利用最近的预测信息，权重定义如下式：
其中：
为第t期实际值，β为折现因子，取值位于区间[0，1]之间，T为观测期数。β在[0,1]区间内取不同值会导致不同的组合权重和组合预测值。和声搜索算法用以解决β值确定的盲目性，同时能够保证预测误差达到最小。
和声搜索算法（Harmony Search Algorithm, HSA）是一种基于音乐和声原理提出的启发式优化算法，其模拟了音乐演奏的原理，乐队中的乐器类似优化问题中的各变量，每一次的寻优迭代过程类似乐队的每一次演奏，乐队在反复演奏中找到最佳和声，经过多次迭代找到问题的最优解。该优化算法具有概念简单、鲁棒性强、稳定性好的特点。和声搜索首先初始化预设规模大小的和声库（Harmony Memory Size, HMS）、目标函数、待优化变量上限和下限、和声库选择概率（Harmony Memory Considering Rate，HMCR）、扰动调整概率PAR（Pitch Adjusting Rate）和带宽BW等参数；再以和声库选择概率HMCR在和声记忆库HMS中随机搜索新解，以1-HMCR的概率在HMS外各变量的可行域搜索；然后以概率PAR对新解产生局部扰动，判断新解目标函数值是否优于HMS内的最差解，若是则替换之，否则继续迭代，直至达到预定的迭代次数为止。
本发明在对碳排放预测的研究中主要运用了基于和声搜索优化算法的组合预测思想，采用HSA全局搜索可以寻找到最小目标函数对应的β值，以实现β参数的智能优化选择，同时能够保证预测误差MAPE达到最小，有效的提高预测精度，同时组合预测能够实现小样本建模和降低模型选择的风险。
以下结合附图对本发明的原理和特征进行描述，所举实施例只是用于解释本发明，并非用于局限本发明的范围。
根据附图1所示，本发明实施例所述的一种基于优化的碳排放组合预测方法，具体包括以下步骤：
步骤1：根据碳排放趋势选择单项预测模型，并计算单项模型预测结果。本发明选择中国、美国、俄罗斯、印度和日本2000-2010年碳排放量作为原始数据。根据碳排放数据实际趋势建立各单项预测模型，本发明实施例采用线性回归模型、时间序列模型、灰色GM(1，1)模型和灰色Verhulst模型作为单项模型，并计算单项模型的预测值。
步骤2：根据折现均方差组合预测模型理论，列出包含折现因子β的单项模型权重表达式和组合模型表达式；
组合预测一般形式表达为：
其中：
为第t期组合预测值，
为组合模型中分配给第i个单项模型的权重，
为第i个单项模型第t期预测值，k为选取的单项模型个数。
折现均方差组合预测理论中，各单项模型权重分配定义如下式：
其中：
为第t期实际值，β为折现因子，取值位于区间[0，1]之间，T为观测期数。
步骤3：选取参数β作为和声向量，运用和声搜索算法计算产生新的和声β’，具体步骤包括以下几步：
步骤3．1：如表1所示，初始化如下参数：
表1：和声搜索算法参数设定表
初始和声库大小HMS=50，和声库选择概率HMCR=0.99，扰动调整概率PAR=0.1，带宽BW=0.01，最大循环次数m=5000，优化变量下限lb=0，优化变量上限ub=1。本发明采用误差MAPE最小作为目标评价函数，其形式如下：
，
其中：
为第t期实际值，
为第t期预测值。
s.t.
初始和声库形式如下：
HM中的元素
在区间
随机取得，
。
步骤3．2：产生新的和声向量。以和声库选择概率HMCR在和声记忆库HMS中随机搜索新解，以1-HMCR的概率在HMS外各变量的可行域搜索；然后以概率PAR对新解产生局部扰动。
记忆考虑是从原来的HM中随机选取一个
；随机选择为；微调扰动即在
周围扰动产生新解
。
步骤4：计算目标评价函数值，确定最小目标评价函数对应的β向量，有条件的更新和声库。具体步骤如下：
步骤4．1：如果根据搜索算法得到的新和声向量对应的目标评价函数值小于原和声库内的最大值，则对和声库进行更新，将新和声向量替换原和声库最大目标评价函数值所对应的和声向量；
步骤4．2：如果搜索得到的新和声向量对应的目标评价函数值大于原和声库内的最大值，则不更新和声库；
对新解进行评估，如果优于HM中函数值最差的一个，则将新解更新至HM中，具体如下：
步骤5：更新迭代次数，并判定迭代终止条件；
包括以下两种情况：若循环次数大于事先设定的最大循环次数，则停止搜索，跳出循环，并选取和声库内对应目标函数最小的和声向量为折现因子β的最优值；否则，返回步骤3。
通过和声算法的不断寻优过程，最终确定折现因子β的最优值，各个国家分别为：1, 1.0156×10-6, 2.4576×10-6, 2.4765×10-6和9.867×10-1，如附表2所示。
表2：基于和声优化搜索确定的折现因子β的最优值
| 最优值 | China | United States | Russian Federation | India | Japan |
| β | 1 | 1.0156×10-6 | 2.4576×10-6 | 2.4765×10-6 | 9.867×10-1 |
步骤6：将最优和声向量带入单项模型权重公式，得到最优权重，并计算组合预测结果。
附图2展示的各个国家预测值和实际值曲线。表3比较随机选择β值和优化算法确定β最优值的预测误差比较。
表3：智能优化算法确定的β值和指定β值得到的组合预测结果误差比较
| MAPE | β＝0.1 | β＝0.5 | β＝1 | β* |
| China | 3.2193 | 3.2178 | 3.2069 | 3.2069 |
| United States | 2.3942 | 2.4209 | 2.4140 | 2.3788 |
| Russian Federation | 1.4603 | 1.4616 | 1.4622 | 1.4597 |
| India | 1.5472 | 1.5528 | 1.5535 | 1.5455 |
| Japan | 3.1716 | 3.1715 | 3.1708 | 3.1708 |
Claims (4)
1.一种碳排放组合预测方法，其特征是，所述方法首先根据碳排放趋势选择多个单项预测模型，并利用所选单项预测模型分别对碳排放进行预测，然后把各个单项模型的预测结果赋予不同的权重进行组合，并通过和声优化算法确定出各个单项模型预测结果的最优分配权重，使这些单项预测模型构成组合预测模型，利用组合预测模型对碳排放进行精确预测。
2.根据权利要求1所述的一种碳排放组合预测方法，其特征是，所述方法包括以下步骤：
a.根据碳排放趋势选择单项预测模型，并计算单项模型预测结果；
b.根据折现均方差组合预测模型理论，列出包含折现因子β的单项模型权重表达式和组合预测模型表达式；
组合预测模型表达式为：
其中：为第t期组合预测值，
为组合模型中分配给第i个单项模型的权重，
为第i个单项模型第t期预测值，k为选取的单项模型个数；
各单项模型权重的表达式为：
其中：为第t期实际值，β为折现因子，取值位于区间[0，1]之间，T为观测期数；
c.选取折现因子β作为和声向量，运用和声搜索算法计算产生新的和声β’，具体步骤如下：
① 初始化预设规模大小的和声库HMS，确定目标函数形式和待优化参数、初始优化变量上限和下限、和声库选择概率HMCR、扰动调整概率PAR和带宽BW；
② 产生新的和声向量
以和声库选择概率HMCR在和声记忆库HM中随机搜索新解，以1-HMCR的概率在HM外各变量的可行域搜索，然后以扰动调整概率PAR对新解产生局部扰动；
d.计算目标评价函数值，确定最小目标评价函数对应的β向量，如果根据搜索算法得到的新和声向量对应的目标评价函数值小于原和声库内的最大值，则对和声库进行更新，将新和声向量替换原和声库最大目标评价函数值所对应的和声向量；否则不更新和声库；
e.更新迭代次数，若循环次数大于事先设定的最大循环次数，则停止搜索，跳出循环，并选取和声库内对应目标函数最小的和声向量为折现因子β的最优值；否则，返回步骤c；
f.将最优和声向量带入单项模型权重公式，得到最优权重，并计算组合预测结果。
3.根据权利要求2所述的一种碳排放组合预测方法，其特征是，所述方法采用误差
最小作为目标评价函数：
，
其中：
为第t期实际值，
为第t期预测值，
s.t. 
，
初始和声库形式如下：
HM中的元素
在区间
随机取得，
。
4.根据权利要求3所述的一种碳排放组合预测方法，其特征是，所述方法所选择的单项预测模型包括线性回归模型、时间序列模型、灰色GM(1，1)模型和灰色Verhulst模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013102662312A CN103294928A (zh) | 2013-06-28 | 2013-06-28 | 一种碳排放组合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013102662312A CN103294928A (zh) | 2013-06-28 | 2013-06-28 | 一种碳排放组合预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103294928A true CN103294928A (zh) | 2013-09-11 |
Family
ID=49095779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2013102662312A Pending CN103294928A (zh) | 2013-06-28 | 2013-06-28 | 一种碳排放组合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103294928A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063630A (zh) * | 2014-07-16 | 2014-09-24 | 南京擎天科技有限公司 | 一种地区碳排放量预测方法 |
| CN106548022A (zh) * | 2016-11-03 | 2017-03-29 | 上海隧道工程有限公司 | 盾构隧道施工碳排放量的预测方法及预测系统 |
| CN106650068A (zh) * | 2016-12-12 | 2017-05-10 | 华南理工大学 | 一种预测燃煤电厂碳排放量的计算方法 |
| CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
| CN108363302A (zh) * | 2018-02-13 | 2018-08-03 | 集美大学 | 一种基于和声搜索的船舶动力定位底层推进器控制方法 |
| CN108427845A (zh) * | 2018-03-16 | 2018-08-21 | 中南大学 | 一种铅锌矿采矿过程碳排放短期预测方法 |
| CN108804422A (zh) * | 2018-05-28 | 2018-11-13 | 中山大学 | 一种科技论文文本建模方法 |
| CN108897834A (zh) * | 2018-06-22 | 2018-11-27 | 招商信诺人寿保险有限公司 | 数据处理与挖掘方法 |
| CN110554599A (zh) * | 2019-02-27 | 2019-12-10 | 天津大学 | 一种基于自适应和声搜索算法的pi参数优化方法 |
| CN117371622A (zh) * | 2023-12-06 | 2024-01-09 | 国网湖北省电力有限公司经济技术研究院 | 一种区域中长期动态碳排放因子的预测方法、系统及设备 |
| CN117575175A (zh) * | 2024-01-15 | 2024-02-20 | 国网浙江省电力有限公司 | 碳排放评估方法、装置、电子设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102690916A (zh) * | 2012-06-19 | 2012-09-26 | 冶金自动化研究设计院 | 一种高炉co2排放量的实时监测系统和方法 |
| US20120323837A1 (en) * | 2011-04-28 | 2012-12-20 | International Business Machines Corporation | Selecting solution for carbon emission prediction |
-
2013
- 2013-06-28 CN CN2013102662312A patent/CN103294928A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120323837A1 (en) * | 2011-04-28 | 2012-12-20 | International Business Machines Corporation | Selecting solution for carbon emission prediction |
| CN102690916A (zh) * | 2012-06-19 | 2012-09-26 | 冶金自动化研究设计院 | 一种高炉co2排放量的实时监测系统和方法 |
Non-Patent Citations (5)
| Title |
|---|
| HONG CHANG ET AL.: "Forecasting Energy CO2 Emissions Using a Quantum Harmony Search Algorithm-Based DMSFE Combination Model", 《ENERGIES》 * |
| HONG CHANG ET AL.: "Forecasting Energy CO2 Emissions Using a Quantum Harmony Search Algorithm-Based DMSFE Combination Model", 《ENERGIES》, vol. 6, no. 3, 6 March 2013 (2013-03-06) * |
| WEI SUN: "Forecasting Carbon Dioxide Emissions in China Using Optimization Grey Model", 《JOURNAL OF COMPUTERS》 * |
| 韩红燕等: "基于遗传和声算法求解函数优化问题", 《计算机应用研究》 * |
| 韩红燕等: "求解批量流水线调度问题的和声算法", 《计算机应用研究》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063630A (zh) * | 2014-07-16 | 2014-09-24 | 南京擎天科技有限公司 | 一种地区碳排放量预测方法 |
| CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
| CN106548022A (zh) * | 2016-11-03 | 2017-03-29 | 上海隧道工程有限公司 | 盾构隧道施工碳排放量的预测方法及预测系统 |
| CN106650068B (zh) * | 2016-12-12 | 2019-12-10 | 华南理工大学 | 一种预测燃煤电厂碳排放量的计算方法 |
| CN106650068A (zh) * | 2016-12-12 | 2017-05-10 | 华南理工大学 | 一种预测燃煤电厂碳排放量的计算方法 |
| CN108363302A (zh) * | 2018-02-13 | 2018-08-03 | 集美大学 | 一种基于和声搜索的船舶动力定位底层推进器控制方法 |
| CN108363302B (zh) * | 2018-02-13 | 2020-09-11 | 集美大学 | 一种基于和声搜索的船舶动力定位底层推进器控制方法 |
| CN108427845A (zh) * | 2018-03-16 | 2018-08-21 | 中南大学 | 一种铅锌矿采矿过程碳排放短期预测方法 |
| CN108804422A (zh) * | 2018-05-28 | 2018-11-13 | 中山大学 | 一种科技论文文本建模方法 |
| CN108804422B (zh) * | 2018-05-28 | 2020-12-01 | 中山大学 | 一种科技论文文本建模方法 |
| CN108897834A (zh) * | 2018-06-22 | 2018-11-27 | 招商信诺人寿保险有限公司 | 数据处理与挖掘方法 |
| CN110554599A (zh) * | 2019-02-27 | 2019-12-10 | 天津大学 | 一种基于自适应和声搜索算法的pi参数优化方法 |
| CN117371622A (zh) * | 2023-12-06 | 2024-01-09 | 国网湖北省电力有限公司经济技术研究院 | 一种区域中长期动态碳排放因子的预测方法、系统及设备 |
| CN117575175A (zh) * | 2024-01-15 | 2024-02-20 | 国网浙江省电力有限公司 | 碳排放评估方法、装置、电子设备和存储介质 |
| CN117575175B (zh) * | 2024-01-15 | 2024-03-29 | 国网浙江省电力有限公司 | 碳排放评估方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103294928A (zh) | 一种碳排放组合预测方法 | |
| CN106969778B (zh) | 一种多无人机协同施药的路径规划方法 | |
| CN109243172A (zh) | 基于遗传算法优化lstm神经网络的交通流预测方法 | |
| CN101551884B (zh) | 面向大规模样本的cvr电力负荷快速预测方法 | |
| CN110262563A (zh) | 多无人机协同搜索水上目标的方法 | |
| CN109670650A (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
| CN105809349B (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
| CN105224987A (zh) | 一种基于动态Lipschitz下界估计的变策略群体全局优化方法 | |
| Kougias et al. | A new music-inspired harmony based optimization algorithm. Application in water resources management problems | |
| CN109445906A (zh) | 一种虚拟机需求数量预测方法 | |
| Cayir Ervural et al. | Improvement of grey prediction models and their usage for energy demand forecasting | |
| CN109086900A (zh) | 基于多目标粒子群优化算法的电力物资保障及调配平台 | |
| CN111461443B (zh) | 风电场的优化设计方法、系统、电子设备和存储介质 | |
| CN105574586A (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
| CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
| CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
| CN101877034B (zh) | 一种土地利用自动分区方法 | |
| Sun et al. | Forecasting Carbon Dioxide Emissions in China Using Optimization Grey Model. | |
| CN107329887A (zh) | 一种基于推荐系统的数据处理方法以及装置 | |
| CN102184450A (zh) | 一种多孔介质燃烧器燃烧优化的建模方法 | |
| CN106779147A (zh) | 一种基于自适应层次时间序列聚类的用电负荷预测方法 | |
| CN102222274A (zh) | 基于调度编码的免疫克隆选择作业车间调度方法 | |
| CN101909078A (zh) | 一种基于新服务集构造的动态服务选择方法 | |
| Li et al. | Prediction of electric vehicle ownership based on Gompertz model | |
| Tan et al. | Current status and future choices of regional sectors-energy-related CO2 emissions: The third economic growth pole of China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130911 |