CN112700009B - 一种基于遗传算法的城市pm2.5双目标控制策略优化算法 - Google Patents

一种基于遗传算法的城市pm2.5双目标控制策略优化算法 Download PDF

Info

Publication number
CN112700009B
CN112700009B CN202110300838.2A CN202110300838A CN112700009B CN 112700009 B CN112700009 B CN 112700009B CN 202110300838 A CN202110300838 A CN 202110300838A CN 112700009 B CN112700009 B CN 112700009B
Authority
CN
China
Prior art keywords
emission
different
source
emission reduction
urban
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.)
Active
Application number
CN202110300838.2A
Other languages
English (en)
Other versions
CN112700009A (zh
Inventor
王体健
杨丹丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhihui Environmental Meteorological Industry Research Institute Co ltd
Original Assignee
Nanjing Zhihui Environmental Meteorological Industry Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Zhihui Environmental Meteorological Industry Research Institute Co ltd filed Critical Nanjing Zhihui Environmental Meteorological Industry Research Institute Co ltd
Priority to CN202110300838.2A priority Critical patent/CN112700009B/zh
Publication of CN112700009A publication Critical patent/CN112700009A/zh
Application granted granted Critical
Publication of CN112700009B publication Critical patent/CN112700009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems
    • Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]

Abstract

本发明公开了一种数值模型和线性规划模型相结合的大气污染协同控制方法，基于源追踪数值模型建立PM2.5和O3浓度的区域排放源—受体响应关系，利用数学规划模型求取PM2.5和O3浓度同时达标情况下的最大允许排放量方案，估算大气环境容量，评估不同城市、不同行业排放源减排方案的有效性，给出区域空气质量达标的可行对策建议，提出优化减排建议。

Description

一种基于遗传算法的城市PM2.5双目标控制策略优化算法
技术领域
本发明属于气象科学技术领域，尤其涉及利用遗传算法求解在空气质量达标前提下，满足减排成本最小且排放量最大的城市PM2.5双目标控制策略优化方法。
背景技术
目前，为了给大气污染调控提供科学的决策支持，我国采用大气环境容量概念，提出了空气质量标准下最大允许污染物排放量的计算方法，这些方法通常采用先进的空气质量模式获取排放源与受体之间的响应关系，在此基础上，运用线性规划的方法寻求在满足一定环境质量目标约束条件下的区域污染物最大允许排放量，实现对区域环境容量资源得到优化配置。
目前，基于最优化数学方法的成本效益分析在环境决策领域得到了广泛应用，该方法着眼区域尺度，对排放源、控制措施及其成本进行划分，通过设置“软约束条件”等方式研究某一具体污染问题，并制定减污治污方案，这一方法在控制减排成本上具有一定参考价值。
但是，在实际减污治污中，制定兼顾减排成本和排放总量的控制策略是必要的。由于，数值模式能够对不同空间尺度、不同行业污染源排放进行模拟，计算“空气质量达标”等约束条件下污染物最大允许排放量，这对目前大气污染优化控制方法中存在的控制单元与污染源划分粗糙，不适用于城市尺度等问题进行了补充；另外，遗传算法在解决多目标优化问题上稳健有效，且在大气复合污染多目标优化问题中得到了成功应用。
因此，针对当前我国PM2.5污染问题，有必要基于遗传算法开发一种在空气质量达标约束下，兼顾减排成本最小且排放量最大的城市PM2.5双目标控制策略优化方法。
发明内容
针对现有技术存在的问题，本发明提供了基于遗传算法的城市PM2.5双目标控制策略优化算法，本方法针对城市尺度PM2.5浓度管控，，依据污染源对PM2.5浓度贡献的源-受体关系和PM2.5减排成本，利用遗传算法求解得到空气质量达标下，减排成本最小和排放量最大的城市PM2.5双目标控制减排方案。。
为解决上述技术问题，本发明采用了以下技术方案：
一种基于遗传算法的城市PM2.5双目标控制策略优化算法，包括以下步骤：
步骤S1，根据研究城市排放源清单划分排放源单位，并基于空气质量模式REGAEMS模拟各排放源单位污染源对PM2.5具体组分浓度贡献的源与受体的响应关系；
步骤S2，结合PM2.5减排措施和减排成本，以污染物排放量和城市排放源分别相对受体的响应关系为输入，以研究城市减排成本最小和排放量最大为目标函数，以空气质量达标为约束条件建立减排模型；
步骤S3，利用遗传算法NSGA-Ⅱ对步骤S2建立的减排模型进行求解，得到减排模型解集，进而得到研究城市不同地区、不同行业各污染物减排比例，从而确定污染源减排清单；
步骤S4，依据步骤S3得到的计算结果，利用空气质量模型对减排后的排放清单重新模拟，判断PM2.5浓度是否达到空气标准，评估减排方案的有效性和可靠性，筛选出PM2.5浓度达标下，减排成本最小和排放量最大的可行减排方案。
作为优选，步骤S1中所各污染源包括不同行业污染源和不同污染物组分污染源，并存储在同一排放源文件中。
进一步的，步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(1)计算城市最大排放量Max f1，
Figure GDA0003079849910000021
式中，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比，Emissi,j,s为排放量。
进一步的，步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(2)计算城市排放成本Min f2，
Figure GDA0003079849910000022
式中，Costi,j,s为单位减排成本，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比，Emissi,j,s为排放量。
进一步的，步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(3)确定约束条件，
Figure GDA0003079849910000023
式中，上角标是源区的序号，
Figure GDA0003079849910000024
为不同源区、行业或物种对受体城市r的贡献浓度，
Figure GDA0003079849910000025
为空气质量目标，
Figure GDA0003079849910000031
为背景不可控浓度，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比。
进一步的，所述遗传算法NSGA-Ⅱ通过随机生成指定数量的控制策略来启动,然后用两个目标函数来评估每个控制策略，通过选择、交叉和变异组合最优控制策略以产生后代，并在多代中重复该方案，直到达到最大代数；
遗传算法NSGA-Ⅱ的参数设定对算法的收敛速度和优化的成功率具有较大的影响。本发明方法将遗传算法的种群规模设定为300，世代数设定200，采用秩选择法为下一代选择亲本,最优个体系数为0.3，适应度函数偏差为10-100。
有益效果：相对于现有技术，通过采用本发明方法，在满足PM2.5浓度达标的前提下，给出减排成本最低和排放量最大的城市减排方案，同时兼顾考虑治理成本以及减排对当地经济发展，制定本地化的控制策略。
附图说明
图1为实施例中输入的各类源排放量；
图2为应用本发明方法得到的PM2.5各组分排放源-受体响应关系；
图3为应用本发明方法得到的不同PM2.5浓度目标下减排系数矩阵；
图4为应用本发明方法的到的不同行业源、不同地区减排量与减排成本；
图5为应用本发明方法得到的两种空气质量目标下减排系数与减排成本。
具体实施方式
下面结合附图并以具体实施例，进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明揭示了一种基于遗传算法的城市PM2.5双目标控制策略优化方法，包括有以下步骤：
第一步：根据目标城市排放源清单划分排放源单位，基于空气质量模式RegAEMS模拟各单位污染源对PM2.5具体组分浓度贡献的源-受体响应关系；
第二步：结合PM2.5减排措施和主要行业中末端技术的单位减排成本(包括脱硫、脱硝、除尘、除NH3和VOCs)，将第一步模拟建立的城市排放源-受体响应关系作为输入，以排放成本最小和排放量最大作为目标函数，以空气质量达标为约束条件建立减排模型；
其中，目标城市减排模型如下：
①对于城市排放量
Figure GDA0003079849910000041
计算不同源区i，不同行业源j，不同物种s的最大允许排放量，其中Xijs为允许减排比，Emissijs为排放量(元)。
②对于城市排放成本
Figure GDA0003079849910000042
计算不同源区i，不同行业源j，不同物种s的最小减排成本，其中Costijs是单位减排成本(元/吨)。
③对于约束条件
Figure GDA0003079849910000043
其中
Figure GDA0003079849910000044
为不同源区、行业源、物种对r个受体城市的贡献浓度，
Figure GDA0003079849910000045
为空气质量目标，
Figure GDA0003079849910000046
为背景不可控浓度。
第三步：利用遗传算法NSGA-Ⅱ求解减排模型解集，得到目标城市不同地区、不同行业各污染物减排比例，确定污染源减排清单。所述遗传算法NSGA-Ⅱ的原理是通过随机生成指定数量的控制策略来启动,然后用两个目标函数来评估每个控制策略，通过选择、交叉和变异组合最优控制策略以产生后代，并在多代中重复该方案，直到达到最大代数。在算法求解过程中，参数设定对算法的收敛速度和优化的成功率具有较大的影响。其具体步骤如下：
步骤1，所述遗传算法NSGA-Ⅱ通过随机生成种群规模为初始规模为300的种群启动，世代数设定为200；
步骤2，以研究城市减排成本最小和排放量最大为目标函数对种群评估，计算约束条件下种群中所有个体的适应度；
步骤3，采用秩选择法为下一代选择亲本，规定最优个体系数为0.3，适应度函数偏差为10-100，选择适应度高的个体参与遗传操作形成新一代种群，并在多代中重复步骤2，直到达到最大代数200，将后代中表现最好的个体作为遗传算法的执行结果。其中，表现最好的个体以排放成本最小的基础上排放量最大作为评价依据。
第四步：依据计算结果，利用空气质量模型对减排后的排放清单重新模拟，判断PM2.5浓度是否达到空气标准，评估减排方案的有效性和可靠性，筛选出PM2.5浓度达标下，减排成本最小和排放量最大的可行减排方案。
本发明的设计重点是：通过采用本发明方法，将目标城市排放清单和减排成本作为外部参数文件输入，适用性和可操作性强，通过空气质量模型的模拟验证，给出满足PM2.5浓度达标下减排成本最小、排放量最大的控制方案，研究城市不同行业大气污染物减排量，可以实现城市的PM2.5控制策略优化，同时兼顾成本与经济效益，一定程度上缓解污染减排一刀切。
图1为实施例中输入的各类源排放量；图2为应用本发明方法得到的PM2.5各组分排放源-受体响应关系；图3为应用本发明方法得到的不同PM2.5浓度目标下减排系数矩阵；图4为应用本发明方法的到的不同行业源、不同地区减排量与减排成本；图5为应用本发明方法得到的两种空气质量目标下减排系数与减排成本。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (6)

1.一种基于遗传算法的城市PM2.5双目标控制策略优化算法，包括以下步骤：
步骤S1，根据研究城市排放源清单划分排放源单位，并基于空气质量模式REGAEMS模拟各排放源单位污染源对PM2.5具体组分浓度贡献的源与受体的响应关系；
步骤S2，结合PM2.5减排措施和减排成本，以污染物排放量和城市排放源分别相对受体的响应关系为输入，以研究城市减排成本最小和排放量最大为目标函数，以空气质量达标为约束条件建立减排模型；
步骤S3，利用遗传算法NSGA-Ⅱ对步骤S2建立的减排模型进行求解，得到减排模型解集，进而得到研究城市不同地区、不同行业各污染物减排比例，从而确定污染源减排清单；
步骤S4，依据步骤S3得到的计算结果，利用空气质量模型对减排后的排放清单重新模拟，判断PM2.5浓度是否达到空气标准，评估减排方案的有效性和可靠性，筛选出PM2.5浓度达标下，减排成本最小和排放量最大的可行减排方案。
2.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：步骤S1中所述各污染源包括不同行业污染源和不同污染物组分污染源，并存储在同一排放源文件中。
3.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(1)计算城市最大排放量Max f1，
Figure FDA0003079849900000011
式中，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比，Emissi,j,s为排放量。
4.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(2)计算城市排放成本Min f2，
Figure FDA0003079849900000021
式中，Costi,j,s为单位减排成本，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比，Emissi,j,s为排放量。
5.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：步骤S2所述减排模型考虑不同源区、不同行业源和不同物种组分，并通过式(3)确定约束条件，
Figure FDA0003079849900000022
式中，上角标r是源区的序号，
Figure FDA0003079849900000023
为不同源区、行业或物种对受体城市r的贡献浓度，
Figure FDA0003079849900000024
为空气质量目标，
Figure FDA0003079849900000025
为背景不可控浓度，i为不同源区的序号，L为源区的数量，j为不同行业源的序号，M为行业源数量，s为不同物种组分的序号，N为物种数量，Xi,j,s为允许减排比。
6.根据权利要求1所述基于遗传算法的城市PM2.5双目标控制策略优化算法，其特征在于：所述遗传算法NSGA-Ⅱ的步骤及参数确定如下：
步骤1，所述遗传算法NSGA-Ⅱ通过随机生成种群规模为初始规模为300的种群启动，世代数设定为200；
步骤2，以研究城市减排成本最小和排放量最大为目标函数对种群评估，计算约束条件下种群中所有个体的适应度；
步骤3，采用秩选择法为下一代选择亲本，规定最优个体系数为0.3，适应度函数偏差为10-100，选择适应度高的个体参与遗传操作形成新一代种群，并在多代中重复步骤2，直到达到最大代数200，将后代中排放成本最小的基础上排放量最大的个体作为遗传算法的执行结果。
CN202110300838.2A 2021-03-22 2021-03-22 一种基于遗传算法的城市pm2.5双目标控制策略优化算法 Active CN112700009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110300838.2A CN112700009B (zh) 2021-03-22 2021-03-22 一种基于遗传算法的城市pm2.5双目标控制策略优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110300838.2A CN112700009B (zh) 2021-03-22 2021-03-22 一种基于遗传算法的城市pm2.5双目标控制策略优化算法

Publications (2)

Publication Number Publication Date
CN112700009A CN112700009A (zh) 2021-04-23
CN112700009B true CN112700009B (zh) 2021-07-09

Family

ID=75515278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110300838.2A Active CN112700009B (zh) 2021-03-22 2021-03-22 一种基于遗传算法的城市pm2.5双目标控制策略优化算法

Country Status (1)

Country Link
CN (1) CN112700009B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420454B (zh) * 2021-07-02 2023-07-07 北京清创美科环境科技有限公司 一种基于大气污染物达标约束的环境容量获取方法及装置
CN117195585A (zh) * 2023-09-27 2023-12-08 重庆市生态环境科学研究院 一种基于动态情景模拟的大气多污染物减排优化调控方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10733332B2 (en) * 2017-06-08 2020-08-04 Bigwood Technology, Inc. Systems for solving general and user preference-based constrained multi-objective optimization problems
CN111523717A (zh) * 2020-04-15 2020-08-11 北京工业大学 一种大气污染物排放清单的反演估算方法
CN112304831A (zh) * 2020-10-08 2021-02-02 大连理工大学 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649960B (zh) * 2016-10-12 2020-03-20 环境保护部环境规划院 大气多污染物环境容量三维迭代计算方法
CN107871210B (zh) * 2017-11-03 2022-03-22 南开大学 一种大气环境容量核算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10733332B2 (en) * 2017-06-08 2020-08-04 Bigwood Technology, Inc. Systems for solving general and user preference-based constrained multi-objective optimization problems
CN111523717A (zh) * 2020-04-15 2020-08-11 北京工业大学 一种大气污染物排放清单的反演估算方法
CN112304831A (zh) * 2020-10-08 2021-02-02 大连理工大学 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Large-scale optimization of multi-pollutant control strategies in the Pearl River Delta Ｒegion of China using a genetic algorithm in machine learning;Jinying Huang 等;《Science of the Total Environment》;20200302;第1-48页 *
大气污染防治综合决策支持技术平台典型城市应用研究;孙新丽 等;《环境科学研究》;20210131;第34卷(第1期);第158-171页 *

Also Published As

Publication number Publication date
CN112700009A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN112700009B (zh) 一种基于遗传算法的城市pm2.5双目标控制策略优化算法
Ye et al. Modeling energy-related CO2 emissions from office buildings using general regression neural network
CN111727447B (zh) 一种选择污染物治理措施的方法
Wen et al. Evaluation of energy saving potential in China's cement industry using the Asian-Pacific Integrated Model and the technology promotion policy analysis
CN107871210B (zh) 一种大气环境容量核算方法
CN110263988B (zh) 一种基于电厂脱硫系统的数据运行优化方法
Rafaj et al. Co-benefits of post-2012 global climate mitigation policies
RU2013130996A (ru) Оптимизированное интегрированное управление для электростанции, работающей на сжигании кислородного топлива
CN112801422B (zh) 数值模型和线性规划模型相结合的大气污染协同控制方法
CN106228464A (zh) 一种基于b/s架构的集团化火力发电企业碳排放控制方法
Hsu et al. Integrated planning for mitigating CO2 emissions in Taiwan: a multi-objective programming approach
CN111240282B (zh) 一种工艺优化方法、装置、设备及计算机可读存储介质
CN116128421B (zh) 一种耦合污染源排放和解析的大气污染管控方案生成方法
CN112395777B (zh) 基于汽车尾气排放模拟环境的发动机标定参数寻优方法
Zhang et al. Emissions trading and technology adoption: An adaptive agent-based analysis of thermal power plants in China
Zhang et al. Synergy of air pollutants and greenhouse gas emissions of Chinese industries: A critical assessment of energy models
Dong et al. Intelligent optimization: A novel framework to automatize multi-objective optimization of building daylighting and energy performances
CN104732352A (zh) 一种用于试题库质量评估的方法
CN116205325A (zh) 一种面向城市的二氧化碳排放核算及优化方法
CN108717506A (zh) 一种预测焦炭热态强度的方法
Zhang et al. An agent-based diffusion model for Residential Photovoltaic deployment in Singapore: Perspective of consumers’ behaviour
CN107767081A (zh) 一种燃煤电厂大气环境影响评价方法及装置
van der Zwaan et al. Endogenous learning in climate-energy-economic models–an inventory of key uncertainties
Sun et al. Research on CO2 emissions from China's electric power industry based on system dynamics model
Ilamathi et al. Predictive modelling and optimization of nitrogen oxides emission in coal power plant using Artificial Neural Network and Simulated Annealing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant