CN113762607A - 一种电网企业碳排放量的预测方法 - Google Patents
一种电网企业碳排放量的预测方法 Download PDFInfo
- Publication number
- CN113762607A CN113762607A CN202110988408.4A CN202110988408A CN113762607A CN 113762607 A CN113762607 A CN 113762607A CN 202110988408 A CN202110988408 A CN 202110988408A CN 113762607 A CN113762607 A CN 113762607A
- Authority
- CN
- China
- Prior art keywords
- power grid
- carbon emission
- svm model
- particle
- training
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网企业碳排放量的预测方法,涉及碳排放监控领域。该预测方法包括:(1)选取电网企业二氧化碳排放因素,以及变量定义,结合历史碳排放量制作样本数据集;(2)样本数据集进行归一化处理;(3)选取支持向量机作为训练预测模型,核函数为高斯核函数,建立SVM模型;(4)初始化SVM模型的各项待优化参数,归一化后的样本数据集一部分数据输入到SVM模型训练,如果输出结果符合要求,则结束训练,得到训练好的SVM模型;(5)利用训练好的SVM模型进行电网企业碳排放量预测。本发明的方法为政府和电网企业感知城市碳排放情况,进而调整能源结构,治理空气污染提供决策数据参考。
Description
技术领域
本发明涉及碳排放监控领域,具体涉及一种电网企业碳排放量的预测方法。
背景技术
碳排放量是指在生产、运输、使用及回收该产品时所产生的平均温室气体排 放量;而动态的碳排放量,则是指每单位货品累积排放的温室气体量,同一产品 的各个批次之间会有不同的动态碳排放量。
但是,电网企业碳排放量预测的方法研究较少,主要采用传统预测模型,传 统预测模型虽然简单,但预测精度不高。
因此,现阶段为了使电网企业应发挥能源供给侧与消费侧“桥梁”的优势, 激发数据要素的价值,充分发挥电力公司在减碳上的枢纽和功能平台作用,开展 基于发电侧的碳达峰、碳中和专项工作,对碳排放进行监测分析我们提出一种电 网企业碳排放量的预测方法。
发明内容
本发明的目的在于针对上述现有技术存在的不足,提供一种电网企业碳排放 量的预测方法,该预测方法更为准确地对未来电网企业二氧化碳排放趋势进行预 测,为制定节能减排、治理环境污染等相关政策与方针提供技术支持与依据。
为了实现上述目的,本发明采用的技术方案如下:
一种电网企业碳排放量的预测方法,包括:
(1)选取电网企业二氧化碳排放因素,以及变量定义,结合历史碳排放量 制作样本数据集;
(2)样本数据集进行归一化处理;
(3)选取支持向量机作为训练预测模型,核函数为高斯核函数,建立SVM 模型;
(4)初始化SVM模型的各项待优化参数,归一化后的样本数据集一部分数 据输入到SVM模型训练,如果输出结果符合要求,则结束训练,得到训练好的SVM 模型;
(5)按样本数据集的数据类型实时采集电网企业二氧化碳排放因素数据, 输入训练好的SVM模型,经数据处理,输出电网企业碳排放量预测结果,完成预 测。
进一步的,步骤(1)中,所述二氧化碳排放因素包括但不限于人均GDP因 素、电力生产技术结构因素、燃料结构因素、输配电损失量、居民生活及产业部 门电耗强度。
进一步的,步骤(4)中,所述SVM模型的待优化参数为罚项参数C与核参 数σ。
进一步的,步骤(4)中,如果输出结果不符合要求,则更新罚项参数C与 核参数σ,然后将归一化后的样本数据集一部分数据输入到SVM模型继续训练, 直至输出结果符合要求,则结束训练。
进一步的,步骤(4)中,更新罚项参数C与核参数σ采用的是改进的粒子 群算法,具体包括:
①初始化加速常数c1和c2,最大迭代次数,粒子群数量;
②改进的粒子群算法为:
其中,d=1,2,...,n,n表示影响因素数据的维度;i=1,2,...,m,m表示粒 子群规模;t表示当前粒子迭代次数,r1、r2∈[0,1]的随机次数;c1和c2为加速常 数;t为迭代次数;表示第t次迭代时第i个粒子在数据特征空间中的第d维的 速度;表示第(t+1)次迭代时第i个粒子在数据特征空间中的第d维的速度; 表示第i个粒子在特征空间中的第d维的坐标;表示第(t-1)次迭代时第 i个粒子在数据特征空间中的第d维的速度;表示粒子迭代更新的速 度与迭代次数以之前速度相关,这样能够更快的找到最优值,以便缩短收敛时间; 表示第i个粒子在特征空间中的第d维的坐标;表示粒子的个体最优解,表示粒子群全局最优解,保持了上一次迭代的速度和方向;为自身 认知项,为全局认知项;
③利用步骤②得到新的罚项参数C与核参数σ,并跳动到步骤(4)。
综上所述,由于采用了上述技术方案,本发明的有益技术效果是:本发明的 电网企业碳排放量的预测方法不仅基于电网数据以及其影响因素对碳排放情况 进行挖掘分析,有效利用用电数据特征,强化基于用电大数据的碳排放,碳核查 的可信度与覆盖面;为政府和电网企业感知城市碳排放情况,进而调整能源结构, 治理空气污染提供决策数据参考;助力电网企业为高耗能用电企业提供碳中和节 能服务,指导能源消费侧的低碳转型,创新服务内容,开发新的利润增长点;助 力政府环保部门开展碳核查,为政府开展碳核查,空气污染治理等工作提供支撑, 有助于精准定位问题,减少工作量,提高政务工作效率。
附图说明
图1为本发明一实施例的电网企业碳排放量的预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施 例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以 解释本发明,并不用于限定本发明。
实施例
请参阅附图1所示,本实施例提供了一种一种电网企业碳排放量的预测方法, 包括:
(1)选取电网企业二氧化碳排放因素,以及变量定义,结合历史碳排放量 制作样本数据集;
所述二氧化碳排放因素包括但不限于人均GDP因素、电力生产技术结构因素、 燃料结构因素、输配电损失量、居民生活及产业部门电耗强度;
(2)样本数据集进行归一化处理;
(3)选取支持向量机作为训练预测模型,核函数为高斯核函数,建立SVM 模型;
(4)初始化SVM模型的各项待优化参数,归一化后的样本数据集一部分数 据输入到SVM模型训练,如果输出结果符合要求,则结束训练,得到训练好的SVM 模型;
所述SVM模型的待优化参数为罚项参数C与核参数σ;
如果输出结果不符合要求,则更新罚项参数C与核参数σ,然后将归一化后 的样本数据集一部分数据输入到SVM模型继续训练,直至输出结果符合要求,则 结束训练;
更新罚项参数C与核参数σ采用的是改进的粒子群算法,具体包括:
①初始化加速常数c1和c2,最大迭代次数,粒子群数量;
②改进的粒子群算法为:
其中,d=1,2,...,n,n表示影响因素数据的维度;i=1,2,...,m,m表示粒 子群规模;t表示当前粒子迭代次数,r1、r2∈[0,1]的随机次数;c1和c2为加速常 数;t为迭代次数;表示第t次迭代时第i个粒子在数据特征空间中的第d维的 速度;表示第(t+1)次迭代时第i个粒子在数据特征空间中的第d维的速度; 表示第i个粒子在特征空间中的第d维的坐标;表示第(t-1)次迭代时第 i个粒子在数据特征空间中的第d维的速度;表示粒子迭代更新的速 度与迭代次数以之前速度相关,这样能够更快的找到最优值,以便缩短收敛时间; 表示第i个粒子在特征空间中的第d维的坐标;表示粒子的个体最优解,表示粒子群全局最优解,保持了上一次迭代的速度和方向;为自身 认知项,为全局认知项;
③利用步骤②得到新的罚项参数C与核参数σ,并跳动到步骤(4);
(5)按样本数据集的数据类型实时采集电网企业二氧化碳排放因素数据, 输入训练好的SVM模型,经数据处理,输出电网企业碳排放量预测结果,完成预 测。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精 神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范 围之内。
Claims (5)
1.一种电网企业碳排放量的预测方法,其特征在于,包括:
(1)选取电网企业二氧化碳排放因素,以及变量定义,结合历史碳排放量制作样本数据集;
(2)样本数据集进行归一化处理;
(3)选取支持向量机作为训练预测模型,核函数为高斯核函数,建立SVM模型;
(4)初始化SVM模型的各项待优化参数,归一化后的样本数据集一部分数据输入到SVM模型训练,如果输出结果符合要求,则结束训练,得到训练好的SVM模型;
(5)按样本数据集的数据类型实时采集电网企业二氧化碳排放因素数据,输入训练好的SVM模型,经数据处理,输出电网企业碳排放量预测结果,完成预测。
2.根据权利要求1所述电网企业碳排放量的预测方法,其特征在于:步骤(1)中,所述二氧化碳排放因素包括但不限于人均GDP因素、电力生产技术结构因素、燃料结构因素、输配电损失量、居民生活及产业部门电耗强度。
3.根据权利要求1所述电网企业碳排放量的预测方法,其特征在于:步骤(4)中,所述SVM模型的待优化参数为罚项参数C与核参数σ。
4.根据权利要求3所述电网企业碳排放量的预测方法,其特征在于:步骤(4)中,如果输出结果不符合要求,则更新罚项参数C与核参数σ,然后将归一化后的样本数据集一部分数据输入到SVM模型继续训练,直至输出结果符合要求,则结束训练。
5.根据权利要求4所述电网企业碳排放量的预测方法,其特征在于:,步骤(4)中,更新罚项参数C与核参数σ采用的是改进的粒子群算法,具体包括:
①初始化加速常数c1和c2,最大迭代次数,粒子群数量;
②改进的粒子群算法为:
其中,d=1,2,...,n,n表示影响因素数据的维度;i=1,2,...,m,m表示粒子群规模;t表示当前粒子迭代次数,r1、r2∈[0,1]的随机次数;c1和c2为加速常数;t为迭代次数;表示第t次迭代时第i个粒子在数据特征空间中的第d维的速度;表示第(t+1)次迭代时第i个粒子在数据特征空间中的第d维的速度;表示第i个粒子在特征空间中的第d维的坐标;表示第(t-1)次迭代时第i个粒子在数据特征空间中的第d维的速度;表示粒子迭代更新的速度与迭代次数以之前速度相关,这样能够更快的找到最优值,以便缩短收敛时间;表示第i个粒子在特征空间中的第d维的坐标;表示粒子的个体最优解,表示粒子群全局最优解,保持了上一次迭代的速度和方向;为自身认知项,为全局认知项;
③利用步骤②得到新的罚项参数C与核参数σ,并跳动到步骤(4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110988408.4A CN113762607B (zh) | 2021-08-26 | 2021-08-26 | 一种电网企业碳排放量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110988408.4A CN113762607B (zh) | 2021-08-26 | 2021-08-26 | 一种电网企业碳排放量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762607A true CN113762607A (zh) | 2021-12-07 |
CN113762607B CN113762607B (zh) | 2023-05-30 |
Family
ID=78791322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110988408.4A Active CN113762607B (zh) | 2021-08-26 | 2021-08-26 | 一种电网企业碳排放量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762607B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919448A (zh) * | 2021-12-14 | 2022-01-11 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
CN115099142A (zh) * | 2022-06-22 | 2022-09-23 | 国网安徽省电力有限公司电力科学研究院 | 基于模型预测的碳控排企业能量优化调度方法 |
CN115752590A (zh) * | 2022-11-30 | 2023-03-07 | 国网福建省电力有限公司 | 基于电力数据的企业污染物排放监测方法 |
CN116596095A (zh) * | 2023-07-17 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336855A (zh) * | 2013-05-24 | 2013-10-02 | 浙江工业大学 | 一种基于多子群粒子群算法的二维不规则排样方法 |
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
CN106786543A (zh) * | 2017-01-05 | 2017-05-31 | 国网江苏省电力公司电力科学研究院 | 一种考虑最大供电能力约束的配电网络优化降损重构方法 |
CN107947196A (zh) * | 2017-11-16 | 2018-04-20 | 国网四川省电力公司 | 一种基于改进粒子群算法的超低频振荡抑制方法 |
CN110020713A (zh) * | 2019-04-08 | 2019-07-16 | 上海科世达-华阳汽车电器有限公司 | 一种光伏的多峰值最大功率追踪方法及相关装置 |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
-
2021
- 2021-08-26 CN CN202110988408.4A patent/CN113762607B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
CN103336855A (zh) * | 2013-05-24 | 2013-10-02 | 浙江工业大学 | 一种基于多子群粒子群算法的二维不规则排样方法 |
CN106786543A (zh) * | 2017-01-05 | 2017-05-31 | 国网江苏省电力公司电力科学研究院 | 一种考虑最大供电能力约束的配电网络优化降损重构方法 |
CN107947196A (zh) * | 2017-11-16 | 2018-04-20 | 国网四川省电力公司 | 一种基于改进粒子群算法的超低频振荡抑制方法 |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN110020713A (zh) * | 2019-04-08 | 2019-07-16 | 上海科世达-华阳汽车电器有限公司 | 一种光伏的多峰值最大功率追踪方法及相关装置 |
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
孙薇 等: "基于QPSO-LSSVM算法的中国碳排放预测", 《国网技术学院学报》 * |
朱小六;熊伟丽;徐保国;: "基于动态惯性因子的PSO算法的研究", 计算机仿真 * |
田立伟 等: "一种增强熵值的粒子群优化絮体分割算法", 《西北师范大学学报(自然科学版)》 * |
薛黎明;张心智;刘保康;胡雅各;: "基于支持向量回归机的河北省能源消费碳排放预测", 煤炭工程 * |
高金贺;黄伟玲;蒋浩鹏;: "城市交通碳排放预测的多模型对比分析", 重庆交通大学学报(自然科学版) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919448A (zh) * | 2021-12-14 | 2022-01-11 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
CN113919448B (zh) * | 2021-12-14 | 2022-04-01 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
CN115099142A (zh) * | 2022-06-22 | 2022-09-23 | 国网安徽省电力有限公司电力科学研究院 | 基于模型预测的碳控排企业能量优化调度方法 |
CN115099142B (zh) * | 2022-06-22 | 2024-07-02 | 国网安徽省电力有限公司电力科学研究院 | 基于模型预测的碳控排企业能量优化调度方法 |
CN115752590A (zh) * | 2022-11-30 | 2023-03-07 | 国网福建省电力有限公司 | 基于电力数据的企业污染物排放监测方法 |
CN116596095A (zh) * | 2023-07-17 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
CN116596095B (zh) * | 2023-07-17 | 2023-11-07 | 华能山东泰丰新能源有限公司 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113762607B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113762607A (zh) | 一种电网企业碳排放量的预测方法 | |
Sun et al. | Factor analysis and forecasting of CO2 emissions in Hebei, using extreme learning machine based on particle swarm optimization | |
CN111007813A (zh) | 一种基于多种群混合智能算法的agv避障调度方法 | |
Liu et al. | An enhanced vortex search algorithm based on fluid particle density transfer for global and engineering optimization | |
Teng et al. | Prediction of particulate matter concentration in Chengdu based on improved differential evolution algorithm and BP neural network model | |
Liu et al. | Prediction of share price trend using FCM neural network classifier | |
CN114584991B (zh) | 一种求解配电网传感器节点覆盖的群体智能优化方法 | |
Yin et al. | Scenario-based analysis for industrial project planning in the context of carbon peaking: Case study city, China | |
CN113325129B (zh) | 一种基于动态种群的大气污染物溯源算法 | |
Dong et al. | A combination weighting model based on iMOEA/D-DE | |
CN112785022B (zh) | 一种挖掘电能替代潜力的方法及系统 | |
Khafaga | Optimization ensemble weights model for wind forecasting system | |
Wu et al. | Harris hawks optimization for solving flexible jobshop scheduling problem considering energy consumption | |
Lu et al. | Green transition in manufacturing: Dynamics and simulation | |
Yuan et al. | Flexible Assembly Shop Scheduling Based on Improved Genetic Algorithm | |
Xue et al. | Evolutionary Analysis of Emission Reduction Strategies | |
Kamaruddin et al. | Killer whale-backpropagation (KW-BP) algorithm for accuracy improvement of neural network forecasting models on energy-efficient data | |
Tao et al. | Intelligent grid load forecasting based on BERT network model in low-carbon economy | |
Zhang et al. | An effective immune particle swarm optimization algorithm for scheduling job shops | |
Chen et al. | Benefit Analysis of Low‐Carbon Policy Mix Innovation Based on Consumer Perspective in Smart City | |
Tayarani et al. | Using Machine Learning Models to Forecast Electric Vehicle Destination and Charging Event | |
Liu et al. | Load Carbon Rate Forecasting Based on Genetic-Ant Colony Hybrid Algorithm Improved Support Vector Machine | |
CN115936453A (zh) | 省域碳排放总量控制目标的分解方法、装置、设备及介质 | |
Zhou et al. | A multi-strategy firefly algorithm based on rough data reasoning for power economic dispatch | |
Essiet et al. | Research Article E-dyNSGA-III: A Multi-Objective Algorithm for Handling Pareto Optimality over Time |
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 |