CN114169574A - 一种通过工业运行电力指数进行大气污染预测的方法 - Google Patents
一种通过工业运行电力指数进行大气污染预测的方法 Download PDFInfo
- Publication number
- CN114169574A CN114169574A CN202111332302.5A CN202111332302A CN114169574A CN 114169574 A CN114169574 A CN 114169574A CN 202111332302 A CN202111332302 A CN 202111332302A CN 114169574 A CN114169574 A CN 114169574A
- Authority
- CN
- China
- Prior art keywords
- emission
- region
- concentration
- zone
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 72
- 231100000719 pollutant Toxicity 0.000 claims abstract description 69
- 230000004044 response Effects 0.000 claims abstract description 63
- 230000008859 change Effects 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 31
- 230000005611 electricity Effects 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 239000002243 precursor Substances 0.000 claims description 60
- 239000000356 contaminant Substances 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 239000000178 monomer Substances 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 5
- DNAWGBOKUFFVMB-ANYFDBNWSA-N C1C[C@@H](O)[C@@H]2C(COC(=O)[C@](O)([C@H](C)O)C(C)C)=CC[N+]21[O-] Chemical compound C1C[C@@H](O)[C@@H]2C(COC(=O)[C@](O)([C@H](C)O)C(C)C)=CC[N+]21[O-] DNAWGBOKUFFVMB-ANYFDBNWSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000009365 direct transmission Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000032258 transport Effects 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 101100326803 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) fac-2 gene Proteins 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Abstract
本发明涉及一种通过工业运行电力指数进行大气污染预测的方法，属于大气污染治理方法技术领域。本发明的技术方案是：进行重点工业行业用电水平同空气质量的相关性分析；进行高时间分辨率企业用电数据与污染物排放清单耦合；进行空气质量达标目标下成本最优情景设计。本发明的有益效果是：通过建立基于RF算法的关联模型，研究重点工业行业的用电水平、污染物排放水平与PM2.5浓度的响应关系，以电力指数为媒介，解决排放源难以实现全覆盖的动态监测问题；从综合效益最优的维度优化各行业的相关治理措施，根据工业企业生产活动变动，实现防控对象有序调整。
Description
技术领域
本发明涉及一种通过工业运行电力指数进行大气污染预测的方法，属于大气污染治理方法技术领域。
背景技术
随着社会经济的快速发展，我国在过去的20年间出现了快速的城镇化、工业化和机动化过程，煤炭和石油等化石能源消费量增长迅猛，造成了酸雨和灰霾等严重的区域环境问题。当前，居于高位的污染物排放量依旧是重污染频发的根本原因，其中钢铁等工业行业的污染物排放是影响空气质量的关键因素。在复杂的大气化学机制作用下，排放的气态污染物可能转化为PM2.5中的二次成分，因此，无论是直接排放还是化学转化，钢铁等工业行业排放对空气质量的影响都十分显著。研究表明，工业源对PM2.5的贡献在采暖季可达到38.1％，在各部门中位居首位。
工业部门的污染治理，离不开污染控制技术的进步和产能结构的升级，也离不开对企业生产状态的跟踪。目前工业部门的污染治理主要面临两方面的问题，一是排放清单主要基于污染源普查或者其他年鉴统计资料汇编整理，在线监测(CEMS)设备也仅布设在重点企业的个别烟气出口，无法做到排放源的全覆盖动态监测。此外，传统的大气污染治理措施更注重大气污染本身的提升效果，可能会在一定程度上缺乏对经济成本的考量。考虑到工业企业的生产状态同用电水平关系紧密，倘若能获取重点工业企业的用电量数据，便有可能支撑短时、动态的空气质量管理，同时根据工业企业生产活动的变动有序调整防控对象。本次项目综合研究重点工业行业的用电水平、污染物排放水平与PM2.5 浓度的响应关系，以电力指数为媒介，将环保部门、电网企业和污染排放企业三个方面紧密联系在了一起，将有助于从综合效益最优的维度优化各行业的相关治理措施，符合当前科学治污、精确治污的理念。
发明内容
本发明目的是提供一种通过工业运行电力指数进行大气污染预测的方法，通过建立基于RF算法的关联模型，研究重点工业行业的用电水平、污染物排放水平与PM2.5浓度的响应关系，以电力指数为媒介，解决排放源难以实现全覆盖的动态监测问题；从综合效益最优的维度优化各行业的相关治理措施，根据工业企业生产活动变动，实现防控对象有序调整，有效地解决了背景技术中存在的上述问题。
本发明的技术方案是：一种通过工业运行电力指数进行大气污染预测的方法，包含以下步骤：进行重点工业行业用电水平同空气质量的相关性分析；进行高时间分辨率企业用电数据与污染物排放清单耦合；进行空气质量达标目标下成本最优情景设计。
所述重点工业行业用电水平同空气质量的相关性分析包括：首先，收集历史年各月份各区县分行业用电量、大气指数及各县监测站监测数据，将企业的用电量作为其活动水平的表征；再与大气污染物排放数据相结合，基于各行业电量与年度大气指标数值，计算各行业电量与空气指数相关性。
所述高时间分辨率企业用电数据与污染物排放清单耦合包括不同影响因素与企业用电量模型的建立和企业用电量与空气质量模型的建立两个部分，将企业逐日用电量同大气污染物年排放清单相耦合，建立基于随机森林的数据驱动方法，根据典型工业企业用电量的时间序列变化对工业企业大气污染物排放进行预测；结合污染物排放的波动输入至曲面响应模型，输出不同排放情景下的PM2.5浓度值，建立“电力数据—排放数据—空气质量数据”链条，从而提高清单的时间分辨率。
所述空气质量达标目标下成本最优情景设计包括从重点行业用电水平变化入手，分析疫情管控措施对企业生产乃至空气质量的影响，提出“电量—污染物弹性贡献系数”这一概念，并利用RSM模拟减排情景下的PM2.5浓度，从而提出不同PM2.5浓度削减目标下，成本最优的重点行业限产路径。
所述不同影响因素与企业用电量模型的建立中，预测变量包括时间变量、气象变量、政策变量和价格变量，其中：
①时间变量包含year、day_julian和weekday三项，分别表征企业用电的年际、季节和周内规律；
②气象参数包含air_temp一项，主要表征供暖季限产对企业用电量的影响；
③政策参数包含两项，第一项是AQI，表征重污染天气下限产措施对企业的影响，该数据从中国环境监测中心获取；第二项为event，取值分别为0、1和 2，分别表示正常状况、假期以及重大活动对企业用电状况的影响；
④价格参数包含material和product两项或revenue一项，可用于表征成本和售价或利润对企业生产决策的影响，考虑到生产决策不大可能只参考当天的原料和产品价格进行，建模采用价格指数的滑动平均值；
四类不同影响因素与企业用电量模型参数的选取需要兼顾模型运算效率和结果准确性两个方面，采用随机森林法，决策树预测变量数确定为4，树木数量确定为200，最小节点数确定为3；在训练集和校验集划分上，取80％的历史数据作为训练集建立随机森林模型，其余20％用于检验模型效果。
所述企业用电量与空气质量模型采用利用多项式函数关系式表征的多区域多部门排放之间的响应表面模型，建立模型时，采用多项式拟合方法对响应关系进行更为明确的参数化，对基函数进行敏感性测试，经过与传统RSM结果对照差异来确定近似的方程形式，该模型建立过程如下所示：
①给定一个函数表达式的可能形式：
其中，ΔConc是PM2.5的浓度响应情况；ENOX、ESO2、ENH3、EVOCS和EPOA则是NOX、 SO2、NH3、VOCS和POA污染物排放量的变化情况，在基准状态下为0；ai、bi、 ci、di和ei是污染物排放量变化的非负整数次幂，Xi是第i项的系数；
②多项式阶数的确定
研究依次确定了几个前体物排放项式的最高次数。假设其余前提物的排放不变，单一自变量的计算公式如下所示：
其中，ΔConc是PM2.5浓度对某个单体物排放变化的浓度响应值；EP是某个单体物排放相对于基准情景的变化率；Ai是每个项式i的系数；a是前体物P 排放率的次数，用于决定多项式最佳拟合形式下最高次项的幂次；
通过设置多项式最高次数在1-5之间，用pf-ERSM模型预测该前体物排放从-1到0.2变化时的浓度，同传统RSM计算值对比来确定合适的最高次数，分析表明，PM2.5同SO2排放间线性关系较强，同其他前体物则主要呈非线性响应；
③多项式项数的确定
多项式项数过多，保留太多的未知数，既不利于后续响应曲面模型的建立，也会由于共线性的存在而造成过度拟合，为此，研究考察了各交叉项对结果的影响，并把其中不敏感的部分剔除，此外进一步考查了各交叉项之间的相互作用，这一步是通过对比有无交叉项计算式对污染物浓度的预测准确程度来确定的，如下所示：
倘若使用这两个计算时所得的PM2.5浓度响应结果相等或近似，这说明交叉项对污染物浓度影响可以被忽略；
④多项式方程系数的确定
系数值主要通过将一定量空气质量模型模拟结果参与拟合的方式来进行，为了减轻空气质量模拟的计算成本，研究采用哈默斯利序列采样方法和边缘加密策略，对样本点进行选取，具体公式如下：
其中，X表示在[a,b]部分使用HSS采样得到的均匀分布的样本点，TX表示边缘加密后的样本点；
基于这些样本，研究分别使用传统RSM和pf-ERSM的方法预测PM2.5浓度值，校验结果说明，使用较少的样本点，也能够保证pf-ERSM模型的准确性，而且大大节约了拟合时间；
⑤多区域响应曲面模型的搭建
为衡量各区域对目标区域的总影响，需要开发多个区域的RSM子系统，再将其进行数学组合，区域传输对PM2.5浓度的贡献主要体现在两个方面，第一个是PM2.5直接从来源区域传输至受体区域，第二个是前体物传输至受体区域形成二次污染物，在将两者叠加时，还需要考虑区域协同控制的相互影响，其他区域对目标区域PM2.5浓度计算式如下所示：
其中，ConciX表示受体区域i的污染物X的浓度；CMj→i表示区域j输送至区域i的前体物并在区域i形成二次污染物的部分；CM_INDi表示多区域排放变化对本地化学生成的间接影响所贡献的部分；TPj→i是污染物X从区域j直接传输至区域i的部分；TP_INDi是多区域排放对直接传输产生的间接影响所贡献的部分；
⑥区域传输前体物形成二次污染物的贡献
从区域j传输而来前体物在区域i生成污染物X的浓度值和区域i本地排放生成浓度值可用下式表示：
其中，emisj是来源于j区域的前体物排放；Concjprecursors是i区域的前体物浓度；rsmjX(Conciprecursors)是基于单一区域RSM模型计算得到的污染物浓度对前体物浓度变化的响应；rsmiprecursors(Emisj)是RSM系统基于单一区域RSM模型计算前体物浓度对前体物排放变化的响应；rsmiX(emisi)是基于本地RSM模型计算的污染物浓度对本地排放变化的响应；
⑦多区域排放变化对本地化学生成间接影响的贡献
从区域j到区域i的CM贡献取决于区域i中由所有区域传输的前体物浓度水平，其计算式如下所示：
来自每个单独区域的CM的总和可能不等于所有区域的总CM，上式表示这两个值之间的差异，即对CM的间接影响；
⑧污染物在来源区域生成后传输至受体区域的贡献
由污染物在来源区域生成，然后传输至受体区域的部分可表示为污染物浓度对区域j排放的响应减去从区域j传输到i的前体物生成的部分，其计算式如下所示：
其中，rsmiX(Emisj)表示基于单一区域RSM计算ConciX对Emisj的响应；
⑨多区域协同控制时，某区域前体物排放的变化可能会影响区域j中的污染物X，进而影响X到区域i的传输。区域整体变化预测值同以上过程叠加后影响的差异可通过TP_IND来表示，其计算式如下：
其中，
是利用每个区域贡献作为权重计算的所有来源区域排放的加权平均值，
是建立的关于区域i污染物X对于区域整体排放变化响应的 RSM系统。
本发明的有益效果是：通过建立基于RF算法的关联模型，研究重点工业行业的用电水平、污染物排放水平与PM2.5浓度的响应关系，以电力指数为媒介，解决排放源难以实现全覆盖的动态监测问题；从综合效益最优的维度优化各行业的相关治理措施，根据工业企业生产活动变动，实现防控对象有序调整。
附图说明
图1为本发明不同影响因素与企业用电量模型的建立中各预测变量对用电量影响图；
图2为本发明高时间分辨率企业用电数据与污染物排放清单耦合模型图；
图3为本发明随机森林法示意图；
图4为本发明随机森林模型校验结果图。
具体实施方式
下面结合附图与实施例对本发明技术方案作进一步详细的说明，这是本发明的较佳实施例。应当理解，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种通过工业运行电力指数进行大气污染预测的方法，包含以下步骤：进行重点工业行业用电水平同空气质量的相关性分析；进行高时间分辨率企业用电数据与污染物排放清单耦合；进行空气质量达标目标下成本最优情景设计。
所述重点工业行业用电水平同空气质量的相关性分析包括：首先，收集历史年各月份各区县分行业用电量、大气指数及各县监测站监测数据，将企业的用电量作为其活动水平的表征；再与大气污染物排放数据相结合，基于各行业电量与年度大气指标数值，计算各行业电量与空气指数相关性。
所述高时间分辨率企业用电数据与污染物排放清单耦合包括不同影响因素与企业用电量模型的建立和企业用电量与空气质量模型的建立两个部分，将企业逐日用电量同大气污染物年排放清单相耦合，建立基于随机森林的数据驱动方法，根据典型工业企业用电量的时间序列变化对工业企业大气污染物排放进行预测；结合污染物排放的波动输入至曲面响应模型，输出不同排放情景下的 PM2.5浓度值，建立“电力数据—排放数据—空气质量数据”链条，从而提高清单的时间分辨率。
所述空气质量达标目标下成本最优情景设计包括从重点行业用电水平变化入手，分析疫情管控措施对企业生产乃至空气质量的影响，提出“电量—污染物弹性贡献系数”这一概念，并利用RSM模拟减排情景下的PM2.5浓度，从而提出不同PM2.5浓度削减目标下，成本最优的重点行业限产路径。
所述不同影响因素与企业用电量模型的建立中，预测变量包括时间变量、气象变量、政策变量和价格变量，其中：
①时间变量包含year、day_julian和weekday三项，分别表征企业用电的年际、季节和周内规律；
②气象参数包含air_temp一项，主要表征供暖季限产对企业用电量的影响；
③政策参数包含两项，第一项是AQI，表征重污染天气下限产措施对企业的影响，该数据从中国环境监测中心获取；第二项为event，取值分别为0、1和 2，分别表示正常状况、假期以及重大活动对企业用电状况的影响；
④价格参数包含material和product两项或revenue一项，可用于表征成本和售价或利润对企业生产决策的影响，考虑到生产决策不大可能只参考当天的原料和产品价格进行，建模采用价格指数的滑动平均值；
四类不同影响因素与企业用电量模型参数的选取需要兼顾模型运算效率和结果准确性两个方面，采用随机森林法，决策树预测变量数确定为4，树木数量确定为200，最小节点数确定为3；在训练集和校验集划分上，取80％的历史数据作为训练集建立随机森林模型，其余20％用于检验模型效果。
所述企业用电量与空气质量模型采用利用多项式函数关系式表征的多区域多部门排放之间的响应表面模型，建立模型时，采用多项式拟合方法对响应关系进行更为明确的参数化，对基函数进行敏感性测试，经过与传统RSM结果对照差异来确定近似的方程形式，该模型建立过程如下所示：
①给定一个函数表达式的可能形式：
其中，ΔConc是PM2.5的浓度响应情况；ENOX等则是NOX等污染物排放量的变化情况，在基准状态下为0；ai等是污染物排放量变化的非负整数次幂，Xi 是第i项的系数；
②多项式阶数的确定
研究依次确定了几个前体物排放项式的最高次数。假设其余前提物的排放不变，单一自变量的计算公式如下所示：
其中，ΔConc是PM2.5浓度对某个单体物排放变化的浓度响应值；EP是某个单体物排放相对于基准情景的变化率；Ai是每个项式i的系数；a是前体物P 排放率的次数，用于决定多项式最佳拟合形式下最高次项的幂次；
通过设置多项式最高次数在1-5之间，用pf-ERSM模型预测该前体物排放从-1到0.2变化时的浓度，同传统RSM计算值对比来确定合适的最高次数，分析表明，PM2.5同SO2排放间线性关系较强，同其他前体物则主要呈非线性响应；
③多项式项数的确定
多项式项数过多，保留太多的未知数，既不利于后续响应曲面模型的建立，也会由于共线性的存在而造成过度拟合，为此，研究考察了各交叉项对结果的影响，并把其中不敏感的部分剔除，此外进一步考查了各交叉项之间的相互作用，这一步是通过对比有无交叉项计算式对污染物浓度的预测准确程度来确定的，如下所示：
倘若使用这两个计算时所得的PM2.5浓度响应结果相等或近似，这说明交叉项对污染物浓度影响可以被忽略；
④多项式方程系数的确定
系数值主要通过将一定量空气质量模型模拟结果参与拟合的方式来进行，为了减轻空气质量模拟的计算成本，研究采用哈默斯利序列采样方法和边缘加密策略，对样本点进行选取，具体公式如下：
其中，X表示在[a,b]部分使用HSS采样得到的均匀分布的样本点，TX表示边缘加密后的样本点；
基于这些样本，研究分别使用传统RSM和pf-ERSM的方法预测PM2.5浓度值，校验结果说明，使用较少的样本点，也能够保证pf-ERSM模型的准确性，而且大大节约了拟合时间；
⑤多区域响应曲面模型的搭建
为衡量各区域对目标区域的总影响，需要开发多个区域的RSM子系统，再将其进行数学组合，区域传输对PM2.5浓度的贡献主要体现在两个方面，第一个是PM2.5直接从来源区域传输至受体区域，第二个是前体物传输至受体区域形成二次污染物，在将两者叠加时，还需要考虑区域协同控制的相互影响，其他区域对目标区域PM2.5浓度计算式如下所示：
其中，ConciX表示受体区域i的污染物X的浓度；CMj→i表示区域j输送至区域i的前体物并在区域i形成二次污染物的部分；CM_INDi表示多区域排放变化对本地化学生成的间接影响所贡献的部分；TPj→i是污染物X从区域j直接传输至区域i的部分；TP_INDi是多区域排放对直接传输产生的间接影响所贡献的部分；
⑥区域传输前体物形成二次污染物的贡献
从区域j传输而来前体物在区域i生成污染物X的浓度值和区域i本地排放生成浓度值可用下式表示：
其中，emisj是来源于j区域的前体物排放；Concjprecursors是i区域的前体物浓度；rsmjX(Conciprecursors)是基于单一区域RSM模型计算得到的污染物浓度对前体物浓度变化的响应；rsmiprecursors(Emisj)是RSM系统基于单一区域RSM模型计算前体物浓度对前体物排放变化的响应；rsmiX(emisi)是基于本地RSM模型计算的污染物浓度对本地排放变化的响应；
⑦多区域排放变化对本地化学生成间接影响的贡献
从区域j到区域i的CM贡献取决于区域i中由所有区域传输的前体物浓度水平，其计算式如下所示：
来自每个单独区域的CM的总和可能不等于所有区域的总CM，上式表示这两个值之间的差异，即对CM的间接影响；
⑧污染物在来源区域生成后传输至受体区域的贡献
由污染物在来源区域生成，然后传输至受体区域的部分可表示为污染物浓度对区域j排放的响应减去从区域j传输到i的前体物生成的部分，其计算式如下所示：
其中，rsmiX(Emisj)表示基于单一区域RSM计算ConciX对Emisj的响应；
⑨多区域协同控制时，某区域前体物排放的变化可能会影响区域j中的污染物X，进而影响X到区域i的传输；区域整体变化预测值同以上过程叠加后影响的差异可通过TP_IND来表示，其计算式如下：
其中，
是利用每个区域贡献作为权重计算的所有来源区域排放的加权平均值，
是建立的关于区域i污染物X对于区域整体排放变化响应的 RSM系统。
在实际应用中，本发明包括重点工业行业用电水平同空气质量的相关性分析、高时间分辨率企业用电数据与污染物排放清单耦合、空气质量达标目标下成本最优情景设计三个部分。
重点工业行业用电水平同空气质量的相关性分析：首先，收集历史年各月份各区县分行业用电量、大气指数及各县监测站监测数据，利用将企业的用电量作为其活动水平的表征。再与大气污染物排放数据相结合，基于各行业电量与年度大气指标数值，计算各行业电量与空气指数相关性，如图1。对于SPSS 软件中置信度(双侧)小于0.05，则认为相关性显著。
高时间分辨率企业用电数据与污染物排放清单耦合包括不同影响因素与企业用电量模型的建立和企业用电量与空气质量模型的建立两个部分，模型整体框架思路如图2。
不同影响因素与企业用电量模型的建立采用随机森林法。随机森林(RandomForest，RF)是一种集成多棵决策树训练及预测结果的分类器，如图3，构建方法如下：
①从M个预测变量中选取m个作为一棵决策树的预测变量。
②在N个观测值中进行有放回的随机采样，选择数目同样本数相同的预测值作为一棵树的训练集，其余值则作为校验集，用于评判随机森林模型的准确性。
③每棵决策树完整分类不进行剪枝，通过确定最后一个节点分裂后的观测值数量来结束分类。所有决策树预测结果的平均值即为随机森林的预测结果。
不同影响因素与企业用电量模型预测变量包括时间变量、气象变量、政策变量、价格变量四类。其中：
①时间变量包含year(年份)、day_julian(取值为1-366)和weekday(取值为1-7)三项，分别表征企业用电的年际、季节和周内规律。
②气象参数包含air_temp(气温)一项，主要表征供暖季限产对企业用电量的影响。
③政策参数包含两项，第一项是AQI(空气质量指数)，表征重污染天气下限产措施对企业的影响，该数据从中国环境监测中心获取。第二项为event，取值分别为0、1、2，分别表示正常状况、假期(春节、国庆等)以及重大活动对企业用电状况的影响。
④价格参数包含material、product两项或revenue一项，可用于表征成本、售价或利润对企业生产决策的影响。考虑到生产决策不大可能只参考当天的原料和产品价格进行，建模采用价格指数的滑动平均值。
不同影响因素与企业用电量模型参数的选取需要兼顾模型运算效率和结果准确性两个方面，通过多次尝试，决策树预测变量数(mtry)确定为4，树木数量(ntree)确定为200，最小节点数(min_node_size)则确定为3。而在训练集、校验集划分上，则取80％的历史数据作为训练集建立随机森林模型，其余20％用于检验模型效果。
不同影响因素与企业用电量模型建立完成后，还需要在校验集上运行该模型，并将模型预测值同实际观测值进行比对，从而确定模型效果的优劣，如图4。在校验时，常用的统计指标有皮尔逊相关指数(R)、FAC2(Factor of 2of the observation)和标准平均偏差(Normalized Mean Bias，NMB)等。其中，R可以用来衡量模型在相关性上的优劣，FAC2和RMSE则用于衡量模型在准确性上的优劣。这三个指标的数学意义如下所示：
其中，Oi为观测值，Pi为预测值，N为样本量。
企业用电量与空气质量模型采用了利用多项式函数关系式表征的多区域多部门排放之间的响应表面模型(pf-ERSM)。多项式回归模型可应用于非线性可分数据的处理，在保持了线性模型高速预算性能的同时，在总体上也更为灵活。建立模型时，采用多项式拟合方法对响应关系进行更为明确的参数化，对基函数进行敏感性测试，经过与传统RSM结果对照差异来确定近似的方程形式。该模型建立过程如下所示：
①给定一个函数表达式的可能形式：
其中，ΔConc是PM2.5的浓度响应情况；ENOX等则是NOX等污染物排放量的变化情况，在基准状态下为0；ai等是污染物排放量变化的非负整数次幂，Xi 是第i项的系数；
②多项式阶数的确定
研究依次确定了几个前体物排放项式的最高次数。假设其余前提物的排放不变，单一自变量的计算公式如下所示：
其中，ΔConc是PM2.5浓度对某个单体物排放变化的浓度响应值；EP是某个单体物排放相对于基准情景的变化率；Ai是每个项式i的系数；a是前体物P 排放率的次数，用于决定多项式最佳拟合形式下最高次项的幂次；
通过设置多项式最高次数在1-5之间，用pf-ERSM模型预测该前体物排放从-1到0.2变化时的浓度，同传统RSM计算值对比来确定合适的最高次数，分析表明，PM2.5同SO2排放间线性关系较强，同其他前体物则主要呈非线性响应；
③多项式项数的确定
多项式项数过多，保留太多的未知数，既不利于后续响应曲面模型的建立，也会由于共线性的存在而造成过度拟合，为此，研究考察了各交叉项对结果的影响，并把其中不敏感的部分剔除，此外进一步考查了各交叉项之间的相互作用，这一步是通过对比有无交叉项计算式对污染物浓度的预测准确程度来确定的，如下所示：
倘若使用这两个计算时所得的PM2.5浓度响应结果相等或近似，这说明交叉项对污染物浓度影响可以被忽略；
④多项式方程系数的确定
系数值主要通过将一定量空气质量模型模拟结果参与拟合的方式来进行，为了减轻空气质量模拟的计算成本，研究采用哈默斯利序列采样方法和边缘加密策略，对样本点进行选取，具体公式如下：
其中，X表示在[a,b]部分使用HSS采样得到的均匀分布的样本点，TX表示边缘加密后的样本点；
基于这些样本，研究分别使用传统RSM和pf-ERSM的方法预测PM2.5浓度值，校验结果说明，使用较少的样本点，也能够保证pf-ERSM模型的准确性，而且大大节约了拟合时间；
⑤多区域响应曲面模型的搭建
为衡量各区域对目标区域的总影响，需要开发多个区域的RSM子系统，再将其进行数学组合，区域传输对PM2.5浓度的贡献主要体现在两个方面，第一个是PM2.5直接从来源区域传输至受体区域，第二个是前体物传输至受体区域形成二次污染物，在将两者叠加时，还需要考虑区域协同控制的相互影响，其他区域对目标区域PM2.5浓度计算式如下所示：
其中，ConciX表示受体区域i的污染物X的浓度；CMj→i表示区域j输送至区域i的前体物并在区域i形成二次污染物的部分；CM_INDi表示多区域排放变化对本地化学生成的间接影响所贡献的部分；TPj→i是污染物X从区域j直接传输至区域i的部分；TP_INDi是多区域排放对直接传输产生的间接影响所贡献的部分；
⑥区域传输前体物形成二次污染物的贡献
从区域j传输而来前体物在区域i生成污染物X的浓度值和区域i本地排放生成浓度值可用下式表示：
其中，emisj是来源于j区域的前体物排放；Concjprecursors是i区域的前体物浓度；rsmjX(Conciprecursors)是基于单一区域RSM模型计算得到的污染物浓度对前体物浓度变化的响应；rsmiprecursors(Emisj)是RSM系统基于单一区域RSM模型计算前体物浓度对前体物排放变化的响应；rsmiX(emisi)是基于本地RSM模型计算的污染物浓度对本地排放变化的响应；
⑦多区域排放变化对本地化学生成间接影响的贡献
从区域j到区域i的CM贡献取决于区域i中由所有区域传输的前体物浓度水平，其计算式如下所示：
来自每个单独区域的CM的总和可能不等于所有区域的总CM，上式表示这两个值之间的差异，即对CM的间接影响；
⑧污染物在来源区域生成后传输至受体区域的贡献
由污染物在来源区域生成，然后传输至受体区域的部分可表示为污染物浓度对区域j排放的响应减去从区域j传输到i的前体物生成的部分，其计算式如下所示：
其中，rsmiX(Emisj)表示基于单一区域RSM计算ConciX对Emisj的响应；
⑨多区域协同控制时，某区域前体物排放的变化可能会影响区域j中的污染物X，进而影响X到区域i的传输。区域整体变化预测值同以上过程叠加后影响的差异可通过TP_IND来表示，其计算式如下：
其中，
是利用每个区域贡献作为权重计算的所有来源区域排放的加权平均值，
是建立的关于区域i污染物X对于区域整体排放变化响应的RSM 系统。
空气质量达标目标下成本最优情景设计进一步从五个部门的不同排放削减比例出发，设计了3000个减排情景，具体方案如表1所示。其中，“其他排放源”除唐山市本地的交通、民用等部门外，也将其他城市的排放量纳入考虑，这主要是顾及到了区域传输对本地PM2.5浓度的贡献。借助pf-ERSM模型得到各情景下的PM2.5浓度值，再通过EER指数计算各情景下的年化工业损失电量，由此即可选择既能满足浓度削减目标，又可尽量减少工业损失电量的最优情景。
表1减排情景设计思路
注：表格中的数值是指各情景下污染物排放量同基准排放量的比值。由于钢铁行业已实行超低排放改造，只设计了0.5～1之间的排放系数。
Claims (6)
1.一种通过工业运行电力指数进行大气污染预测的方法，其特征在于包含以下步骤：进行重点工业行业用电水平同空气质量的相关性分析；进行高时间分辨率企业用电数据与污染物排放清单耦合；进行空气质量达标目标下成本最优情景设计。
2.根据权利要求1所述的一种通过工业运行电力指数进行大气污染预测的方法，其特征在于：所述重点工业行业用电水平同空气质量的相关性分析包括：首先，收集历史年各月份各区县分行业用电量、大气指数及各县监测站监测数据，将企业的用电量作为其活动水平的表征；再与大气污染物排放数据相结合，基于各行业电量与年度大气指标数值，计算各行业电量与空气指数相关性。
3.根据权利要求1所述的一种通过工业运行电力指数进行大气污染预测的方法，其特征在于：所述高时间分辨率企业用电数据与污染物排放清单耦合包括不同影响因素与企业用电量模型的建立和企业用电量与空气质量模型的建立两个部分，将企业逐日用电量同大气污染物年排放清单相耦合，建立基于随机森林的数据驱动方法，根据典型工业企业用电量的时间序列变化对工业企业大气污染物排放进行预测；结合污染物排放的波动输入至曲面响应模型，输出不同排放情景下的PM2.5浓度值，建立电力数据—排放数据—空气质量数据链条，从而提高清单的时间分辨率。
4.根据权利要求1所述的一种通过工业运行电力指数进行大气污染预测的方法，其特征在于：所述空气质量达标目标下成本最优情景设计包括从重点行业用电水平变化入手，分析疫情管控措施对企业生产乃至空气质量的影响，提出电量—污染物弹性贡献系数这一概念，并利用RSM模拟减排情景下的PM2.5浓度，从而提出不同PM2.5浓度削减目标下，成本最优的重点行业限产路径。
5.根据权利要求3所述的一种通过工业运行电力指数进行大气污染预测的方法，其特征在于：所述不同影响因素与企业用电量模型的建立中，预测变量包括时间变量、气象变量、政策变量和价格变量，其中：
①时间变量包含year、day_julian和weekday三项，分别表征企业用电的年际、季节和周内规律；
②气象参数包含air_temp一项，主要表征供暖季限产对企业用电量的影响；
③政策参数包含两项，第一项是AQI，表征重污染天气下限产措施对企业的影响，该数据从中国环境监测中心获取；第二项为event，取值分别为0、1和2，分别表示正常状况、假期以及重大活动对企业用电状况的影响；
④价格参数包含material和product两项或revenue一项，可用于表征成本和售价或利润对企业生产决策的影响，考虑到生产决策不大可能只参考当天的原料和产品价格进行，建模采用价格指数的滑动平均值；
四类不同影响因素与企业用电量模型参数的选取需要兼顾模型运算效率和结果准确性两个方面，采用随机森林法，决策树预测变量数确定为4，树木数量确定为200，最小节点数确定为3；在训练集和校验集划分上，取80％的历史数据作为训练集建立随机森林模型，其余20％用于检验模型效果。
6.根据权利要求3所述的一种通过工业运行电力指数进行大气污染预测的方法，其特征在于：所述企业用电量与空气质量模型采用利用多项式函数关系式表征的多区域多部门排放之间的响应表面模型，建立模型时，采用多项式拟合方法对响应关系进行更为明确的参数化，对基函数进行敏感性测试，经过与传统RSM结果对照差异来确定近似的方程形式，该模型建立过程如下所示：
①给定一个函数表达式的可能形式：
其中，ΔConc是PM2.5的浓度响应情况；ENOX、ESO2、ENH3、EVOCS和EPOA则是NOX、SO2、NH3、VOCS和POA污染物排放量的变化情况，在基准状态下为0；ai、bi、ci、di和ei是污染物排放量变化的非负整数次幂，Xi是第i项的系数；
②多项式阶数的确定
研究依次确定了几个前体物排放项式的最高次数。假设其余前提物的排放不变，单一自变量的计算公式如下所示：
其中，ΔConc是PM2.5浓度对某个单体物排放变化的浓度响应值；EP是某个单体物排放相对于基准情景的变化率；Ai是每个项式i的系数；a是前体物P排放率的次数，用于决定多项式最佳拟合形式下最高次项的幂次；
通过设置多项式最高次数在1-5之间，用pf-ERSM模型预测该前体物排放从-1到0.2变化时的浓度，同传统RSM计算值对比来确定合适的最高次数，分析表明，PM2.5同SO2排放间线性关系较强，同其他前体物则主要呈非线性响应；
③多项式项数的确定
多项式项数过多，保留太多的未知数，既不利于后续响应曲面模型的建立，也会由于共线性的存在而造成过度拟合，为此，研究考察了各交叉项对结果的影响，并把其中不敏感的部分剔除，此外进一步考查了各交叉项之间的相互作用，这一步是通过对比有无交叉项计算式对污染物浓度的预测准确程度来确定的，如下所示：
倘若使用这两个计算时所得的PM2.5浓度响应结果相等或近似，这说明交叉项对污染物浓度影响可以被忽略；
④多项式方程系数的确定
系数值主要通过将一定量空气质量模型模拟结果参与拟合的方式来进行，为了减轻空气质量模拟的计算成本，研究采用哈默斯利序列采样方法和边缘加密策略，对样本点进行选取，具体公式如下：
其中，X表示在[a,b]部分使用HSS采样得到的均匀分布的样本点，TX表示边缘加密后的样本点；
基于这些样本，研究分别使用传统RSM和pf-ERSM的方法预测PM2.5浓度值，校验结果说明，使用较少的样本点，也能够保证pf-ERSM模型的准确性，而且大大节约了拟合时间；
⑤多区域响应曲面模型的搭建
为衡量各区域对目标区域的总影响，需要开发多个区域的RSM子系统，再将其进行数学组合，区域传输对PM2.5浓度的贡献主要体现在两个方面，第一个是PM2.5直接从来源区域传输至受体区域，第二个是前体物传输至受体区域形成二次污染物，在将两者叠加时，还需要考虑区域协同控制的相互影响，其他区域对目标区域PM2.5浓度计算式如下所示：
其中，ConciX表示受体区域i的污染物X的浓度；CMj→i表示区域j输送至区域i的前体物并在区域i形成二次污染物的部分；CM_INDi表示多区域排放变化对本地化学生成的间接影响所贡献的部分；TPj→i是污染物X从区域j直接传输至区域i的部分；TP_INDi是多区域排放对直接传输产生的间接影响所贡献的部分；
⑥区域传输前体物形成二次污染物的贡献
从区域j传输而来前体物在区域i生成污染物X的浓度值和区域i本地排放生成浓度值可用下式表示：
其中，emisj是来源于j区域的前体物排放；Concjprecursors是i区域的前体物浓度；rsmjX(Conciprecursors)是基于单一区域RSM模型计算得到的污染物浓度对前体物浓度变化的响应；rsmiprecursors(Emisj)是RSM系统基于单一区域RSM模型计算前体物浓度对前体物排放变化的响应；rsmiX(emisi)是基于本地RSM模型计算的污染物浓度对本地排放变化的响应；
⑦多区域排放变化对本地化学生成间接影响的贡献
从区域j到区域i的CM贡献取决于区域i中由所有区域传输的前体物浓度水平，其计算式如下所示：
来自每个单独区域的CM的总和可能不等于所有区域的总CM，上式表示这两个值之间的差异，即对CM的间接影响；
⑧污染物在来源区域生成后传输至受体区域的贡献
由污染物在来源区域生成，然后传输至受体区域的部分可表示为污染物浓度对区域j排放的响应减去从区域j传输到i的前体物生成的部分，其计算式如下所示：
其中，rsmiX(Emisj)表示基于单一区域RSM计算ConciX对Emisj的响应；
⑨多区域协同控制时，某区域前体物排放的变化可能会影响区域j中的污染物X，进而影响X到区域i的传输；区域整体变化预测值同以上过程叠加后影响的差异可通过TP_IND来表示，其计算式如下：
其中，
是利用每个区域贡献作为权重计算的所有来源区域排放的加权平均值，
是建立的关于区域i污染物X对于区域整体排放变化响应的RSM系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111332302.5A CN114169574A (zh) | 2021-11-11 | 2021-11-11 | 一种通过工业运行电力指数进行大气污染预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111332302.5A CN114169574A (zh) | 2021-11-11 | 2021-11-11 | 一种通过工业运行电力指数进行大气污染预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169574A true CN114169574A (zh) | 2022-03-11 |
Family
ID=80478835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111332302.5A Pending CN114169574A (zh) | 2021-11-11 | 2021-11-11 | 一种通过工业运行电力指数进行大气污染预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169574A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819696A (zh) * | 2022-05-12 | 2022-07-29 | 中科三清科技有限公司 | 确定污染物浓度影响因素的方法、装置及电子设备 |
| CN114819371A (zh) * | 2022-05-09 | 2022-07-29 | 成都大数据产业技术研究院有限公司 | 基于税务数据的产排污量预测模型构建方法和系统 |
| CN115146537A (zh) * | 2022-07-12 | 2022-10-04 | 四川大学 | 基于耗电量的大气污染物排放量估算模型构建方法及系统 |
| CN115908082A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于用电特征指标的企业排污监控方法及装置 |
| CN116485191A (zh) * | 2023-06-26 | 2023-07-25 | 安徽中科蓝壹信息科技有限公司 | 基于拉格朗日扩散模型的环境影响预警方法及系统 |
| CN117291549A (zh) * | 2023-11-16 | 2023-12-26 | 中交二公局东萌工程有限公司 | 一种工程项目施工环保监督管理系统 |
-
2021
- 2021-11-11 CN CN202111332302.5A patent/CN114169574A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819371A (zh) * | 2022-05-09 | 2022-07-29 | 成都大数据产业技术研究院有限公司 | 基于税务数据的产排污量预测模型构建方法和系统 |
| CN114819696A (zh) * | 2022-05-12 | 2022-07-29 | 中科三清科技有限公司 | 确定污染物浓度影响因素的方法、装置及电子设备 |
| CN115146537A (zh) * | 2022-07-12 | 2022-10-04 | 四川大学 | 基于耗电量的大气污染物排放量估算模型构建方法及系统 |
| CN115908082A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于用电特征指标的企业排污监控方法及装置 |
| CN116485191A (zh) * | 2023-06-26 | 2023-07-25 | 安徽中科蓝壹信息科技有限公司 | 基于拉格朗日扩散模型的环境影响预警方法及系统 |
| CN117291549A (zh) * | 2023-11-16 | 2023-12-26 | 中交二公局东萌工程有限公司 | 一种工程项目施工环保监督管理系统 |
| CN117291549B (zh) * | 2023-11-16 | 2024-03-01 | 中交二公局东萌工程有限公司 | 一种工程项目施工环保监督管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114169574A (zh) | 一种通过工业运行电力指数进行大气污染预测的方法 | |
| Jia et al. | Rethinking the choice of carbon tax and carbon trading in China | |
| Li et al. | Prospective on energy related carbon emissions peak integrating optimized intelligent algorithm with dry process technique application for China's cement industry | |
| Islam et al. | Energy demand forecasting | |
| CN106779165B (zh) | 基于城市空气质量预测技术的电力系统环境调度方法 | |
| CN102057396A (zh) | 用于节能减排的方法和装置 | |
| CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
| 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 | |
| Saraji et al. | Application of System Dynamics in Forecasting: A Systematic Review. | |
| Shen et al. | Interaction between international trade and logistics carbon emissions | |
| CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
| CN115496627A (zh) | 一种可调资源响应潜力的评估方法及系统 | |
| Liu et al. | Planning mechanism design and benefit analysis of electric energy substitution: A case study of tobacco industry in Yunnan province, China | |
| Dang et al. | A novel multivariate grey model for forecasting periodic oscillation time series | |
| CN103345662A (zh) | 一种基于小波网络法的商业能效综合评价方法 | |
| CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
| Al-Ani et al. | A study of load demand forecasting models in electricity using artificial neural networks and fuzzy logic model | |
| CN116739368A (zh) | 基于能源大数据的工业园区碳排放水平监测及评估方法 | |
| CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
| Safiyari et al. | From traditional to modern methods: Comparing and introducing the most powerful model for forecasting the residential natural gas demand | |
| Yang et al. | Site selection decision framework for biomass pyrolysis project based on a mixed method under probabilistic linguistic environment and low carbon perspective: a case study in China | |
| Song et al. | 3Es System Optimization under Uncertainty Using Hybrid Intelligent Algorithm: A Fuzzy Chance-Constrained Programming Model | |
| Xu et al. | Short-term PM2. 5 prediction based on a data-driven heuristic approach | |
| Salunkhe et al. | Econometrics and Manufacturing Industries Retail Volumes Forecast | |
| Wang et al. | An Energy Consumption Prediction LSTM Model of Metallurgy Enterprises |
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 |