CN114219185A - 一种基于不确定集的城市规模工业碳排放量预测方法 - Google Patents
一种基于不确定集的城市规模工业碳排放量预测方法 Download PDFInfo
- Publication number
- CN114219185A CN114219185A CN202210110315.6A CN202210110315A CN114219185A CN 114219185 A CN114219185 A CN 114219185A CN 202210110315 A CN202210110315 A CN 202210110315A CN 114219185 A CN114219185 A CN 114219185A
- Authority
- CN
- China
- Prior art keywords
- industry
- year
- carbon emission
- uncertainty
- consumption
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 101
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 238000005265 energy consumption Methods 0.000 claims description 11
- 239000003245 coal Substances 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000000547 structure data Methods 0.000 claims description 3
- 238000005261 decarburization Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于不确定集的城市规模工业碳排放量预测方法,将数据输入城市规模工业碳排放量预测模型,获得碳排放量的预测结果。构建城市规模工业碳排放量预测模型:基于箱型不确定集,构建碳排放各影响因素的不确定性模型;通过标么化的方式,建立改进的可拓展的随机性的环境影响评估模型;基于碳排放各影响因素的不确定性模型、改进的可拓展的随机性的环境影响评估模型和碳排放量,获得考虑不确定性下的优化模型。本发明预测在考虑多种不确定性的影响下的未来碳排放量及区间的变化趋势,同时提高预测精确性,对政府碳排放测算和脱碳路径规划提供支撑。
Description
技术领域
本发明涉及一种基于不确定集的城市规模工业碳排放量预测方法,属于碳排放量预测技术领域。
背景技术
近些年来,随着社会经济的飞速发展,中国在2009年超过美国,成为全球碳排放量最大的经济体。作为负责任的大国,中国出台了一系列以减少碳排放为目的的能源政策,并力争在2030年实现碳达峰,2060年实现碳中和。城市是降低碳排放的重要实施单元,我国现在仍处于以工业产业为主导的社会发展阶段,降低城市规模工业的碳排放,是落实双碳目标的重要途径。因此,准确预测城市规模工业在未来的碳排放趋势,是未来城市产业和能源政策制定的重要依据之一。
以往对于碳排放的预测模型,通常采用人口、经济和技术的影响(Impact,Population,Affluence,and Technology,IPAT)模型、可拓展的随机性的环境影响评估(Stochastic Impacts by Regression on Population,Affluence,and Technology,STIRPAT)模型或长期能源替代规划系统(Long-range Energy Alternatives PlanningSystem,LEAP)模型等。然而,一个城市工业的碳排放受其产业发展水平、能源结构和细分行业结构等多重因素的影响。这些影响因素复杂且多元,在未来的变化趋势难以准确预测。因此,以往研究中采用的确定性预测方法,并不能考虑未来各影响因素发展的不确定性,因此其预测结果多为基于场景的预测,难以鲁棒应对未来各种可能的情况。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于不确定集的城市规模工业碳排放量预测方法,预测在考虑多种不确定性的影响下的未来碳排放量及区间的变化趋势,同时提高预测精确性,对政府碳排放测算和脱碳路径规划提供支撑。
为达到上述目的,本发明提供一种基于不确定集的城市规模工业碳排放量预测方法,将数据输入城市规模工业碳排放量预测模型,获得碳排放量的预测结果。
优先地,数据包括待测地区历年规模工业中各细分行业的结构数据、待测地区各细分行业的GDP数据、待测地区各细分行业的各能源类型的消耗数据和待测地区各能源类型的碳排放系数。
优先地,构建城市规模工业碳排放量预测模型,包括:
基于箱型不确定集,构建碳排放各影响因素的不确定性模型;
通过标么化的方式,建立改进的可拓展的随机性的环境影响评估模型;
基于碳排放各影响因素的不确定性模型、改进的可拓展的随机性的环境影响评估模型和碳排放量,获得考虑不确定性下的优化模型。
优先地,获得碳排放量,包括:
式中,I为能源类型的集合,i∈I,J为工业中细分行业类型的集合,j∈J,ei,j,t为工业中细分行业j在第t年对能源类型i的消耗量,Ki为能源类型i的标准煤折算系数,Fi为能源类型i的碳排放系数。
优先地,碳排放各影响因素的不确定性模型为:
式中,为细分行业j在第t年的GDP的不确定集;gj,t为考虑不确定性下的细分行业j在第t年的GDP预测值;为细分行业j在第t年的GDP预测值上下限的平均值;Δgj,t为设定的预测误差;和为不确定集的标么化控制因子;
为细分行业j在第t年对能源类型i的消耗量的不确定集;ei,j,t为考虑不确定性下的细分行业j在第t年对于能源类型i的消耗量的预测值;为考虑不确定性下的细分行业j在第t年对于能源类型i的消耗量的预测值上下限的平均值;Δei,j,t为设定的预测误差;和为不确定集的标么化控制因子;为考虑不确定性下的细分行业j在第t年对于能源类型i的消耗量的预测值上限,为考虑不确定性下的细分行业j在第t年对于能源类型i的消耗量的预测值下限;Γt为设定的t年内所有不确定性因素波动的总预算。
优先地,改进的可拓展的随机性的环境影响评估模型为:
式中,ci,j,t+1为第t+1年行业j对能源类型i的消耗量,ci,j,t为第t年行业j对能源类型i的消耗量,gj,t+1为行业j在第t+1年的GDP预测值,gj,t为行业j在第t年的GDP预测值,ei,j,t+1为行业j在第t+1年对于能源类型i的消耗量,ej,t+1为行业j在第t+1年对于所有能源类型的消耗量,ei,j,t为行业j在第t年对于能源类型i的消耗量,ej,t为行业j在第t年对于所有能源类型的消耗量,gj,t+1为行业j在第t+1年的GDP预测值,gj,t为行业j在第t年的GDP预测值,gt+1为城市规模工业中全部细分行业在第t+1年的GDP预测值,gt为城市规模工业中全部细分行业在第t年的GDP预测值,αi,j,βi,j,χi,j和δi,j为待拟合参数,εi,j为设定的误差系数;对两边取对数将改进的可拓展的随机性的环境影响评估模型线性化,获得考虑不确定性下的优化模型的约束条件:
基于最小二乘法进行拟合,得到αi,j,βi,j,χi,j和δi,j的值。
优先地,基于碳排放量和碳排放各影响因素的不确定性模型,获得不确定性下的优化模型的目标函数:
目标函数服从不确定集约束:
优先地,基于不确定性下的优化模型的约束条件和不确定性下的优化模型的目标函数,获得考虑不确定性下的优化模型:
本发明所达到的有益效果:
本发明可通过待测地区历年规模工业中各细分行业的结构数据、各细分行业的GDP数据、各细分行业的对各能源类型的消耗数据以及各能源类型的碳排放系数,预测在考虑多种不确定性的影响下的未来碳排放量及区间的变化趋势,同时提高预测精确性,对政府碳排放测算和脱碳路径规划提供支撑。
附图说明
图1为本发明方法预测的苏州市规模工业不同能源类型的碳排放量拟合误差分布图;
图2为本发明方法预测的苏州市规模工业的碳排放量预测区间折线图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种基于不确定集的城市规模工业碳排放量预测方法,包括:
将数据输入构建的城市规模工业碳排放量预测模型,获得碳排放量上下限的预测结果。数据包括待测地区历年规模工业中各细分行业的结构数据、待测地区各细分行业的GDP数据、待测地区各细分行业的各能源类型的消耗数据和待测地区各能源类型的碳排放系数。
其中,约束条件包含上述的不确定性模型所构成的不等式约束以及改进的可拓展的随机性的环境影响评估(STIRPAT)模型的所构成的等式约束。求解该优化模型,得到碳排放量的最大或最小值。
式中,I为能源类型的集合,i∈I,J为工业中细分行业类型的集合,j∈J,ei,j,t为工业中细分行业j在第t年对于能源类型i的消耗量,Ki为能源类型i的标准煤折算系数,Fi为能源类型i的碳排放系数。
年鉴内全市规模以上工业企业分行业能源消费量表该表内包含全市规模以上工业企业分行业能源消费量。
碳排放各影响因素的不确定性模型为:
这些不确定集需要满足下式:
式中,为细分行业j在第t年的GDP的不确定集;gj,t为考虑不确定性下的细分行业j在第t年的GDP预测值;为细分行业j在第t年的GDP预测值上下限的平均值;Δgj,t为设定的预测误差;和为不确定集的标么化控制因子;
为细分行业j在第t年的GDP预测值上限,为细分行业j在第t年的GDP预测值下限;为细分行业j在第t年对能源类型i的消耗量的不确定集;ei,j,t为考虑不确定性下的细分行业j在第t年对于能源类型i的消耗量的预测值;为考虑不确定性下的细分行业j在第t年对于能源类型i的消耗量的预测值上下限的平均值;Δei,j,t为设定的预测误差;和为不确定集的标么化控制因子;为考虑不确定性下的细分行业j在第t年对于能源类型i的消耗量的预测值上限,为考虑不确定性下的细分行业j在第t年对于能源类型i的消耗量的预测值下限。
Γt为t年内所有不确定性因素波动的总预算(Budget),通过对该参数的设定,可以避免出现所有因素同时到达上下限的小概率情况。
在原来常用的IPAT或STIRPAT方法的基础上进行了扩展与改进。原方法通常考虑人口、GDP、能源结构等因素,本专利扩展到了同时考虑能源结构和产业结构;原方法通常采用各影响因素的绝对量一定幂次的乘积对碳排放量的绝对值进行拟合,但该方法无法在量纲上形成对应关系;同时,由于碳排放与这些因素并无直接联系,因此无法证明其拟合的合理性。因此本专利采取对碳排放相对变化进行拟合的方式,从而避免上述问题,改进的可拓展的随机性的环境影响评估(STIRPAT)模型为:
该环境影响评估(STIRPAT)模型旨在通过数据拟合的方式,刻画城市规模工业碳排放量变化与GDP、能源结构、产业结构和能源消耗强度四个因素之间的关系;
该环境影响评估(STIRPAT)模型没有输入输出,只是提供这个式子刻画多个变量之间的关系,从而为之后的优化模型提供约束条件,最后的量是通过之后的优化模型求解得出的。而数据拟合属于现有行业内通识,本发明不再详细阐述相关步骤。
式中:ci,j,t+1为第t+1年,行业j对能源类型i的消耗量。ci,j,t为第t年,行业j对能源类型i的消耗量。gj,t+1为行业j在第t+1年的GDP,gj,t为行业j在第t年的GDP。ei,j,t+1为行业j在第t+1年对于能源类型i的消耗量。ej,t+1为行业j在第t+1年对于所有能源类型的消耗量。ei,j,t为行业j在第t年对于能源类型i的消耗量。ej,t为行业j在第t年对于所有能源类型的消耗量。gj,t+1为行业j在第t+1年的GDP。gj,t为行业j在第t年的GDP。gt+1为城市规模工业中全部细分行业在第t+1年的GDP。gt为城市规模工业中全部细分行业在第t年的GDP。αi,j,βi,j,χi,j,δi,j分别为拟合参数;εi,j为误差系数。
为减少异方差,简化计算,对两边取对数可以将其线性化
通过最小二乘法进行拟合,可以得到αi,j,βi,j,χi,j,δi,j各拟合参数值。
通过将包括GDP、能源结构、产业结构和能源消耗强度的影响因素设定为自变量,在不确定集(2)-(7)的范围内,通过求解优化问题预测碳排放的上下限。其目标函数为最大化或最小化碳排放量:
该优化问题服从以下不确定集约束(12)以及碳排放量的多元线性回归拟合结果所形成的等式约束(10):
基于不确定性下的优化模型的约束条件和不确定性下的优化模型的目标函数,获得考虑不确定性下的优化模型:
实施例二
苏州市GDP、能源消费等数值来自苏州市统计局发布的各年度的苏州统计年鉴;GDP及其增速根据当年价格计算;碳排放系数来自联合国政府间气候变化专门委员会(IPCC)2019年温室气体指南及我国《省级温室气体清单编制指南》;标准煤折算系数来自《中国能源统计年鉴》。
对苏州市规模工业不同能源、不同细分行业碳排放量历史数据进行多元线性回归分析,其拟合误差如图1所示。由图1可以看出,拟合误差基本控制在合理范围内,其中误差在±0.5%范围内的概率为85.98%,验证了该回归方法的有效性。不同能源类型的预测精确度有所不同,其中,焦煤、汽油、电力等误差较小,如电力误差在±0.5%范围内的概率为97.06%,说明对这些能源的碳排放预测较为准确。
以食品制造业煤炭消耗的碳排放量为例,其拟合结果为
其他产业下其他能源的碳排放拟合也同理。基于拟合的参数,可以对接下来几年(如“十四五”期间)的碳排放进行预测。若考虑经济发展、能源消耗量等影响因素的多重不确定性,则可以得到未来碳排放预测值的区间。假设GDP的预测误差为±2%,能源消费量预测误差为±4%。在每个预测年份不确定集预算Γt=340的情况下,碳排放量的预测结果如图2所示。由图2可以看到,若不对经济发展、能源消耗强度等进行人为干预,考虑其不确定性,2024年苏州市规模工业的碳排放量将达到2019年的1.07~1.18倍。其中,最低预测区间的年平均增速约为1.43%,最高预测区间的年平均增速约为3.42%。
综上实施例,本发明可预测在考虑多种不确定性的影响下的未来碳排放量及区间的变化趋势,同时提高预测精确性,对政府碳排放测算和脱碳路径规划提供支撑。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于不确定集的城市规模工业碳排放量预测方法,其特征在于,
将数据输入城市规模工业碳排放量预测模型,获得碳排放量的预测结果。
2.根据权利要求1所述的一种基于不确定集的城市规模工业碳排放量预测方法,其特征在于,
数据包括待测地区历年规模工业中各细分行业的结构数据、待测地区各细分行业的GDP数据、待测地区各细分行业的各能源类型的消耗数据和待测地区各能源类型的碳排放系数。
3.根据权利要求2所述的一种基于不确定集的城市规模工业碳排放量预测方法,其特征在于,
构建城市规模工业碳排放量预测模型,包括:
基于箱型不确定集,构建碳排放各影响因素的不确定性模型;
通过标么化的方式,建立改进的可拓展的随机性的环境影响评估模型;
基于碳排放各影响因素的不确定性模型、改进的可拓展的随机性的环境影响评估模型和碳排放量,获得考虑不确定性下的优化模型。
5.根据权利要求4所述的一种基于不确定集的城市规模工业碳排放量预测方法,其特征在于,碳排放各影响因素的不确定性模型为:
式中,为细分行业j在第t年的GDP的不确定集;gj,t为考虑不确定性下的细分行业j在第t年的GDP预测值;为细分行业j在第t年的GDP预测值上下限的平均值;Δgj,t为设定的预测误差;和为不确定集的标么化控制因子;
6.根据权利要求5所述的一种基于不确定集的城市规模工业碳排放量预测方法,其特征在于,改进的可拓展的随机性的环境影响评估模型为:
式中,ci,j,t+1为第t+1年行业j对能源类型i的消耗量,ci,j,t为第t年行业j对能源类型i的消耗量,gj,t+1为行业j在第t+1年的GDP预测值,gj,t为行业j在第t年的GDP预测值,ei,j,t+1为行业j在第t+1年对于能源类型i的消耗量,ej,t+1为行业j在第t+1年对于所有能源类型的消耗量,ei,j,t为行业j在第t年对于能源类型i的消耗量,ej,t为行业j在第t年对于所有能源类型的消耗量,gj,t+1为行业j在第t+1年的GDP预测值,gj,t为行业j在第t年的GDP预测值,gt+1为城市规模工业中全部细分行业在第t+1年的GDP预测值,gt为城市规模工业中全部细分行业在第t年的GDP预测值,αi,j,βi,j,χi,j和δi,j为待拟合参数,εi,j为设定的误差系数;对两边取对数将改进的可拓展的随机性的环境影响评估模型线性化,获得考虑不确定性下的优化模型的约束条件:
基于最小二乘法进行拟合,得到αi,j,βi,j,χi,j和δi,j的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110315.6A CN114219185A (zh) | 2022-01-29 | 2022-01-29 | 一种基于不确定集的城市规模工业碳排放量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110315.6A CN114219185A (zh) | 2022-01-29 | 2022-01-29 | 一种基于不确定集的城市规模工业碳排放量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219185A true CN114219185A (zh) | 2022-03-22 |
Family
ID=80708803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210110315.6A Pending CN114219185A (zh) | 2022-01-29 | 2022-01-29 | 一种基于不确定集的城市规模工业碳排放量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219185A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707774A (zh) * | 2022-06-07 | 2022-07-05 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
CN115640876A (zh) * | 2022-09-27 | 2023-01-24 | 国网上海市电力公司 | 一种基于改进stirpat模型的电力能源碳排放预测方法 |
CN117114212A (zh) * | 2023-10-25 | 2023-11-24 | 南方电网数字电网研究院有限公司 | 基于全周期点流模型的发电侧碳排放趋势预测方法及装置 |
-
2022
- 2022-01-29 CN CN202210110315.6A patent/CN114219185A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707774A (zh) * | 2022-06-07 | 2022-07-05 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
CN114707774B (zh) * | 2022-06-07 | 2022-08-26 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
CN115640876A (zh) * | 2022-09-27 | 2023-01-24 | 国网上海市电力公司 | 一种基于改进stirpat模型的电力能源碳排放预测方法 |
CN117114212A (zh) * | 2023-10-25 | 2023-11-24 | 南方电网数字电网研究院有限公司 | 基于全周期点流模型的发电侧碳排放趋势预测方法及装置 |
CN117114212B (zh) * | 2023-10-25 | 2024-03-12 | 南方电网数字电网研究院有限公司 | 基于全周期点流模型的发电侧碳排放趋势预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114219185A (zh) | 一种基于不确定集的城市规模工业碳排放量预测方法 | |
Ouyang et al. | A combined multivariate model for wind power prediction | |
Diwekar | Green process design, industrial ecology, and sustainability: A systems analysis perspective | |
Duan et al. | A multivariate grey prediction model based on energy logistic equation and its application in energy prediction in China | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
CN109858783B (zh) | 风电场电力交易辅助决策支持系统及辅助决策支持方法 | |
Sweerts et al. | Evaluating the role of unit size in learning-by-doing of energy technologies | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN112904266B (zh) | 一种电能表寿命预测方法及装置 | |
CN112561207A (zh) | 一种考虑气象因素的电网负荷预测方法、装置和电力系统 | |
CN111476677A (zh) | 一种基于大数据的用电类别售电量分析与预测方法及系统 | |
CN112435054B (zh) | 基于广义最大相关熵准则的核极限学习机售电量预测方法 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
Lin et al. | Approximate mixed-integer programming solution with machine learning technique and linear programming relaxation | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
Chinde et al. | Data-enabled predictive control for building HVAC systems | |
Wen et al. | A dual energy benchmarking methodology for energy-efficient production planning and operation of discrete manufacturing systems using data mining techniques | |
CN116720985B (zh) | 一种建筑碳排放监测方法及系统 | |
Xie et al. | A fuzzy ARIMA correction model for transport volume forecast | |
CN117611190A (zh) | 一种区域电力系统碳排放测算方法、装置及介质 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
Wang et al. | Multi‐objective expansion planning of park‐level integrated energy system considering the volatility trend of CETP | |
CN116454875A (zh) | 基于集群划分的区域风电场中期功率概率预测方法及系统 | |
CN115829130A (zh) | 一种碳排放量预测方法 |
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 |