CN115526296A - 一种基于深度学习的碳排放预测方法 - Google Patents
一种基于深度学习的碳排放预测方法 Download PDFInfo
- Publication number
- CN115526296A CN115526296A CN202211247187.6A CN202211247187A CN115526296A CN 115526296 A CN115526296 A CN 115526296A CN 202211247187 A CN202211247187 A CN 202211247187A CN 115526296 A CN115526296 A CN 115526296A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- carbon
- prediction
- gate
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 11
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000004484 Briquette Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 239000003915 liquefied petroleum gas Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (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深度学习的碳排放预测方法，包括以下步骤：采集与二氧化碳有关的数据；对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；从采集到的数据中分析预测变量；将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；构建LSTM碳排放预测模型；通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。本发明一方面提出灰色关联分析来选择城市历史碳排放复杂的多维特征和短期近邻性特征，另一方面使用了神经网络来进行预测，不仅预测时间跨度较长，而且预测精度较高。
Description
技术领域
本发明涉及碳排放预测的技术领域，尤其涉及到一种基于深度学习的碳排放预测方法。
背景技术
自工业革命以来，大气CO2增加到400ppm以上。自19世纪末以来，全球平均地表温度上升了0.4-0.8℃。随着全球气温逐渐上升，二氧化碳排放预测已成为热点问题。准确预测所在城市的二氧化碳排放不仅可以为城市的政策制定者提供依据，特别是在人工智能广泛运用的今天，还可以帮助政府和企业改善碳排放的管理。但现有的碳排放预测方法集中在单步预测上，只能预测下一时间段的碳排放量，预测时间跨度较短，而且预测精度不高。
发明内容
本发明的目的在于克服现有技术的不足，提供一种预测时间跨度较长、预测精度较高的基于深度学习的碳排放预测方法。
为实现上述目的，本发明所提供的技术方案为：
一种基于深度学习的碳排放预测方法，包括以下步骤：
采集与二氧化碳有关的数据；
对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；
从采集到的数据中分析预测变量；
将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；
构建LSTM碳排放预测模型；
通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；
将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。
进一步地，采集与二氧化碳有关的数据包括：所在城市的经济和能源数据、气象监测站监测得到的历史数据以及城市历年的碳排放数据。
进一步地，城市历年的碳排放数据通过碳排放系数法计算求得，碳排放量计算公式如下：
式中：Edir指产生的直接碳排放量；i指能源的类型；fi指居民直接生活第i类能源的消耗量；ei指居民直接生活第i类能源的平均低位发热量；ci指居民直接生活第i类能源的单位热值含碳量；oi指居民直接生活第i类能源的碳氧化率；44/12为碳转换为二氧化碳的系数。
进一步地，对采集到的数据进行预处理包括：导入原始碳排放时间序列数据，将训练集与测试集进行划分；归一化处理原始数据，利用四分位异常检测算法，对原始数据进行检测；构造城市逐年的历史碳排放数据。
进一步地，采用灰色关联分析方法，从采集到的数据中分析预测变量，具体包括：
A1、数据标准化；
采用最大最小值标准化方法：
其中，x'ij表示第i行第j列的原数值，min(x'j)表示第j列数据中的最小值，max(x'j)表示第j列数据中的最大值，rij表示标准化数值；
A2、计算灰色关联度：
其中，
分别为极差最小值和极差最大值，ρ为分辨率。
进一步地，卷积神经网络包括卷积层与池化层；
卷积层的特征图C表示如下：
其中，X为输入的数据，
为卷积操作，W为卷积核的权重向量，b表示偏移量，f()为激活函数；
池化层对卷积层的输出施行下采样操作,保留强特征,去除弱特征,同时减少参数数量。
进一步地，LSTM碳排放预测模型包括输入门、遗忘门、输出门和记忆单元；
其中，
输入门
遗忘门
输出门
当前隐藏状态的输出
单元状态值
输入门相关状态值
同一时刻t的输入门i(t)、遗忘门f(t)和输出门o(t)形式一致，有共同的输入，权重矩阵参数不同；σ代表Sigmoid函数，将原始数据映射至[0，1]；而公式中c(t)为卷积神经网络的结构，将当前时刻的c(t)与输入门i(t)进行元素相乘，前一时刻的c(t-1)与遗忘门f(t)进行元素相乘，再将两者叠加起来，得到当前时刻的单元状态值c(t)；通过输入门和遗忘门控制新状态值的“通过”和前一状态值的“遗忘”；最后再通过输出门o(t)来控制当前状态值的输出。
与现有技术相比，本方案原理及优点如下：
本方案通过一种基于灰色关联分析-卷积神经网络-长短期神经网络的方法来进行碳排放多步预测。一方面提出灰色关联分析来选择城市历史碳排放复杂的多维特征和短期近邻性特征，另一方面使用了神经网络来进行预测，不仅预测时间跨度较长，而且预测精度较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于深度学习的碳排放预测方法的原理流程图；
图2为广州市碳排放灰色关联分析示意图；
图3为广州市实际的碳排放总量及各模型预测的碳排放总量融合后的示意图(按时间序列排列)；
图4为不同模型下的MAE误差指标图；
图5为不同模型下的MAPE误差指标图；
图6为不同模型下的RMSE误差指标图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
本实施例通过一种基于深度学习的碳排放预测方法，对广州市的碳排放总量进行预测，具体包括如下步骤：
S1、采集与二氧化碳有关的数据，数据包括广州市1997-2019年的经济和能源数据、气象监测站监测得到的历史数据以及城市历年的碳排放数据；
其中，经济和能源数据来自中国能源统计年鉴、中国统计年鉴、广东统计年鉴和广州统计年鉴；气象监测站监测得到的历史数据来自国家气象信息中心；城市历年的碳排放数据通过碳排放系数法计算求得，涉及到的化石能源能源有17种，包括原煤、洗精煤、其他洗煤、型煤、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、液化石油气、燃料油、天然气、炼厂干气、其他石油制品、其他焦化制品以及热力和电力。
碳排放量计算公式如下：
式中：Edir指产生的直接碳排放量；i指能源的类型；fi指居民直接生活第i类能源的消耗量；ei指居民直接生活第i类能源的平均低位发热量；ci指居民直接生活第i类能源的单位热值含碳量；oi指居民直接生活第i类能源的碳氧化率；44/12为碳转换为二氧化碳的系数。
S2、对采集到的数据进行预处理，过程包括：导入原始碳排放时间序列数据，将训练集与测试集以8:2的比例进行划分；归一化处理原始数据，利用四分位异常检测算法，对原始数据进行检测；构造城市逐年的历史碳排放数据。
S3、采用灰色关联分析方法，从采集到的数据中分析预测变量，具体包括：
A1、数据标准化；
采用最大最小值标准化方法：
其中，x'ij表示第i行第j列的原数值，min(x'j)表示第j列数据中的最小值，max(x'j)表示第j列数据中的最大值，rij表示标准化数值；
A2、计算灰色关联度：
其中，
分别为极差最小值和极差最大值，ρ为分辨率。
广州市碳排放灰色关联分析如图2所示，而分析后的结果如下表1所示：
表1广州市碳排放灰色关联分析结果
选取的灰色关联度大于0.75的预测变量共计11个,包括：IND.E，P.GDP，EN.T，Year，IND.GDP，POW，INP，IND.2，EXP，IND.1，HOU.E，POP，GDP，FAI，P.EN，UR.P，IND.3。
S4、将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；
本实施例中，卷积神经网络包括卷积层与池化层；
卷积层的特征图C表示如下：
其中，X为输入的数据，
为卷积操作，W为卷积核的权重向量，b表示偏移量，f()为激活函数；
池化层对卷积层的输出施行下采样操作,保留强特征,去除弱特征,同时减少参数数量。
更具体地，本实施例中，卷积层为2层，卷积核数目依次设为32，64；卷积神经网络可根据内核的大小,从输入的时间序列数据中提取许多有用的特征,即CNN可通过将内核大小设置得更小或更大来提取反映多变量时间序列数据的更窄或更宽时间段的特征。
碳排放预测通常需要在历史数据预测未来一年或五年的碳排放总量,预测频率为每年一个碳排放估计值。现有碳排放数据同为逐年数据，为充分利用现有数据，本实施例将卷积核大小设为1×1，在池化层(MaxPooling1D)中，池大小为1，通过卷积层中的特征映射使用最大池化来减小输出维度大小，经过连续2次卷积和最大池化操作，然后执行扁平层操作(Flatten)，作为全局特征提取。
S5、构建LSTM碳排放预测模型；
LSTM碳排放预测模型包括输入门、遗忘门、输出门和记忆单元；
其中，
输入门
遗忘门
输出门
当前隐藏状态的输出
单元状态值
输入门相关状态值
同一时刻(t)的输入门i(t)、遗忘门f(t)和输出门o(t)形式一致，有共同的输入，权重矩阵参数不同；σ代表Sigmoid函数，将原始数据映射至[0，1]；而公式中c(t)为卷积神经网络的结构，将当前时刻的c(t)与输入门i(t)进行元素相乘，前一时刻的c(t-1)与遗忘门f(t)进行元素相乘，再将两者叠加起来，得到当前时刻的单元状态值c(t)；通过输入门和遗忘门控制新状态值的“通过”和前一状态值的“遗忘”；最后再通过输出门o(t)来控制当前状态值的输出。
S6、通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；
S7、将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。
为了突出本实施例所述预测方法的优越性，将各种现有模型与本实施例所采用的CNN-LSTM模型预测得到的结果以及广州市实际的碳排放总量融合在一起进行分析，得出如图3所示的示意图；图中，X轴为广州市碳排放总量时间序列，其中2015-2019为测试集，1997-2014为训练集，Y轴为广州市碳排放总量。
再结合图4-图6所示，结果表明，本实施例所采用的CNN-LSTM模型的R2为0.654的MAPE，MAE，RMSE分别为3.54，4.149，4.774，在10个模型中为最优值，因此本实施例所采用的CNN-LSTM模型可以较高精确地地预测未来碳排放量。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于深度学习的碳排放预测方法，其特征在于，包括以下步骤：
采集与二氧化碳有关的数据；
对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；
从采集到的数据中分析预测变量；
将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；
构建LSTM碳排放预测模型；
通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；
将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。
2.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，采集与二氧化碳有关的数据包括：所在城市的经济和能源数据、气象监测站监测得到的历史数据以及城市历年的碳排放数据。
3.根据权利要求2所述的一种基于深度学习的碳排放预测方法，其特征在于，城市历年的碳排放数据通过碳排放系数法计算求得，碳排放量计算公式如下：
式中：Edir指产生的直接碳排放量；i指能源的类型；fi指居民直接生活第i类能源的消耗量；ei指居民直接生活第i类能源的平均低位发热量；ci指居民直接生活第i类能源的单位热值含碳量；oi指居民直接生活第i类能源的碳氧化率；44/12为碳转换为二氧化碳的系数。
4.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，对采集到的数据进行预处理包括：导入原始碳排放时间序列数据，将训练集与测试集进行划分；归一化处理原始数据，利用四分位异常检测算法，对原始数据进行检测；构造城市逐年的历史碳排放数据。
5.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，采用灰色关联分析方法，从采集到的数据中分析预测变量，具体包括：
A1、数据标准化；
采用最大最小值标准化方法：
其中，x′ij表示第i行第j列的原数值，min(x′j)表示第j列数据中的最小值，max(x′j)表示第j列数据中的最大值，rij表示标准化数值；
A2、计算灰色关联度：
其中，
分别为极差最小值和极差最大值，ρ为分辨率。
6.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，卷积神经网络包括卷积层与池化层；
卷积层的特征图C表示如下：
其中，X为输入的数据，
为卷积操作，W为卷积核的权重向量，b表示偏移量，f()为激活函数；
池化层对卷积层的输出施行下采样操作,保留强特征,去除弱特征,同时减少参数数量。
7.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，LSTM碳排放预测模型包括输入门、遗忘门、输出门和记忆单元；
其中，
输入门
遗忘门
输出门
当前隐藏状态的输出
单元状态值
输入门相关状态值
同一时刻t的输入门i(t)、遗忘门f(t)和输出门o(t)形式一致，有共同的输入，权重矩阵参数不同；σ代表Sigmoid函数，将原始数据映射至[0，1]；而公式中c(t)为卷积神经网络的结构，将当前时刻的c(t)与输入门i(t)进行元素相乘，前一时刻的c(t-1)与遗忘门f(t)进行元素相乘，再将两者叠加起来，得到当前时刻的单元状态值c(t)；通过输入门和遗忘门控制新状态值的“通过”和前一状态值的“遗忘”；最后再通过输出门o(t)来控制当前状态值的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247187.6A CN115526296A (zh) | 2022-10-12 | 2022-10-12 | 一种基于深度学习的碳排放预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247187.6A CN115526296A (zh) | 2022-10-12 | 2022-10-12 | 一种基于深度学习的碳排放预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115526296A true CN115526296A (zh) | 2022-12-27 |
Family
ID=84701226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211247187.6A Pending CN115526296A (zh) | 2022-10-12 | 2022-10-12 | 一种基于深度学习的碳排放预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115526296A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341768A (zh) * | 2023-05-29 | 2023-06-27 | 中南大学 | 一种基于深度学习的碳排放量预测方法 |
| CN116628395A (zh) * | 2023-05-31 | 2023-08-22 | 重庆交通大学 | 一种基于城市地形特征的道路车辆碳排放测算方法及系统 |
| CN116739867A (zh) * | 2023-06-27 | 2023-09-12 | 南方电网能源发展研究院有限责任公司 | 电力系统碳排放量测算方法、装置及计算机设备 |
| CN116862080A (zh) * | 2023-09-05 | 2023-10-10 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于双视角对比学习的碳排放预测方法及系统 |
-
2022
- 2022-10-12 CN CN202211247187.6A patent/CN115526296A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341768A (zh) * | 2023-05-29 | 2023-06-27 | 中南大学 | 一种基于深度学习的碳排放量预测方法 |
| CN116628395A (zh) * | 2023-05-31 | 2023-08-22 | 重庆交通大学 | 一种基于城市地形特征的道路车辆碳排放测算方法及系统 |
| CN116628395B (zh) * | 2023-05-31 | 2024-03-01 | 重庆交通大学 | 一种基于城市地形特征的道路车辆碳排放测算方法及系统 |
| CN116739867A (zh) * | 2023-06-27 | 2023-09-12 | 南方电网能源发展研究院有限责任公司 | 电力系统碳排放量测算方法、装置及计算机设备 |
| CN116862080A (zh) * | 2023-09-05 | 2023-10-10 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于双视角对比学习的碳排放预测方法及系统 |
| CN116862080B (zh) * | 2023-09-05 | 2024-02-09 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于双视角对比学习的碳排放预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115526296A (zh) | 一种基于深度学习的碳排放预测方法 | |
| CN111832814B (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
| Liu et al. | Natural gas consumption forecasting: A discussion on forecasting history and future challenges | |
| Li et al. | Day-ahead city natural gas load forecasting based on decomposition-fusion technique and diversified ensemble learning model | |
| Lv et al. | Towards carbon Neutrality: Prediction of wave energy based on improved GRU in Maritime transportation | |
| CN111815026A (zh) | 一种基于特征聚类的多能源系统负荷预测方法 | |
| Chen et al. | An adaptive Kalman filtering approach to sensing and predicting air quality index values | |
| Ao et al. | Hybrid model of air quality prediction using k-means clustering and deep neural network | |
| Huang et al. | Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data | |
| Hongwei et al. | An interpretable data-driven method for degradation prediction of proton exchange membrane fuel cells based on temporal fusion transformer and covariates | |
| Nguyen et al. | An extensive investigation on leveraging machine learning techniques for high-precision predictive modeling of CO2 emission | |
| He et al. | Progress in prediction of remaining useful life of hydrogen fuel cells based on deep learning | |
| Ammar et al. | Wind speed forecasting using deep learning and preprocessing techniques | |
| Li et al. | A multi-factor combination prediction model of carbon emissions based on improved CEEMDAN | |
| Ma et al. | A new method to forecast multi-time scale load of natural gas based on augmentation data-machine learning model | |
| Yang et al. | A novel short-term load forecasting approach for data-poor areas based on K-MIFS-XGBoost and transfer-learning | |
| Richards et al. | A unifying partially-interpretable framework for neural network-based extreme quantile regression | |
| Liao et al. | Wind power prediction based on periodic characteristic decomposition and multi-layer attention network | |
| CN115660152A (zh) | 一种碳排放量的预测方法 | |
| CN117077353A (zh) | 基于多变量bp神经网络的碳排放测算建模、方法及装置 | |
| CN115730456A (zh) | 基于双注意力融合网络的机动车多元尾气预测方法及系统 | |
| CN114611764A (zh) | 一种特定区域内企业工业用水异常监测预警方法 | |
| Liu et al. | An air quality grade forecasting approach based on ensemble learning | |
| Yao et al. | Multi-source variational mode transfer learning for enhanced PM2. 5 concentration forecasting at data-limited monitoring stations | |
| Liu et al. | Accuracy improvement of fuel cell prognostics based on voltage prediction |
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 |