CN116415728B - 一种碳排放量的预测方法、系统、电子设备及存储介质 - Google Patents
一种碳排放量的预测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116415728B CN116415728B CN202310362709.5A CN202310362709A CN116415728B CN 116415728 B CN116415728 B CN 116415728B CN 202310362709 A CN202310362709 A CN 202310362709A CN 116415728 B CN116415728 B CN 116415728B
- Authority
- CN
- China
- Prior art keywords
- node
- carbon emission
- representing
- parameters
- natural gas
- 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
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 148
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 128
- 239000003345 natural gas Substances 0.000 claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 55
- 238000010438 heat treatment Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 241000511338 Haliaeetus leucocephalus Species 0.000 abstract description 30
- 239000011159 matrix material Substances 0.000 description 19
- 238000002347 injection Methods 0.000 description 15
- 239000007924 injection Substances 0.000 description 15
- 239000000243 solution Substances 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000009189 diving Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000272184 Falconiformes Species 0.000 description 1
- 230000036621 balding Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- 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
-
- 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
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种碳排放量的预测方法、系统、电子设备及存储介质，涉及碳排放管理技术领域，所述方法包括：获取待预测园区的公共能源网络当前时间段的节点参数；其中，节点参数是利用灰色关联度法从待筛选参数集中筛选出的参数；待筛选参数集包括：有用功率、无用功率、节点电压幅值、热源输出的热功率和质量流量速率、热负荷消耗的热功率和质量流量速率、供水管道参数以及天然气管道的质量流和两端压力；将当前时间段的节点参数输入至碳排放量预测模型中，得到待预测园区下一时间段的碳排放量；碳排放量预测模型是利用秃鹰搜索优化算法，基于训练数据集对广义回归神经网络进行训练确定的。本发明提高了碳排放量短期预测的精度。
Description
技术领域
本发明涉及碳排放管理技术领域，特别是涉及一种碳排放量的预测方法、系统、电子设备及存储介质。
背景技术
园区作为区域经济发展、产业调整升级的空间承载形式，是中国能源消费的重要主体，发展多能互补、绿色高效的园区综合能源系统是实现“双碳”目标的重要途径。
目前，已有较多关于碳排放预测方面的研究。在影响因素分析方面，有学者引入指数分解分析(Index DecompositionAnalysis，IDA)碳排放量的预测方法进行碳排放影响因素研究，对数平均迪氏分解法(Logarithmic Mean DivisiaIndex，LMDI)建模容易，能够消除零值和残差。在模型与情景分析方面，有学者将灰色预测模型与反向传播(BackPropagation，BP)神经网络相结合，克服了灰色预测模型在长期预测中因受到扰动因素影响，进而使预测精度降低的问题；还有学者将碳排放的影响因素分为可控因素和不可控因素两个部分，并采用长短期记忆网络(Long Short-Term Memory，LSTM)来预测不可控因素。上述碳排放量的预测方法为园区碳排放预测提供了参考，但仍然存在以下不足：
1)对园区的碳排放感知能力不足：现有研究的模型与对象多以城市的长期预测为主，短期预测精度不足，难以适用于碳排放强度随机组运行状态变化频繁的园区。
2)信息安全有隐患：在进行碳预测、交易和结算过程中会产生海量的交易数据依赖中心化管理，随着碳交易市场规模的扩大，碳信息的安全性难以得到保障。
3)碳市场对促进减排的效果不足：目前碳市场机制并未完善，存在促进企业参与碳交易的激励效果不明显，对碳排放超额企业监管不严格和市场效率低等问题。
发明内容
本发明的目的是提供一种碳排放量的预测方法、系统、电子设备及存储介质，提高了碳排放量短期预测的精度。
为实现上述目的，本发明提供了如下方案：
一种碳排放量的预测方法，包括：
获取待预测园区的公共能源网络当前时间段的节点参数；其中，所述节点参数是利用灰色关联度法从待筛选参数集中筛选出的参数；所述待筛选参数集包括：有用功率、无用功率、节点电压幅值、热源输出的热功率和质量流量速率、热负荷消耗的热功率和质量流量速率、供水管道参数以及天然气管道的质量流和两端压力；所述供水管道参数包括：热功率、热损耗、质量流量速率、输入温度和输出温度；
将当前时间段的节点参数输入至碳排放量预测模型中，得到所述待预测园区下一时间段的碳排放量；所述碳排放量预测模型是利用秃鹰搜索优化算法，基于训练数据集对广义回归神经网络进行训练确定的；所述训练数据集包括多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量，q为正整数。
可选地，所述碳排放量预测模型的训练过程，具体包括：
确定多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量；
利用秃鹰搜索优化算法，对广义回归神经网络进优化，得到优化后的广义回归神经网络；
以所有训练用园区的公共能源网络的第q个历史时间段的节点参数为输入，第q+1个历史时间段的碳排放量为输出，对优化后的广义回归神经网络进行训练，得到所述碳排放量预测模型。
可选地，所述节点参数的确定方法，具体包括：
获取训练用园区的公共能源网络的第q个历史时间段的待筛选参数集和第q+1个历史时间段的碳排放量；
分别计算每个第q个历史时间段的待筛选参数和第q+1个历史时间段的碳排放量的灰色关联度值；
将所有所述灰色关联度值大于预设阈值的待筛选参数确定为所述节点参数。
可选地，所述公共能源网络包括：配电网网络、区域供热网网络和天然气系统网络。
可选地，所述配电网网络的表达式包括：
其中，表示配电网支路ij的有功功率；/>表示配电网支路ij的无功功率；Ui表示配电网节点i的电压幅值；Uj表示配电网节点j的电压幅值；U0为配电网参考节点的电压；rij表示配电网支路ij的电阻；xij表示配电网支路ij的电抗；配电网支路ij的两端节点分别为配电网节点i和配电网节点j。
可选地，所述区域供热网网络的表达式包括：
其中，表示第I个热源在t小时输出的热功率；/>表示第I个热负荷在t小时消耗的热功率；Cp表示水的比热容；/>表示第I个热源在t小时输出的质量流量速率；/>表示第I个热负荷在t小时输入的质量流量速率；/>表示第I个热源在t小时的供水温度；/>分别表示第I个热源在t小时的供水和回水温度；/>表示第I个热负荷在t小时的供水温度；/>表示第I个热负荷在t小时的回水温度；I′和J′表示供水管道k的两端；/>表示供水管道k在t小时的热功率；msup,k,t表示供水管道k在t小时的质量流量速率、τsup,I′,t表示供水管道k在t小时的输入温度；τsup,J′,t表示供水管道k在t小时的输出温度；ΔPk,t表示供水管道k在t小时的热损耗；mk,t表示供水管道k在t小时的质量流量速率；/>表示供水管道k在t小时的流入温度(out)；/>表示供水管道k在t小时的流出温度。
可选地，所述天然气系统网络的表达式包括：
其中，表示天然气管道i′j′的质量流；/>表示天然气管道i′j′质量流的方向；φi′表示天然气管道i′j′的天然气节点i'的压力；φj′表示天然气管道i′j′的天然气节点j'的压力；ψi′j′是关于韦茅斯方程的常数；天然气管道i′j′的两端节点分别为天然气节点i'和天然气节点j'。
一种碳排放量的预测系统，包括：
节点参数获取模块，用于获取待预测园区的公共能源网络当前时间段的节点参数；其中，所述节点参数是利用灰色关联度法从待筛选参数集中筛选出的参数；所述待筛选参数集包括：有用功率、无用功率、节点电压幅值、热源输出的热功率和质量流量速率、热负荷消耗的热功率和质量流量速率、供水管道参数以及天然气管道的质量流和两端压力；所述供水管道参数包括：热功率、热损耗、质量流量速率、输入温度和输出温度；
碳排放量预测模块，用于将当前时间段的节点参数输入至碳排放量预测模型中，得到所述待预测园区下一时间段的碳排放量；所述碳排放量预测模型是利用秃鹰搜索优化算法，基于训练数据集对广义回归神经网络进行训练确定的；所述训练数据集包括多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量，q为正整数。
一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的碳排放量的预测方法。
一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述所述的碳排放量的预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种碳排放量的预测方法、系统、电子设备及存储介质，首先通过秃鹰搜索优化算法，基于训练数据集对广义回归神经网络进行训练，得到碳排放量预测模型；其中，训练数据集中的节点参数是利用灰色关联度法从待筛选参数集中筛选出的；然后将待预测园区的公共能源网络当前时间段的节点参数输入至碳排放量预测模型中，从而确定碳排放量的预测值。本发明结合灰色关联度法、秃鹰搜索优化算法和广义回归神经网络的方法，相较于现有的预测方法，短期预测精度更高，更适用于碳排放强度随机组运行状态变化频繁的园区。
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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的碳排放量的预测方法流程示意图；
图2为公共能源网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。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。
本发明的目的是提供一种碳排放量的预测方法、系统、电子设备及存储介质，旨在提高碳排放量短期预测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的碳排放量的预测方法流程示意图。如图1所示，本实施例中的碳排放量的预测方法，包括：
步骤101：获取待预测园区的公共能源网络当前时间段的节点参数。
其中，节点参数是利用灰色关联度法从待筛选参数集中筛选出的参数；待筛选参数集包括：有用功率、无用功率、节点电压幅值、热源输出的热功率和质量流量速率、热负荷消耗的热功率和质量流量速率、供水管道参数以及天然气管道的质量流和两端压力；供水管道参数包括：热功率、热损耗、质量流量速率、输入温度和输出温度。
步骤102：将当前时间段的节点参数输入至碳排放量预测模型中，得到待预测园区下一时间段的碳排放量。
其中，碳排放量预测模型是利用秃鹰搜索优化算法，基于训练数据集对广义回归神经网络进行训练确定的；训练数据集包括多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量，q为正整数。
作为一种可选的实施方式，步骤102中的碳排放量预测模型的训练过程，具体包括：
确定多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量。
利用秃鹰搜索优化算法，对广义回归神经网络进优化，得到优化后的广义回归神经网络。
以所有训练用园区的公共能源网络的第q个历史时间段的节点参数为输入，第q+1个历史时间段的碳排放量为输出，对优化后的广义回归神经网络进行训练，得到碳排放量预测模型。
具体的，广义回归神经网络(Generalized Regression Neural Network，GRNN)由输入层、模式层、求和层和输出层组成。相应的输入和输出可以分别表示为X'＝[X1',X'2,…,X'a']和h＝[h1,h2,…,hb']。
输入层神经元的数量与训练样本的输入维度相同，并且每个神经元将输入数据直接传输到模式层。
模式层神经元的数量与训练样本的数量一致，传递函数为径向基函数：
其中，X'表示网络输入变量；Xi'5表示对应于第i5个神经元的训练样本，i5＝1,2,…,a'；σ表示扩散参数。
求和层采用两种求和方式：一种是计算模式层中每个神经元输出的加权和，如公式(2)所示；另一种是计算模式层中神经元输出的算术和，如公式(3)所示。
其中，j5＝1,2,…,b'，表示第i5个训练样本中的第j5个元素，在负荷预测期间j5的值为1。
输出层采用线性函数输出结果。GRNN只有一个参数，即需要确定的扩展参数σ。如果σ太大，预测值将接近所有训练样本中目标值的平均值。如果σ太小，预测模型的泛化能力将受到限制。因此，为了确定σ的最佳值，应用秃鹰优化来找到最佳值并提高GRNN的预测精度。
秃鹰搜索优化算法(BaldEagle Search，BES)如下：
1)选择阶段
在选择阶段，秃鹰根据食物量识别并选择所选搜索空间内的最佳区域，在那里可以捕猎猎物。公式(4)描述了这种行为。
Pnew,i″＝Pbest+α*r(Pmean-Pi″) (4)。
其中，Pnew,i″表示当前个体(第i″只秃鹰)选择的新位置；Pbest表示秃头鹰当前基于其先前搜索期间确定的最佳位置选择的搜索空间；α表示控制位置变化的参数；Pmean表示秃鹰用完了的之前几点的所有信息；Pi″表示第i″只秃鹰的位置；r(·)表示是一个随机数函数，表示括号中参数的取值在0到1之间。
在选取搜索空间阶段，加入非线性因子，加大解空间，增加全局搜索能力。
Pi″,new＝Pnow+Pnow*α*v (6)。
其中，ν表示非线性因子；it表示当前迭代次数；itm表示最大迭代次数；Pi″,new表示最新确定的搜索空间；Pnow表示当前搜索空间。在选择阶段，秃鹰根据前一阶段的可用信息选择区域。秃鹰随机选择与先前搜索区域不同但位于其附近的另一搜索区域。秃鹰随机搜索先前选择的搜索空间附近的所有点。通过将随机搜索的先验信息乘以α来确定秃鹰的当前移动。该过程随机改变所有搜索点。
根据搜索点的大小在每个阶段求解Rosenbrock函数，以提高随机解的效率。
2)搜索阶段
在搜索阶段，秃鹰在选定的搜索空间内搜索猎物，并在螺旋空间内沿不同方向移动以加速搜索。俯冲的最佳位置用数学公式(7)表示。
Pi″,new＝Pi″+y(i″)*(Pi″-Pi″+1)+x(i″)*(Pi″-Pmean) (7)。
其中，xr(i″)＝r(i″)*sin(θ(i″))，yr(i″)＝r(i″)*cos(θ(i″))；a11是一个参数，其取值范围为5到10，用于确定中心点中的点搜索之间的角点；Pi″,new表示第i″只秃鹰搜索的位置；x(i″)和y(i″)表示第i″只秃鹰在极坐标中的搜索阶段位置；Pi″+1表示第i″+1只秃鹰的位置；xr(i″)表示第i″只秃鹰在极坐标中的位置的极径与极角正弦值的乘积；|·|表示绝对值；xr表示搜索阶段横坐标与极径的乘积；yr(i″)表示第i″只秃鹰在极坐标中的位置的极径与极角余弦值的乘积；yr表示搜索阶段绝对值纵坐标与极径的乘积；r(i″)表示搜索阶段第i″只秃鹰在极坐标中螺旋方程的极径；θ(i″)表示第i″只秃鹰在极坐标中螺旋方程的极角。
在搜索阶段，加入随机螺旋参数，进一步扩大搜索空间，并通过随机改变搜索路线以增强搜索效果；
其中，x'r(i″)表示第i″只秃鹰在极坐标中的位置的极径与极角正弦值的乘积修正后的新值；y'r(i″)表示第i″只秃鹰在极坐标中的位置的极径与极角余弦值的乘积修正后的新值；κ表示随机螺旋参数。
算法增加多样性，以摆脱局部最优，并持续获得有效解。与搜索空间中的平均点相比，最佳点具有更好的位置。搜索空间取决于点从一个位置到另一个位置的移动，而平均点基于这些点围绕螺旋的移动。
3)俯冲阶段
在俯冲阶段，秃鹰从搜索空间的最佳位置摆动到目标猎物。所有点也朝着最佳点移动。公式(10)描述了这种行为。
Pi″,new＝rand*Pbest+x1(i″)*(Pi″-c1*Pmean)+y1(i″)*(Pi″-c2*Pbest)(10)。
其中，xr1(i″)＝r1(i″)*sinh(θ(i″))，yr1(i″)＝r1(i″)*cosh(θ(i″))；rand表示(0，1)内随机数；x1(i″)和y1(i″)表示第i″只秃鹰在极坐标中的俯冲阶段位置；xr1(i″)表示第i″只秃鹰在极坐标中的的俯冲阶段位置极径与极角双曲正弦值的乘积；xr1表示俯冲阶段横坐标与极径的乘积的绝对值；yr1(i″)表示第i″只秃鹰在极坐标中的的俯冲阶段位置极径与极角双曲余弦值的乘积；yr1表示俯冲阶段纵坐标与极径的乘积；r1(i″)表示表示俯冲阶段第i″只秃鹰在极坐标中螺旋方程的极径；c1和c2表示表示秃鹰向最佳与中心位置的运动强度。取值均为(1，2)。
秃鹰的动作有不同的形状。用一个极坐标方程来描绘这些鹰俯冲时的运动。此外，通过将当前点和中心点之间的差乘以x轴上的极性点，并将当前点与最佳点之间的差值乘以y轴上的极性点来计算最佳点。最佳解必须乘以随机数，因为参数c1和c2增加了秃鹰朝向最佳和中心点的运动强度。
最后在开发阶段加入局部对比，降低算法陷入局部最优的概率。
其中，Z表示符合正态分布的随机数，取值范围为[0,1]；Pb'est表示经公式(12)对比后的最佳位置；f(·)表示适应度函数。
当参数改变时，俯冲方程中的点的运动是圆形的，以达到最佳点。这一阶段的平均值可以帮助算法增强和多样化，其中所有解都接近最佳解。
作为一种可选的实施方式，节点参数的确定方法，具体包括：
获取训练用园区的公共能源网络的第q个历史时间段的待筛选参数集和第q+1个历史时间段的碳排放量。
分别计算每个第q个历史时间段的待筛选参数和第q+1个历史时间段的碳排放量的灰色关联度值。
将所有灰色关联度值大于预设阈值的待筛选参数确定为节点参数。
具体的，节点参数的确定过程，包括：
将历年碳排放量作为自变量序列，分别选取包括配电网网络的 和Ui)、区域供热网网络的/>和/>天然气系统网络的/>φi′、φj′、ψi′j′在内的数据作为因变量序列进行灰色关联分析。筛选其中重要的因素的数据作为基于秃鹰搜索优化算法的广义神经网络的输入变量。
灰色关联分析基本思想是通过计算自变量与因变量之间几何形状相似程度来判断其联系的紧密程度。
灰色关联分析具体计算步骤如下文所述。
(1)根据需求确定灰色关联分析的自变量序列Y(对应碳排放量)和因变量序列X，分别如公式(13)和公式(14)所示：
Y＝[y(1),y(2),…,y(n)] (13)。
其中，l'表示样本数据个数；n表示特征个数。
(2)对各因变量序列中的数据进行均值化处理得到如公式(15)所示。
其中，表示因变量序列第i4个样本的第k″个特征值；/>表示第i4个样本对应的所有特征的均值。
(3)求解自变量y(k″)与均值化处理后的因变量之间的灰色关联系数值/>计算式为：
其中，表示第i4个样本的第k″个特征值的灰色关联系数值；/>表示两级最小极差，其中/>ρ为分辨系数，通常进行灰色关联分析时取ρ＝0.5。
(4)计算各因变量序列所有关联系数的平均值，即为灰色关联度值ri，表示为：
将变量相关性划分为3个取值区间，当灰色关联度值>0.8时，自变量与因变量之间具有强相关性；灰色关联度值处于0.5～0.8之间时表现为显著相关性；灰色关联度值<0.5时表现为弱相关性。
筛选配电网、供热网、天然气系统数据中灰色关联度值>0.8的数据作为基于秃鹰搜索优化算法的广义神经网络的输入变量。
作为一种可选的实施方式，公共能源网络包括：配电网网络、区域供热网网络和天然气系统网络。
作为一种可选的实施方式，配电网网络(Power Distribution Network，PDN)的表达式包括：
其中，表示配电网支路ij的有功功率；/>表示配电网支路ij的无功功率；Ui表示配电网节点i的电压幅值；Uj表示配电网节点j的电压幅值；U0为配电网参考节点的电压；rij表示配电网支路ij的电阻；xij表示配电网支路ij的电抗；配电网支路ij的两端节点分别为配电网节点i和配电网节点j。
具体的，PDN通常为辐射形网络，其潮流常采用线性化支路潮流模型表示，节点电压满足：
对公式(19)进行变换即可得到支路潮流，即公式(18)。
当线路电抗比电阻小得多，即xij/rij≈0时，支路潮流(配电网网络的表达式)可等值为：
作为一种可选的实施方式，区域供热网网络(District Heating Network，DHN)的表达式包括：
其中，表示第I个热源在t小时输出的热功率；/>表示第I个热负荷在t小时消耗的热功率；Cp表示水的比热容；/>表示第I个热源在t小时输出的质量流量速率；/>表示第I个热负荷在t小时输入的质量流量速率；/>表示第I个热源在t小时的供水温度；/>分别表示第I个热源在t小时的供水和回水温度；/>表示第I个热负荷在t小时的供水温度；/>表示第I个热负荷在t小时的回水温度；I′和J′表示供水管道k的两端；/>表示供水管道k在t小时的热功率；msup,k,t表示供水管道k在t小时的质量流量速率、τsup,I′,t表示供水管道k在t小时的输入温度；τsup,J′,t表示供水管道k在t小时的输出温度；ΔPk,t表示供水管道k在t小时的热损耗；mk,t表示供水管道k在t小时的质量流量速率；/>表示供水管道k在t小时的流入温度；/>表示供水管道k在t小时的流出温度。
具体的，DHN由对称的供水管道和回水管道、热源和热负荷组成，其网络特性可由水力方程和热力方程描述。热力方程(公式(21)为第I个热源的热力方程，公式(22)为第I个热负荷的热力方程)表征了节点温度与热能生产和消耗的关系。根据输入温度和输出温度之间的关系可以建立管道模型。据此，管道的热功率如公式(23)所示和热损耗如公式(24)所示。
当采用常用的质调节运行模式，即质量流量速率为常数时，管道的热功率和热损耗仅是关于管道温度的函数。
作为一种可选的实施方式，天然气系统网络(Natural Gas System，NGS)的表达式包括：
其中，表示天然气管道i′j′的质量流；/>表示天然气管道i′j′质量流的方向，若起始节点的压力大于终止节点(起始节点和终止节点分别表示管道的首段和末端)，则其值为1，否则为–1；φi′表示天然气管道i′j′的天然气节点i'的压力；φj′表示天然气管道i′j′的天然气节点j'的压力；ψi′j′是关于韦茅斯方程的常数；天然气管道i′j′的两端节点分别为天然气节点i'和天然气节点j'。
具体的，天然气网络与区域供热网网络类似，可由质量守恒定律和能量守恒定律进行描述。NGS的质量流可由压力和质量流量速率表示，如公式(25)所示，为天然气管道i′j′的质量流方程。
ψi′j′与气体管道压缩系数、气体常数、气体管道环境温度、气体流速、气体管道截面积等因素有关。线性近似为：
其中，Mi′j′表示天然气管道i′j′的斜率；Bi′j′表示天然气管道i′j′的截距；oi′j′表示天然气管道i′j′的服务状态的二进制变量，服务状态指的是管道是否处于服务状态，当管道处于不服务状态时，二进制变量取1，当管道不处于服务状态时，二进制变量取0；pi′表示天然气管道i′j′的天然气节点i'的压力的平方；pj′表示天然气管道i′j′的天然气节点j'的压力。
上述PDN、DHN和NGS分别具有不同的表达形式，而如图2所示，公共能源网络并非三者之一，而是包括三者，即公共能源网络是多能流的。为了统一，公共能源网络多能流可统一建模为y＝f(x)，其中，x在PDN网络、DHN网络和NGS网络中分别代表节点电压Uj、管道温度τk,t和节点压力φ，y代表各网络的能量流，并将不同网络的能量流统一用P表示。
节点碳排放强度为该节点的单位负荷导致的系统碳排放量，其评估依赖于碳排放流在综合能源系统中的分布规律，碳排放评估的关键指标和基本原则目前已有大量研究。基于公共能源网络多能流的统一形式，提出基于扩展关联矩阵的多能源碳排放流跟踪模型，进而推导出公共能源网络节点的碳排放强度评估模型，具体如下所述。
首先，基于等价性原则，将公共能源网络的网损转移到对应的终端母线，并转化为等效的能流，即认为公共能源网络能流是恒定的。因此，将公共能源网络等价为一个无损耗网络(Lossless Network，LN)，进而构建其碳流跟踪模型。
对于LN，节点间拓展关联矩阵(Extended Incidence Matrix，EIM)，记为其中/>
其中，表示支路i1j1(从节点i1到节点j1)的能量流(包含配电网网络的区域供热网网络中的/>和天然气系统NGS网络的/>)；/>表示能源注入节点i1的能量流(包含配电网网络的Ui、区域供热网网络的τsup,I′,t和天然气系统网络的pi′)；n'表示节点的总数。
其中，表示节点i1上负荷l的功率(一个节点对应多个负荷)，若节点未连接负荷，则值为0；/>表示能源注入节点i1注入的能量流，若节点未连接能源注入设备，则其值为0。
根据EIM的构造式和基尔霍夫第一定律，有如下属性：
1)矩阵A的第k′行各元素的和等于第k′行的负荷功率。
2)A是满秩矩阵，即为可逆矩阵：
AE＝PL (29)。
E＝A-1PL (30)。
其中，矩阵E为单位列向量，其维度与网络节点数相等；PL表示公共能源网络中所有节点上的所有负荷构成的矩阵。节点碳足迹表示单位时间内通过节点或网络分支的能量流所对应的碳排放量，其计算式为：
其中，表示节点或网络分支i2的碳排放量；/>表示节点或网络分支i2的碳排放强度；/>表示节点或网络分支i2的能量流。
记公共能源网络中所有能源注入节点注入能量流的对称矩阵为PGG＝diag(PG1,PG2,PG3,…,PGn')，所有能源注入节点对应的碳排放强度为IG＝diag(IG1,IG2,IG3,…,IGn')T，可得：
PG＝PGGE(32)。
RG＝PGIG(33)。
其中，RG表示所有能源注入节点的碳排放量(基于公式(31)，由能源碳排放强度乘以能量流确定)；PG表示所有能源注入节点的能量流。
结合公式(31)-公式(33)，可以得到：
PG＝PGGA-1PL (34)。
RG＝PGGA-1PLIG (35)。
公式(34)揭示了能源注入节点注入的能量流与负荷功率的关系，可实现能量流跟踪。同理，公式(35)表示能源注入节点碳排放量与负荷节点碳排放量的关系，可实现网络碳排放流跟踪。
定义PGGA-1为碳排放分配系数矩阵，记为 表示第i3行第j3列的系数，其计算式为：
D＝PGGA-1 (36)。
由公式(34)和公式(35)可得：
/>
其中，表示发电侧节点i3的碳排放量，/>表示节点j3的负荷，/>表示节点j3的碳排放强度。
表示能源注入节点i3对负荷节点j3分配的碳排放量。
综上，将发电侧的碳排放分配到了负荷侧。此外，为了获得能量传递过程中能量流对应的碳排放流，推导了能量传递程中的碳排放计算式，如下所示：
其中，表示能源注入节点i3对传输网络j3k3分配的碳排放量。
综上所述，基于多能流统一模型建立的公共能源网络节点碳排放强度评估模型，可归纳如下：
1)通过公式(18)-(28)建立的公共能源网络中各个网络(PDN、DHN、NGS等)的能量流方程，计算公共能源网络能量流。
2)根据公式(29)，利用单位列向量矩阵E和网络上所有节点的所有负荷构成的矩阵PL计算扩展关联矩阵A；根据公式(32)，利用能源注入节点注入的能量流PGi计算其对角矩阵PGG；根据公式(33)利用PGG求得能源注入节点碳强度矩阵IG。
3)根据扩展关联矩阵A计算其逆矩阵和碳排放分配系数矩阵D＝PGGA-1。
4)使用公式(38)将能源注入节点的碳排放分配到负载侧。
5)使用公式(39)将能源注入节点的碳排放分配到传输网络。
6)利用公式(31)中节点或网络分支i2的碳排放强度和能量流/>计算公共能源网络节点的碳排放强度，将得到公共能源网络的碳排放流/>根据4)、5)中的关系式，建立基于多能流统一模型的公共能源网络节点碳排放强度评估模型。
实施例2
为了实现实施例1中的碳排放量的预测方法，实施例2还提供了一种碳排放量的预测系统，包括：
节点参数获取模块，用于获取待预测园区的公共能源网络当前时间段的节点参数；其中，节点参数是利用灰色关联度法从待筛选参数集中筛选出的参数；待筛选参数集包括：有用功率、无用功率、节点电压幅值、热源输出的热功率和质量流量速率、热负荷消耗的热功率和质量流量速率、供水管道参数以及天然气管道的质量流和两端压力；供水管道参数包括：热功率、热损耗、质量流量速率、输入温度和输出温度。
碳排放量预测模块，用于将当前时间段的节点参数输入至碳排放量预测模型中，得到待预测园区下一时间段的碳排放量；碳排放量预测模型是利用秃鹰搜索优化算法，基于训练数据集对广义回归神经网络进行训练确定的；训练数据集包括多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量，q为正整数。
实施例3
为了实现实施例1中的碳排放量的预测方法，实施例3还提供了一种电子设备，包括：
一个或多个处理器。
存储装置，其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如实施例1中的碳排放量的预测方法。
实施例4
为了实现实施例1中的碳排放量的预测方法，实施例4还提供了一种存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如实施例1中的碳排放量的预测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的碳排放量的预测方法相对应，所以描述的比较简单，相关之处参见碳排放量的预测方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的碳排放量的预测方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种碳排放量的预测方法，其特征在于，所述预测方法包括：
获取待预测园区的公共能源网络当前时间段的节点参数；其中，所述节点参数是利用灰色关联度法从待筛选参数集中筛选出的参数；所述待筛选参数集包括：有用功率、无用功率、节点电压幅值、热源输出的热功率和质量流量速率、热负荷消耗的热功率和质量流量速率、供水管道参数以及天然气管道的质量流和两端压力；所述供水管道参数包括：热功率、热损耗、质量流量速率、输入温度和输出温度；
将当前时间段的节点参数输入至碳排放量预测模型中，得到所述待预测园区下一时间段的碳排放量；所述碳排放量预测模型是利用秃鹰搜索优化算法，基于训练数据集对广义回归神经网络进行训练确定的；所述训练数据集包括多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量，q为正整数；
所述碳排放量预测模型的训练过程，具体包括：
确定多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量；
利用秃鹰搜索优化算法，对广义回归神经网络进优化，得到优化后的广义回归神经网络；
以所有训练用园区的公共能源网络的第q个历史时间段的节点参数为输入，第q+1个历史时间段的碳排放量为输出，对优化后的广义回归神经网络进行训练，得到所述碳排放量预测模型；
所述节点参数的确定方法，具体包括：
获取训练用园区的公共能源网络的第q个历史时间段的待筛选参数集和第q+1个历史时间段的碳排放量；
分别计算每个第q个历史时间段的待筛选参数和第q+1个历史时间段的碳排放量的灰色关联度值；
将所有所述灰色关联度值大于预设阈值的待筛选参数确定为所述节点参数；
其中，将历年碳排放量作为自变量序列，分别选取包括配电网网络的和Ui、区域供热网网络的/>和/>天然气系统网络的/>φi′、φj′、ψi′j′在内的数据作为因变量序列进行灰色关联分析；
表示配电网支路ij的有功功率；/>表示配电网支路ij的无功功率；Ui表示配电网节点i的电压幅值；Uj表示配电网节点j的电压幅值；配电网支路ij的两端节点分别为配电网节点i和配电网节点j；/>表示第I个热源在t小时输出的热功率；/>表示第I个热负荷在t小时消耗的热功率；/>表示第I个热源在t小时输出的质量流量速率；/>表示第I个热负荷在t小时输入的质量流量速率；/>表示天然气管道i′j′的质量流；φi′表示天然气管道i′j′的天然气节点i'的压力；φj′表示天然气管道i′j′的天然气节点j'的压力；ψi′j′是关于韦茅斯方程的常数；天然气管道i′j′的两端节点分别为天然气节点i'和天然气节点j'。
2.根据权利要求1所述的碳排放量的预测方法，其特征在于，所述公共能源网络包括：配电网网络、区域供热网网络和天然气系统网络。
3.根据权利要求2所述的碳排放量的预测方法，其特征在于，所述配电网网络的表达式包括：
其中，U0为配电网参考节点的电压；rij表示配电网支路ij的电阻；xij表示配电网支路ij的电抗。
4.根据权利要求2所述的碳排放量的预测方法，其特征在于，所述区域供热网网络的表达式包括：
其中，Cp表示水的比热容；表示第I个热源在t小时的供水温度；/>分别表示第I个热源在t小时的供水和回水温度；/>表示第I个热负荷在t小时的供水温度；/>表示第I个热负荷在t小时的回水温度；I′和J′表示供水管道k的两端；/>表示供水管道k在t小时的热功率；msup,k,t表示供水管道k在t小时的质量流量速率、τsup,I′,t表示供水管道k在t小时的输入温度；τsup,J′,t表示供水管道k在t小时的输出温度；ΔPk,t表示供水管道k在t小时的热损耗；mk,t表示供水管道k在t小时的质量流量速率；/>表示供水管道k在t小时的流入温度；/>表示供水管道k在t小时的流出温度。
5.根据权利要求2所述的碳排放量的预测方法，其特征在于，所述天然气系统网络的表达式包括：
其中，表示天然气管道i′j′质量流的方向。
6.一种碳排放量的预测系统，其特征在于，所述预测系统包括：
节点参数获取模块，用于获取待预测园区的公共能源网络当前时间段的节点参数；其中，所述节点参数是利用灰色关联度法从待筛选参数集中筛选出的参数；所述待筛选参数集包括：有用功率、无用功率、节点电压幅值、热源输出的热功率和质量流量速率、热负荷消耗的热功率和质量流量速率、供水管道参数以及天然气管道的质量流和两端压力；所述供水管道参数包括：热功率、热损耗、质量流量速率、输入温度和输出温度；
碳排放量预测模块，用于将当前时间段的节点参数输入至碳排放量预测模型中，得到所述待预测园区下一时间段的碳排放量；所述碳排放量预测模型是利用秃鹰搜索优化算法，基于训练数据集对广义回归神经网络进行训练确定的；所述训练数据集包括多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量，q为正整数；
所述碳排放量预测模型的训练过程，具体包括：
确定多个训练用园区的公共能源网络的第q个历史时间段的节点参数和第q+1个历史时间段的碳排放量；
利用秃鹰搜索优化算法，对广义回归神经网络进优化，得到优化后的广义回归神经网络；
以所有训练用园区的公共能源网络的第q个历史时间段的节点参数为输入，第q+1个历史时间段的碳排放量为输出，对优化后的广义回归神经网络进行训练，得到所述碳排放量预测模型；
所述节点参数的确定方法，具体包括：
获取训练用园区的公共能源网络的第q个历史时间段的待筛选参数集和第q+1个历史时间段的碳排放量；
分别计算每个第q个历史时间段的待筛选参数和第q+1个历史时间段的碳排放量的灰色关联度值；
将所有所述灰色关联度值大于预设阈值的待筛选参数确定为所述节点参数；
其中，将历年碳排放量作为自变量序列，分别选取包括配电网网络的和Ui、区域供热网网络的/>和/>天然气系统网络的/>φi′、φj′、ψi′j′在内的数据作为因变量序列进行灰色关联分析；
表示配电网支路ij的有功功率；/>表示配电网支路ij的无功功率；Ui表示配电网节点i的电压幅值；Uj表示配电网节点j的电压幅值；配电网支路ij的两端节点分别为配电网节点i和配电网节点j；/>表示第I个热源在t小时输出的热功率；/>表示第I个热负荷在t小时消耗的热功率；/>表示第I个热源在t小时输出的质量流量速率；/>表示第I个热负荷在t小时输入的质量流量速率；/>表示天然气管道i′j′的质量流；φi′表示天然气管道i′j′的天然气节点i'的压力；φj′表示天然气管道i′j′的天然气节点j'的压力；ψi′j′是关于韦茅斯方程的常数；天然气管道i′j′的两端节点分别为天然气节点i'和天然气节点j'。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任意一项所述的碳排放量的预测方法。
8.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的碳排放量的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310362709.5A CN116415728B (zh) | 2023-04-07 | 2023-04-07 | 一种碳排放量的预测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310362709.5A CN116415728B (zh) | 2023-04-07 | 2023-04-07 | 一种碳排放量的预测方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116415728A CN116415728A (zh) | 2023-07-11 |
| CN116415728B true CN116415728B (zh) | 2023-11-17 |
Family
ID=87049186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310362709.5A Active CN116415728B (zh) | 2023-04-07 | 2023-04-07 | 一种碳排放量的预测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415728B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116632839B (zh) * | 2023-07-21 | 2023-11-07 | 国网浙江省电力有限公司宁波供电公司 | 一种基于能碳监测的园区电力管理调节方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113241780A (zh) * | 2021-06-11 | 2021-08-10 | 云南电网有限责任公司电力科学研究院 | 一种基于秃鹰搜索算法的电网二次调频控制技术 |
| CN115511386A (zh) * | 2022-11-09 | 2022-12-23 | 武汉大学 | 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 |
| CN115660918A (zh) * | 2022-09-20 | 2023-01-31 | 浙江工业大学 | 一种工业园区碳排放计算及预测方法 |
| CN115809427A (zh) * | 2023-02-06 | 2023-03-17 | 山东科技大学 | 基于混合策略优化bp神经网络的混合气体识别方法 |
| CN115859782A (zh) * | 2022-11-18 | 2023-03-28 | 辽宁石油化工大学 | 一种输气管道内腐蚀速率的预测方法 |
-
2023
- 2023-04-07 CN CN202310362709.5A patent/CN116415728B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113241780A (zh) * | 2021-06-11 | 2021-08-10 | 云南电网有限责任公司电力科学研究院 | 一种基于秃鹰搜索算法的电网二次调频控制技术 |
| CN115660918A (zh) * | 2022-09-20 | 2023-01-31 | 浙江工业大学 | 一种工业园区碳排放计算及预测方法 |
| CN115511386A (zh) * | 2022-11-09 | 2022-12-23 | 武汉大学 | 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 |
| CN115859782A (zh) * | 2022-11-18 | 2023-03-28 | 辽宁石油化工大学 | 一种输气管道内腐蚀速率的预测方法 |
| CN115809427A (zh) * | 2023-02-06 | 2023-03-17 | 山东科技大学 | 基于混合策略优化bp神经网络的混合气体识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于灰色关联分析旳BP神经网络模型在 中国碳排放预测中的应用;纪广月;数学的实践与认识;第第44卷卷(第第14期期);第244-249页 * |
| 融合系统聚类与BP神经网络的世界碳排放预测模型研究;张发明;王艳旭;;数学的实践与认识(第01期);全文 * |
| 选用改进高斯过程回归模型的碳排放短期预测;王阳;唐朝晖;王紫勋;牛亚辉;;计算机工程与应用(第23期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116415728A (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
| Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
| Mi et al. | Short-term power load forecasting method based on improved exponential smoothing grey model | |
| CN111563611B (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
| WO2018161722A1 (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
| WO2018161723A1 (zh) | 基于长短时记忆神经网络的电力负荷预测系统 | |
| CN108091135A (zh) | 基于优化小波神经网络的停车泊位多步预测方法 | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| CN116415728B (zh) | 一种碳排放量的预测方法、系统、电子设备及存储介质 | |
| CN109711617A (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
| CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
| CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
| Kalogirou | Artificial neural networks and genetic algorithms for the modeling, simulation, and performance prediction of solar energy systems | |
| CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
| CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
| Zhao et al. | Heating load prediction of residential district using hybrid model based on CNN | |
| CN114777192A (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| Wang et al. | Dynamic heat supply prediction using support vector regression optimized by particle swarm optimization algorithm | |
| CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
| Jafarkazemi et al. | Performance prediction of flat-plate solar collectors using MLP and ANFIS | |
| CN108764522A (zh) | 一种基于多变量输入的局部负荷预测方法 | |
| Yang et al. | A novel exhaust gas temperature prediction method of hot blast stove | |
| CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
| Juan et al. | Multi-step prediction of dissolved oxygen in river based on random forest missing value imputation and attention mechanism coupled with recurrent neural network |
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 |