CN116957205A - 基于ceemd-ssa-elm的电力碳排放预测方法 - Google Patents
基于ceemd-ssa-elm的电力碳排放预测方法 Download PDFInfo
- Publication number
- CN116957205A CN116957205A CN202310966752.2A CN202310966752A CN116957205A CN 116957205 A CN116957205 A CN 116957205A CN 202310966752 A CN202310966752 A CN 202310966752A CN 116957205 A CN116957205 A CN 116957205A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- elm
- ceemd
- power industry
- ssa
- 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 135
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000005611 electricity Effects 0.000 claims description 23
- 235000006732 Torreya nucifera Nutrition 0.000 claims description 8
- 244000111306 Torreya nucifera Species 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 6
- 239000002803 fossil fuel Substances 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 241000287127 Passeridae Species 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CEEMD‑SSA‑ELM的电力行业碳排放预测方法，所述方法包括：对火电行业碳排放影响因素进行解析，从生产端和消费端两个角度入手，全面分析了具体碳排放影响因素构成，构建碳排放初次分解模型实现对火电行业碳排放影响因素的全面解析；在构建预测模型阶段，利用CEEMD分解原始碳排放影响因素数据后，采用SSA综合计算了碳排放情况各影响因素作用强度，最后利用ELM实现对碳排放量综合值计算；可以实现对不同情境下碳排放情况的准确预测，对于实际的环境管理工作而言，具有良好的实际应用价值，能够为其提供可靠的指导。
Description
技术领域
本发明属于碳排放核算技术领域；尤其涉及一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法。
背景技术
对经济快速发展背景下的环境状态进行分析，在碳排放的相关研究也越来越多的大环境下，在极大程度上支持着当前环境问题的解决，同时也为碳减排相关目标的实现提供了重要的理论依据和执行基础。现阶段，使得每个人了解到气候变化所带来的危害是研究者对碳排放进行研究的主要目的，其次，为相关节能减排工作计划的执行提供可靠的基础也是研究者对碳排放进行研究的根本目标。结合上述的分析可以看出，对碳排放问题进行研究具有重大的意义和长期发展价值。对现阶段较为成熟的碳排放量计算进行分析，其主要包括4种，首先是以碳排放系数为基础的碳排放量计算法，该方法也是应用最为广泛的方法；其次就是以实测为基础的碳排放量计算法，该方法的计算结果较为准确，但是相关成本投入较高；还有就是以质量平衡为基础的碳排放量计算法，该方法最突出的特点就是操作简单，但是计算结果的精度相对较低；最后就是以遥感估算为基础的碳排放量计算法；现阶段，指数分解法IDA(indexecomposition anslysis)是广泛使用的碳排放影响因素分解方法之一，其次，结构分解法SDA(Structural decomposition anslysis)也是较为常见的分解方法；但是这些方法实现了对现代技术的融合，提高了计算的效率，但是在应用阶段存在一定的局限性。对于碳排量而言，在对其进行计算的过程中，科学合理的分析相关驱动因素也是极为关键的环节。
发明内容
本发明要解决的技术问题是：提供一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，在对其进行计算的过程中科学合理的分析相关驱动因素，以实现对企业碳排放精确预测。
本发明采取的技术方案为：
一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：所述方法包括：对火电行业碳排放影响因素进行解析，从生产端和消费端两个角度入手，全面分析了具体碳排放影响因素构成，构建碳排放初次分解模型实现对火电行业碳排放影响因素的全面解析；在构建预测模型阶段，利用CEEMD分解原始碳排放影响因素数据后，采用SSA综合计算了碳排放情况各影响因素作用强度，最后利用ELM实现对碳排放量综合值计算。
对火电行业碳排放影响因素进行解析时采用对数平均迪式指数法LMDI实现对火电行业碳排放影响因素的解析。
构建碳排放初次分解模型时引入了kaya恒等式构建碳排放初次分解模型。
碳排放初次分解模型引入了kaya恒等式对应的分析结果表示为
c＝m*k*g*p*ec (4)
其中，c表示碳排放总量，m表示能源排放系数，k表示电力生产过程中的发电煤耗率，g表示化石燃料供电量与电力生产总量的比值，用于体现供电结构，ec表示全社会用电需求量，p表示发电量与全社会用电需求量之比，表电力供需结构，tp表示出电能阶段的化石燃料消耗总量。
利用CEEMD分解原始碳排放影响因素数据的方法为：首先在数据中添加噪声，表示为：
其中，M1表示原始数据与正高斯白噪声的和，M2表示原始数据与负高斯白噪声的和，A表示原始碳排放影响因素数据，B表示添加的高斯白噪声；在此基础上，采用EMD分解的方式对目标数据进行处理，对应每个数据，均有一组IMF分量与之匹配，最终的均值结果为
imfj表示原始数据IMF分量均值，imfij表示第j个IMF的第i个分量；对应的CEEMD分解结果即为
其中，x(t)表示CEEMD分解结果，res表示均值。
对分解结果采用SSA麻雀搜索算法实现对碳排放情况的影响因素作用强度计算，对应的更新方式表示为
表示更新后的位置信息，xid表示当前位置信息，RL表示影响因素功作用程度矩阵，W表示SSA的预警值。
当位置更新后的参数与当前位置参数之间的差值不再发生变化时，则此时的结果为最终的寻优结果，作为输出值用于后续电力行业碳排放模型的设计。
利用ELM实现对碳排放量综合值计算的方法包括：设ELM网络结构的连接输入层节点和隐藏层节点的权重为w，隐藏层节点和输出层节点的权重为k，输出结果q，设置ELM的隐层输出函数为h(*)；经过训练后，连接隐藏层和输出层权重是以相对定值的形式存在的，借助最小化近似平方差的方法最终ELM输出的结果表示为
实现对各影响因素综合作用下电力行业碳排放情况的预测。
本发明有益效果是：
本发明分析企业碳排放影响因素，采用对数平均迪式指数法对火电行业碳排放影响因素进行解析，从生产端和消费端两个角度入手，全面分析了具体碳排放影响因素构成，并借助kaya恒等式，构建了碳排放初次分解模型，实现对火电行业碳排放影响因素的全面解析；在构建预测模型阶段，利用CEEMD分解原始碳排放影响因素数据后，采用SSA综合计算了碳排放情况各影响因素作用强度，最后利用ELM实现对碳排放量综合值的计算，以此实现对企业碳排放精确预测。
本发明设计的基于CEEMD-SSA-ELM方法的电力行业碳排放预测模型，通过对比测试的方式，分析验证了设计预测模型的实际应用效果，可以实现对不同情境下碳排放情况的准确预测，对于实际的环境管理工作而言，具有良好的实际应用价值，能够为其提供可靠的指导。
附图说明
图1为本发明流程示意图；
图2为具体实施方式极限学习机网络机制示意图；
图3为具体实施方式基准情景下碳排放情况预测结果对比示意图；
图4为具体实施方式低碳情景下碳排放情况预测结果对比示意图；
图5为具体实施方式强化低碳情景下碳排放情况预测结果对比图。
具体实施方式
本发明采取的技术方案为：基于CEEMD-SSA-ELM方法的电力行业碳排放预测模型，采用对数平均迪式指数法对火电行业碳排放影响因素进行解析，从生产端和消费端两个角度入手，全面分析了具体碳排放影响因素构成，并借助kaya恒等式，构建了碳排放初次分解模型，实现对火电行业碳排放影响因素的全面解析。在构建预测模型阶段，利用CEEMD分解原始碳排放影响因素数据后，采用SSA综合计算了碳排放情况各影响因素作用强度，最后利用ELM实现对碳排放量综合值的计算。具体包括以下步骤：
步骤A、火电行业碳排放影响因素分析
采用对数平均迪式指数法(LMDI，Logarithmic Mean Divisia Index)实现对火电行业碳排放影响因素的解析，构建碳排放初次分解模型时，引入了kaya恒等式。
碳排放初次分解模型引入了kaya恒等式对应的分析结果表示为
c＝m*k*g*p*ec (4)
其中，c表示碳排放总量，m表示能源排放系数，k表示电力生产过程中的发电煤耗率，g表示化石燃料供电量与电力生产总量的比值，用于体现供电结构，ec表示全社会用电需求量，p表示发电量与全社会用电需求量之比，表电力供需结构，tp表示出电能阶段的化石燃料消耗总量。
按照上述所示的方式，实现对火电行业碳排放影响因素的全面分析，为后续的电力行业碳排放预测模型构建提供执行基础，保障预测结果的可靠性和准确性。
步骤B、基于CEEMD-SSA-ELM方法的电力行业碳排放预测模型构建
基于主成分分析与核函数算法的多维特征提取的计算方法为：
用CEEMD(Complementary Ensemble Empirical Mode Decompositio，互补集合经验模态分解方法)的对原始的电力数据进行分解的过程中，首先需要在数据中添加噪声，其可以表示为
其中，M1表示原始数据与正高斯白噪声的和，M2表示原始数据与负高斯白噪声的和，A表示原始碳排放影响因素数据，B表示添加的高斯白噪声。在此基础上，采用EMD分解的方式对目标数据进行处理，对应每个数据，均有一组IMF分量与之匹配，最终的均值结果为
其中，imfj表示原始数据IMF分量均值，imfij表示第j个IMF的第i个分量。对应的CEEMD分解结果即为
其中，x(t)表示CEEMD分解结果，res表示均值。
结合上述的分析结果，采用SSA(Sparrow Search Algorithm，麻雀搜索算法)实现对碳排放情况的影响因素作用强度计算。其中，对应的更新方式可以表示为
其中，表示更新后的位置信息，xid表示当前位置信息，RL表示影响因素功作用程度矩阵，W表示SSA的预警值。以此为基础，当位置更新后的参数与当前位置参数之间的差值不再发生变化时，则认为此时的结果为最终的寻优结果，将其作为输出值，用于后续电力行业碳排放模型的设计。
在此基础上，本发明利用ELM(Extreme Learning Machine，极限学习机)对各影响因素对碳排放量作用程度的综合最优值进行计算时，对应的网络结构如图2所示。
以图2所示的网络机制为基础，连接输入层节点和隐藏层节点的权重为w，隐藏层节点和输出层节点的权重为k，输出结果q，本发明设置ELM的隐层输出函数为h(*)。那么经过训练后，连接隐藏层和输出层权重是以相对定值的形式存在的，借助最小化近似平方差的方法，最终ELM输出的结果可以表示为
按照这样的方式，实现对各影响因素综合作用下，电力行业碳排放情况的预测。
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：如图1所示，基于CEEMD-SSA-ELM方法的电力行业碳排放预测，具体包括如下步骤：
步骤A、火电行业碳排放影响因素分析；
步骤B、基于CEEMD-SSA-ELM方法的电力行业碳排放预测模型构建；
为了验证算法的有效性，将该算法应用至某企业，对该企业的碳排放进行预测。在对本发明设计方法的实际应用效果进行分析的过程中，本发明采用情景分析法实现对测试场景的构建，在具体的实施过程中，主要是通过在未来情景即将发生前夕，以研究对象为基础，对其未来可能出现的情况，差异化设置不同情景，并对具体的碳排放情况进行预测。本发明充分考虑了某省火电行业未来发展方向，结合低碳路线的实际情况，在对每个自变量进行设置的过程中，以低碳方向为执行基础。分别设置了基准情景、低碳情景和强化低碳情景三种情况，利用三个情景，实现对不同发展模式的对应不同。结合对火电行业碳排放因素的分析结果，本发明对碳排放情景进行分析时，主要从四个角度入手，分别为发电煤耗、供电结构、人均GDP，以及产业用电强度。
在对某省火电行业碳排放情景参数进行设置的过程中，本发明首先统计了某省火电行业2005-2020年期间的主要因素发展情况，具体的数据信息如表1所示。
表1某省火电行业2015-2020年期间主要因素发展情况
结合表1中的数据信息可以看出，在2005-2020年期间，发电煤耗增长率整体呈现出下降趋势，供电结构增长率整体呈现出小幅下降趋势，人均GDP涨幅明显，对应的产业用电强度增长情况有明显下降，最大下降幅度达到了11.24％。结合表1所示的数据，以及地方政策相关要求，以经济增长为核心的基础上，本发明设置了三种不同的发展情形，对应的人均GDP、产业用电强度、发电煤耗率和供电结构率参数设置情况如表2所示。
表2情景模式设置
按照表1所示的方式，实现对不同情景模式的构建，作为后续的碳排放预测的基础。
在具体的测试过程中，为了提高测试结果的可靠性，分别采用质量平衡法、遥感估算法作为测试的对照组，以实测法的结果为基准，分析三种不同方法的预测结果。
首先对比分析了不同方法对于基准情景下，碳排放情况预测结果与实际结果之间的关系，得到的数据结果如图3所示。
结合图3中的测试结果可以看出，在不同预测方法中，对于基准情景下碳排放情况的预测结果均与实际值存在不同程度的偏差，其中，质量平衡法和遥感估算法的预测结果均表现出了较为明显的不稳定性，与实测值的最大误差分别达到了22456吨，相比之下，在本发明设计模型的测试结果中，对于碳排放量的预测结果与实测值的误差始终稳定在10000吨以内，最大误差极为6635吨，最小误差仅为1326吨。测试结果表明，本发明设计的基于CEEMD-SSA-ELM方法的电力行业碳排放预测模型可以实现对基准情景下碳排放情况的准确预测。
图4和图5分别为低碳情景和强化低碳情景下，碳排放情况预测结果与实际结果之间的关系。
结合图4和图5中的测试结果可以看出，在对低碳情景和强化低碳情景下，碳排放情况进行预测时，三种方法的预测结果与实测值之间的差异也表现出了明显的不同。但是在整体上，本发明设计模型的预测结果始终具有较高的稳定性和准确性，并未出现较为明显的误差，与对照组相比，具有明显优势。
Claims (8)
1.一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：所述方法包括：对火电行业碳排放影响因素进行解析，从生产端和消费端两个角度入手，全面分析了具体碳排放影响因素构成，构建碳排放初次分解模型实现对火电行业碳排放影响因素的全面解析；在构建预测模型阶段，利用CEEMD分解原始碳排放影响因素数据后，采用SSA综合计算了碳排放情况各影响因素作用强度，最后利用ELM实现对碳排放量综合值计算。
2.根据权利要求1所述的一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：对火电行业碳排放影响因素进行解析时采用对数平均迪式指数法LMDI实现对火电行业碳排放影响因素的解析。
3.根据权利要求1所述的一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：构建碳排放初次分解模型时引入了kaya恒等式构建碳排放初次分解模型。
4.根据权利要求3所述的一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：碳排放初次分解模型引入了kaya恒等式对应的分析结果表示为
c＝m*k*g*p*ec (4)
其中，c表示碳排放总量，m表示能源排放系数，k表示电力生产过程中的发电煤耗率，g表示化石燃料供电量与电力生产总量的比值，用于体现供电结构，ec表示全社会用电需求量，p表示发电量与全社会用电需求量之比，表电力供需结构，tp表示出电能阶段的化石燃料消耗总量。
5.根据权利要求1所述的一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：利用CEEMD分解原始碳排放影响因素数据的方法为：首先在数据中添加噪声，表示为：
其中，M1表示原始数据与正高斯白噪声的和，M2表示原始数据与负高斯白噪声的和，A表示原始碳排放影响因素数据，B表示添加的高斯白噪声；在此基础上，采用EMD分解的方式对目标数据进行处理，对应每个数据，均有一组IMF分量与之匹配，最终的均值结果为
imfj表示原始数据IMF分量均值，imfij表示第j个IMF的第i个分量；对应的CEEMD分解结果即为
其中，x(t)表示CEEMD分解结果，res表示均值。
6.根据权利要求1所述的一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：对分解结果采用SSA麻雀搜索算法实现对碳排放情况的影响因素作用强度计算，对应的更新方式表示为
表示更新后的位置信息，xid表示当前位置信息，RL表示影响因素功作用程度矩阵，W表示SSA的预警值。
7.根据权利要求6所述的一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：当位置更新后的参数与当前位置参数之间的差值不再发生变化时，则此时的结果为最终的寻优结果，作为输出值用于后续电力行业碳排放模型的设计。
8.根据权利要求1所述的一种基于CEEMD-SSA-ELM的电力行业碳排放预测方法，其特征在于：利用ELM实现对碳排放量综合值计算的方法包括：设ELM网络结构的连接输入层节点和隐藏层节点的权重为w，隐藏层节点和输出层节点的权重为k，输出结果q，设置ELM的隐层输出函数为h(*)；经过训练后，连接隐藏层和输出层权重是以相对定值的形式存在的，借助最小化近似平方差的方法最终ELM输出的结果表示为
实现对各影响因素综合作用下电力行业碳排放情况的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966752.2A CN116957205A (zh) | 2023-08-02 | 2023-08-02 | 基于ceemd-ssa-elm的电力碳排放预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966752.2A CN116957205A (zh) | 2023-08-02 | 2023-08-02 | 基于ceemd-ssa-elm的电力碳排放预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116957205A true CN116957205A (zh) | 2023-10-27 |
Family
ID=88451128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310966752.2A Pending CN116957205A (zh) | 2023-08-02 | 2023-08-02 | 基于ceemd-ssa-elm的电力碳排放预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116957205A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970600A (zh) * | 2022-04-11 | 2022-08-30 | 昆明理工大学 | 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置 |
-
2023
- 2023-08-02 CN CN202310966752.2A patent/CN116957205A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970600A (zh) * | 2022-04-11 | 2022-08-30 | 昆明理工大学 | 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
| Wang et al. | Forecasting Chinese provincial carbon emissions using a novel grey prediction model considering spatial correlation | |
| CN112906974A (zh) | 一种负荷电量及其碳排放预测与校验方法 | |
| CN116957205A (zh) | 基于ceemd-ssa-elm的电力碳排放预测方法 | |
| CN113344192B (zh) | 企业级电机系统节能优化自动控制方法及系统 | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
| Zhou et al. | Using fractional discrete Verhulst model to forecast Fujian's electricity consumption in China | |
| CN110880044A (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN117611190A (zh) | 一种区域电力系统碳排放测算方法、装置及介质 | |
| CN115660234B (zh) | 一种基于混合测算方法的双碳预测优化模型 | |
| CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 | |
| Xia et al. | Analysis and prediction of regional electricity consumption based on BP neural network | |
| Zhang et al. | Coal price forecast based on ARIMA model | |
| CN116245023A (zh) | 一种空间燃料电池系统混合度参数匹配优化方法 | |
| CN113689694B (zh) | 一种车流量预测方法、装置、设备及可读存储介质 | |
| Ma et al. | The variable weight combination load forecasting based on grey model and semi-parametric regression model | |
| Liu et al. | Prediction of carbon emissions in Zhejiang province based on ATT-CNN-LSTM model | |
| CN110633917A (zh) | 基于电力大数据的新能源政策实施效果综合评价方法 | |
| Li et al. | Assessment of carbon emission reduction contribution of Chinese power grid enterprises based on MCS-GA-ELM method | |
| Ma et al. | Nonparametric approaches for analyzing carbon emission: from statistical and machine learning perspectives | |
| CN113361748B (zh) | 适用于在线负荷分配的机组供电煤耗预测方法 | |
| CN116345495B (zh) | 基于数据分析和建模的电厂机组调频优化方法 | |
| Liu et al. | Research on the impact of big data application on technological innovation of Chinese new energy vehicle industry | |
| Li et al. | The potential prediction model of energy substitution under the synergetic effect of economy and environment |
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 |