CN117911043A - 燃煤电厂碳排放量的预测方法、装置、介质及设备 - Google Patents
燃煤电厂碳排放量的预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117911043A CN117911043A CN202311530885.1A CN202311530885A CN117911043A CN 117911043 A CN117911043 A CN 117911043A CN 202311530885 A CN202311530885 A CN 202311530885A CN 117911043 A CN117911043 A CN 117911043A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction model
- sample
- carbon emission
- training
- 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 151
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 239000003245 coal Substances 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000001902 propagating effect Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 48
- 210000002569 neuron Anatomy 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 239000002956 ash Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000020169 heat generation Effects 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000010881 fly ash Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000003039 volatile agent Substances 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
Abstract
本公开涉及一种燃煤电厂碳排放量的预测方法、装置、介质及设备,涉及碳排放技术领域,方法包括:获取目标煤质工业分析数据;将目标煤质工业分析数据输入至碳排放量预测模型,获得碳排放量预测结果;通过如下方式训练得到碳排放量预测模型:结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到碳排放量预测模型。本公开结合多层感应器神经网络和误差反向传播算法得到的碳排放量预测模型,预测碳排放量的结果准确。
Description
技术领域
本公开涉及碳排放技术领域,具体地,涉及一种燃煤电厂碳排放量的预测方法、装置、介质及设备。
背景技术
碳排放核算方法包括排放因子法、物料衡算法、实测法和卫星监测等。目前,卫星监测未商业应用,实测法虽已有标准,但鉴于精度要求高、费用高,尚未普及。目前相关技术中还没有实现对飞灰含碳量进行实时的、准确的预测方法。
发明内容
本公开的目的是提供一种燃煤电厂碳排放量的预测方法、装置、介质及设备,利用煤质工业分析数据准确预测碳排放量,实现碳排放的精准预测。
本公开的第一方面提供一种燃煤电厂碳排放量的预测方法,包括:
获取目标煤质工业分析数据;
将所述目标煤质工业分析数据输入至碳排放量预测模型,获得碳排放量预测结果;
其中,通过如下方式训练得到所述碳排放量预测模型:
结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到所述碳排放量预测模型。
可选地,获取目标煤质工业分析数据之前,所述方法还包括:
获取多组测试样本数据,所述测试样本数据包括至少四种煤质工业分析数据以及实际测试值,且每组测试样本数据中的煤质工业分析数据的类型不完全相同;
将每组测试样本数据分别输入至所述碳排放量预测模型,获取每组测试数据的样本预测结果;
根据每组测试样本数据的样本预测结果和实际测试值,确定所述组的数据偏差情况;
根据所述数据偏差情况,确定所述目标煤质工业分析数据的数据类型。
可选地,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到所述碳排放量预测模型,包括:
将包含目标标签的训练样本数据输入至多层感应器神经网络进行训练,输出与所述目标标签对应的预测标签,所述目标标签根据所述训练样本数据对应的实际测试值确定;
确定所述目标标签与所述预测标签之间的误差,并在所述多层感应器神经网络中将所述误差从输出层向输入层进行反向传播;
基于所述误差对所述多层感应器神经网络的模型参数进行迭代更新,直至达到预设训练次数,得到所述碳排放量预测模型。
可选地,在所述多层感应器神经网络中,输入层和输出层之间包括两个隐藏层,第一隐藏层的每一神经元均与所述输入层的每一神经元连接,第二隐藏层的每一神经元均与所述第一隐藏层的每一神经元连接,且第二隐藏层的每一神经元均与所述输出层的每一神经元连接。
可选地,所述方法还包括:
获取第一验证数据集,所述第一验证数据集包括煤质工业分析数据以及实际测试值;
将所述第一验证数据集分别输入至第一样本预测模型和第二样本预测模型,获得第一样本预测模型的第一预测结果和第二样本预测模型的第二预测结果,所述第一样本预测模型在训练时采用的损失函数为范数损失函数,所述第二样本预测模型在训练时采用的损失函数为均方误差损失函数;
确定所述第一样本预测模型输出的预测结果与所述实际测试值之间的第一误差数据,以及所述第二样本预测模型输出的预测结果与所述实际测试值之间的第二误差数据;
根据所述第一误差数据的波动情况以及所述第二误差数据的波动情况,将波动情况较平稳的误差数据所对应的样本预测模型作为所述碳排放量预测模型。
可选地,所述方法还包括:
获取第二验证数据集,所述第二验证数据集包括煤质工业分析数据以及实际测试值;
将所述第二验证数据集分别输入至多个第三样本预测模型,得到每一第三样本预测模型输出的样本预测结果,其中,每一第三样本预测模型在训练时采用的非线性激活函数不同;
根据每一第三样本预测模型的样本预测结果和所述实际测试值,确定每一样本预测结果的第一偏差数据;
将所述第一偏差数据中波动情况较小的偏差数据所对应的第三样本预测模型作为所述碳排放量预测模型。
可选地,所述方法还包括:
获取第三验证数据集,所述第三验证数据集包括煤质工业分析数据以及实际测试值;
将所述三验证数据集分别输入至多个第四样本预测模型,得到每一第四样本预测模型对应的样本预测结果,其中,每一第四样本预测模型中在反向传播训练中所采用的优化器不同;
根据每一第四样本预测模型对应的样本预测结果和所述实际测试值,确定每一样本预测结果的第二偏差数据;
将所述第二偏差数据中波动情况较小的偏差数据所对应的第四样本预测模型作为所述碳排放量预测模型。
本公开的第二方面提供一种燃煤电厂碳排放量的预测装置,包括:
获取模块,用于获取目标煤质工业分析数据;
获得模块,用于将所述目标煤质工业分析数据输入至碳排放量预测模型,获得碳排放量预测结果;
训练模块,用于通过如下方式训练得到碳排放量预测模型:
结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到碳排放量预测模型。
本公开的第三方面提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开的第一方面提供的燃煤电厂碳排放量的预测方法。
本公开的第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开的第一方面提供的燃煤电厂碳排放量的预测方法。
本公开通过将目标煤质工业分析数据输入至碳排放量预测模型,可以获得碳排放量预测结果;其中,通过如下方式训练得到碳排放量预测模型:结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到碳排放量预测模型。这样,结合多层感应器神经网络和误差反向传播算法,将训练后得到的预测结果和实际测试值之间的误差进行反向传播,可以根据误差调整神经网络的参数,得到预测效果较好的碳排放量预测模型,如此,通过将目标煤质工业分析数据输入至碳排放量预测模型所得到的预测结果准确。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种燃煤电厂碳排放量的预测方法的流程图。
图2是神经网络的神经元模型的示意图。
图3是多层感知器神经网络模型的结构示意图。
图4是对碳排放量预测模型输入不同类型参数所输出的预测结果偏差数据示意图。
图5是对采用不同损失函数的第一样本预测模型输入参数所输出的预测结果偏差数据示意图。
图6是对采用不同激活函数的第二样本预测模型输入参数所输出的预测结果偏差数据示意图。
图7是对采用不同优化器的第三样本预测模型输入参数所输出的预测结果偏差数据示意图。
图8是根据一示例性实施例示出的一种燃煤电厂碳排放量的预测装置的框图。
图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中,碳排放核算方法包括排放因子法、物料衡算法、实测法和卫星监测等。目前,卫星监测未商业应用,实测法虽已有标准,但鉴于精度要求高、费用高,尚未普及。根据相关规定,燃煤电厂主要采用物料核算法,每月按比例留取煤质综合样进行元素碳含量分析,据此计算碳排放,核算周期为整月,较难实现周期的碳排放量的统计。目前相关技术中还没有实现对飞灰含碳量进行实时的、准确的预测方法。
为此,本方案基于深度学习理论,创建多层感知器神经网络模型,利用煤质工业分析数据,以收到基灰分、收到基挥发分、收到基固定碳、低位发热量作为输入参数,预测元素碳含量,结合煤质消耗量,计算燃煤电厂班组周期内碳排放量。
参见图1,图1是根据一示例性实施例示出的一种燃煤电厂碳排放量的预测方法的流程图,如图1所示,应用于电子设备中,包括以下步骤。
S101、获取目标煤质工业分析数据。
示例地,煤质工业分析数据是对碳排放量有影响的数据,例如可以包括全水、收到基灰分、收到基挥发分、收到基固定碳、收到基元素碳含量、低位发热量。同时,为区分煤种,根据相关规定,可以将收到基挥发分折算为干燥无灰机挥发分。这里目标煤质工业分析数据可以是全水、收到基灰分、收到基挥发分、收到基固定碳、收到基元素碳含量、低位发热量中的全部数据或部分数据。
S102、将目标煤质工业分析数据输入至碳排放量预测模型,获得碳排放量预测结果;
其中,通过如下方式训练得到碳排放量预测模型:
结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到碳排放量预测模型。
示例地,可以采用PyTorch深度学习框架,搭建深度神经网络。如图2所示,神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型,它是由大量的节点(神经元)和之间的相互连接构成的,每个节点代表一种特定的输出函数,称为激活函数,每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重。图中x1至xn表示从其他神经元传来的输入信号,wij表示从神经元j到神经元i的连接权值,θ表示偏置参数,因此,神经元i的输入与输出的关系式如下式1。
式1:
示例地,多层感应器神经网络的网络结构如图3所示,其中,多层感应器神经网络由输入层、隐藏层和输出层组成,每一层具备多个神经元。其中,隐藏层神经元的作用是从样本数据中提取样本数据中的内在规律模式并保存,其具体过程是将输入数据加权求和,并通过非线性映射作为输出层的输入,通过对输入层的组合加权及映射找出数据特征。此过程是通过误差反向传播自动完成的,即是说,可以通过误差反向传播算法将输出以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这里的碳排放量预测模型输出的碳排放预测结果可以表征为碳元素含量。
示例地,多层感应器可以通过多个隐藏层的组合,学习到更加抽象和高级的特征表示,这些特征可以捕捉到数据中的更深层次的结构和模式,从而提高模型的性能。多层感知机通过激活函数的非线性变换,可以实现对非线性关系的建模,使得多层感知机能够处理更加复杂的数据。
示例地,误差反向传播算法能够高效地计算神经网络中每个参数的梯度,还能够将误差逐层传递回输入层,使得网络能够学习到数据的抽象表示和高阶特征,并根据误差计算梯度并更新神经网络的参数,使得神经网络能够根据输入数据学习到适应性特征表示和模式识别。
本公开通过将目标煤质工业分析数据输入至碳排放量预测模型,可以获得碳排放量预测结果;其中,通过如下方式训练得到碳排放量预测模型:结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到碳排放量预测模型。这样,结合多层感应器神经网络和误差反向传播算法,将训练后得到的预测结果和实际测试值之间的误差进行反向传播,可以根据误差调整神经网络的参数,得到预测效果较好的碳排放量预测模型,如此,通过将目标煤质工业分析数据输入至碳排放量预测模型所得到的预测结果准确。而且,可以无须每个周期均对碳排放量进行统计,减少了人力成本的投入。
作为一种可选的实施例,获取目标煤质工业分析数据之前,方法还包括:
获取多组测试样本数据,测试样本数据包括至少四种煤质工业分析数据以及实际测试值,且每组测试样本数据中的煤质工业分析数据的类型不完全相同;
将每组测试样本数据分别输入至碳排放量预测模型,获取每组测试数据的样本预测结果;
根据每组测试样本数据的样本预测结果和实际测试值,确定组的数据偏差情况;
根据数据偏差情况,确定目标煤质工业分析数据的数据类型。
示例地,以从某电力试验研究院获取的数据为例,其中,获取的数据共涉及19个燃煤电厂、95组煤质数据,可以将其中88组数据作为训练碳排放量预测模型的训练样本数据,测试样本数据取如下表1的7组数据,可以用于确定目标煤质工业分析数据的数据类型。
表1 测试样本数据
具体地,可以将表1的测试样本数据分为三类,分别记为T1、T2和T3,其中T1的数据类型包含全水、收到基灰分、收到基挥发分、收到基固定碳、低位发热量,T2的数据类型包含收到基灰分、收到基挥发分、收到基固定碳、低位发热量,T3的数据类型包含收到基灰分、收到基挥发分、收到基固定碳、全水。
示例地,可以通过将每组测试样本数据分别输入至碳排放量预测模型,多次运行得到每组测试数据的样本预测结果,并确定预测结果和实际测试值之间的偏差绝对值。参见图4的数据偏差情况分布图,其中横轴代表输入的数据,例如T11代表将表1的第1组数据中全水、收到基灰分、收到基挥发分、收到基固定碳、低位发热量用于输入碳排放量预测模型,又例如T37代表将表1的第7组数据中收到基灰分、收到基挥发分、收到基固定碳、全水用于输入碳排放量预测模型,纵轴表示样本预测结果与实际测试值之间的偏差数据,框为偏差数据的波动范围。如图4所示,可以看出输入的参数类型不同,偏差数据分布有所变化。其中,T2或T3均优于T1,因第5组数据偏差均较大,且T3偏差最为明显,所以根据偏差数据,可以选择T2即收到基灰分、收到基挥发分、收到基固定碳、低位发热量作为输入碳排放量预测模型的数据类型。
作为一种可选的实施例,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到碳排放量预测模型,包括:
将包含目标标签的训练样本数据输入至多层感应器神经网络进行训练,输出与目标标签对应的预测标签,目标标签根据训练样本数据对应的实际测试值确定;
确定目标标签与预测标签之间的误差,并在多层感应器神经网络中将误差从输出层向输入层进行反向传播;
基于误差对多层感应器神经网络的模型参数进行迭代更新,直至达到预设训练次数,得到碳排放量预测模型。
示例地,可以通过误差反向传播算法对多层感知器神经网络进行训练,具体可以将包含目标标签的训练样本数据输入至多层感应器神经网络进行训练,多层感应器神经网络输出与目标标签对应的预测标签。通过确定目标标签与预测标签之间的误差,并将误差从多层感应器神经网络的输出层向输入层传播,以使下一次训练时可以对多层感应器神经网络的模型参数进行迭代更新。这里的预设训练次数大于100次,为了减少训练时间和防止过拟合,可以将预设训练次数设置为500次,当达到预设训练次数后,训练结束,得到碳排放量预测模型。
作为一种可选的实施例,在多层感应器神经网络中,输入层和输出层之间包括两个隐藏层,第一隐藏层的每一神经元均与输入层的每一神经元连接,第二隐藏层的每一神经元均与第一隐藏层的每一神经元连接,且第二隐藏层的每一神经元均与输出层的每一神经元连接。
示例地,可以参照图3,多层感应器神经网络由一层输入层、两层隐藏层和一层输出层组成,其中隐藏层神经元的作用是从样本数据中提取样本数据中的内在规律模式并保存,其具体过程是将输入数据加权求和,并通过非线性映射作为输出层的输入,通过对输入层的组合加权及映射找出数据特征。第一隐藏层的结果作为第二隐藏层的自变量,同样的,第二隐藏层的结果作为输出层的自变量。两层隐藏层可以帮助神经网络模型自动提取相关特征,减少手动特征工程。随着隐藏层数量的增加,模型记忆训练数据的能力也会增加,这可能会导致过度拟合,即模型在训练数据上表现良好,但在未见过的数据上表现不佳,进一步还使得训练时长增加。因此两层隐藏层的数量可以在尽可能提取数据特征的同时,减少过拟合的发生以及减少训练时间。另外,若采用两层以上的隐藏层,还可以通过正则化技术减轻过拟合情况。
作为一种可选的实施例,方法还包括:
获取第一验证数据集,第一验证数据集包括煤质工业分析数据以及实际测试值;
将第一验证数据集分别输入至第一样本预测模型和第二样本预测模型,获得第一样本预测模型的第一预测结果和第二样本预测模型的第二预测结果,第一样本预测模型在训练时采用的损失函数为范数损失函数,第二样本预测模型在训练时采用的损失函数为均方误差损失函数;
确定第一样本预测模型输出的预测结果与实际测试值之间的第一误差数据,以及第二样本预测模型输出的预测结果与实际测试值之间的第二误差数据;
根据第一误差数据的波动情况以及第二误差数据的波动情况,将波动情况较平稳的误差数据所对应的样本预测模型作为碳排放量预测模型。
示例地,损失函数表示单个样本真实值与模型预测值之间的偏差,其值通常用于衡量模型的性能,其选用是否合理直接决定着算法预测性能的优劣。如下式2,这里范数损失函数采用L1范数损失函数,也被称为最小绝对值偏差(LAD)、最小绝对值误差(LAE)总的说来,它用于把目标值与估计值的绝对差值的总和最小化。如下式3,这里的均方误差(MeanSquare Error,MSE)损失函数是模型预测值与样本真实值之间距离平方的平均值。
式2:
式3:
其中,x和y分别表示第i个样本的实际测试值和预测值,N为样本个数。
示例地,如图5所示,横轴表示输入数据,采用均方误差损失函数的碳排放量预测模型的偏差数据为T2,采用L1范数损失函数的碳排放量预测模型的偏差数据为T4,T2和T4后面的数字1-7分别表示上述表1的7组数据,例如T24表示将上述表1第4组数据输入至采用均方误差损失函数的碳排放量预测模型,纵轴表示误差数据,框为偏差数据的波动范围。根据图5可以看出T41、T43、T46最小值小于T21、T23、T26,但采用L1范数损失函数的碳排放量预测模型的偏差数据的波动范围较大,因此可以选择均方误差损失函数对应的第二样本预测模型作为碳排放量预测模型。
作为一种可选的实施例,方法还包括:
获取第二验证数据集,第二验证数据集包括煤质工业分析数据以及实际测试值;
将第二验证数据集分别输入至多个第三样本预测模型,得到每一第三样本预测模型输出的样本预测结果,其中,每一第三样本预测模型在训练时采用的非线性激活函数不同;
根据每一第三样本预测模型的样本预测结果和实际测试值,确定每一样本预测结果的第一偏差数据;
将第一偏差数据中波动情况较小的偏差数据所对应的第三样本预测模型作为碳排放量预测模型。
示例地,激活函数就是在神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端。在深度学习中,信号从一个神经元传入下一层神经元之前是通过线性叠加来计算的,而进入下一层神经元需要经过非线性的激活函数,继续往下传递,如此循环下去。由于非线性函数的反复叠加,才使得神经网络有足够的能力抓取复杂的特征。
示例地,针对多层感知器神经网络的特性,可以选择ReLu、Leaky ReLu、Sigmoid和Tanh四种非线性激活函数,按顺序分别如下式4-7所示,可以分别记为T2、T5、T6和T7,T2、T5、T6、T7后的数字1-7分别表示上述表1的7组数据,例如T63表示将上述表1第3组数据输入至采用Sigmoid的碳排放量预测模型,纵轴表示第一偏差数据,框为偏差数据的波动范围。如图6所示,针对上述表1第1组数据,相比于ReLu函数对应的第三样本预测模型,LeakyReLu函数对应的第三样本预测模型显著降低了输出结果的偏差值,其他数据降低或者相近。此外,Sigmoid函数对应的第三样本预测模型显著降低了对应上述表1第5组数据的偏差值、且降低了上述表1第4组数据的偏差值,Tanh函数对应的第三样本预测模型降低了上述表1第4组数据的偏差值,但显著提高了上述表1第1组数据的偏差值,总体情况下,采用Leaky ReLu函数对应的第三样本预测模型最佳,因此可以将训练时采用Leaky ReLu函数对应的第三样本预测模型作为碳排放量预测模型。
式4:
式5:
式6:
式7:
作为一种可选的实施例,方法还包括:
获取第三验证数据集,第三验证数据集包括煤质工业分析数据以及实际测试值;
将三验证数据集分别输入至多个第四样本预测模型,得到每一第四样本预测模型对应的样本预测结果,其中,每一第四样本预测模型中在反向传播训练中所采用的优化器不同;
根据每一第四样本预测模型对应的样本预测结果和实际测试值,确定每一样本预测结果的第二偏差数据;
将第二偏差数据中波动情况较小的偏差数据所对应的第四样本预测模型作为碳排放量预测模型。
示例地,优化器是在深度学***均偏差最小的三种优化器Adam、AdamW、Adamax,分别记为T5、T8、T9,并进行二次分析,T5、T8、T9,后的数字1-7分别表示上述表1的7组数据,例如T86表示将上述表1第6组数据输入至采用AdamW优化器的碳排放量预测模型,纵轴表示第二偏差数据,框为偏差数据的波动范围。根据图7可以看出,优化器Adamax在上述表1的第3、4、7组数据表现优秀,但其余偏差较大;Adam、AdamW表现较为相似,但在偏差较大的上述表1的第1、5组数据上,Adam的表现优于AdamW。因此可以选择训练时采用Adam作为优化器对应的第四样本预测模型作为碳排放量预测模型。
表2 采用不同优化器的第四样本预测模型对应的样本预测结果偏差
本公开利用燃煤电厂常规工业分析数据预测碳排放量,可以实现周期的数据核算,可供机组低碳运行调整,同时可用于月度数据的校核。
参见图8,图8是根据一示例性实施例示出的一种燃煤电厂碳排放量的预测装置的框图,如图8所示,包括:
获取模块801,用于获取目标煤质工业分析数据;
获得模块802,用于将目标煤质工业分析数据输入至碳排放量预测模型,获得碳排放量预测结果;
训练模块803,用于通过如下方式训练得到碳排放量预测模型:
结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到碳排放量预测模型。
作为一种可选的实施例,燃煤电厂碳排放量的预测装置还包括:
第一获取模块,用于获取多组测试样本数据,测试样本数据包括至少四种煤质工业分析数据以及实际测试值,且每组测试样本数据中的煤质工业分析数据的类型不完全相同;
第二获取模块,用于将每组测试样本数据分别输入至碳排放量预测模型,获取每组测试数据的样本预测结果;
第一确定模块,用于根据每组测试样本数据的样本预测结果和实际测试值,确定组的数据偏差情况;
第二确定模块,用于根据数据偏差情况,确定目标煤质工业分析数据的数据类型。
作为一种可选的实施例,训练模块803具体用于:
将包含目标标签的训练样本数据输入至多层感应器神经网络进行训练,输出与目标标签对应的预测标签,目标标签根据训练样本数据对应的实际测试值确定;
确定目标标签与预测标签之间的误差,并在多层感应器神经网络中将误差从输出层向输入层进行反向传播;
基于误差对多层感应器神经网络的模型参数进行迭代更新,直至达到预设训练次数,得到碳排放量预测模型。
作为一种可选的实施例,在多层感应器神经网络中,输入层和输出层之间包括两个隐藏层,第一隐藏层的每一神经元均与输入层的每一神经元连接,第二隐藏层的每一神经元均与第一隐藏层的每一神经元连接,且第二隐藏层的每一神经元均与输出层的每一神经元连接。
作为一种可选的实施例,燃煤电厂碳排放量的预测装置还包括:
第三获取模块,用于获取第一验证数据集,第一验证数据集包括煤质工业分析数据以及实际测试值;
第四获取模块,用于将第一验证数据集分别输入至第一样本预测模型和第二样本预测模型,获得第一样本预测模型的第一预测结果和第二样本预测模型的第二预测结果,第一样本预测模型在训练时采用的损失函数为范数损失函数,第二样本预测模型在训练时采用的损失函数为均方误差损失函数;
第三确定模块,用于确定第一样本预测模型输出的预测结果与实际测试值之间的第一误差数据,以及第二样本预测模型输出的预测结果与实际测试值之间的第二误差数据;
第四确定模块,用于根据第一误差数据的波动情况以及第二误差数据的波动情况,将波动情况较平稳的误差数据所对应的样本预测模型作为碳排放量预测模型。
作为一种可选的实施例,燃煤电厂碳排放量的预测装置还包括:
第五获取模块,用于获取第二验证数据集,第二验证数据集包括煤质工业分析数据以及实际测试值;
第六获取模块,用于将第二验证数据集分别输入至多个第三样本预测模型,得到每一第三样本预测模型输出的样本预测结果,其中,每一第三样本预测模型在训练时采用的非线性激活函数不同;
第五确定模块,用于根据每一第三样本预测模型的样本预测结果和实际测试值,确定每一样本预测结果的第一偏差数据;
第六确定模块,用于将第一偏差数据中波动情况较小的偏差数据所对应的第三样本预测模型作为碳排放量预测模型。
作为一种可选的实施例,燃煤电厂碳排放量的预测装置还包括:
第七获取模块,用于获取第三验证数据集,第三验证数据集包括煤质工业分析数据以及实际测试值;
第八获取模块,用于将三验证数据集分别输入至多个第四样本预测模型,得到每一第四样本预测模型对应的样本预测结果,其中,每一第四样本预测模型中在反向传播训练中所采用的优化器不同;
第七确定模块,用于根据每一第四样本预测模型对应的样本预测结果和实际测试值,确定每一样本预测结果的第二偏差数据;
第八确定模块,用于将第二偏差数据中波动情况较小的偏差数据所对应的第四样本预测模型作为碳排放量预测模型。
关于上述实施例中的燃煤电厂碳排放量的预测装置,其中各个模块执行操作的具体方式已经在有关该燃煤电厂碳排放量的预测方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开提供的燃煤电厂碳排放量的预测方法。
本公开还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开提供的燃煤电厂碳排放量的预测方法。
参见图9,图9是根据一示例性实施例示出的一种电子设备的框图。如图9所示,该电子设备可以包括:处理器901,存储器902。该电子设备还可以包括多媒体组件903,输入/输出(I/O)接口904,以及通信组件905中的一者或多者。
其中,处理器901用于控制该电子设备的整体操作,以完成上述的燃煤电厂碳排放量的预测方法中的全部或部分步骤。存储器902用于存储各种类型的数据以支持在该电子设备的操作,这些数据例如可以包括用于在该电子设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器902可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件903可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器902或通过通信组件905发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口904为处理器901和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件905用于该电子设备与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件905可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的燃煤电厂碳排放量的预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的燃煤电厂碳排放量的预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器902,上述程序指令可由电子设备的处理器901执行以完成上述的燃煤电厂碳排放量的预测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的燃煤电厂碳排放量的预测方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种燃煤电厂碳排放量的预测方法,其特征在于,包括:
获取目标煤质工业分析数据;
将所述目标煤质工业分析数据输入至碳排放量预测模型,获得碳排放量预测结果;
其中,通过如下方式训练得到所述碳排放量预测模型:
结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到所述碳排放量预测模型。
2.根据权利要求1所述的预测方法,其特征在于,获取目标煤质工业分析数据之前,所述方法还包括:
获取多组测试样本数据,所述测试样本数据包括至少四种煤质工业分析数据以及实际测试值,且每组测试样本数据中的煤质工业分析数据的类型不完全相同;
将每组测试样本数据分别输入至所述碳排放量预测模型,获取每组测试数据的样本预测结果;
根据每组测试样本数据的样本预测结果和实际测试值,确定所述组的数据偏差情况;
根据所述数据偏差情况,确定所述目标煤质工业分析数据的数据类型。
3.根据权利要求1所述的预测方法,其特征在于,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到所述碳排放量预测模型,包括:
将包含目标标签的训练样本数据输入至多层感应器神经网络进行训练,输出与所述目标标签对应的预测标签,所述目标标签根据所述训练样本数据对应的实际测试值确定;
确定所述目标标签与所述预测标签之间的误差,并在所述多层感应器神经网络中将所述误差从输出层向输入层进行反向传播;
基于所述误差对所述多层感应器神经网络的模型参数进行迭代更新,直至达到预设训练次数,得到所述碳排放量预测模型。
4.根据权利要求1所述的预测方法,其特征在于,在所述多层感应器神经网络中,输入层和输出层之间包括两个隐藏层,第一隐藏层的每一神经元均与所述输入层的每一神经元连接,第二隐藏层的每一神经元均与所述第一隐藏层的每一神经元连接,且第二隐藏层的每一神经元均与所述输出层的每一神经元连接。
5.根据权利要求1-4任一所述的预测方法,其特征在于,所述方法还包括:
获取第一验证数据集,所述第一验证数据集包括煤质工业分析数据以及实际测试值;
将所述第一验证数据集分别输入至第一样本预测模型和第二样本预测模型,获得第一样本预测模型的第一预测结果和第二样本预测模型的第二预测结果,所述第一样本预测模型在训练时采用的损失函数为范数损失函数,所述第二样本预测模型在训练时采用的损失函数为均方误差损失函数;
确定所述第一样本预测模型输出的预测结果与所述实际测试值之间的第一误差数据,以及所述第二样本预测模型输出的预测结果与所述实际测试值之间的第二误差数据;
根据所述第一误差数据的波动情况以及所述第二误差数据的波动情况,将波动情况较平稳的误差数据所对应的样本预测模型作为所述碳排放量预测模型。
6.根据权利要求1-4任一所述的预测方法,其特征在于,所述方法还包括:
获取第二验证数据集,所述第二验证数据集包括煤质工业分析数据以及实际测试值;
将所述第二验证数据集分别输入至多个第三样本预测模型,得到每一第三样本预测模型输出的样本预测结果,其中,每一第三样本预测模型在训练时采用的非线性激活函数不同;
根据每一第三样本预测模型的样本预测结果和所述实际测试值,确定每一样本预测结果的第一偏差数据;
将所述第一偏差数据中波动情况较小的偏差数据所对应的第三样本预测模型作为所述碳排放量预测模型。
7.根据权利要求1-4任一所述的预测方法,其特征在于,所述方法还包括:
获取第三验证数据集,所述第三验证数据集包括煤质工业分析数据以及实际测试值;
将所述三验证数据集分别输入至多个第四样本预测模型,得到每一第四样本预测模型对应的样本预测结果,其中,每一第四样本预测模型中在反向传播训练中所采用的优化器不同;
根据每一第四样本预测模型对应的样本预测结果和所述实际测试值,确定每一样本预测结果的第二偏差数据;
将所述第二偏差数据中波动情况较小的偏差数据所对应的第四样本预测模型作为所述碳排放量预测模型。
8.一种燃煤电厂碳排放量的预测装置,其特征在于,包括:
获取模块,用于获取目标煤质工业分析数据;
获得模块,用于将所述目标煤质工业分析数据输入至碳排放量预测模型,获得碳排放量预测结果;
训练模块,用于通过如下方式训练得到碳排放量预测模型:
结合多层感应器神经网络和误差反向传播算法,以样本煤质工业分析数据为输入,以预测碳排放量为输出,对多层感应器神经网络进行训练,以及,将训练过程中的多层感应器神经网络输出层输出的预测结果与实际测试值之间的误差向输入层传播,进行迭代训练,得到碳排放量预测模型。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一所述的燃煤电厂碳排放量的预测方法。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7任一所述的燃煤电厂碳排放量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311530885.1A CN117911043A (zh) | 2023-11-16 | 2023-11-16 | 燃煤电厂碳排放量的预测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311530885.1A CN117911043A (zh) | 2023-11-16 | 2023-11-16 | 燃煤电厂碳排放量的预测方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117911043A true CN117911043A (zh) | 2024-04-19 |
Family
ID=90682609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311530885.1A Pending CN117911043A (zh) | 2023-11-16 | 2023-11-16 | 燃煤电厂碳排放量的预测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911043A (zh) |
-
2023
- 2023-11-16 CN CN202311530885.1A patent/CN117911043A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492814B (zh) | 一种城市交通流量预测方法、***及电子设备 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及*** | |
JP6287999B2 (ja) | ニューラルネットワーク学習装置 | |
Kamalapurkar et al. | Concurrent learning-based approximate optimal regulation | |
Li et al. | A novel multichannel long short-term memory method with time series for soil temperature modeling | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN117408164A (zh) | 储能辅助黑启动的风速智能预测方法及*** | |
CN115060625A (zh) | 浆液密度的获取方法、装置、电子设备及存储介质 | |
CN111967652B (zh) | 一种双层协同实时校正光伏预测方法 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、***及设备 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 | |
CN117217290A (zh) | 因果生成对抗网络的数据插补方法、装置、设备和介质 | |
CN117421972A (zh) | 一种综合负荷模型参数的辨识方法及终端 | |
CN117217591A (zh) | 一种用于预测光伏发电功率的方法及*** | |
CN117911043A (zh) | 燃煤电厂碳排放量的预测方法、装置、介质及设备 | |
CN116484904A (zh) | 一种基于人工智能深度学习的监管数据处理实现方法 | |
CN115619563A (zh) | 一种基于神经网络的股票价格分析方法 | |
CN116307049A (zh) | 光伏发电功率预测方法、***、终端及介质 | |
CN114841461A (zh) | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 | |
CN106651006A (zh) | 基于复数神经网络的土壤墒情预测方法及装置 | |
CN114595890A (zh) | 基于bp-svr组合模型的船舶备件需求预测方法及*** | |
CN113435572A (zh) | 一种面向智能制造业的自进化神经网络模型的构建方法 |
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 |