期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进分布式极限学习机的电站锅炉NO_x排放预测算法
被引量：
2
1
作者
徐晨晨
续欣莹
+1 位作者
阎高伟
韩晓霞
《太原理工大学学报》
北大核心
2017年第6期946-952,共7页
提出了一种改进的分布式极限学习机的电站锅炉NO_x排放特性建模方法。引入分布式和岭回归理论,提升了极限学习机预测算法的泛化性能和预测准确率。采用改进的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理大数据的能力...
提出了一种改进的分布式极限学习机的电站锅炉NO_x排放特性建模方法。引入分布式和岭回归理论,提升了极限学习机预测算法的泛化性能和预测准确率。采用改进的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理大数据的能力。选用某660 MW电站锅炉提供的真实运行数据进行分析,并在Hadoop集群上进行实验,结果表明该模型对NO_x排放有着较好的拟合和预测能力,且提出的算法具有优异的并行性能。
展开更多
关键词
NOX排放
海量数据
MAPREDUCE
分布式极限学习机
在线阅读
下载PDF
职称材料
基于二次分解与MAML-MHA-DELM的电力行业碳排放预测模型研究
2
作者
张新生
张红文
聂达文
《安全与环境学报》
北大核心
2025年第9期3386-3399,共14页
为了有效预测电力行业碳排放趋势,解决在碳排放预测中遇到的非线性、复杂性等问题,研究提出了一种新型电力行业碳排放预测模型。该模型基于二次分解方法,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decompos...
为了有效预测电力行业碳排放趋势,解决在碳排放预测中遇到的非线性、复杂性等问题,研究提出了一种新型电力行业碳排放预测模型。该模型基于二次分解方法,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与变分模态分解(Variational Mode Decomposition,VMD),以处理数据的非线性和复杂性。此外,采用模型无关元学习(Model-Agnostic Meta-Learning,MAML)优化结合多头注意力机制(Multi-Head Attention,MHA)增强特征提取的分布式极限学习机(Distributed Extreme Learning Machine,DELM)构建预测框架,以提高模型的准确性和泛化性能。首先,根据政府间气候变化专门委员会(The Intergovernmental Panel on Climate Change,IPCC)中方法计算电力行业化石燃料在1991—2022年的碳排放情况;其次,采用广义灰色关联分析(Grey Relation Analysis,GRA)与皮尔逊相关系数(Pearson Correlation Coefficient,Pearson)对影响因素进行筛选,并筛选出一次能源生产总量、城镇化率和电力行业固定投资等11个相关性影响因素;再次,使用CEEMDAN-VMD二次分解将因变量电力行业碳排放量分解成4个多频模态,并将4个模态分别代入经MAML-MHA算法优化的DELM模型进行预测;最后,将各分解序列的预测值进行逆归一化相加,即可得到电力行业碳排放预测值,并进行消融试验。结果显示,CEEMDAN-VMD-MAML-MHA-DELM模型性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及决定系数(R^(2))分别为0.3494万t、0.3763万t、0.8383%和0.9893。这表明该模型在电力行业碳排放预测方面效果显著,能为电力行业低碳发展提供一定参考。
展开更多
关键词
环境工程学
自适应噪声完备集合经验模态分解
变分模态分解
分布式极限学习机
在线阅读
下载PDF
职称材料
题名
基于改进分布式极限学习机的电站锅炉NO_x排放预测算法
被引量：
2
1
作者
徐晨晨
续欣莹
阎高伟
韩晓霞
机构
太原理工大学信息工程学院
出处
《太原理工大学学报》
北大核心
2017年第6期946-952,共7页
基金
山西省自然科学基金资助项目(2014011018-2)
山西省回国留学人员科研资助项目(2015-045)
神经网络协同遗传算法高效筛选镍基甲烷化催化剂研究(21606159)
文摘
提出了一种改进的分布式极限学习机的电站锅炉NO_x排放特性建模方法。引入分布式和岭回归理论,提升了极限学习机预测算法的泛化性能和预测准确率。采用改进的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理大数据的能力。选用某660 MW电站锅炉提供的真实运行数据进行分析,并在Hadoop集群上进行实验,结果表明该模型对NO_x排放有着较好的拟合和预测能力,且提出的算法具有优异的并行性能。
关键词
NOX排放
海量数据
MAPREDUCE
分布式极限学习机
Keywords
NOx emission
massive data
MapReduce
distributed extreme learning machine
分类号
TP311.13 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
基于二次分解与MAML-MHA-DELM的电力行业碳排放预测模型研究
2
作者
张新生
张红文
聂达文
机构
西安建筑科技大学管理学院
出处
《安全与环境学报》
北大核心
2025年第9期3386-3399,共14页
基金
陕西省哲学社会科学研究专项(2024HZ1126)。
文摘
为了有效预测电力行业碳排放趋势,解决在碳排放预测中遇到的非线性、复杂性等问题,研究提出了一种新型电力行业碳排放预测模型。该模型基于二次分解方法,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与变分模态分解(Variational Mode Decomposition,VMD),以处理数据的非线性和复杂性。此外,采用模型无关元学习(Model-Agnostic Meta-Learning,MAML)优化结合多头注意力机制(Multi-Head Attention,MHA)增强特征提取的分布式极限学习机(Distributed Extreme Learning Machine,DELM)构建预测框架,以提高模型的准确性和泛化性能。首先,根据政府间气候变化专门委员会(The Intergovernmental Panel on Climate Change,IPCC)中方法计算电力行业化石燃料在1991—2022年的碳排放情况;其次,采用广义灰色关联分析(Grey Relation Analysis,GRA)与皮尔逊相关系数(Pearson Correlation Coefficient,Pearson)对影响因素进行筛选,并筛选出一次能源生产总量、城镇化率和电力行业固定投资等11个相关性影响因素;再次,使用CEEMDAN-VMD二次分解将因变量电力行业碳排放量分解成4个多频模态,并将4个模态分别代入经MAML-MHA算法优化的DELM模型进行预测;最后,将各分解序列的预测值进行逆归一化相加,即可得到电力行业碳排放预测值,并进行消融试验。结果显示,CEEMDAN-VMD-MAML-MHA-DELM模型性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及决定系数(R^(2))分别为0.3494万t、0.3763万t、0.8383%和0.9893。这表明该模型在电力行业碳排放预测方面效果显著,能为电力行业低碳发展提供一定参考。
关键词
环境工程学
自适应噪声完备集合经验模态分解
变分模态分解
分布式极限学习机
Keywords
environmental engineering
adaptive noise complete ensemble empirical mode decomposition
variational mode decomposition
distributed extreme learning machine
分类号
X322 [环境科学与工程—环境工程]
TP273 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进分布式极限学习机的电站锅炉NO_x排放预测算法
徐晨晨
续欣莹
阎高伟
韩晓霞
《太原理工大学学报》
北大核心
2017
2
在线阅读
下载PDF
职称材料
2
基于二次分解与MAML-MHA-DELM的电力行业碳排放预测模型研究
张新生
张红文
聂达文
《安全与环境学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
