Energy Demand Forecast in China Based on Particle Swarm Optimization Algorithm
Notice bibliographique
Résumé
Energy demand forecast is fundamental to energy planning and policies formulation.There are many factors such as economic growth,population,industrial structure,proportion of urban population,energy consumption structure and technological progress that can affect energy demand.Through particle swarm optimization algorithm,two forms of equations(linear and exponential) are proposed to establish energy demand forecast model based on affecting factors.The training sample between 1980 and 2005 is applied to estimate the coefficients of the model,and the testing sample between 2006 and 2010 is used to verify the established model.The results show that the predictive ability of exponential model is slightly better than the linear one,but the predicted values of both are close to actual values with a smaller estimation error: the average relative errors are 0.76% and 0.57% in fitting part,and are 0.78% and 0.624% in predicting part,respectively.This turns out to be effective for particle swarm optimization algorithm to solve nonlinear and high dimensional identification problem of China energy system.Finally,energy demand over the years 2011-2015 are predicted by analyzing the trends of affecting factors.Based on the growth rate of affecting factors set in this paper,China's energy demand will increase from 3 436.685 millions of tons of standard coal(Mtce) to 4 321.695 Mtce in 2015,with an average growth rate of 5.9%,which indicates a grim situation still exists in the 12th Five Year Plan period of China.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».