不太充实的一周

刚过去的一周,也就是刚过去的五一的7天长假,过得还是不太充实的。

女朋友也来深圳过五一,其实除了陪她的时间之外还是有很多时间的。但是貌似自己的惰性和拖延症慢慢养成,难以解决的问题就拖着,回到宿舍就不想出门,躺着玩游戏,就这样浪费了大部分时间。虽说时间浪费了不少,但是学习和任务还是做了一些的。


总结:

资产管理系统项目工作:

这周把读卡器服务器功能融进资产管理系统软件中后,短时间存在一个多次重复读卡导致监控记录冗余的问题,为了解决这个问题想了很多方法,终究因为时间代价和空间代价太大而不得不放弃。最终自己实现了一个算法把问题解决,这个算法创建了一个缓冲池(string型数组),该数组循环存储监控记录,最新的监控纪律会把最旧的覆盖,然后从上一次写入记录的索引位置开始,沿时间回溯查询相同记录,再进行时间比较,时间间隔太短的则不写进数据库,只写进缓冲池。这个算法的空间代价和时间代价都比较小,效率较高。

另外把资产管理系统的数据库和界面部分都完善了。因为这几天又有人要来看我们这个项目了。


学习:

作业基本没做,出来信号与系统这个课外其他课还算认真学习,信号与系统真不知道怎么办了。就是早上起得太晚又翘掉了操作系统的课。


下周 计划:

创新创业项目的经费已经拨下来了,下周就要把硬件选型完成,另外各科拖下的作业包括操作系统的DIY shell 实验也要抓紧了。

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值