- 博客(8)
- 收藏
- 关注
RSS订阅原创 基于Geatpy的通用型风光水多能互补系统多目标/单目标优化调度框架（可选算法、结构通用）
然而，在多能互补系统中，如何将复杂的电力、水力约束条件与程序进行耦合是一个难题。基于这个想法，基于Geatpy设计了一套通用的多目标/单目标优化调度框架，将允许使用者根据自身需求随意更改约束条件，最终实现优化调度。设计的调度框架以风光水多能互补系统为例，开展优化调度，程序算法选择为NSGA-III，如有需要可以更改为其他算法（参见Geatpy用户手册）。初始化M（目标维数）、寻优变量数、初始化目标最小最大化标记列表等。种群规模、最大遗传代数、输入数据的路径、定义调度期时段长度等。3、调度问题描述部分。
2025-03-24 09:44:09
224
原创 Python实现基于贝叶斯模型平均（BMA）的Stacking堆叠算法（输出多模型耦合结果、权重及精度评价指标）
此虚拟商品是一个Python实现的高效数据融合工具，采用贝叶斯模型平均（Bayesian Model Averaging, BMA）方法，实现对多模型预测结果的集成与权重分配，最终生成优化的集合预测结果。
2024-12-16 17:25:49
619
原创 Python实现LSTM耦合MHA（多头注意力机制）的时间序列预测并使用Hyperopt对超参数自动率定
在时间预测这一预测任务中，时间序列通常具有复杂的时序相关性和非线性特征。然而，传统的深度学习或者机器学习模型对时间序列内部不同位置的相互关联性建模能力较弱，这将在一定程度上降低预测结果的精度。此外，传统的深度学习或者机器学习模型大多依赖前一时间步的隐藏状态，难以实现并行计算，整体模型的训练效率较低。将MHA机制与深度学习或机器学习进行耦合，将可以捕捉时间序列数据不同时段位置的依赖关系，从而更准确、更高效地开展预测，同时增强模型的鲁棒性和泛化能力。得到的预测结果更加精确、快速。
2024-09-13 10:02:51
276
原创 使用TimeGAN实现场景生成并可视化
当前，TimeGAN已被广泛地应用于复杂时间序列模拟，相较于传统GAN模型和第三代神经网络算法，TimeGAN在训练收敛速度和模拟精度上具有显著优势。TimeGAN是一种黑箱模型，与传统的方法不同，无需事先对数据的分布做任何假设，仅需将大量历史负荷过程输入模型，TimeGAN会对历史情景进行学习和训练后，自动合成新的情景过程。而在情景生成期间，TimeGAN还会主动调整自身的结构和参数，以最大程度地模拟复杂因素变化对于数据的影响。并进行了t-SNE和PCA可视化分析，同时绘制了概率密度对比图。
2024-07-10 21:49:56
861
原创 利用分位数映射法（Quantile Mapping，QM）对数据进行偏差修正
利用分位数映射法（Quantile Mapping，QM）对数据进行偏差修正
2024-06-07 16:14:46
1105
原创 基于Vine-Copula耦合蒙特卡罗模拟的多能源出力场景生成
对于风、光、水能源出力的不确定性描述，可以利用概率分布耦合机器学习方法的场景生成技术来进行处理。若直接对单个电厂采用基于随机优化或抽样的方法进行场景生成，则仅考虑了电厂自身的时间相关性，而忽略了区域中多个风、光、水发电厂在空间上具有的相关性，使得生成场景失真，进而影响对出力场景不确定性的准确描述。故而，为更加准确地生成能源出力场景，可先利用Copula函数将多个发电厂的出力概率分布函数进行联合后再采用基于随机优化或抽样的方法进行场景生成，这样使得生成的场景更加真实、可信。
2023-10-07 21:17:46
1019
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人