Daily Record_2019_10

本篇笔记记录了《Machine Learning in Action》一书的学习过程,包括更改Python默认路径、处理模块属性错误、理解reload命令在不同Python版本中的用法、解决数据读取和绘图问题,以及对计算香农熵步骤的探讨。同时,提到了TensorFlow与CPU指令集兼容性问题。

0311
《MLiA》chapter2.1:
1.更改默认路径到一个新的工作路径的方法:
https://blog.youkuaiyun.com/xiao_lxl/article/details/76904547
2.classify0函数定义后不能使用
3.Traceback (most recent call last):
File “”, line 1, in
AttributeError: module ‘kNN’ has no attribute ‘classify0’

0312
《MLiA》chapter2.2:
1.reload命令在python2中和python3中的不同
2.读取文件数据,array中全是0??
3.创建散点图只出现了一个点。

0313
《MLiA》chapter2.3:
1.python3中reload的用法:

from imp import reload
reload(xxx)

2.第一次尝试后:
在这里插入图片描述

0314
《MLiA》chapter3.1.2:

  1. 计算香农熵的步骤还是不太理解。

TF实战

  1. Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
-- 完整解决方案(使用CTE但不使用临时表和MERGE) WITH -- CTE1: 识别所有有效的在线时段 online_periods AS ( SELECT d1.DEVICE_ID, d1.HAPPEN_TIME AS ONLINE_TIME, ( SELECT MIN(d2.HAPPEN_TIME) FROM DEVICE_ONLINE d2 WHERE d2.DEVICE_ID = d1.DEVICE_ID AND d2.HAPPEN_TIME > d1.HAPPEN_TIME AND d2."ONLINE" = 0 ) AS OFFLINE_TIME FROM DEVICE_ONLINE d1 WHERE d1."ONLINE" = 1 AND ( -- 第一条记录 NOT EXISTS ( SELECT 1 FROM DEVICE_ONLINE prev WHERE prev.DEVICE_ID = d1.DEVICE_ID AND prev.HAPPEN_TIME < d1.HAPPEN_TIME ) -- 或前一条是离线状态 OR EXISTS ( SELECT 1 FROM DEVICE_ONLINE prev WHERE prev.DEVICE_ID = d1.DEVICE_ID AND prev.HAPPEN_TIME < d1.HAPPEN_TIME AND prev."ONLINE" = 0 ) ) ), -- CTE2: 生成数字序列(0-365) day_offsets AS ( SELECT LEVEL-1 AS DAY_OFFSET FROM DUAL CONNECT BY LEVEL <= 366 -- 最多处理1年数据 ), -- CTE3: 展开为每日记录 daily_expanded AS ( SELECT op.DEVICE_ID, CAST(op.ONLINE_TIME AS DATE) + do.DAY_OFFSET AS RECORD_DATE, op.ONLINE_TIME, CASE WHEN op.OFFLINE_TIME IS NULL THEN CURRENT_TIMESTAMP ELSE op.OFFLINE_TIME END AS OFFLINE_TIME FROM online_periods op JOIN day_offsets do ON CAST(op.ONLINE_TIME AS DATE) + do.DAY_OFFSET <= CASE WHEN op.OFFLINE_TIME IS NULL THEN CURRENT_DATE ELSE CAST(op.OFFLINE_TIME AS DATE) END ), -- CTE4: 计算每日运行时长 daily_runtime AS ( SELECT de.DEVICE_ID, de.RECORD_DATE, SUM( DATEDIFF(SECOND, GREATEST(de.ONLINE_TIME, CAST(de.RECORD_DATE AS TIMESTAMP)), LEAST(de.OFFLINE_TIME, CAST(de.RECORD_DATE + 1 AS TIMESTAMP)) ) ) AS RUN_SECOND FROM daily_expanded de GROUP BY de.DEVICE_ID, de.RECORD_DATE HAVING SUM( DATEDIFF(SECOND, GREATEST(de.ONLINE_TIME, CAST(de.RECORD_DATE AS TIMESTAMP)), LEAST(de.OFFLINE_TIME, CAST(de.RECORD_DATE + 1 AS TIMESTAMP)) ) ) > 0 ), -- CTE5: 为插入生成ID results_with_ids AS ( SELECT dr.*, (SELECT COALESCE(MAX(ID), 0) FROM DEVICE_RUN_TIME) + ROW_NUMBER() OVER (ORDER BY dr.DEVICE_ID, dr.RECORD_DATE) AS NEW_ID FROM daily_runtime dr ) -- 分两步更新目标表(达梦不支持MERGE) -- 1. 先删除需要更新的记录 DELETE FROM DEVICE_RUN_TIME WHERE (DEVICE_ID, RECORD_DATE) IN ( SELECT DEVICE_ID, RECORD_DATE FROM results_with_ids ); -- 2. 再插入所有新记录 INSERT INTO DEVICE_RUN_TIME (ID, DEVICE_ID, RECORD_DATE, RUN_SECOND) SELECT NEW_ID, DEVICE_ID, RECORD_DATE, RUN_SECOND FROM results_with_ids; 以上语句为何报错no column specified
07-23
【电动车优化调度】基于模型预测控制(MPC)的凸优化算法的电动车优化调度(Matlab代码实现)内容概要:本文介绍了基于模型预测控制(MPC)的凸优化算法在电动车优化调度中的应用,并提供了Matlab代码实现。该方法结合了MPC的滚动优化特性与凸优化的高效求解能力,用于解决电动车充电调度问题,提升电网运行效率与可再生能源消纳能力。文中还提及多个相关研究方向和技术支撑,包括智能优化算法、机器学习、电力系统管理等,展示了其在多领域交叉应用的潜力。配套资源可通过提供的网盘链接获取,涵盖YALMIP工具包及其他完整仿真资源。; 适合人群:具备一定电力系统、优化理论及Matlab编程基础的科研人员和研究生,尤其适合从事电动汽车调度、智能电网优化等相关课题的研究者。; 使用场景及目标:①实现电动车集群在分时电价或电网需求响应机制下的有序充电调度;②结合可再生能源出力与负荷预测,利用MPC进行多时段滚动优化,降低电网峰谷差,提高能源利用效率;③为学术论文复现、课题研究及工程仿真提供可靠的技术路线与代码支持。; 阅读建议:建议读者结合文档中提到的智能优化算法与电力系统背景知识进行系统学习,优先掌握MPC基本原理与凸优化建模方法,并下载配套资源调试代码,以加深对电动车调度模型构建与求解过程的理解。
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