欧拉计划 48

1**1 + 2**2 + 3**3 + … + 10**10 = 10405071317.

1**1 + 2**2 + 3**3 + … + 1000**1000的最后十位是什么?

import time


def get_prod_digit(x, n):
    """ 后10位相称即可 """
    x_str = str(x)
    x_ = int(x_str[-n:])
    prod = 1
    for i in range(x):
        prod_str = str(prod)
        prod = int(prod_str[-n:])
        prod *= x_
    return int(str(prod)[-n:])


t0 = time.time()
print(str(sum([get_prod_digit(i, 10) for i in range(1, 1001)]))[-10:])
t1 = time.time()
print(t1 - t0)


# 直接求解
t0 = time.time()
print(str(sum([i ** i for i in range(1, 1001)]))[-10:])
t1 = time.time()
print(t1 - t0)
以下是为光伏发电量预测设计的基于模型预测控制(MPC)的算法框架,旨在实现与实际发电量的最小误差: 步骤1:模型分析与离散化 1.1 原始模型解析 光伏发电模型为: P ( t ) = η A G ( t ) [ 1 + α ( T ( t ) − T 0 ) ] P(t)=ηAG(t)[1+α(T(t)−T 0 ​ )] 输入变量:辐照度 G ( t ) G(t)、温度 T ( t ) T(t) 待优化参数:效率系数 η η、温度修正系数 α α 1.2 离散化模型 以固定时间步长 Δ t Δt(如15分钟)离散化,得到: P k = η k A G k [ 1 + α k ( T k − T 0 ) ] P k ​ =η k ​ AG k ​ [1+α k ​ (T k ​ −T 0 ​ )] 步骤2:MPC预测框架设计 2.1 预测时域划分 预测窗口:未来 N N 步(如24小时对应 N = 96 N=96 步) 滚动优化:每完成一次实际测量,窗口向前滑动一步 2.2 状态与参数定义 状态变量: η k η k ​ , α k α k ​ (动态修正) 扰动输入: G k + 1 ∣ k G k+1∣k ​ , T k + 1 ∣ k T k+1∣k ​ (来自天气预报) 输出:预测发电量 P ^ k + 1 ∣ k P ^ k+1∣k ​ 步骤3:滚动优化算法 3.1 参数在线校正 目标函数:最小化预测误差 min ⁡ η , α ∑ i = 1 N ( P k + i − P ^ k + i ∣ k ) 2 + λ ( ∥ Δ η ∥ 2 + ∥ Δ α ∥ 2 ) η,α min ​ i=1 ∑ N ​ (P k+i ​ − P ^ k+i∣k ​ ) 2 +λ(∥Δη∥ 2 +∥Δα∥ 2 ) 正则化项: λ λ 防止参数过拟合 3.2 参数更新规则 采用递推最小二乘法(RLS)或卡尔曼滤波: { η k + 1 = η k + K η ( P actual , k − P ^ k ) α k + 1 = α k + K α ( P actual , k − P ^ k ) { η k+1 ​ =η k ​ +K η ​ (P actual,k ​ − P ^ k ​ ) α k+1 ​ =α k ​ +K α ​ (P actual,k ​ − P ^ k ​ ) ​ 步骤4:反馈校正机制 实时测量:获取当前时刻实际发电量 P actual , k P actual,k ​ 误差计算: e k = P actual , k − P ^ k e k ​ =P actual,k ​ − P ^ k ​ 参数更新:通过优化问题调整 η η, α α 预测刷新:用新参数生成下一窗口预测值 步骤5:算法流程 Plaintext 初始化参数 η₀, α₀ 获取天气预报数据 {G₁, T₁}, ..., {G_N, T_N} for k = 0 to 96 do: 1. 测量实际值 P_actual,k, G_k, T_k 2. 计算预测值 P̂_k = η_k A G_k [1 + α_k (T_k - T₀)] 3. 计算误差 e_k = P_actual,k - P̂_k 4. 使用RLS/Kalman更新 η_{k+1}, α_{k+1} 5. 用新参数计算未来 N 步发电量 {P̂_{k+1}, ..., P̂_{k+N}} 6. 输出预测序列 7. 等待 Δt 进入下一时刻 end 关键改进点 动态参数修正:通过实时误差反馈更新 η η, α α,适应老化、灰尘遮挡等慢时变因素 天气预报融合:将高精度辐照度/温度预报嵌入预测模型 鲁棒性增强:加入滑动窗口滤波(如Hampel滤波)剔除异常气象数据 仿真验证建议 使用历史数据训练初始参数 η 0 η 0 ​ , α 0 α 0 ​ 对比MPC预测与传统静态模型的误差指标(RMSE、MAE) 敏感性分析:验证算法对天气预报误差的容忍度 该方法通过滚动优化与闭环校正,显著提升光伏出力预测精度,适用于电力系统调度优化场景。请扩展以上内容
最新发布
03-19
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