- 博客(192)
- 资源 (2)
- 问答 (5)
- 收藏
- 关注
RSS订阅原创 光伏报价策略寻优
如果买家觉得价格过高，不想买，那么只能等到第二天由**回收，回收价格为实时出清价格。而1.7号迭代到70次时出现最优值，迭代次数越大，算法运行时间也会越长，但同时出现最优值的可能性也越大。{日前/实时} - P_{j}^{申}) \times (Q_{j + 1}^{申} - Q_{j}^{申})}{P_{j + 1}^{申} - P_{j}从第一次运行和第二次运行结果来看，尽管目标函数值相同，但遗传算法的解是不同的，这也是随机性的体现。的90%部分电量为无条件出清，并不受用户报价影响，相当于在i时段，
2025-01-24 13:46:28
336
原创 时间序列—显著相关性和滞后性分析_python
本文讲述了两个时间序列(信号)的相关性分析，可以利用相关性分析进行特征筛选。此外本文还讲了怎么判断时间序列的滞后性的方法。
2022-06-13 22:10:44
21292
22
原创 python文件读取&导包的绝对路径、相对路径
本文主要讲述了文件读取的绝对路径和相对路径；导包的绝对路径和相对路径，以及当前工作路径和绝对路径的区别（`os.getcwd()，os.pah.abspath(__file__)`）
2022-04-24 14:13:56
9920
54
原创 【数据分析】——pandas
文章目录一、生成pandas二、pandas行索引号、列索引号、数值索引及固有属性。三、Panda索引补充：多重索引，将二维变一维，三维变二维五、pandas运算六、pandas处理丢失数据（如nan数据）七、合并八、文件的存取补充：**时间日期：**时间重采样Pandas分组计算Pandas 聚合函数pandas核心数据结构：https://blog.youkuaiyun.com/qq_34229228/article/details/102519937一、生成pandas生成pandas作用
2022-04-12 07:24:34
6393
68
原创 灰色预测改进—三角残差拟合_python
😊四月的第一篇博客，希望一整个四月都可以开开心心、顺顺利利呀。好运发射给读到这篇博客的每个人。biu,biu,biu~~~02/04/2022 16:00灰色系统理论及其应用系列博文：一、灰色关联度分析法(GRA)_python二、灰色预测模型GM(1,1)三、灰色预测模型GM(1,n)四、灰色预测算法改进1_背景值Z的改进文章目录一、修改背景值的参数设定1、算法算法扩展到区间预测实例参考文献：[1] A trigonometric grey prediction approach.
2022-04-06 15:01:03
3408
46
原创 灰色预测算法改进_改进背景值Z_python
文章目录一、修改背景值的参数设定1、算法2、 案例及代码2.1 数据2.2 代码2.3 效果对比😊😨😱😡:我的心路历程，妈耶，妥妥的翻车了，论文【1】里改进后效果明显变好了，采用了新的数据集，效果反而变差了，但仁者见仁吧，可能真的在别的数据集上效果就会好呢。后续会阅读别的论文，持续更新新的改进方法。29/03/2022 10:44灰色系统理论及其应用系列博文：一、灰色关联度分析法(GRA)_python二、灰色预测模型GM(1,1)三、灰色预测模型GM(1,n)参考文献：[1] 改
2022-03-29 10:55:05
3836
26
原创 梯度优化方法：BGD,SGD,mini_batch, Momentum，AdaGrad，RMSProp，Adam
文章目录目标函数三种梯度下降优化框架1、BGD、SGD、mini_batch2、**优缺点对比：**3、**问题与挑战：**优化梯度下降法1、动量梯度下降法（Momentum）2、Nesterov Accelarated Gradient（NAG）3、Adagrad4、RMSprop5、Adaptive momentum estimation（Adam）目标函数最优化：得到使目标函数J(θ)J(\theta)J(θ)最小的θ\thetaθ的值。三种梯度下降优化框架1、BGD、SGD、mini
2022-03-25 16:05:50
1628
15
原创 灰色预测GM(1,n)模型_python
灰色系统理论及其应用系列博文：一、灰色关联度分析法(GRA)_python二、灰色预测模型GM(1,1)文章目录一、GM(1,n)算法二、示例2.1 数据：2.2 代码_使用GM(1,n)城市用水总量2.3 结果分析一、GM(1,n)算法二、示例注：数据均来自论文《基于灰色系统理论的贵阳市城市用水总量预测》2.1 数据：data.csv年份,城区人口,建成区面积,供水总量,用水人口,人口综合用水指标,城市用水总量2002, 191.85, 98.00, 26396.00,
2022-03-24 11:01:50
14125
24
原创 灰色预测模型_python
灰色预测法灰色预测模型是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法。是处理小样本（4个就可以）预测问题的有效工具，而对于小样本预测问题回归和神经网络的效果都不太理想。最简单的模型是GM(1,1)，G：Grey（灰色）；M：模型；(1,1)：只含有一个变量的一阶微分方程模型。算法（1）输入原始电力负荷特性数据序列X(0)X^{(0)}X(0)判断是否适用GM（1,1）。 定义覆盖区间Θ=(e−2k+1,e2k+2)\Theta = (e^{\frac{-2}{k+1}},e^{\
2022-03-18 18:21:06
19985
32
原创 灰色关联度分析法(GRA)_python
灰色关联度分析法(GRA)参考博客：GRA定义灰色关联度分析，是一种多因素统计分析的方法。简单来讲，就是在一个灰色系统中，我们想要了解其中某个我们所关注的某个项目受其他的因素影响的相对强弱，再直白一点，就是说：我们假设以及知道某一个指标可能是与其他的某几个因素相关的，那么我们想知道这个指标与其他哪个因素相对来说更有关系，而哪个因素相对关系弱一点，依次类推，把这些因素排个序，得到一个分析结果，我们就可以知道我们关注的这个指标，与因素中的哪些更相关。算法灰色关联度分析属于灰色系统的应用范畴分支，相比于
2022-03-18 10:06:15
10845
9
原创 modelica学习
文章目录一、基础知识二、Modelica模型搭建流程建模准备流程四、基本语法按照模型类型学习语法4.1 通用语法 (部分)4.2 函数语法函数语法及调用函数语法及调用函数语法练习函数语法实例4.3 等式语法(equation)Modelica各元素的组成关系等式语法的核心 - 构建平衡模型model/block 结构等式语法 - 基本等式等式语法 - 条件等式等式语法 - 初始化等式等式语法 - 注意事项变量数量及等式数量计算5、标准库 Modelica Standard LibraryModelica S
2022-03-11 09:57:12
12113
2
原创 python_傅里叶变换（DFT、FFT、STFT）
文章目录一、傅里叶变换1、傅里叶变换基础2、傅里叶变换形式规律3、一些关键概念3、python 实现傅里叶变换二、短时傅里叶变换（STFT）一、傅里叶变换1、傅里叶变换基础参考：深入浅出的讲解傅里叶变换傅里叶变换：一段信号可以由若干频率不同的正弦信号叠加构成，DFT将将信号从时域变换到频域用途：滤波：从一个时域图里剔除组成它的某个频域成分很不容易；但是从频域图里剔除这个成分很容易求解微分方程故障诊断：健康的设备的时域曲线图是相似的，异常设备的是不同的，但这一点在时域图种不易被发现，转换到频
2022-03-11 09:43:44
20431
8
原创 时间序列预测_混合模型
文章目录权重融合学习法示例基于bagging的方式构建混合模型。权重融合学习法该方法拥有多个学习器，初始数据利用多个模型作为初始学习器进行学习，得到的结果进行整合作为次级学习器的数据进行学习，需要预测的数据也进行一系列类似处理后，再经过次机学习器得到的模型进行预测。示例...
2022-03-02 18:32:12
617
原创 禁忌搜索算法及TS解TSP问题
禁忌搜索适用于离散化变量求解。一、局部领域搜索又称爬山启发式算法，从当前的节点开始，和周围的邻居节点的值进行比较。如果当前节点是最大的，那么返回当前节点，作为最大值(即山峰最高点)；反之就用最高的邻居节点替换当前节点，从而实现向山峰的高处攀爬的目的。它是禁忌搜索的基础，TS算法是在其上改进而来。优点：容易理解，容易实现，具有较强的通用性；局部开发能力强，收敛速度很快。缺点：全局开发能力弱，只能搜索到局部最优解；搜索结果完全依赖于初始解和邻域的映射关系。二、TS算法
2022-02-24 11:03:27
4263
原创 遗传算法和禁忌搜索解TSP
原始数据计算从城市1出发，通过每个城市，最终回到城市1的最短距离，及路径city_list = [[1, (1150.0, 1760.0)], [2, (630.0, 1660.0)], [3, (40.0, 2090.0)], [4, (750.0, 1100.0)], [5, (750.0, 2030.0)], [6, (1030.0, 2070.0)], [7, (1650.0, 650.0)], [8, (1490.0, 1630.0)], [
2022-02-24 10:58:47
1630
2
原创 基于BP神经网络的分段函数连续优化问题
·基于BP神经网络的分段函数连续优化问题文章目录摘要：一、问题描述1、创建正态分布样本（断点处为μ\muμ）2、BP神经网络拟合分段函数并连续化3、最小二乘法拟合并得到方程4、结论：5、思考摘要：有些优化问题中的目标函数或者约束函数是分段函数，该类函数不具有连续性和可微性，也即不符合非线性规划问题求解的最优性条件，因而传统的梯度类算法难以求解此类优化问题。利用神经网络较强的非线性映射能力，结合最小二乘法可以进行曲线拟合的特点，提出一种将分段函数处理成具有连续而且可微性的函数的方法。最后进行实例验证
2022-02-10 09:37:59
2611
原创 遗传算法(geatpy)
文章目录遗传算法geatpy实现遗传算法一、基础术语1、个体2、种群3、编码和解码4、目标函数值5、适应度值二、遗传算法基本算子1、选择2、交叉重组3、变异4、重插入三、完整实现遗传算法1、例1OTHERS参考博客：https://blog.youkuaiyun.com/weixin_37790882/article/details/84034956遗传算法被用来进行目标优化的，即选择什么样的个体时，可以使目标值最高，优胜劣汰遗传算法中每一条染色体，对应着遗传算法的一个解决方案，一般我们用适应性函数（fitne
2021-12-28 11:07:35
6297
2
原创 时间序列——GridSearchCV&TimeSeriesSplit的调参（xgboost预测sin(x)）
xgboost预测sin(x)，主要为了展示时间序列怎么用GridSearchCV调参
2021-12-21 11:25:18
2855
原创 python变量声明自动化、将字符串变为变量名
1、变量声明自动化 for i in range(10): # 循环创建变量 cmd = "v_%s = []" % i exec(cmd)这样就创建了10个变量v0=[],v1=[],…,v9=[]2、将字符串变为变量名golbals()[‘A’]是将A声明为全局变量locals()[‘A’]是将A声明为局部变量globals()['A'] = []globals()['A'].append(1)A.append(2)通过将字符串变为变量名
2021-11-30 16:15:41
2743
原创 python的append的NoneType问题 & map批量向列表中追加元素
文章目录append返回NoneTypemap批量向列表追加元素append返回NoneType从上图可以看出，a.append(b)这个操作的返回值是None，因此对他赋值返回值也是None。但这个操作会改变a的值>map批量向列表追加元素同理，也可以理解为什么map里面用append会报错了（因为匿名函数，返回值为x.appen(y)，为None）将上述的程序修改一下...
2021-11-19 17:02:47
1517
原创 python_多线程嵌套、循环调用多线程、生产者消费者
"""实现内层线程向列表里追加元素，外层线程调用内层线程，其中外层线程调用1次，内层线程会调用4次（4个内层线程）"""def inner_thread_function(val): ''' :param val: :return: 向内层线程列表中（innerResult：全局变量）添加值 ''' innerResult.append(val)def inner_thread(): """内层线程""" threads = [] #..
2021-11-19 16:48:54
3343
转载 箱型图和直方图
直方图和箱型图首发于投必得，教你写论文写文章试验研究中的利器--强大的直方图和箱线图投必得论文编译已认证的官方帐号关注54 人赞同了该文章之前我们介绍了跟误差线有关的几个概念以及相关的柱状图，散点图，和小提琴图（试验数据统计中常用的 量，图，和线--再也不担心文章的统计用图了！）。这些图和线都属于“比较统计学”的范畴。今天给大家总结介绍另一大类：“描述统计学”，主要用到的是直方图和箱线图。总论：直方图和箱线图是了解连续变量分布的最常用的图形工具。在这两种图中可以找到数据中的下列信息：中位数，分位数，上
2021-10-11 16:19:50
4112
原创 大数定律、中心极限定理、高斯分布、点估计、区间估计
首先，以统计全国平均身高引入大数定律和中心极限定理：我们要调查全国人口(假设有P人(X1,X2,...,XPX_1,X_2,...,X_PX1,X2,...,XP)，且服从均匀分布，均值μ\muμ，方差δ2\delta^2δ2)的平均身高：大数定律现在抽样调查了n个人，大数定律的思想告诉我们：当样本量n足够大时，样本均值可以近似总体均值（（Σi=1nXin=μ,n→∞\frac{\Sigma_{i=1}^nX_i}{n} = \mu, n \to \inftynΣi=1nXi=μ,n→
2021-10-11 09:53:20
1236
原创 变压器健康状态评估
文章目录一、特征1、特征量2、特征提取方式3、英国健康指数公式4、变压器健康状况扣分规则一、特征1、特征量2、特征提取方式3、英国健康指数公式4、变压器健康状况扣分规则
2021-10-08 10:07:16
1539
原创 python连接mysql和clickhouse数据库
文章目录一、连接mysql数据库二、连接clickhouse一、连接mysql数据库我连的是本地主机的数据库# connect_db：连接数据库，并操作数据库import pymysqlclass OperationMysql: """ 数据库SQL相关操作 import pymysql# 打开数据库连接db = pymysql.connect("localhost","testuser","test123","TESTDB" )# 使用 cursor() 方法
2021-09-28 10:30:28
938
原创 灰色预测模型
灰色预测模型：灰色预测模型灰色预测需要的模型样本量小（只要4个样本就可以）*灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行**关联分析**，并对原始数据进行**灰色生成**来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的**微分方程模型**，从而预测事物未来发展趋势的状况。*...
2021-09-23 10:31:09
524
原创 贝塞尔曲线
贝塞尔曲线通过很少的控制点，去生成复杂的平滑曲线，也就是贝塞尔曲线。贝塞尔曲线：n个控制点对应n-1阶曲线必须要掌握的贝塞尔曲线——直观理解贝塞尔曲线_公式推导
2021-09-22 14:17:52
199
原创 三次样条插值法
文章目录一、分段插值1、三次样条插值一、分段插值1、三次样条插值概念：三次样条（cubic spline）插值代码：import numpy as npimport scipy.interpolate as spiimport matplotlib.pyplot as plt# 生成[-10,10]内长度为41的序列x = np.linspace(-10, 10, 41)y = np.sin(x ** 3) / np.cos(x ** 2)# 观测数据点ix3 = np.lins
2021-09-22 14:16:00
7817
原创 LSTM时间序列预测
文章目录tensorflow张量的形状tensorflow张量的形状tensorflow中张量(tensor)的属性——维数(阶)、形状和数据类型在形状的中括号中有多少个数字，就代表这个张量是多少维的张量。形状的第一个元素要看张量最外边的中括号中有几个元素(被最外边的中括号里边的内中括号括起来的所有数据算作一个元素)被逗号隔开，有n1个则这个张量就是n1维的，形状的第一个元素就是n1;形状的第二个元素要看张量中最左边的第二个中括号中有几个被逗号隔开的元素，有n2个则shape的第二个元素就是n2;
2021-09-15 14:31:38
5593
4
原创 提高运行效率
提高运行效率用join()方法拼接字符串，避免使用+多用字典来查找，不要用列表多用numpy，pandasmap函数等内置函数多用对于常用包内函数，尽量在开头定义引用range全部换成xrange请求多个接口优化，异步请求，多个HTTP请求for循环优化，numba能少请求接口就少请求，不要总for循环请求，多企业多设备，多指标可以一次请求获得tolist()及时用if跳出，不要执行后面的语句多线程对列表集体操作，可以用map,f
2021-09-07 11:09:38
344
原创 python_分治算法、贪心算法、动态规划算法
分治算法思想分治算法是一种化繁为简的算法思想。分治算法往往应用于计算步骤比较复杂的问题，通过将问题简化而逐步得到结果。基本算法思想分治算法的基本思想是将一个计算复杂的问题分为规模较小，计算简单的小问题求解，然后综合各个小问题，得到最终问题的答案。分治算法的执行过程如下：(1)对于一个规模为N 的问题，若该问题可以容易地解决（比如说规模>^较小），则直接解决,否则执行下面的步骤。(2)将该问题分解为” 个规模较小的子问题，这些子问题互相独立，并且原问题形式相同。(3)递归地解子问题。(4)
2021-09-07 10:35:47
960
原创 ARIMA一阶差分和二阶差分还原
思路：1、差分原始序列：a1,a2,a3,a4,a5,a6,a7a_1,a_2,a_3,a_4,a_5,a_6,a_7a1,a2,a3,a4,a5,a6,a7一阶差分后的序列：nan，a2−a1,a3−a2,a4−a3,a5−a4,a6−a5,a7−a6nan，a_2-a_1,a_3-a_2,a_4-a_3,a_5-a_4,a_6-a_5,a_7-a_6nan，a2−a1,a3−a2,a4−a3,a5−a4,a6−a5,a7−a6一阶差分后的序列：nan,nan
2021-09-01 18:04:49
11555
5
原创 lightGBMt和GridSearchCV调参代码
def train(x_train, y_train, X_test, y_test, systemCode): """XGB""" my_cv = TimeSeriesSplit(n_splits=5).split(x_train) eval_set = [(X_test, y_test)] cv_params = {'n_estimators':range(20,200,10),"max_depth":range(1,10,1),'num_leaves':range(1
2021-08-27 15:52:06
1204
原创 异常检测——孤立森林IsolationForest、PCA+马氏距离
孤立森林理论简介，和参数说明理解：最早被树分离出去（树的长度最短）的数据点，可能为异常点。不需要标准化，不需要PCA降维python实例import requestsimport matplotlib.pyplot as pltfrom sklearn.ensemble import IsolationForestimport numpy as npfrom sklearn import preprocessingfrom sklearn.decomposition import PCA
2021-08-26 14:36:18
2345
4
原创 将pandas变为字典，apply，groupby
文章目录变为字典，带上index变为字典，不带index原来的data变为字典，带上indexa=data.to_dict()变为字典，不带indexa=data.to_dict(orient='list')
2021-07-29 16:43:26
1093
A题数据，赛题要求：A题 工业机械设备故障预测及其影响因素分析 B题数据，赛题要求：图像信息隐藏 赛题优秀论文
2024-12-16
力扣整数翻转超过限制长度问题
2022-04-27
docker build报错，dock build创建镜像报错
2022-04-14
docker login是遇到错误
2022-04-14
容器的端口号映射，遇到了疑问，求解
2022-04-12
TA创建的收藏夹 TA关注的收藏夹
TA关注的人