SMETimes:用小语言模型做时间序列预测

【能源系统优化】基于NSGA-II的储能容量配置模型:多目标优化与全寿命周期成本分析 项目介绍 MATLAB 储能容量配多大?NSGA-II优化与寿命成本情景分析 内容概要:本文介绍了一个基于MATLAB的储能容量配置优化项目,通过NSGA-II多目标优化算法,综合考虑储能系统的全寿命周期成本、供电可靠性与新能源消纳能力,构建了包含数据生成、储能运行仿真、寿命衰减建模、多目标优化与决策分析的一体化模型框架。项目生成50000条多维随机数据,涵盖负荷、新能源出力、电价、温度与电池运行压力,并建立储能能量容量、功率与备用SOC的协同配置模型。通过时序仿真计算充放电行为、等效循环次数与容量衰减,结合初始投资、运行收益、更换成本与惩罚项,构建全生命周期经济评价体系。NSGA-II算法用于求解成本、供电可靠性与碳排放之间的Pareto最优前沿,支持多情景对比分析,如电价波动、负荷增长与寿命衰减加剧等,最终输出推荐配置与可视化结果,为储能工程选型提供量化依据。; 适合人群:具备一定MATLAB编程基础,从事电力系统规划、储能系统设计、新能源集成或优化算法研究的科研人员与工程技术人员,尤其适用于研究生、能源领域研发工程师及项目规划人员。; 使用场景及目标:①解决“储能容量配多大”这一实际工程问题,优化容量与功率的协同配置;②评估不同电价、负荷、气候与政策情景下储能方案的经济性与鲁棒性;③分析寿命衰减对长期成本的影响,避免“低投入高维护”的不合理配置;④为新能源电站、微电网、工业园区等场景的储能规划提供Pareto最优解集与决策支持。; 阅读建议:此资源侧重于模型构建与算法实现,建议读者结合提供的代码示例深入理解NSGA-II在储能优化中的应用,重点关注目标函数设计、寿命成本建模与多情景分析逻辑。建议运行数据生成与优化代码,调试并可视化结果,以掌握从数据到决策的完整流程。 立即下载

论文推荐:《Small but Mighty: Enhancing Time Series Forecasting with Lightweight LLMs》
 

原文代码:https://github.com/xiyan1234567/SMETimes
 

原作者上传至github的代码只适合在linux系统上跑,小淘将其改成了在windows上也可以跑的格式。并整理代码放在了这里:https://pan.baidu.com/s/1sK49HrME8CJYywF_e4viiQ 提取码: pqfg

写在前面

时间序列预测领域,正在经历一场不亚于当年 "GPT 时刻" 的范式转移 —— 大语言模型正在以前所未有的速度杀入这个传统地盘。将大模型引入时序预测,最经典的三个代表作你不可错过:

  • • 第一篇代表作: NeurIPS 2023 Spotlight 的FPT(One Fits All)—— 直接把 GPT-2 的预训练 block 冻住,加个轻量适配器,一个模型通吃预测、分类、异常检测等多种时序任务,MSE 比 FEDformer 直接降了 18.7%。它第一次石破天惊地证明:语言模型里学到的东西,真的能迁移到时序上。

  • • 第二篇代表作:ICLR 2024 的Time-LLM—— 不重训模型,只 "重编程" 输入。把时间序列补丁翻译成 LLM 看得懂的文本原型,再配上 Prompt-as-Prefix 提示,LLaMA-7B 原封不动就能拿来做预测,零样本迁移能力直接拉满。时序分析,第一次被真正当成了一门 "语言任务"。

  • • 第三篇代表作:NeurIPS 2024 清华 THUML 团队的AutoTimes问了个更根本的问题:LLM 最强大的自回归能力,为什么在时序里没用上?于是他们把时间序列直接投影到语言 token 的嵌入空间,让 LLM 像生成文本一样,一个 token 一个 token 地 "续写" 未来 —— 任意长度的预测、上下文学习、多模态适配,通通原生支持。

然而本期的主角却不是Time-LLM、AutoTimes和FPT ,这三种方法证明的一件事是:虽然大语言模型主要是在文本上预训练,但其内部形成的序列建模能力,也可以迁移到温度、负荷、气象和光伏功率等连续数值序列上,证明了预训练语言模型确实具备一定的序列建模能力。

问题也随之而来。

为了预测一段并不长的时间序列,我们真的需要动用数十亿甚至上百亿参数的大模型吗?如果主干模型过于庞大,显存占用、训练时间和推理成本都会显著增加。对于边缘设备、工业终端和普通实验室而言,这类方法往往“论文效果很好,实际跑起来很重”。

本期要推荐的SMETimes 的出发点正是如此:

与其不断扩大语言模型,不如使用更轻量的小语言模型,再通过针对时间序列设计的结构补偿其能力。

论文提出了一套面向时间序列预测的轻量化框架。它没有简单地把大模型缩小,而是围绕“数值序列如何被语言模型理解”设计了三项关键机制:

  1. 1. 统计增强提示结构:把时间范围、均值、标准差和变化量写成文本,让连续数值获得可解释的语义描述;

  2. 2. 自适应融合嵌入:动态融合原始数值表示与文本语义表示;

  3. 3. 动态专家混合结构:让不同专家分别学习不同类型的时间模式。

SMETimes 没有继续扩大模型,而是选择使用 3B 甚至1B参数以内的小语言模型,并通过专门设计的时间序列表示方法提升预测效果。

论文的核心思想可以概括为一句话:

不让语言模型直接理解原始数字,而是同时给它“数值表示”和“统计语义表示”,再让模型自己学习如何融合。


图片

接下来咱们就详细讲一下,SMETimes是如何用轻量的小语言模型,再通过针对时间序列设计的结构补偿其模型能力,来实现时序预测的。

一、SMETimes 的整体流程

模型输入是一段历史时间序列。论文通常使用长度为 672 的历史窗口,并将其切分成多个长度为 96 的时间片段。

每个片段会经过两条处理路径。

第一条是数值路径。模型直接将原始时间序列片段送入线性层或 MLP,将长度为 96 的数值片段映射为与语言模型隐藏维度一致的向量。

第二条是文本路径。模型会计算该片段的时间范围、均值、标准差和首尾变化量,并将这些信息组织成一段文字,例如:

time range: 2023-01-03 08:00:00 to 2023-01-07 07:00:00
mean: 0.1527
standard deviation: 0.0831
change: -0.0264

这段文字随后被送入冻结的小语言模型,得到一个语义向量。

数值向量保留了原始波形的细节,文本向量则提供了对该时间片段的整体描述。模型通过一个可学习的门控参数,将两种表示进行融合,再送入语言模型主干和专家混合模块,最终得到未来时间序列的预测结果。

整个过程可以简化为:

原始时间序列
    ↓
切分为多个时间片段
    ↓
数值片段编码 ──────────────┐
                           ├─ 自适应融合 → 小语言模型 → MoE → 预测结果
统计量与时间信息 → 文本编码 ┘

SMETimes 的重点并不是让语言模型“读懂所有数值”,而是为语言模型提供更容易理解的时间上下文和统计信息。

二、三个核心设计

1. 统计增强提示

时间序列是连续数值,而语言模型主要处理离散文本,两者之间存在明显的模态差异。

SMETimes 的解决方法是先把一个时间片段转化为简洁的文字描述。对于每个片段,模型主要计算三个统计特征:

图片

其中,均值表示该片段的整体水平,标准差表示波动程度,首尾差值表示基本变化方向。除此之外,模型还会加入该片段的开始时间和结束时间。

这一步相当于为每段时间序列添加一张“信息卡片”。原始数值告诉模型具体波形,统计文本则告诉模型这一段数据大致处于什么水平、波动是否明显、整体是上升还是下降。

从代码来看,这部分主要位于:

data_provider/data_loader.py
models/Preprocess_Llama.py
preprocess.py

data_loader.py 负责生成统计描述,Preprocess_Llama.py 负责调用冻结的语言模型编码文本,preprocess.py 则会将全部文本嵌入提前计算并保存为 .pt 文件。

这种离线预计算方式比较实用。统计文本不会随着训练轮次发生变化,因此没有必要在每一轮训练中重复调用语言模型。先生成语义特征,再进行正式训练,可以减少大量重复计算。

论文中给出的统计结构的信息如下:

图片

代码中生成的文本如下:

time range: 2023-01-03 08:00:00 to 2023-01-07 07:00:00
mean: 0.1527
standard deviation: 0.0831
change: -0.0264

2. 自适应融合

得到数值向量和文本向量后,模型需要决定两者各自占多大权重。

SMETimes 使用一个可学习的门控参数:

图片

融合结果为:

图片

其中,(SE_i) 是数值嵌入,(TE_i) 是文本语义嵌入。

当α更接近 1 时,模型更依赖原始时间序列;当 α 更接近 0 时,模型更依赖统计文本。训练开始时,该参数通常初始化为 0,经过 Sigmoid 后等于 0.5,也就是先让两种表示各占一半,再由模型根据数据自动调整。

这种方法比直接相加更合理。因为统计信息只能描述一个片段的整体特征,无法完整表示局部峰值、频率变化和细节波动。如果文本信息权重过高,可能会丢失原始波形;如果权重过低,统计提示又无法发挥作用。

需要注意的是,当前公开的 LLaMA 代码中,这个门控值更接近一个全局可学习参数,而不是针对每个样本分别计算的门控网络。因此,它能够学习整体融合比例,但还不是完全意义上的样本级动态融合。

这里附上自适应融合的代码:

def forecast(self, x_enc, x_mark_enc, x_dec, x_mark_dec):

    # 1. 对输入时间序列进行标准化
    means = x_enc.mean(1, keepdim=True).detach()
    x_enc = x_enc - means

    stdev = torch.sqrt(
        torch.var(x_enc, dim=1, keepdim=True, unbiased=False) + 1e-5
    )
    x_enc /= stdev

    # 2. 调整维度,将每个变量作为独立时间序列处理
    bs, _, n_vars = x_enc.shape
    x_enc = x_enc.permute(0, 2, 1)
    x_enc = x_enc.reshape(x_enc.shape[0] * x_enc.shape[1], -1)

    # 3. 将长时间序列切分为多个固定长度的片段
    fold_out = x_enc.unfold(
        dimension=-1,
        size=self.token_len,
        step=self.token_len
    )
    token_num = fold_out.shape[1]

    # 4. 自适应融合数值嵌入与文本语义嵌入
    if self.fusion_gate is not None:

        # 检查文本嵌入维度是否与 LLM 隐藏维度一致
        if x_mark_enc.shape[-1] != self.hidden_dim_of_llama:
            raise ValueError(
                f"time embedding dim {x_mark_enc.shape[-1]} does not match LLM hidden dim "
                f"{self.hidden_dim_of_llama}; rerun preprocess.py with the same --llm_ckp_dir."
            )

        # 通过可学习门控参数控制两种特征的融合比例
        alpha = torch.sigmoid(self.fusion_gate)

        times_embeds = (
            alpha * self.encoder(fold_out)
            + (1 - alpha) * x_mark_enc
        )

    else:
        # 不使用文本语义时,仅保留数值嵌入
        times_embeds = self.encoder(fold_out)

    # 5. 将融合后的时间序列嵌入送入 LLaMA 进行特征建模
    outputs = self.llama.model(
        inputs_embeds=times_embeds
    )[0]

    # 6. 通过 MoE 模块进一步提取不同时间模式特征
    outputs = self._apply_moe(outputs)

    # 7. 将隐藏特征解码回时间序列
    dec_out = self.decoder(outputs)

    # 8. 恢复为 [batch, time, variables] 的数据格式
    dec_out = dec_out.reshape(bs, n_vars, -1)
    dec_out = dec_out.permute(0, 2, 1)

    # 9. 反标准化,恢复到原始数据尺度
    dec_out = dec_out * (
        stdev[:, 0, :]
        .unsqueeze(1)
        .repeat(1, token_num * self.token_len, 1)
    )

    dec_out = dec_out + (
        means[:, 0, :]
        .unsqueeze(1)
        .repeat(1, token_num * self.token_len, 1)
    )

    return dec_out

3. 动态专家混合

时间序列中通常同时存在趋势、周期、短期波动和异常变化。只使用一个统一映射,未必能够兼顾所有模式。

SMETimes 在语言模型输出后加入了 Mixture-of-Experts,也就是专家混合结构。模型设置多个专家,每个专家学习不同的时间模式,同时使用一个门控网络为各专家分配权重。

其基本过程为:

图片

图片

图片

可以把门控网络理解为一个分配器。对于不同输入,它会选择更合适的专家组合。例如,某些专家可能更擅长处理周期变化,另一些专家则更关注突变或长期趋势。

论文实验显示,加入 MoE 后,LLaMA、OPT 和 GPT-2 等不同骨干模型都能获得一定提升,说明该模块并不是只对某一个语言模型有效。

不过,复现代码时需要特别检查 num_experts 参数。当前 run.py 中默认专家数为 1,如果不进行修改,就无法真正体现多专家选择。想测试 MoE 效果时,应显式设置大于 1 的专家数量。

三、实验结果

论文在 7 个常见数据集上进行了测试。

数据集

变量数

采样频率

数据类型

ETTh1

7

1 小时

变压器温度

ETTh2

7

1 小时

变压器温度

ETTm1

7

15 分钟

变压器温度

ETTm2

7

15 分钟

变压器温度

Weather

21

10 分钟

气象数据

ECL

321

1 小时

电力负荷

Solar-Energy

137

10 分钟

光伏发电

对比模型包括 AutoTimes、Time-LLM、UniTime、FPT、DLinear、PatchTST 和 TimesNet。

下面是论文中各预测长度平均 MSE 的部分结果:

数据集

SMETimes

AutoTimes

Time-LLM

ETTh1

0.387

0.394

0.415

ETTh2

0.349

0.379

0.367

ETTm1

0.347

0.358

0.361

ETTm2

0.267

0.276

0.273

Weather

0.239

0.239

0.231

ECL

0.164

0.168

0.186

Solar

0.207

0.203

0.248

从结果可以看出,SMETimes 在 ETTh1、ETTh2、ETTm1、ETTm2 和 ECL 上表现较好,但在 Weather 和 Solar 上并不是最优。

这说明 SMETimes 的优势并不是在所有数据集上都绝对领先,而是在使用更小模型的情况下,仍然保持了有竞争力的预测精度。

论文同时强调了资源效率。与更大的语言模型方案相比,SMETimes 具有更快的训练速度和更低的显存消耗。对于普通实验室、工业设备和边缘部署场景,这一点往往比单纯降低少量 MSE 更有实际意义。

论文中的预测案例也比较直观。SMETimes 的预测曲线整体较稳定,能够较好跟随真实变化;AutoTimes 的预测波动更强;Time-LLM 的预测则相对保守,在部分位置存在滞后。

预测曲线(这里附上我用1B模型跑出来的结果):

图片

可以看到这是一个滚动的时许预测,用1B模型跑出来的效果也是非常不错的!

图片

四、总结

SMETimes 的主要价值,是证明了时间序列预测并不一定依赖更大的语言模型。

它通过统计增强提示,为原始数值提供了简单的语义说明;通过自适应融合,平衡数值信息和文本信息;通过专家混合结构,进一步处理不同类型的时间模式。

这种设计的优点是结构清晰,也比较适合继续扩展。例如,可以加入更丰富的统计特征、频域信息、趋势和周期描述,也可以将全局融合参数改为样本级门控,并进一步研究稀疏专家路由。

总体来看,SMETimes 给时间序列预测提供了一条很有启发性的路线:

模型不一定越大越好,合适的数据表示、模态对齐和任务结构同样重要。

代码链接放在文章开头了。注意:原始官方代码只能运行于LINUX系统,这里我整理了一份可以在WINDOWS系统跑的版本。当然,你的电脑配置要足够支撑运行一个1B的模型,我用的电脑配置是一个块4060ti,8G的显卡,运行1B模型基本无压力,但是3B模型跑起来是很费劲的。

文章中用的轻量化语言模型是:llama-3.2-1b-instruct和llama-3.2-3b-instruct模型,这两个模型在魔搭社区都能下载,下载方式我都放在压缩包里了,都是免费获取,帮忙留个赞!

**免责声明:本文内容仅用于论文学习、代码复现与技术交流,不构成任何学术、商业或投资建议。文中对论文方法、代码逻辑及实验结果的解读均基于个人学习理解,难免存在疏漏或理解偏差,请以原论文、官方代码及作者说明为准。相关模型、代码及数据版权归原作者或所属机构所有,如有不当之处,欢迎指正交流。

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

相关推荐

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

无人机路径规划中多种优化算法的仿真研究(Matlab代码实现)

内容概要:本文围绕无人机三维路径规划问题,系统研究了多种智能优化算法在复杂环境下的仿真应用与性能对比,重点实现了改进灰狼优化算法(I-GWO)、标准灰狼优化算法(GWO)、金鹰优化算法(GJO)和正弦余弦算法(SCA)的Matlab代码实现。通过构建包含路径长度、飞行高度、威胁规避及转弯角度等多维度目标函数的综合评价体系,对各算法在单无人机路径优化与多无人机协同集群避障场景中的表现进行全面仿真分析,评估其路径规划能力、收敛速度与鲁棒性。研究旨在实现最低综合成本的飞行路径,并为多智能体协同任务提供可靠的算法支撑。; 适合人群:具备一定Matlab编程基础,从事无人机系统设计、智能优化算法研究、路径规划及相关自动化、人工智能领域的科研人员、工程技术人员及研究生。; 使用场景及目标:① 掌握主流智能优化算法在三维空间路径规划中的具体建模与实现方法;② 对比分析不同算法在路径优化质量、计算效率、避障能力和多目标权衡方面的性能差异;③ 为多无人机协同执行侦察、监测、救援等任务提供高效的路径规划解决方案与仿真验证平台。; 阅读建议:建议结合文中提供的Matlab代码进行动手实践,重点关注算法参数调优、目标函数设计以及环境障碍物建模对最终路径的影响,可进一步扩展至动态障碍环境或加入通信约束以适应更复杂的实际应用场景。

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书

内容概要:本文档《超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书》系统阐述了全桥LLC谐振变换器在开关电源中的设计方法,重点利用Mathcad工具进行精确的数学建模与参数计算。内容涵盖LLC谐振变换器的工作原理、关键参数设计(如谐振频率、励磁电感、变比等)、闭环控制策略、软开关实现条件、效率优化及工程实践中需注意的关键事项。文档通过详尽的数学推导和工程实例,构建了一套完整的从理论分析到实际应用的设计流程,特别强调了在不同负载与输入电压条件下确保ZVS/ZCS软开关的实现机制,并提供了实际设计中的取值依据与优化方向,为电力电子工程师提供了一个高效、可靠的设计参考方案。; 适合人群:具备电力电子技术基础,从事开关电源研发的工程师、高校电力电子及相关专业的研究生与科研人员,以及熟悉Mathcad、Simulink等仿真与计算工具的技术人员;; 使用场景及目标:① 掌握全桥LLC谐振变换器的参数设计与性能优化方法;② 开发高效率、高功率密度的软开关电源系统;③ 支持科研项目或工业产品中高性能电源模块的设计与验证;④ 结合仿真模型进行设计结果的验证与教学培训;; 阅读建议:建议结合配套的仿真模型与计算书同步学习,重点关注参数设计公式的推导过程与工程取值的合理性,动手复现计算步骤以加深理解,并通过仿真手段验证设计结果的准确性与鲁棒性。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文详细介绍了基于Simulink仿真实现的具有PWM控制VSC-HVDC链路的IEEE30总线传输系统,系统性地阐述了电压源换流器高压直流输电(VSC-HVDC)的技术原理及其在复杂电力系统中的集成应用。研究重点涵盖VSC-HVDC系统的基本结构、PWM调制控制策略的设计与实现,并将其嵌入IEEE30节点标准测试系统中,构建完整的多区域交直流混合输电仿真模型。通过Simulink平台对系统在不同运行工况下的动态响应进行仿真分析,验证了PWM控制在有功功率、无功功率独立调节、直流电压稳定及故障穿越能力方面的有效性。该仿真模型不仅有助于深入理解现代高压直流输电技术的工作机制,也为含大规模可再生能源接入的智能电网稳定性分析与优化控制提供了可靠的技术支撑与研究平台。; 适合人群:具备电力系统分析、高压直流输电技术基础以及Simulink/MATLAB仿真能力的研究生、科研人员及从事电力系统规划与运行的工程技术人员。; 使用场景及目标:① 掌握VSC-HVDC系统的核心控制原理及其在多节点电网中的建模方法;② 学习并实践基于PWM调制的矢量控制策略在Simulink中的实现过程;③ 对比分析交直流系统在稳态与暂态过程中的功率传输特性与动态响应,为新能源并网、电网互联等实际工程问题提供仿真依据和技术参考。; 阅读建议:建议读者结合文中理论分析与Simulink仿真模型,逐步完成模型搭建与参数设置,并通过改变系统运行条件(如负载投切、故障扰动等)观察系统响应变化,深入理解控制策略的有效性与局限性。同时,鼓励扩展模型功能,如引入风电/光伏等可再生能源接口,进一步探索VSC-HVDC在现代电力系统中的综合应用潜力。

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

【有功-无功协调优化】基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化研究(Matlab代码实现)

内容概要:本文研究了基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化问题,旨在通过Matlab代码实现该算法以提升配电网的运行效率与稳定性。文中详细阐述了小生境粒子群算法的改进策略,该策略通过引入小生境技术增强算法的全局搜索能力和种群多样性,有效避免了早熟收敛问题。研究构建了一个综合考虑有功功率与无功功率协调控制的多目标优化模型,其目标函数涵盖了网损最小化、电压质量最优化以及设备运行成本最低化等关键指标,并设置了必要的等式与不等式约束以确保系统安全稳定运行。通过对典型配电网系统的仿真测试,验证了所提方法在降低网络损耗、改善电压分布、提高供电可靠性方面的有效性与优越性,为现代主动配电网的优化运行提供了新的技术路径。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于高校或研究院所中关于智能电网、分布式电源接入、微电网控制等相关课题的研究;②为电力公司提供配电网优化运行的技术支持,特别是在含有大量分布式电源接入的情况下,如何有效地进行有功-无功协调控制;③作为教学案例用于讲授先进优化算法在电力系统中的实际应用。; 阅读建议:建议读者在学习过程中结合Matlab代码仔细分析算法的具体实现细节,注意理解小生境技术如何影响粒子群的行为,同时应关注多目标优化问题的求解过程及其结果解释,以便更好地掌握该方法的核心思想和技术要点。

九个版本一步跨:从JDK8到JDK17的特性增量、强封装迁移与ZGC实战解析

这篇文章要回答的,正是“从 JDK 8 直接跨到 JDK 17”这件事里最常被问到的四个问题: 九个版本到底攒下了什么? 语言、API、运行时三类变化里,哪些值得用、各自从哪个版本开始可用、哪些说法其实传错了。 升级为什么会“起不来”或“跑不通”? 强封装、被删除的模块、被移除的 JVM 参数,分别会以什么样子出现,怎么定位、怎么治本。 ZGC 的收益是真的吗?怎么测才算数? 停顿影响面怎么估算,压测时有哪些坑会把收益放大或掩盖。 落地要分几步走? 站在 2026 年,还该不该把 17 当终点。

上一篇: 超高创新模型!TF-SAX-Llama 轴承故障诊断
下一篇: 扩散模型+VIT实现极端小样本故障诊断
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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