# The Oracle Project
## 最新进展
```
Val Error:
Accuracy: 96.989%, Avg loss: 0.028614
Within the Power Generation: 96.875%
Utilization Rate: 91.673%
Test Error:
Accuracy: 97.106%, Avg loss: 0.028301
Within the Power Generation: 97.292%
Utilization Rate: 91.308%
```
**Accuracy** 计算公式为: $\mathbb{E}_{x,y}\ {\left|\frac{\mathbf{model(x).mean} - y}{y}\right|}$.
**Within the Power Generation** 计算公式为: $\mathbb{E}_{x,y}\ {\mathbb{I}\left[y \leq \mathbf{model(x).mean} + c\times \sqrt{\mathbf{model(x).variance}}\right]}$,其中 $c\equiv1$.
**Utilization Rate** 计算公式为:$\mathbb{E}_{x,y}\ \left[{1-\frac{y}{\mathbf{model(x).mean} + c\times \sqrt{\mathbf{model(x).variance}}}}\right]$,其中 $c\equiv1$.
## 项目介绍
[2023-04] 顺利通过大学生创新创业训练计划中期答辩,并被评级为国家级项目
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide1.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide2.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide3.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide4JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide5.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide6.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide7.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide8.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide9.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide10.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide11.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide12.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide13.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide14.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide15.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide16.JPG)
![Slides](https://github.com/Googol2002/Energy-Consumption-Forecasting/blob/main/figure/slides/Slide17.JPG)
<!-- ## 应用背景
随着极端气候与日俱增,世界对于“气候变暖”的重视程度已经达到了史无前例的高度。在气候变暖的主要诱因“碳排放”的诸多来源中,我国“能源电力”以40% 的“碳排放”占比一骑绝尘(第二名“建筑领域”占比约20% )。事实上,大多数人对于火力发电厂的运行模式存在着一些误解,发电厂并非是按照当前实际用电量来确定发电量,而是通过预判未来的用电情况来计划发电量。仅以煤炭火电站为例,煤炭发电机组一次启动就需要一天之久,因此火电站必须预测第二天的用电情况。然而为保障居民用电与工业用电的安全稳定,**火电站不得不燃烧额外的煤炭,用于对抗预测中不可避免的误差。这些额外被燃烧的煤炭,不仅造成了资源的浪费,还导致了不必要的“温室气体”排放。**
## 项目预期
我们希望通过提高电力系统负荷预测的准确率,降低预测值与实际值之间波荡的方差,降低不必要的煤炭消耗,保护地球资源,减少温室气体排放。助力中国二氧化碳排放量于2030年前达到峰值,在2060年前实现碳中和。
## 技术实现
损失函数定义:
$$
\mathcal{L}(\theta)=\mathbb{E}_{x,y}\left[\frac{(\hat{y}-y)^2}{\hat{\sigma}^2}\right] + \alpha\times\sigma^2+\beta\times \|\theta\|_2\quad \\
\hat{y} = model(x).mean\quad \hat{\sigma}^2=model(x).variance
$$ -->
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
基于深度学习的区域电力负荷预测python源码+文档说明.zip顺利通过大学生创新创业训练计划中期答辩,并被评级为国家级项目,本资源中的源码都是经过本地编译过可运行的,评审分达到95分以上。资源项目的难度比较适中,内容都是经过助教老师审定过的能够满足学习、使用需求,如果有需要的话可以放心下载使用。 基于深度学习的区域电力负荷预测python源码+文档说明.zip顺利通过大学生创新创业训练计划中期答辩,并被评级为国家级项目,本资源中的源码都是经过本地编译过可运行的,评审分达到95分以上。资源项目的难度比较适中,内容都是经过助教老师审定过的能够满足学习、使用需求,如果有需要的话可以放心下载使用。 基于深度学习的区域电力负荷预测python源码+文档说明.zip基于深度学习的区域电力负荷预测python源码+文档说明.zip基于深度学习的区域电力负荷预测python源码+文档说明.zip基于深度学习的区域电力负荷预测python源码+文档说明.zip基于深度学习的区域电力负荷预测python源码+文档说明.zip基于深度学习的区域电力负荷预测python源码+文档说明.zip基于深度学习
资源推荐
资源详情
资源评论
收起资源包目录
基于深度学习的区域电力负荷预测.zip (62个子文件)
基于深度学习的区域电力负荷预测
energy
oracle.py 788B
helper
__init__.py 784B
recorder.py 6KB
plot.py 12KB
plotter.py 6KB
device_manager.py 740B
data_tools.py 4KB
log.py 4KB
tests
__init__.py 0B
TestElectricityLoad.py 4KB
TestLog.py 2B
TestPrimitive.py 1KB
example.py 683B
TestLondon.py 5KB
task
__init__.py 0B
forecasting_with_cnn_attention.py 11KB
forecasting_next_day.py 7KB
forecasting_with_cnn.py 9KB
forecasting_with_transformer.py 9KB
forecasting_next_week.py 9KB
forecasting_OT.py 7KB
dataset
__init__.py 172B
ETT_data.py 5KB
london_clean.py 21KB
london_merge.py 1KB
electricity_load.py 7KB
trainer
__init__.py 0B
multitask.py 3KB
model
__init__.py 274B
PeriodicalModel.py 6KB
NLinear.py 1KB
AdvancedModel.py 9KB
LSTM.py 3KB
DailyLinear.py 2KB
ARIMA.py 855B
Bi-LSTM_MLP.py 4KB
ARIMA_best.py 3KB
DifferentialModel.py 1KB
ARIMA_manual.py 3KB
__pycache__
__init__.cpython-39.pyc 151B
dataset.cpython-39.pyc 5KB
dataset
Notes.md 66B
figure
slides
Slide4.JPG 202KB
Slide13.JPG 195KB
Slide3.JPG 205KB
Slide17.JPG 168KB
Slide11.JPG 172KB
Slide12.JPG 185KB
Slide5.JPG 208KB
Slide6.JPG 186KB
Slide8.JPG 166KB
Slide2.JPG 79KB
Slide1.JPG 163KB
Slide15.JPG 187KB
Slide9.JPG 175KB
Slide7.JPG 208KB
Slide14.JPG 208KB
Slide10.JPG 169KB
Slide16.JPG 181KB
Performance-Date(2022-10-03 16-24-03).png 935KB
.gitignore 130B
README.md 4KB
共 62 条
- 1
资源评论
- liufang20080542024-05-15资源很不错,内容和描述一致,值得借鉴,赶紧学起来!
- gf0023562024-05-22超赞的资源,感谢资源主分享,大家一起进步!
盈梓的博客
- 粉丝: 7089
- 资源: 1707
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功