训练集数据提供了4个电场的脱敏后的环境数据和电场实际辐照度和电场发电功率。测试集数据提供了4个电场的脱敏后的环境数据，需要利用这些数据预测每个时间点的光伏发电功率。注意： 为了贴近实际应用，环境数据提供的是预测值，不是实测值，训练集中的电场实际辐照度和电场实际发电功率为脱敏后的实测值。 训练集和测试集的描述如下： 训练集有train_1.csv, train_2.csv, train_3.csv, train_4.csv共4个文件，测试集有test_1.csv,test_2.csv,test_3.csv,test_4.csv共4个文件，分别为电场1，电场2，电场3，电场4的训练集数据和测试集数据。 补充说明： 1.实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2.实发幅照度中的负值视为噪声数据。

用于建立楼宇负荷优化调度模型和预测模型，然后用于负荷优化调度和预测

主要内容：代码主要做的是电热综合能源系统的动态定价问题，采用是主从博弈方法，上层领导者问题上，以综合能源系统整体的收益作为目标函数，考虑电价以及热价等相关约束，在下层跟随者模型上，以用户用能满意度最高为目标函数，构建了领导者-跟随者Stackelberg博弈模型，同时还考虑了系统的功率平衡条件以及热能平衡条件等约束，模型的上层求解采用粒子群算法，下层求解采用CPLEX求解器，考虑该代码具有一定的创新性。

东北电力设计院应用清华紫光文通设计的IT-Center数字化信息中心以来，形成了以集资料录入、分类管理及资料的检索查询为主的资料管理新系统，并拥有了自己的信息中心而基于“TH-OCR”技术之上的技术革新，使每位工作人员案头只留下方便的扫描设备和安装了专业软件系统IT-Center个性化电脑。

针对多能源电力系统中新能源电源容量配置问题，考虑到风光资源的不确定性，提出一种基于Wasserstein生成对抗网络(WGAN)的风光资源场景模拟和改进时序生产模拟的新能源电源容量配置模型。采用WGAN模拟大量风光资源场景，用K-medoids聚类削减得到若干典型场景，并提出综合评价指标对典型场景进行评估分析；综合考虑多能源电力系统的运行特性，基于改进时序生产模拟的线性规划模型，构建以经济性最优为目标的新能源规划模型。某地区实际电网算例仿真结果验证了所提模型的有效性以及对提高新能源消纳的显著效果，给出了新能源电源容量配置方案。

随机单位承诺 公式和双重优化算法主要借鉴了Anthony Papavasiliou的工作： 将可再生能源与需求延缓耦合 作者：帕帕瓦西里乌（Papavasiliou），安东尼（Anthony）博士，加利福尼亚大学伯克利分校，2011，99； 3499039 解决原始问题 $Pythonmain.py 解决线性松弛 $ python main.py --relax 解决线性松弛+舍入算法 $ python main.py --relax --round 拉格朗日分解和次梯度优化 $ python main.py -分解 $ python main.py -分解--nar 6 --epsilon 0.01 -

针对已有的综合能源系统规划模型不能很好地评价能源设备全生命周期的利用率，采用设备的年利用小时数作为衡量设备全寿命周期利用率的指标，同时为避免规划中短时间尺度负荷预测误差太大的问题，提出一种计及风、光、荷不确定性的园区综合能源系统长时间尺度规划方法。建立风机、光伏年利用小时数的随机模型以及冷、热、电负荷年需求量的随机分布模型，以计及储能效益的综合能源系统年投资运行费用最小为目标，建立含电储、热储、热电联供等多种能源设备的园区综合能源系统随机规划模型，并探讨了不同置信度水平下的配置结果。同时，结果验证了所提的基于长时间尺度的区域综合能源系统随机规划模型在解决园区综合能源系统容量配置问题时的有效性。

介绍 未来数据的预测在能源领域非常重要，因为有关未来消费和发电趋势的信息可以帮助规划电厂的运营。 该分析比较了各种模型进行时间序列预测，以确定哪种模型效果最好 数据 数据来自Kaggle： ://www.kaggle.com/robikscube/hourly-energy-consumption包含兆瓦（MW）中各种电力公司的能耗读数。 代顿数据集已用于此分析。 但是，最后将包含所有电力公司数据的主数据集用于实验模型。 数据探索 数据从2005年到2018年大约开始，并且每小时记录一次。 分析 使用的4个模型是FBProphet，XGBoost，递归神经网络（RNN）和长期短期记忆（LSTM）（RNN的变体）。数据在使用前已进行了标准化。 FBProphet，RNN和LSTM模型可以按原样使用时间戳数据，但是XGBoost需要将时间戳分解为单独的组件。 所有这些模型都已在Dayton数