业务和功能介绍
随着新能源发电与电力市场化改革的发展，电价波动性显著增强，传统预测方法在捕捉非线性与长时依赖方面存在局限。为应对这一问题，我基于公开电价与相关因素数据集，构建了电价预测模型，旨在探索机器学习与深度学习方法在电力市场短期与中长期价格预测中的适用性与效果差异。项目不仅聚焦于提高预测精度，也尝试通过模型对比与结果可视化，为电力市场价格建模提供可解释性参考
With the increasing penetration of renewable energy and the ongoing liberalization of electricity markets, price volatility has become more pronounced. Traditional forecasting methods face limitations in capturing nonlinear dynamics and long-term dependencies. To address this challenge, I developed an electricity price forecasting model using publicly available price and related feature datasets. The project aimed to evaluate the effectiveness of machine learning and deep learning approaches (e.g., LSTM, Transformer) in both short-term and long-term forecasting. Beyond accuracy, the project emphasized model benchmark
电价预测模型 — 独立项目
时间：2024年暑期
基于时间序列与深度学习模型（LSTM、Transformer）构建电价预测系统，探索短期与中长期预测的差异化效果；
实现数据预处理与特征工程（缺失值处理、归一化、滞后特征构造、节假日与天气特征融合），提升模型鲁棒性；
在实验中对比了ARIMA、XGBoost与改进的Transformer结构，并以MAPE、RMSE为指标进行量化评估；
使用PyTorch + sklearn 完成模型搭建与训练，并基于可视化分析解释预测结果，撰写完整技术报告；
项目代码与报告开源至GitHub，积累实践经验并初步形成科研表达能力
Summer 2024
Developed a time-series forecasting system for electricity prices using LSTM and Transformer-based models, comparing short-term and long-term forecasting performance.
Designed and implemented data preprocessing & feature engineering, including missing value imputation, normalization, lag features, and integration of holiday/weather factors.
Conducted benchmarking with ARIMA, XGBoost, and enhanced Transformer variants, evaluated via MAPE and RMSE metrics.
Built and trained models using PyTorch and scikit-learn, with visualization for interpretability and a full technical report.
Open-sourced project on GitHub, gaining hands-on experience in applied machine learning and technical reportin
With the increasing penetration of renewable energy and the ongoing liberalization of electricity markets, price volatility has become more pronounced. Traditional forecasting methods face limitations in capturing nonlinear dynamics and long-term dependencies. To address this challenge, I developed an electricity price forecasting model using publicly available price and related feature datasets. The project aimed to evaluate the effectiveness of machine learning and deep learning approaches (e.g., LSTM, Transformer) in both short-term and long-term forecasting. Beyond accuracy, the project emphasized model benchmark
电价预测模型 — 独立项目
时间：2024年暑期
基于时间序列与深度学习模型（LSTM、Transformer）构建电价预测系统，探索短期与中长期预测的差异化效果；
实现数据预处理与特征工程（缺失值处理、归一化、滞后特征构造、节假日与天气特征融合），提升模型鲁棒性；
在实验中对比了ARIMA、XGBoost与改进的Transformer结构，并以MAPE、RMSE为指标进行量化评估；
使用PyTorch + sklearn 完成模型搭建与训练，并基于可视化分析解释预测结果，撰写完整技术报告；
项目代码与报告开源至GitHub，积累实践经验并初步形成科研表达能力
Summer 2024
Developed a time-series forecasting system for electricity prices using LSTM and Transformer-based models, comparing short-term and long-term forecasting performance.
Designed and implemented data preprocessing & feature engineering, including missing value imputation, normalization, lag features, and integration of holiday/weather factors.
Conducted benchmarking with ARIMA, XGBoost, and enhanced Transformer variants, evaluated via MAPE and RMSE metrics.
Built and trained models using PyTorch and scikit-learn, with visualization for interpretability and a full technical report.
Open-sourced project on GitHub, gaining hands-on experience in applied machine learning and technical reportin
项目实现
数据处理：收集并清洗电价及相关特征数据，完成缺失值填补、归一化、时间窗口切分，并构造滞后特征与节假日、天气等外生变量；
模型搭建：实现 ARIMA、XGBoost、LSTM、改进版 Transformer 等多种模型，采用 PyTorch + scikit-learn 完成训练与调参；
实验设计：基于时间序列交叉验证，分别进行短期（日级、周级）与中长期（月级）预测对比；
结果分析：使用 MAPE、RMSE 等指标评估模型性能，并通过可视化图表分析预测误差与价格波动规律；
工具链：Python、Pandas、NumPy、Matplotlib、PyTorch、scikit-learn；项目代码及报告已开源至 GitHub
模型搭建：实现 ARIMA、XGBoost、LSTM、改进版 Transformer 等多种模型，采用 PyTorch + scikit-learn 完成训练与调参；
实验设计：基于时间序列交叉验证，分别进行短期（日级、周级）与中长期（月级）预测对比；
结果分析：使用 MAPE、RMSE 等指标评估模型性能，并通过可视化图表分析预测误差与价格波动规律；
工具链：Python、Pandas、NumPy、Matplotlib、PyTorch、scikit-learn；项目代码及报告已开源至 GitHub
示例图片视频
相似推荐
SaaS平台-全渠客
本人曾任职前端开发岗位，主要负责公司核心SaaS平台的前端开发与迭代工作，业务覆盖广告运营、大数据分析、海外营销等核心领域，同时涉及OA办公系统、SCRM客户管理系统的前端构建，还包含聊天消息、文字转语音、数字人、图片转视频等特色功能模块。
合同，采购询单串口插件等
本项目旨在打通从客户开发到履约交付的全业务流程闭环。我们构建了从客户询盘、合同签订，到意向订单转化、正式下单的精准销售漏斗；后端则无缝衔接采购备料、质检入库、智能排产与精益生产，最终确保成品高效出库发货。通过实现商机获取与供应链履约的端到端数字化管控，显著提升订单交付效率与客户满意度。
AI一站式科研服务平台-infmind.cn
InfMind 是一个 AI 驱动的一站式学术研究平台，旨在帮助科研人员将研究效率提升 10 倍。平台集成了全球学术文献检索（3.8B+ 资源）、基于向量数据库的智能知识管理、多模型 AI 对话（GPT-5、Claude 4.5、Gemini 3）、科研绘图和全自动论文写作辅助等核心功能。具备多agent协作架构和编排系统, 支持 Web、Windows、macOS、Linux、iOS、Android 全平台，数据实时同步。目前服务全球 10,000+ 科研用户。
财务内控系统移动端-uniapp
传统PC端系统无法满足外勤人员实时提交申请、查看进度、接收通知的需求，亟需构建跨平台移动应用。目标：打造统一入口的移动内控门户，支持差旅/会议/采购等事前申请在线填报、状态追踪、转报销单及消息提醒，实现“随时随地办业务”。核心模块包括事前申请列表与详情、预算指标关联、待办事项聚合、公告制度推送、个人报销统计图表等。业务流程覆盖用户登录→选择申请类型→填写表单→提交审批→查看进度→转报销；功能路径为首页快捷入口→分类导航→表单编辑→审核流跟踪→数据统计看板，全面适配iOS/Android/H5三端，保障体验一致性与操作便捷性。
预算绩效数智化管理研究平台-绩效
传统绩效考核依赖手工Excel，流程割裂、数据滞后、评价主观。目标：构建线上化、标准化、可追溯的绩效管理体系，实现从目标申报→事前评估→事中监控→事后评价全流程闭环，提升组织效能与决策科学性。核心模块包括任务管理、预算绩效管理、合同关联、绩效分析、资源库及协作平台，支持多维度指标配置与动态权重调整。业务流程覆盖用户登录注册→目标填报→过程跟踪→结果评分→报告生成；功能路径为首页快捷入口→模块导航→表单填写/审批流→数据看板→导出归档，全程支持移动端适配与权限隔离。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服