《看见100家科技创企》本书分享了在数字经济、人工智能、智能制造、新能源、5G+物联网等热门赛道的前沿科技创新企业，为读者在进行相关领域的创业、投资、研究时带来新的洞察和思考。 电子版下载地址：https://developer.aliyun.com/ebook/7560 电子书： </div>

一、Yolov5介绍之前有些一篇文章——《Yolov5：强大到你难以想象──新冠疫情下的口罩检测》，详细链接为 ：Yolov5：强大到你难以想象──新冠疫情下的口罩检测，里面有对Yolov5的简介，这两天的学习我对Yolov5的了解更加深入，在知网上查阅了不少资料，总结一下：YOLOv5 算法整体主要有 3 部分组成: Backbone、 Neck 和 Prediction, 以 YOLOv5s 模型为例整体算法结 构如下所示. Backbone 主要有 Conv, C3 和 SPPF 基 本网络模块组成, 其主要功能就是提取图像特征信息, C3 模块使用残差网络结构, 可以学习到更多的特征信 息, SPPF 模块是空间金字塔池化, 也是 Backbone 网络 的输出端, 主要功能是将提取到的任意大小的特征信 息转换成固定大小的特征向量. Neck 网络采用 FPN+ PAN 的特征金字塔结构网络, 可以实现不同尺寸目标 特征信息的传递, 可以有效解决多尺度问题. Prediction 采用 3 种损失函数分别计算目标分类损失, 目标定位损失和置信度损失, 并通过 NMS 提高网络检测的准确 度. 模型默认输入图像尺寸大小为 640×640的 3 通道图像, 最终输出格式是 3×(5+ncls), ncls 表示目标检测分类 数量。 YOLO 算法从总体上看, 是单阶段端到端的基于 anchor-free 的检测算法. 将图片输入网络进行特征提 取与融合后, 得到检测目标的预测框位置以及类概率. 而 YOLOv5 相较前几代 YOLO 算法, 模型更小、部署 灵活且拥有更好的检测精度和速度, 适合实时目标检 测. YOLOv5 根据模型不同深度和不同特征图宽度划 分为 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 四个模型. 其中 YOLOv5s 是最小的模型，本文车牌检测既是用YOLOv5s模型。二、图像分割图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。 主要是用opencv进行矩阵切割，img = cv2.imread('图片.jpg')dst = img[num1:num2,num3:num4]  #裁剪坐标为[y0:y1, x0:x1]我们看一个demo，还记得我们之前写的人脸识别算法吗？我们进行一下改进，之前的效果是： 我们将代码优化一下，不仅要在原图上用红框标记出来，而且要切割出来。代码如下：1. import cv2 as cv 2. 3. 4. def face_detect_demo(img): 5. img = cv.resize(img, dsize=(800, 800)) 6. gary = cv.cvtColor(img, cv.COLOR_BGR2GRAY) 7. face_detect = cv.CascadeClassifier("D:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml") 8. face = face_detect.detectMultiScale(gary, 1.004, 28, 0, (40, 40), (50, 50)) 9. count = 1 10. for x, y, w, h in face: 11. cv.rectangle(img, (x, y), (x + w, y + h), color=(0, 0, 225), thickness=4) 12. dst = img[y:y + h, x:x + w] 13. # cv.imshow("demo",dst) 14. cv.imwrite("temp/face_{0}.jpg".format(count), dst) 15. count += 1 16. cv.imshow("result", img) 17. # img.save("result.jpg") # 保存图片 18. cv.imwrite(r"final_result.jpg", img) 19. 20. img = cv.imread("photo.jpg") 21. face_detect_demo(img) # 检测单个图片 22. 23. while True: 24. if ord("q") == cv.waitKey(1): 25. break 26. cv.destroyAllWindows()检测结果如下，我们就将所有人脸分割出来啦！ 三、百度AI百度智能云AR开放平台提供领先的AR技术能力与一站式平台工具，开放感知跟踪、人机交互等40+技术能力。它提供了很多技术的接口，比如说人脸识别，文字识别，语言识别等等。 这次我们通过调用文字识别的接口，用来识别我们本地图片上的文字，详细教程可以看这位博主的：百度AI调接口教程。对了，大家记得领一下百度免费送的优惠，要不然程序运行会报错，别问我怎么知道的，问就是搞了两个半小时总结出来的。这个过程可以理解为调用百度文字识别这个函数，传入本地的一张图片，它可以返回本地图片上的文字。只不过这个函数不是内置的，需要你去配置才能够使用。代码如下：1. # 测试百度在线图片文本识别包 2. # 导入百度的OCR包 3. 4. from aip import AipOcr 5. 6. if __name__ == "__main__": 7. # 此处填入在百度云控制台处获得的appId, apiKey, secretKey的实际值 8. appId, apiKey, secretKey = ['28509942', 'HbB3GChFwWENkXEI7uCuNG5V', 'IRnFhizLzlXnYFiNoq3VcyLxRHaj2dZU'] 9. # 创建ocr对象 10. ocr = AipOcr(appId, apiKey, secretKey) 11. with open('D:/cartarget/result_1.png', 'rb') as fin: 12. img = fin.read() 13. res = ocr.basicGeneral(img) 14. print(res['words_result'][0]['words']) 这里的appId, apiKey, secretKey需要更换成自己的，图片检测的位置也要换成自己的。我是要下载SDK运行的，你们也可以试试别的方法。四、Yolov5+图片分割+百度AI车牌实时检测识别系统4.1流程图Visio浅浅画了一个流程图，用来表达整个项目的逻辑： 4.2数据集下载首先是数据集下载，我用的是CCPD2020的数据集，CCPD2020数据集采集方法应该CCPD2019数据集类似。CCPD2020仅仅有新能源车牌图片，包含不同亮度，不同倾斜角度，不同天气环境下的车牌。CCPD2020中的图像被拆分为train/val/test数据集，train/val/test数据集中图片数分别为5769/1001/5006。我用的时候取了100张train，80张val和20张test。CCPD2020数据集(数据大小865.7MB)下载链接我也分享给大家，不用谢！链接：https://pan.baidu.com/s/11IgwwsCjsTRuLOnewx51lw?pwd=5rvf 提取码：5rvf4.3Yolov5模型训练然后是Yolov5模型的训练，详细代码还是看之前那篇口罩检测的文章吧，配置文件只要改这几个。数据集的配置文件：mask_data.yaml：修改train的路径 注意是 /（反斜杠）修改val的路径修改类别 nc ：1、2  names [“标签名称1”、“标签名称2”]  具体几个看你的类别有几个模型配置文件： yolov5s.yaml修改类别个数 nc：1、2这里贴上检测数据，由于是用CPU跑的，考虑到时间问题，我这里仅训练了20次，用时在40min左右。 可以看到，识别的精度为80%左右，还是比较可观的，通过增大epoch的值，可以调整成100，识别率达到95%是没有问题的。4.3PyQt5可视化界面点击上传图片按钮上传图片，从本地选择一张图片。 再点击开始检测 ，调用训练好的pt模型进行识别。左边为原图，右边为检测之后的图， 可以看到这辆车的车牌已经被框选出来，做了标记。4.4opencv切割图片我自定义了一个split.py，里面只有一个split函数，目的就是为了切割图片，这里是运用了封装思想。在windows.py文件中通过import导入，就可以直接运用这个函数了。以下为split.py文件内容。1. import cv2 as cv 2. def split(list_1,img,i): 3. dst = img[int(list_1[1]):int(list_1[3]),int(list_1[0]):int(list_1[2])] # 裁剪坐标为[y0:y1, x0:x1] xyxy 4. cv.imwrite("D:/cartarget/result_{0}.png".format(i+1), dst) 5. 6. 7. # list_1 =[231,1391,586,1518] 8. # img = cv.imread('train_25.jpg') 9. # split(list_1,img,0)接着需要对windows.py进行修改，在检测图片detect_img函数中，添加1. tem_list = [] 2. tem_list.append(int(xyxy[0])) 3. tem_list.append(int(xyxy[1])) 4. tem_list.append(int(xyxy[2])) 5. tem_list.append(int(xyxy[3])) 6. print("准备切割！") 7. split.split(tem_list, im0,count_1) 8. count_1 += 1 9. print("切割完成！")这样，Yolov5检测出几个目标，就会调用几次split方法从而切割出来几张子图片，由于这里图片只有一辆车，所有只有一个检测目标，所以只会得到一个车牌。 4.5调用百度AI进行图片检测这个逻辑就很好理解啦！只要把上面这个图片丢给百度文字识别去识别内容就好啦！1. if __name__ == "__main__": 2. # 此处填入在百度云控制台处获得的appId, apiKey, secretKey的实际值 3. appId, apiKey, secretKey = ['28509942', 'HbB3GChFwWENkXEI7uCuNG5V', 'IRnFhizLzlXnYFiNoq3VcyLxRHaj2dZU'] 4. # 创建ocr对象 5. ocr = AipOcr(appId, apiKey, secretKey) 6. with open('name.png', 'rb') as fin: 7. img = fin.read() 8. res = ocr.basicGeneral(img) 9. print(res['words_result'][0]['words']) 可以看到识别完全正确！大功告成！五、总结这个车牌识别系统到这里就算正式结束啦！感觉收获还是蛮多的，对Yolov5的理解更加深刻，Opencv的运用更加熟练，PyQt5也算是熟悉了。目标检测、图片分割、图像搜索、增强和特效、动作识别等等，慢慢觉得这些功能更像是一个个拼图，想要完成一个较大的工程，需要将一个个小功能拼在一起。机器学习的路程还很漫长，很多知识我都未曾了解，其中的数学原理更是知之甚少。未来的学习还很漫长，人工智能的领域依然辽阔而精彩。车牌检测这个项目只是一个载体，项目本身并不重要，重要的是项目背后学到的知识，定期总结才能更好的接受知识吧！好啦，今天的分享就到这里啦！

 👨‍🎓个人主页：研学社的博客 💥💥💞💞欢迎来到本博客❤️❤️💥💥🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。📋📋📋本文目录如下：🎁🎁🎁目录💥1 概述📚2 运行结果2.1 实时优化调度2.2 日前优化调度 2.3 日内优化调度 🎉3 参考文献🌈4 Matlab代码、数据、详细文章讲解💥1 概述随着环境污染和资源短缺等问题的日益凸显，具有可再生、环境友好等优点的新能源发电逐渐成为 电力领域内的研究热点． 但是风电、光伏等新能源发电具有波动性和随机性，导致其出力具有不确定性，给电网的电能质量、稳定性带来了一定的影响． 为维护电网的安全稳定运行，一些地区实施弃风弃光手段，造成风电、光伏等新能源的消纳量大幅度下降． 微网可以实现新能源和负荷一体化运行，是解决新能源消纳的有效技术手段微网中配置电池储能系统，不仅能有效应对新能源发电出力不确定性，还能保障微网安全稳定运行． 实施需求响应( demand response，DＲ) 是解决微网中新能源消纳的可行方向之一． 对于考虑储能和 DＲ 的微网，文献建立了考虑多种储能和 DＲ 的最优负荷削减模型，并对多能源系统进行可靠性评估; 文献计及电池储能和可中断负荷，提出一种包含日前－日内两阶段微网优化调度模型; 文献考虑电池储能和 DＲ，建立日前－时前－实时三阶段微网调度模型． 上述文献均建立计及储能和 DＲ 的微网运行模型，但 DＲ 类型和补偿机制单一，且没有挖掘价格型需求响应( price-based demand response，PBDＲ) 的作用。详细文章讲解见第4部分。📚2 运行结果2.1 实时优化调度 2.2 日前优化调度   。。。。。。 。。。。。2.3 日内优化调度  🎉3 参考文献部分理论来源于网络，如有侵权请联系删除。[1]傅晓梅,温步瀛,朱振山,唐雨晨.考虑电池储能与需求响应的微网多时间尺度优化运行[J].福州大学学报(自然科学版),2021,49(03):367-375.[2]徐立中,易永辉,朱承治,赵波,项中明,谢颖捷.考虑风电随机性的微网多时间尺度能量优化调度[J].电力系统保护与控制,2014,42(23):1-8.🌈4 Matlab代码、数据、详细文章讲解链接：https://pan.baidu.com/s/12J1DmdF3S328DnF5pVdC3w 提取码：h3bb --来自百度网盘超级会员V3的分享

👨‍🎓个人主页：研学社的博客 💥💥💞💞欢迎来到本博客❤️❤️💥💥🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。📋📋📋本文目录如下：🎁🎁🎁目录💥1 概述1.1 负荷转移率模型📚2 运行结果🎉3 参考文献🌈4 Matlab代码实现💥1 概述从需求侧角度看，随着电力市场的不断完善，交易主体的多元化，交易方式的透明化以及交易内容的灵活化，为需求侧响应的发展注入了新的活力[11-12]。根据“十三五”时期经济社会发展理念，电力需求侧管理（Demand Side Management，DSM）工作要求积极推广需求响应，持续引导节约用电，促进智能用电升级，推动电力供需协同互动。在这一背景下，需求响应（Demand Response，DR）技术作为一种新型的管理措施在我国重点城市进行初步试点工作，利用电网侧价格信号或激励信号积极引导用户优化用电方式，提高用电效率，从而使得电网整体负荷形态有所改善，电力供需矛盾有所缓解，促进电力系统高效稳定运行[13-14]。此外，需求响应技术还有利于缓解新能源的随机波动性给电力系统带来的负面影响，为电力系统的安全性提供保障。因此，需求响应技术的应用对能源经济发展、电力工业以及环境环保等方面具有重要的战略意义[15]。1.1 负荷转移率模型由消费者心理学可知，电价差过大、过小以及在电价变化处响应度曲线的平滑，均会引起用户需求响应的变化。在电价激励机制下，用户本着自愿原则，其响应行为具有明显的随机性，则真实的需求响应曲线会处于乐观与悲观响应预测曲线之间，具备模糊属性［17］ 。本文以峰谷负荷转移为例，建立了基于 Logistic函数的模糊响应机理模型，如图 1 所示。图中，λpv为负荷转移率；m为乐观响应隶属度，表示用户符合乐观响应估计的概率；Δppv为电价差；apv和bpv为电价差划分区域分界点；柱形图所围成的梯形部分为采用偏大型半梯形隶属度函数反映不同电价差下对应的乐观响应隶属度 m；曲线部分为在不同电价差下，不同响应曲线对应的峰转谷负荷转移率λpv。该模型划分了死区、响应区和饱和区。在死区，电价差过小，用户响应行为具有很强的随机性，故由 乐观和悲观响应预测的平均值确定。在响应区，随着电价差增大，用户响应积极性被调动，且响应行为更倾向于乐观响应曲线。因此需考虑乐观响应隶属度，并将其作为需求响应机理的概率约束，采用偏大型半梯形隶属度函数计算。在饱和区，2 条曲线重合，用户响应行为即可用负荷转移率最大值表示。Logistic函数利用可变参数，增加负荷转移率变化的跨度，其函数模型如式（1）所示。响应区为表征用户更趋向于乐观响应曲线的行为特征，采用不同电价差对应的乐观响应隶属度作为概率约束，则综合负荷转移率如式（2）和式（3）所示：📚2 运行结果🎉3 参考文献部分理论来源于网络，如有侵权请联系删除。[1]杨世博. 计及分时电价的含CCHP型微网的配电网协调优化调度研究[D].东北电力大学,2021.DOI:10.27008/d.cnki.gdbdc.2021.000142.[2]杨世博,孙亮,陈立东,刘家育.计及分时电价的含冷热电联供型微网的配电网系统协调优化调度[J].电力自动化设备,2021,41(04):15-23.DOI:10.16081/j.epae.202102008.🌈4 Matlab代码实现链接：https://pan.baidu.com/s/1mrbka3elo16VerKTiGL-jA 提取码：khvq --来自百度网盘超级会员V3的分享

   👨‍🎓个人主页：研学社的博客 💥💥💞💞欢迎来到本博客❤️❤️💥💥🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。📋📋📋本文目录如下：🎁🎁🎁目录💥1 概述📚2 运行结果2.1 日前调度阶段2.2 日内调度阶段🌈3 Matlab代码+数据+文章讲解🎉4 参考文献💥1 概述文献来源： 风电等新能源发电边际成本低且无碳排放，正逐步由替代电源向主导电源过渡[2l，是实现电力系统低碳目标的关键手段。与其他可再生能源发电形式不同，风力发电具有随机性、波动性强的特点与反调峰的特性，其大规模并网加大了电力系统的调峰压力，必要时需通过弃风来保证电网的安全运行[3-4];同时，受限于当前的预测水平，风电预测精准性与调度前瞻性之间的矛盾也给电力系统调度灵活性提出了新的要求。由于系统的风电消纳水平与碳排放水平息息相关，如何促进风电并网消纳以等比例替代常规火电的出力依然是热点问题。本文综合考虑碳捕集电厂综合灵活运行方式的能量时移特性与快速调节特性、DR 资源的多时间尺度特性与零碳排放特性，提出考虑源荷配合的电力系统日前—日内—实时 3 阶段低碳经济调度方法。在日前、日内阶段深入挖掘系统低碳性与经济性，在实时阶段提高系统调度灵活性。最后通过算例仿真验证本文方法的有效性。碳捕集电厂综合灵活运行方式内部能量流动情况如图 1 所示。综上，源侧综合灵活运行方式碳捕集电厂在日前阶段配合时间尺度长的 PDR 和 A 类 IDR 以及在日内阶段配合时间尺度较短的 B 类 IDR，其目的是优化系统的负荷及旋转备用分配计划，以弥补综合灵活运行方式碳捕集电厂在负荷高峰时段上旋转备用能力弱的局限，进而提高低碳性能及经济效益；在实时阶段配合能实时响应的 C 类 IDR，其目的是优化失负荷情况与弃风情况，以弥补综合灵活运行方式碳捕集电厂为追求低碳性与经济性最优而导致的局限，进而优化系统成本和调度灵活性，实现低碳经济调度。本文设计的源荷多时间尺度低碳经济调度框架如图 4 所示。日前调度计划提前 24h 制定，时间尺度为 1h。在日前阶段需确定火电机组启停计划、PDR 负荷响应量与 A 类 IDR 负荷调用计划，并将其作为确定量代入日内调度阶段。详情见第四部分参考文献。 📚2 运行结果2.1 日前调度阶段 2.2 日内调度阶段🌈3 Matlab代码+数据+文章讲解🎉4 参考文献部分理论来源于网络，如有侵权请联系删除。[1]崔杨,邓贵波,曾鹏,仲悟之,赵钰婷,刘新元.计及碳捕集电厂低碳特性的含风电电力系统源–荷多时间尺度调度方法[J].中国电机工程学报,2022,42(16):5869-5886+6163.DOI:10.13334/j.0258-8013.pcsee.210697.

👨‍🎓个人主页：研学社的博客 💥💥💞💞欢迎来到本博客❤️❤️💥💥🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。📋📋📋本文目录如下：🎁🎁🎁目录💥1 概述1.1 微电网系统结构1.2 微电网系统双层规划设计结构1.3 双层优化模型 1.4 上层容量优化模型1.5 下层调度优化模型 📚2 运行结果🎉3 文献来源🌈4 Matlab代码、数据、文章讲解💥1 概述文献来源： 摘要：规划设计是微电网系统核心技术体系之一。从分布式电源的综合优化（组合优化、容量优化）和分布式电源间的调度优化两个方面对其展开研究。根据分布式电源特性,提出了适用于并网型微电网系统和独立型微电网系统的双层优化规划设计模型。上层优化采用综合目标计算系统最优配置;下层优化采用混合整数线性规划算法（MILP）计算系统最优运行方案。运用所建立模型,分别针对并网型和独立型微电网系统作了案例计算,验证了所提方法的正确性。 关键词：微电网;双层优化;规划设计;最优配置;MILP;微电网系统可将多种类型的分布式发电单元组合在一起，有效发挥单一能源系统的优点，实现多 种能源互补，提高整个微电网系统的效率、能源利用率和供电可靠性。根据其是否与常规电网相连接，微电网可以分为并网型微电网和独立型微电网[1]。微电网接入配电网并网运行，不仅可以充分利用微电网内部的绿色可再生能源，还可以提高整个电网的安全性，是中国建成智能电网的重要环节。同时，独立型微电网系统是解决偏远地区和海岛供电的有效手段之一[2-3]。 规划设计是微电网系统核心技术体系之一，它直接关系到系统经济性、环保性和可靠性[4]。在规 划设计的过程中，需要考虑可再生能源的间歇性、灵活多变的系统组合方案和不同系统运行控制策 略，这些因素的存在使微电网系统优化规划变得较为复杂[5-7]。本文将从分布式电源的综合优化(优化组合、优化容量)和分布式电源间的优化调度两个方面出发，对微电网系统优化规划展开研究。围绕微电网系统的优化规划，很多学者已对其开展了一定研究，提出一系列运行控制策略和优化规划方法。微电网系统运行控制策略可分为固定策略和优化策略，固定策略以事先拟定的优先级制定系统运行规则，优化策略则根据相应目标函数求解系统最优运行规则[8]。在美国国家新能源实验室(NERL)开发的 Hybrid2[9]仿真软件中，提出十几种独立微电网系统固定运行策略，包括平滑功率策略(Traditional Power Smoothing, TPS)、硬充电策略(Hard Cycle Charge, HCC)等，较为全面地概括了独立微电网系统固定策略控制模式。在该软件中所提出的硬充电策略的基础上，文献[10]提出了一种适用于风光柴储独立微电网系统的修正硬充电策略，可有效延长蓄电池使用寿命。在微电网系统的优化调度方面，通常选取系统调度周期内运行费用最小为优化目标，文献[11-12]研究了独立微电网系统的优化调度方法，文献[13]提出了并网型风光柴微电网系统的微电网动态经济调度模型。1.1 微电网系统结构本文研究的微电网系统结构如图1所示。风力发电机、光伏发电和储能系统等通过各自的变流器接 入交流微电网系统，并通过公共连接点(PCC)与配电网连接，组成并网型微电网。通过对该微电网的控制，可实现微电网的孤岛和并网运行。柴油发电机采用同步发电机发电，直接并入交流微电网。在优化规划设计中，忽略线路阻抗引起的损耗。1.2 微电网系统双层规划设计结构 本文采用双层优化规划方法对微电网系统进行优化，上层为容量优化模块，用于寻找系统最优 配置，包括系统各设备类型、台数和容量，下层为调度优化模块，用于计算系统最优运行方案。 双层优化含有两个层次，上层决策结果一般会影响下层目标和约束条件，而下层则将决策结果反 馈给上层，从而实现上下层决策的相互作用，如图2 所示为本文双层优化逻辑图。 1.3 双层优化模型 Bracken J 和 McGill J T 于 1973 年最早提出了多层规划的概念，已解决多层规划/优化问题，双层 规划是多层规划的特例。双层规划在输电系统、无功优化、配电系统优化规划等领域已有研究报道。数学上双层优化可描述为                                           式中：F(•)为上层优化的目标函数；x 为上层优化的决策向量；G(•)为上层优化所需满足的约束条件；f(•)为下层优化的目标函数；y 为下层优化的决策向量；g(•)为下层优化所需满足的约束条件。1.4 上层容量优化模型 1.5 下层调度优化模型 📚2 运行结果 🎉3 文献来源部分理论来源于网络，如有侵权请联系删除。[1]刘振国,胡亚平,陈炯聪,余南华.基于双层优化的微电网系统规划设计方法[J].电力系统保护与控制,2015,43(08):124-133.🌈4 Matlab代码、数据、文章讲解链接：https://pan.baidu.com/s/1eorVkxp6YZ6jpO5id-Ot8A 提取码：p7jv --来自百度网盘超级会员V3的分享

  💥💥💞💞欢迎来到本博客❤️❤️💥💥🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。📋📋📋本文目录如下：🎁🎁🎁目录💥1 概述📚2 运行结果2.1 日前调度阶段2.2 日内调度阶段🌈3 Matlab代码+数据+文章讲解🎉4 参考文献💥1 概述文献来源： 风电等新能源发电边际成本低且无碳排放，正逐步由替代电源向主导电源过渡[2l，是实现电力系统低碳目标的关键手段。与其他可再生能源发电形式不同，风力发电具有随机性、波动性强的特点与反调峰的特性，其大规模并网加大了电力系统的调峰压力，必要时需通过弃风来保证电网的安全运行[3-4];同时，受限于当前的预测水平，风电预测精准性与调度前瞻性之间的矛盾也给电力系统调度灵活性提出了新的要求。由于系统的风电消纳水平与碳排放水平息息相关，如何促进风电并网消纳以等比例替代常规火电的出力依然是热点问题。本文综合考虑碳捕集电厂综合灵活运行方式的能量时移特性与快速调节特性、DR 资源的多时间尺度特性与零碳排放特性，提出考虑源荷配合的电力系统日前—日内—实时 3 阶段低碳经济调度方法。在日前、日内阶段深入挖掘系统低碳性与经济性，在实时阶段提高系统调度灵活性。最后通过算例仿真验证本文方法的有效性。碳捕集电厂综合灵活运行方式内部能量流动情况如图 1 所示。综上，源侧综合灵活运行方式碳捕集电厂在日前阶段配合时间尺度长的 PDR 和 A 类 IDR 以及在日内阶段配合时间尺度较短的 B 类 IDR，其目的是优化系统的负荷及旋转备用分配计划，以弥补综合灵活运行方式碳捕集电厂在负荷高峰时段上旋转备用能力弱的局限，进而提高低碳性能及经济效益；在实时阶段配合能实时响应的 C 类 IDR，其目的是优化失负荷情况与弃风情况，以弥补综合灵活运行方式碳捕集电厂为追求低碳性与经济性最优而导致的局限，进而优化系统成本和调度灵活性，实现低碳经济调度。本文设计的源荷多时间尺度低碳经济调度框架如图 4 所示。日前调度计划提前 24h 制定，时间尺度为 1h。在日前阶段需确定火电机组启停计划、PDR 负荷响应量与 A 类 IDR 负荷调用计划，并将其作为确定量代入日内调度阶段。详情见第四部分参考文献。 📚2 运行结果2.1 日前调度阶段 2.2 日内调度阶段🌈3 Matlab代码+数据+文章讲解链接：https://pan.baidu.com/s/1k5uJzF5ijqbInLhNH54iWg 提取码：02mi --来自百度网盘超级会员V3的分享🎉4 参考文献部分理论来源于网络，如有侵权请联系删除。[1]崔杨,邓贵波,曾鹏,仲悟之,赵钰婷,刘新元.计及碳捕集电厂低碳特性的含风电电力系统源–荷多时间尺度调度方法[J].中国电机工程学报,2022,42(16):5869-5886+6163.DOI:10.13334/j.0258-8013.pcsee.210697.

《看见100家科技创企》本书分享了在数字经济、人工智能、智能制造、新能源、5G+物联网等热门赛道的前沿科技创新企业，为读者在进行相关领域的创业、投资、研究时带来新的洞察和思考。 电子版下载地址：https://developer.aliyun.com/ebook/7560 电子书： </div>

背景车联网系统产生的时空轨迹数据中，包含车辆 id、时间戳、位置等信息。针对收集到的信息，需要统计出某辆车在一天之内的行驶距离，或是在节假日所有车辆行驶距离总和。具体例子如：新能源汽车公司统计用户的年度行驶距离网约车公司计算某个乘客打车的平均距离及总距离网约车公司计算以某地为终点的平均打车距离通过这些统计信息，业务可以基于这些信息进行进一步分析：分析某市乘客日均出行距离，筛选日均通勤距离长的用户发放优惠券以地铁站为终点，计算打车前往站点的平均距离，优化车辆分配统计某地区私家车行驶强度，分析行驶距离对新能源汽车消费的影响分析各省市汽车春运出行大数据报告通常情况下，这些需求会使用如 Spark 这样的大数据平台解决，目前的通用解决方案是从数据库中提取时间范围内的点，再使用 Spark 等引擎进行轨迹距离计算。然而上述解决方案复杂，链路长：效率过低：数据库内的轨迹点可能达亿级，从数据库提取点再传入 Spark 计算的数据传输可能非常耗时。计算消耗大：如果数据没有排好序，需要 Spark 在内存中排序才能重构轨迹，然后计算距离。上述问题在不使用时空引擎的情况下，整个链路计算耗时可能达几分钟，无法满足用户对海量数据实时查询的需求。在 Lindorm Ganos 中计算轨迹距离针对轨迹距离计算场景，Lindorm Ganos 内置 ST_Length_Rows 函数来高效实现轨迹距离计算。利用原生时空二级索引和时空聚合计算下推，可以快速过滤不在范围内的数据、并行执行运算任务，有效解决上述问题。具体方法是：利用主键索引快速根据车辆识别代码、时间戳对轨迹数据进行过滤。利用时空二级索引对轨迹点进行范围过滤，剔除不在查询范围内的数据。利用原生时空聚合计算，多 Region 并行计算轨迹点距离。Region 是分布式存储和负载的最小单元，表横向切割，根据 RowKey 分布于多个 Region 上。数据分布在多 Region 上，可以利用并行计算特性，加速运算。使用限制：仅支持点类型（Point）列的聚合运算。表中轨迹点的顺序需要用户通过主键进行保证，在车联网场景中，主键一般为车辆识别代码+时间戳。如果过滤某个区域，仅计算区域内的点按顺序形成的轨迹距离。当前 Lindorm GROUP BY 限制为 1000 个不同的 Key。时空聚合函数 ST_Length_Rows 的具体文档请参考：聚合函数示例数据集示例所用数据集为 T-Drive Taxi Trajectories，包含 2008 年北京一万多辆出租车一周的轨迹数据，包含 1500 万坐标点，轨迹总距离达 900 多万公里。下图展示的是车辆识别代码1-10的行驶轨迹：数据示例如下：taxi iddate timelongitudelatitude12008-02-02 15:36:08116.5117239.9212322008-02-02 15:56:08116.4719139.9071832008-02-02 17:10:24116.5162739.91034下载地址：https://www.microsoft.com/en-us/research/publication/t-drive-trajectory-data-sample/我们建议在建表时预先设置 Region 数，以获得更好的聚合性能。建表语句如下：CREATE TABLE tdrive(id INT, ts TIMESTAMP, p GEOMETRY(POINT), PRIMARY KEY(id,ts)) WITH (NUMREGIONS='4');NUMREGIONS参数详细用法请参见：支持的 Table_Option 列表。Lindorm 表结构如下，其中 id（车辆识别代码） 和 ts（时间戳） 为联合主键：+--------------+------------+-------------+-------------+----------------+------------+ | TABLE_SCHEMA | TABLE_NAME | COLUMN_NAME | TYPE | IS_PRIMARY_KEY | SORT_ORDER | +--------------+------------+-------------+-------------+----------------+------------+ | default | tdrive | id | INT | true | ASC | | default | tdrive | ts | TIMESTAMP | true | ASC | | default | tdrive | p | GEOMETRY(POINT) | false | none | +--------------+------------+-------------+-----------------+------------+------------+查询车辆轨迹并计算里程根据 id 聚合轨迹并计算每个 id 的里程SELECT id,ST_LENGTH_ROWS(p) FROM tdrive WHERE id<10 GROUP BY id; +----+--------------------------+ | id | ST_LENGTH_ROWS(p) | +----+--------------------------+ | 1 | 441415.1379062134844505 | | 2 | 1672105.5085354075296573 | | 3 | 1336898.1989478711426478 | | 4 | 367018.3403825340860770 | | 5 | 962951.4848773751934647 | | 6 | 2695239.3950860189504903 | | 7 | 840604.443770203001504 | | 8 | 13.7600413799917481 | | 9 | 1179411.02584998403695 | +----+--------------------------+返回的结果单位为米。截取车辆轨迹并计算里程按 id 和时间截取部分轨迹并计算距离SELECT ST_LENGTH_ROWS(p) FROM tdrive WHERE id=1 AND ts<'2008-02-02 20:00:00'; +---------------------+ | ST_LENGTH_ROWS(p) | +---------------------+ | 18135.1059201089410 | +---------------------+ SELECT id,ST_LENGTH_ROWS(p) FROM tdrive WHERE id<3 AND ts<'2008-02-02 20:00:00' GROUP BY id ALLOW FILTERING; +----+------------------------+ | id | ST_LENGTH_ROWS(p) | +----+------------------------+ | 1 | 18135.1059201089410 | | 2 | 97659.8754061263592983 | +----+------------------------+根据空间范围截取轨迹并计算里程注意，这种过滤方式必须先对点类型列建立时空二级索引：CREATE INDEX p_idx ON tdrive(Z-ORDER(p));对空间范围POLYGON((116.3902 39.9162, 116.4201 39.9162,116.4201 39.9007,116.3902 39.9007, 116.3902 39.9162))（上图粉色部分）内的点进行过滤并根据id聚合，计算里程的查询语句如下：SELECT id,ST_LENGTH_ROWS(p) FROM tdrive WHERE id<11 AND ST_Contains(ST_GeomFromText('POLYGON((116.3902 39.9162, 116.4201 39.9162,116.4201 39.9007,116.3902 39.9007, 116.3902 39.9162))'),p) GROUP BY id; +----+------------------------+ | id | ST_LENGTH_ROWS(p) | +----+------------------------+ | 2 | 15968.158667253130873 | | 10 | 20535.9638149385165832 | | 5 | 7931.576244086410756 | | 3 | 7387.28965893438078 | | 6 | 1668.19998193752552 | | 9 | 2474.95521518117699 | | 7 | 1137.2432599704443 | +----+------------------------+性能在不同数据量下，在 4 核 16 GB 4 节点宽表引擎集群中，使用查询语句 SELECT id, ST_Length_Rows(p) FROM tdrive WHERE id，查询时间分别为：点数量单 Region 计算耗时（ms）4 Region 计算耗时（ms）8 Region 计算耗时（ms）254204493943401382271892185216053680924328461542757383967935869679821468717170621697316239总结以轨迹处理分析场景为例，我们对 Lindorm Ganos 的轨迹截取、聚合距离计算进行了测试。从上面的测试过程来看，Lindorm Ganos 可以通过 SQL 语法便捷处理轨迹距离计算场景，同时使用主键索引、时空二级索引、多 Region 对计算进行加速，秒级响应可以满足车联网领域对轨迹距离计算的需求。Lindorm 多模数据库提供宽表、时序、搜索、文本、空间等多种数据模型，面向互联网、IoT、车联网等场景，是阿里巴巴核心业务提供关键支撑的数据库之一。Lindorm Ganos 将 Ganos 对时空数据的处理能力深度融合到 Lindorm 中，提供原生的时空数据类型和时空算子，内置时空主键索引和时空二级索引，将时空算子下推并优化了查询计划，可以很好地满足车联网业务对轨迹、位置、范围等数据处理的需求，可以应用于车辆电子围栏报警、计算处理城市交通仿真模拟中的轨迹信息、轨迹距离聚合运算等场景。文章《轨迹数据处理“小钢炮”，Lindorm时空引擎Ganos实测》介绍了 Lindorm Ganos 在海量轨迹写入、检索、地理围栏实时报警场景下的能力优势。

【阅读原文】戳：阿里云荣获第十七届人民企业社会责任奖“绿色发展奖”近日，由人民日报社指导、人民网主办的“2022年度人民企业社会责任奖”公布。阿里云依托磐久基础设施所提供的高效绿色算力与绿色数据中心典型实践，荣获第十七届人民企业社会责任奖“绿色发展奖”。「人民企业社会责任奖」创始于2006年，是中国互联网业界最早、最具影响力的企业社会责任奖项，同时也被视为衡量中国企业履行社会责任的重要标尺。其中，“绿色发展奖”重点关注当年加快调整优化能源产业结构，通过促进绿色发展助力“双碳”目标的企业/机构。此前，“阿里云数据中心绿色低碳实践项目”还作为互联网行业唯一获奖案例成功入选“2022全国十大碳中和示范典型案例”。坚持技术长征 技术创新节能降耗2022年云栖大会，阿里云推出下一代高性能基础设施——磐久基础设施。磐久基础设施基于阿里云自研液冷技术及智能计算灵骏平台为云上用户提供绿色高效的算力服务。基于先进的IT与制冷融合技术架构，阿里云单相全浸没液冷技术颠覆性地改变了传统服务器的工作形态与散热方式，实现了整体能耗的大幅降低，可使数据中心PUE最低降至1.09；同时提高电力资源利用率、物理空间利用率和服务器算效，优化算力成本。目前，该技术已在阿里云数据中心规模部署，阿里巴巴浙江仁和数据中心是中国规模最大的单相浸没液冷集群（参见：阿里云数据中心绿色低碳实践项目入选“2022全国十大碳中和示范典型案例”）。智能计算服务灵骏以应用驱动，旨在以普惠、高效的计算服务，提高计算、训练效率。阿里云和小鹏汽车已在乌兰察布合作建成了中国最大的自动驾驶智算中心“扶摇”，支持小鹏自动驾驶核心模型的训练时长从7天缩短到1小时内，大幅提速近170倍；而公有云版本的灵骏，开发者只需用2小时就可在云上创建企业级智算中心。优化绿色用能 探索可持续发展为早日实现“不晚于2030年实现自身运营碳中和，率先实现云计算的碳中和，成为绿色云”的目标，阿里云数据中心持续通过清洁能源电力交易、能源与碳管理平台等措施协同并举助推阿里云数据中心“低碳绿色”进程。2022年1-9月，阿里云五大数据中心交易使用清洁能源10.2亿千瓦时，清洁能源使用比例50%以上，减排二氧化碳77.4万吨。在新能源开发利用上，阿里云还积极开展自建数据中心基地内分布式新能源项目开发，进一步提升绿电比重，优化用能结构。阿里云数据中心能源与碳管理平台依托大数据、人工智能等技术，支持中长期清洁能源交易，联合第三方权威认证机构将碳盘查、“碳中和”工作线上化，从而实现对全球、国家、城市、机房、服务器等多维度能源与碳的数字化、智能化管理。2022年以来累计盘查超千万吨碳排放，为云上客户提供碳账单，推动社会低碳共识。我们是阿里巴巴云计算和大数据技术幕后的核心技术输出者。欢迎关注 “阿里云基础设施”同名微信、微博、知乎获取关于我们的更多信息~