混合循环发电场输出电力预测
前言
机器学习很多时候在工业场景下也会有非常好的应用。本次实验,我们就会以一个综合循环发电厂的发电数据来展示机器学习是如何应用到工业生产的实际场景中的。
本实验数据采集自 UCI 机器学习数据集中的 混合发电厂数据。对于发电厂来说,风力发电的输出电力很大情况下决定了单位发电机能够生产的电能。因此,通过收集系统各个相关指标来预测最终的输出电力对于发电厂来说是非常有帮助的。有效的预测发电机的输出电力可以更好的评估安排电力生产计划,避免资源的浪费。
载入数据并进行数据探索
载入好数据集之后,里面是一个综合循环发电场的数据,一共有9568个样本数据。每个数据有5列,分别为:AT(温度), V(压力), AP(湿度), RH(压强), PE(输出电力)。下面是数据预览的截图:
然后为了找出对 PE 输出电力影响最大的因素,我们可以从左侧 组件-统计
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
从大数据到ET大脑-阿里云的超智能AI平台
首先声明本座并不是阿里粉丝,一直认为阿里的服务框架Dubbo跟Netflix的Spring Cloud相比,无论从社区成熟度还是功能组件上相比都差了一大截。 但就在刚刚过去的618年中大促中,阿里硬是将这个京东成立日变成了自己在上半年的购物狂欢节。这不禁让人唏嘘还有没有哪个零售商敢大张旗鼓地宣传购物节这个概念,这等于是在给阿里创造另一个大促时点。 作为一个做“集市”起家的电商,在其超过1000万的注册商户中绝大多数是中小企业,甚至没有店面。那在要准备618,双11这类大促时,很显见的问题就是备货不足,还没有实体资产找银行批补货贷款。他们只好找阿里,那阿里的蚂蚁金融就会根据这些商户在淘宝或天猫上的保证金、往期交易和流水来判断放贷风险,最终将可控的贷款额度发放给商户。因此阿里的销售奇迹很大一部分是依托于智能的风控体系有效地将大笔资金从左口袋(蚂蚁金融)移到了右口袋(天猫/淘宝)。 蚂蚁金融的贷款审批非常便捷,概括来讲是310模式,即申请人花3分钟填写贷款申请表;蚂蚁金融花1秒钟调用阿里大数据平台的风控模型判断额度能否通过;全程0人工干预。 根据阿里统计,平均每笔贷款的成本仅为2.3元人民币...
- 下一篇
hanlp自然语言处理包的人名识别代码解析
HanLP发射矩阵词典nr.txt中收录单字姓氏393个。袁义达在《中国的三大姓氏是如何统计出来的》文献中指出:当代中国100个常见姓氏中,集中了全国人口的87%,根据这一数据我们只保留nr.txt中的100个常见词语的姓氏角色,其他词语去掉其姓氏角色状态。过滤后,nr.txt中具有姓氏角色的单字共计97个。 列于下表:丁 万 乔 于 任 何 余 侯 傅 冯 刘 卢 史 叶 吕 吴 周 唐 夏 姚 姜 孔 孙 孟 宋 尹 崔 常 康 廖 张 彭 徐 戴 方 易 曹 曾 朱 李 杜 杨 林 梁 武 段 毛 江 汤 汪 沈 潘 熊 王 田 白 石 秦 程 罗 胡 苏 范 萧 董 蒋 薛 袁 许 谢 谭 贺 贾 赖 赵 邓 邱 邵 邹 郑 郝 郭 金 钟 钱 阎 陆 陈 雷 韩 顾 马 高 魏 黄 黎 龚 实验效果姓氏过滤前,各命名实体识别准确率nr 33%ns 83%nt 43%姓氏过滤后,各命名实体识别准确率nr 36%ns 83%nt 81%这里没有开层叠隐马预测机构名和地名,nt上升原因估计是由于很多不是人名的词语没被标为人名,那么nt的模式匹配规则匹配不上了,所以机构名准确率上来了...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- CentOS8编译安装MySQL8.0.19
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7
- SpringBoot2整合MyBatis,连接MySql数据库做增删改查操作
- SpringBoot2整合Redis,开启缓存,提高访问速度
- SpringBoot2配置默认Tomcat设置,开启更多高级功能
- Hadoop3单机部署,实现最简伪集群
- CentOS7,CentOS8安装Elasticsearch6.8.6
- CentOS6,7,8上安装Nginx,支持https2.0的开启
- SpringBoot2编写第一个Controller,响应你的http请求并返回结果