摘要：本文提出一种基于Copula函数和K-means聚类的风、光联合出力场景生成与削减方法。通过Frank Copula函数构建风光出力的联合概率分布，考虑空间相关性生成初始场景；采用K-means聚类进行场景削减，获得5个典型场景及其概率。方法创新性地将变量分布特性与相关性分离处理，真实反映时空不确定性。实验结果表明，该方法能有效保留原始数据统计特征，显著提升后续电力系统优化效率。代码可实现直

摘要：研究表明，XGBoost在结构化数据的回归与分类任务中持续优于深度学习模型。通过构建分段常数函数，XGBoost能有效捕捉特征间的高阶交互，而无需复杂特征工程。相比DNN对数据规模和质量的高要求，XGBoost具有更强的泛化能力、鲁棒性和可解释性。实际应用中，XGBoost在Kaggle竞赛和工业场景中占据主导地位。研究还提出了一种基于非线性二次分解的Ridge-RF-XGBoost混合模型

传统机器学习和深度学习在时间序列预测中各有优劣。传统方法（XGBoost、随机森林）训练快、可解释性强，适合中小数据集，但对长期依赖和复杂模式建模能力有限，依赖特征工程。深度学习方法（LSTM、Transformer）能自动学习时序特征，擅长捕捉长期依赖和复杂动态，但需要大量数据、计算成本高且可解释性差。选择时需权衡数据量、计算资源、可解释性需求等因素。

摘要：本文提出了一种创新的RFAConv-BiGRU模型用于多变量时间序列预测。该模型结合了感受野注意力卷积(RFAConv)和双向门控循环单元(BiGRU)的优势：RFAConv通过动态权重分配解决传统卷积的"一刀切"问题，能精准捕捉局部关键特征；BiGRU则负责建模长时序依赖关系。创新性地将计算机视觉领域的RFAConv应用于时序预测，通过三维张量转换实现卷积与循环网络的有

本文聚焦新型电力系统优化调度，提出一系列原创算法与改进模型。针对碳交易机制下的多虚拟电厂博弈问题，开发了ACPSO-EI-Kriging协同优化方法；针对高比例可再生能源系统的不确定性，构建了IGDT三模式决策框架；在温控负荷调度方面，创新提出动态能效感知机制和虚拟储能精细化建模。同时，系列研究涵盖了电动汽车集群调控、共享储能优化、电氢耦合系统等多场景，通过Copula相关性建模、二阶锥松弛、多维

摘要：研究表明，XGBoost在结构化数据的回归与分类任务中持续优于深度学习模型。通过构建分段常数函数，XGBoost能有效捕捉特征间的高阶交互，而无需复杂特征工程。相比DNN对数据规模和质量的高要求，XGBoost具有更强的泛化能力、鲁棒性和可解释性。实际应用中，XGBoost在Kaggle竞赛和工业场景中占据主导地位。研究还提出了一种基于非线性二次分解的Ridge-RF-XGBoost混合模型

摘要：本文提出了一种创新的RFAConv-BiGRU模型用于多变量时间序列预测。该模型结合了感受野注意力卷积(RFAConv)和双向门控循环单元(BiGRU)的优势：RFAConv通过动态权重分配解决传统卷积的"一刀切"问题，能精准捕捉局部关键特征；BiGRU则负责建模长时序依赖关系。创新性地将计算机视觉领域的RFAConv应用于时序预测，通过三维张量转换实现卷积与循环网络的有

摘要：研究表明，XGBoost在结构化数据的回归与分类任务中持续优于深度学习模型。通过构建分段常数函数，XGBoost能有效捕捉特征间的高阶交互，而无需复杂特征工程。相比DNN对数据规模和质量的高要求，XGBoost具有更强的泛化能力、鲁棒性和可解释性。实际应用中，XGBoost在Kaggle竞赛和工业场景中占据主导地位。研究还提出了一种基于非线性二次分解的Ridge-RF-XGBoost混合模型

模态分解方法，如经验模态分解(EMD)、变分模态分解(VMD)等，能够将复杂的时间序列分解为多个固有模态分量(IMFs)，每个分量代表了原始信号中不同频率、趋势或周期性的部分。: EMD是一种自适应的数据分析方法，能够将复杂信号分解为一系列本征模态函数(IMFs)，每个IMF代表信号中不同尺度的振动模式，从而揭示信号的多尺度特征，特别适合非线性、非平稳信号的分析。：分解后的各个模态分量往往具有更简

本文提出了四种创新的时间序列预测模型：1) SPDConv-BiLSTM模型，通过无损下采样保留时序细节；2) GSConv-BiLSTM模型，结合标准卷积与深度可分离卷积的优势；3) CNN-AgentAttention-BiGRU模型，利用代理注意力机制降低计算复杂度；4) 非线性二次分解的Ridge-RF-XGBoost混合模型，分层处理线性和非线性成分。这些模型均采用Python实现，具有