猿急送>

西安其它兼职程序员

ID：337959

玉笛清风

高级算法工程师

公司信息：
西安峰频能源科技有限公司

工作经验：
5年

兼职日薪：
1500元/8小时

兼职时间：
下班后
周六
周日

所在区域：
西安
全区

技术能力

（1）逻辑思维能力：具有深厚的数学功底，专业排名拔尖，熟练掌握概率论及统计学知识，具有良好的数理统计基础和数学建模能力，能够将业务场景转化为数学模型，逻辑思维能力强、业务理解能力强。
（2）统筹规划能力：曾担任算法部部长，擅长设计高可行性的算法落地方案，带领算法部门进行核心算法技术攻关研究，负责算法研究人力调度和进度管控，工作计划性强，具备良好的闭环思维。
（3）行业研究能力：在电力行业、新能源行业具备良好的业务基础，主要负责电力市场化交易、火电机组申报决策、新能源申报决策、虚拟电厂交易决策、中长期辅助决策、储能灵活控制、电价预测、负荷预测、电网出清模型仿真等方面具有丰富的行业经验。
（4）算法研究能力：1）具备深厚的数学建模能力和方案设计能力，曾在“华为杯”第十三届全国研究生数学建模大赛中获取国家二等奖、全国大学生数学建模竞赛陕西赛区二等奖；曾在“华为杯”第十一届全国研究生电子设计大赛中荣获全国总决赛三等奖、西北赛区选拔赛中荣获一等奖。2）熟练掌握统计学习(统计检验方法/误差概率分布/相关性分析)、机器学习(RF/SVM/GBDT/XGBoost/LightGBM)、深度学习(CNN/RNN/LSTM/Transformer/Attention)等基本的应用工具，在电价预测、负荷预测方面具有良好的预测精度。3）深刻研究运筹优化理论(如线性规划、整数规划、凸优化、动态规划等)，并熟练掌握常见的智能优化算法(PSO/GA/GWO/SSA)，并结合实际生产场景(如APS排程问题、电网出清模型仿真、中长期决策、新能源现货决策、储能灵活控制等)，在深刻理解行业场景的基础上构建数学模型，采用求解器工具(如CPLEX/SCIP/bonmin/pyomo)实现模型最优化求解。4）跟踪研究前沿技术，深刻理解深度强化学习模型的工作原理及设计流程，并解决不确定环境下的控制决策问题(如新能源现货决策、储能灵活控制)，在深度强化学习方面具备实际项目落地经验。
（5）工程部署能力：熟练掌握python、tensorflow、pytorch、Keras等常见的算法开发框架，熟悉git、docker、linux等常见的算法部署环境。

项目经验

项目1 新能源现货申报决策
项目描述：该项目基于新能源现货不确定性的申报场景，结合历史出清数据、市场披露数据、短期功率预测数据、电价预测数据，在D-1日对短期功率预测曲线进行调整，申报D日的96点发电出力计划曲线，通过深度学习、深度强化学习、模糊决策、运筹优化等技术，实现新能源参与电力现货市场收益最大化的目标。
软件环境：Python CPLEX Pytorch Stable_baselines
责任描述：
1.采用Transformer/Attention/LSTM等深度学习技术，充分挖掘时序信息以及关键特征，实现滚动实时价格预测，并保证预测精度，为储能控制提供良好的数据边界；
2.基于运筹优化理论，以风储联合参与现货市场收益最大化为目标，考虑结算收入、超额获利回收损失、两个细则损失，构建储能控制决策最优化模型，智能化生成最优控制策略；
3.基于深度强化学习技术，结合历史出清数据、市场披露数据、短期功率预测数据、电价预测数据训练新能源现货申报智能体，动态感知行情环境，自动完成申报动作，并根据收益最大化设计奖励函数，形成反馈逻辑闭环，进而充分挖掘历史数据价值，反哺于业务场景，使得新能源现货申报智能体可以自适应、自组织、自学习，辅助用户完成现货交易。

项目2 储能灵活控制决策
项目描述：该项目基于风储参与现货市场的不确定性场景，结合市场披露数据、短期功率预测数据、滚动电价预测数据、超短期功率预测、储能系统运行工况等实时数据，在D日每15分钟动态感知行情信息，并实时自动生成储能充放电控制策略，以调节风储联合实发功率，实现风储联合参与现货市场收益最大化的目标。
软件环境：Python CPLEX Pytorch Stable_baselines
责任描述：
1.研究新能源现货市场交易规则，深入理解新能源交易申报的业务场景；
2.采用机器学习(GBDT)、深度学习技术(LSTM)实现现货市场日前价格、实时价格预测，为新能源现货申报提供数据基础；
3. 在综合考虑风电场风功率预测数据及其偏差规律、风电场参与现货市场交易的历史数据、现货市场披露数据、现货价格预测数据、储能系统运行参数、现货市场考核规则、交易规则的基础上，通过运筹优化方法构建储能灵活控制模型，为储能系统提供实时控制的充放电功率策略，最终实现风电场在现货市场场景下达到减损增益的经济性目标；
4.基于深度强化学习技术，结合市场披露数据、短期功率预测数据、滚动电价预测数据、超短期功率预测、储能系统运行工况等实时数据训练储能控制智能体，动态感知行情环境，自动完成充放电动作，并根据收益最大化设计奖励函数，辅助储能系统完成不确定环境下收益最大化的充放电控制任务。

项目3 功率预测精度提升系统
项目描述：该项目基于风力不确定性场景，结合温度、湿度、光照强度、风力、风向等气象数据，基于原始短期功率预测数据进行修正，提升功率预测准准确率。
软件环境：Python Tensorflow
责任描述：
1. 基于预测数据与实发数据，使用误差特征修正方法，探究功率预测的误差概率分布规律，并结合风电场公布的气象数据，建立了基于SVR模型的超短期功率、短期功率的预测精度提升方法；
2. 原始功率预测导入与修正：可以自动或手动导入原始功率预测数据并展示，系统基于导入数据使用基于机器学习的算法模型对数据进行修正，提升预测精度；
3. 数据展示与分析：可以展示原始与优化后的功率预测曲线。风电场实际出力完成后，对预测提升效果进行复盘。

项目4 电力仿真验证平台系统
项目描述：该项目基于电力出清仿真场景，研究提供交易场景生成、交易参数设置、出清模型研究、仿真结果分析、多场景出清结果对比等功能，支持及时有效地应对市场规则和市场环境的变化，精准把握电力市场的运行规律，为机组组合、经济调度、最优潮流和电力市场决策提供重要技术支持。
软件环境：Python Tensorflow
责任描述：
1. 研究电力出清规则，深入理解电力出清业务场景，明确数据源维度及业务含义；
2. 基于次日系统负荷预测曲线、联络线外送计划、各机组报价、机组运行参数、线路运行参数等作为输入信息，综合考虑系统负荷平衡约束、系统正负备用容量约束、系统旋转备用约束、机组出力上下限约束、机组爬坡约束、机组最小连续开停时间约束、机组最大启停次数约束、线路潮流约束、断面潮流约束，结合约束松弛理论，以全网发电成本最小化，构建电力出清SCUC/SCED模型，求解机组开停机状态以及机组发电曲线，并通过构建LMP模型形成节点边际电价。

项目5 APS排程算法设计与实现
项目描述：该项目通过智能排产算法，将压铸、初加工、机加工共3道工序进行统一调度，最终生成各个工序的生产

案例展示

基于关联规则挖掘技术的药物分析

（1）高频药物分析：将195味药物处方的频次求均值，为8.5795，因此可以选择阈值为9,即将频次大于等于9的药物作为高频药物，共54种药物。（2）网络图分析（3）Apriori关联规则挖掘：采用Apriori关联规则算法挖掘药物之间的潜在关系。
基于神经网络的钢材水泥价格预测

主要基于人工神经网络分析，分别预测水泥价格和钢材价格。模型构建及测试过程如下： Step1:分割训练集及测试集：随机采样，抽取整个数据集的80%作为训练集，剩余20%作为测试集，并且训练集和测试集之间没有交集。其中，训练集用于模型训练；测试集用于模型（根据训练集训练得到）测