1.项目目标： 使用 DRL 技术输出"最优"电网拓扑&&发电机出力调整动作策略，使电网在安全稳定的前提下，经济最优。 2.我的职责 作为人工智能算法工程师，我负责强化学习算法模块的设计。 其工作内容包括： a. 竞赛规则研读; b. 双 agent 组合策略的框架设计，融合专家系统(针对正常/简单场景) && DRL_agent (针对复杂专家无法解决的场景，探索其组合动作); c. 双 agent 的训练，融合和评估; d. 项目管控和竞赛提交; 竞赛场景中 State_space(IEEE 118节点拓扑)/Action_space(6~7万离散动作)/Rewards (举办方定义好了断电/过载/动作的经济损失)/Rules (内置 Enviroment 所判定的非法动作)的研读; 动作筛选和专家系统的设计(使用 Enviroment 中内置的 simulate ，针对断线/过载等状态进行单一动作的遍历，筛选出有价值的动作,同时大幅降低 DRL 的输出维度。建立正常状态—no action 以及断线/过载—single selected action 的逻辑映射作为专家系统); DRL_agent 的设计(以 GitHub 开源的 pytorch 框架的 DQN 代码为蓝图,因为动作是离散的。先采用 Imitation learning 将专家系统的逻辑映射转化为 DQN 的预训练模型，再训练探索组合动作); Double_agent 的融合(某个 State 先进入专家系统，输出的动作如果能解决断线/过载且经济最优则直接返回该动作，如果不能，则继续进入 DRL_agent 输出组合动作，比较该组合动作与专家系统的单一动作优劣，返回好的那一个。); 1.目标及达成情况: 挑战赛 track1 && track 2双赛道第三名

1.项目目标： 验证多因子 LSTM 和股票分层组合策略在滚动数据集上的回测超额收益率 2.我的职责 作为量化分析师，我负责使用 AI 时序相关算法建立多因子模型，结合股票分层组合策略，完成回测分析。 其工作内容包括： a.使用 baostock API 下载沪深300股票数据，并清洗、分析、划分数据集； b.基于 pytorch 框架搭建简单的 LSTM 模型； c.构建估值因子、成长因子、技术因子、基本面因子、宏观因子等特征，使用皮尔森系数，SOM， K-means ，树模型特征重要性等技术筛选因子； d.基于 optuna 的模型超参数优化； e.根据300只股票下月收益率预测的降序排列，等分10个组合，计算每个组合中每只股票配比 f. 在滚动测试集和10个组合中，分别回测相较同期沪深300指数的超额收益率

1.项目目标： 根据已有的历史功率+天气数据和未来几天的天气预报数据，预测未来超短期/短期/中长期的功率曲 线，尽可能高的提高预测精度和稳定性。 2.我的职责 作为项目负责人和人工智能算法工程师，我负责整个预测功能模块的开发和部署。 其工作内容包括： a.根据业务需求，设计算法模块整体架构和策略，用数学描述业务优化目标； b.数据接口的分析和数据的获取; c.数据的分析/清洗/可视化/融合/特征工程(pandas), eg. 相关性分析，分布分析，空缺值/越限值/离群值的处理，负荷和天气数据的拼接，时间戳补全，时间离散化，特征筛选，新特征构造等等; d.数据集的划分和模型评估方法(十折交叉验证+mse+mape+std); e.多模型的训练/测试/调参/比对/部署(eg. 机器学习算法 xgboost+KNN+LR ，深度学习算法 LSTM+Transformer+CNN ,自动化调参使用 optuna ，通过 matplotlib 误差分布分析，通过 conda或 docker在 linux 服务器上进行部署); f.整体策略的回测、评估和优化 g.代码版本管控(本地服务器+git); 3.目标及达成情况: 母线负荷预测精度＞97.5%,光伏出力预测精度＞90%,风电出力预测精度＞70%,当然具体取决于数据的质量和数量。 在浙江/江苏等多个城市的电力调度中心部署应用，运行情况良好。 南方电网新能源智慧平台全行业（国能、金风、远景等新能源厂家 pk ）排行榜第1 4.技术适用范围 可以提供主流机器学习、深度学习算法框架完成任何行业有一定数量数据的分类和回归任务