西安其它兼職程序員

技術(shù)能力

（1）邏輯思維能力：具有深厚的數(shù)學(xué)功底，專業(yè)排名拔尖，熟練掌握概率論及統(tǒng)計(jì)學(xué)知識，具有良好的數(shù)理統(tǒng)計(jì)基礎(chǔ)和數(shù)學(xué)建模能力，能夠?qū)I(yè)務(wù)場景轉(zhuǎn)化為數(shù)學(xué)模型，邏輯思維能力強(qiáng)、業(yè)務(wù)理解能力強(qiáng)。
（2）統(tǒng)籌規(guī)劃能力：曾擔(dān)任算法部部長，擅長設(shè)計(jì)高可行性的算法落地方案，帶領(lǐng)算法部門進(jìn)行核心算法技術(shù)攻關(guān)研究，負(fù)責(zé)算法研究人力調(diào)度和進(jìn)度管控，工作計(jì)劃性強(qiáng)，具備良好的閉環(huán)思維。
（3）行業(yè)研究能力：在電力行業(yè)、新能源行業(yè)具備良好的業(yè)務(wù)基礎(chǔ)，主要負(fù)責(zé)電力市場化交易、火電機(jī)組申報(bào)決策、新能源申報(bào)決策、虛擬電廠交易決策、中長期輔助決策、儲能靈活控制、電價(jià)預(yù)測、負(fù)荷預(yù)測、電網(wǎng)出清模型仿真等方面具有豐富的行業(yè)經(jīng)驗(yàn)。
（4）算法研究能力：1）具備深厚的數(shù)學(xué)建模能力和方案設(shè)計(jì)能力，曾在“華為杯”第十三屆全國研究生數(shù)學(xué)建模大賽中獲取國家二等獎、全國大學(xué)生數(shù)學(xué)建模競賽陜西賽區(qū)二等獎；曾在“華為杯”第十一屆全國研究生電子設(shè)計(jì)大賽中榮獲全國總決賽三等獎、西北賽區(qū)選拔賽中榮獲一等獎。2）熟練掌握統(tǒng)計(jì)學(xué)習(xí)(統(tǒng)計(jì)檢驗(yàn)方法/誤差概率分布/相關(guān)性分析)、機(jī)器學(xué)習(xí)(RF/SVM/GBDT/XGBoost/LightGBM)、深度學(xué)習(xí)(CNN/RNN/LSTM/Transformer/Attention)等基本的應(yīng)用工具，在電價(jià)預(yù)測、負(fù)荷預(yù)測方面具有良好的預(yù)測精度。3）深刻研究運(yùn)籌優(yōu)化理論(如線性規(guī)劃、整數(shù)規(guī)劃、凸優(yōu)化、動態(tài)規(guī)劃等)，并熟練掌握常見的智能優(yōu)化算法(PSO/GA/GWO/SSA)，并結(jié)合實(shí)際生產(chǎn)場景(如APS排程問題、電網(wǎng)出清模型仿真、中長期決策、新能源現(xiàn)貨決策、儲能靈活控制等)，在深刻理解行業(yè)場景的基礎(chǔ)上構(gòu)建數(shù)學(xué)模型，采用求解器工具(如CPLEX/SCIP/bonmin/pyomo)實(shí)現(xiàn)模型最優(yōu)化求解。4）跟蹤研究前沿技術(shù)，深刻理解深度強(qiáng)化學(xué)習(xí)模型的工作原理及設(shè)計(jì)流程，并解決不確定環(huán)境下的控制決策問題(如新能源現(xiàn)貨決策、儲能靈活控制)，在深度強(qiáng)化學(xué)習(xí)方面具備實(shí)際項(xiàng)目落地經(jīng)驗(yàn)。
（5）工程部署能力：熟練掌握python、tensorflow、pytorch、Keras等常見的算法開發(fā)框架，熟悉git、docker、linux等常見的算法部署環(huán)境。

項(xiàng)目經(jīng)驗(yàn)

項(xiàng)目1 新能源現(xiàn)貨申報(bào)決策
項(xiàng)目描述：該項(xiàng)目基于新能源現(xiàn)貨不確定性的申報(bào)場景，結(jié)合歷史出清數(shù)據(jù)、市場披露數(shù)據(jù)、短期功率預(yù)測數(shù)據(jù)、電價(jià)預(yù)測數(shù)據(jù)，在D-1日對短期功率預(yù)測曲線進(jìn)行調(diào)整，申報(bào)D日的96點(diǎn)發(fā)電出力計(jì)劃曲線，通過深度學(xué)習(xí)、深度強(qiáng)化學(xué)習(xí)、模糊決策、運(yùn)籌優(yōu)化等技術(shù)，實(shí)現(xiàn)新能源參與電力現(xiàn)貨市場收益最大化的目標(biāo)。
軟件環(huán)境：Python CPLEX Pytorch Stable_baselines
責(zé)任描述：
1.采用Transformer/Attention/LSTM等深度學(xué)習(xí)技術(shù)，充分挖掘時(shí)序信息以及關(guān)鍵特征，實(shí)現(xiàn)滾動實(shí)時(shí)價(jià)格預(yù)測，并保證預(yù)測精度，為儲能控制提供良好的數(shù)據(jù)邊界；
2.基于運(yùn)籌優(yōu)化理論，以風(fēng)儲聯(lián)合參與現(xiàn)貨市場收益最大化為目標(biāo)，考慮結(jié)算收入、超額獲利回收損失、兩個(gè)細(xì)則損失，構(gòu)建儲能控制決策最優(yōu)化模型，智能化生成最優(yōu)控制策略；
3.基于深度強(qiáng)化學(xué)習(xí)技術(shù)，結(jié)合歷史出清數(shù)據(jù)、市場披露數(shù)據(jù)、短期功率預(yù)測數(shù)據(jù)、電價(jià)預(yù)測數(shù)據(jù)訓(xùn)練新能源現(xiàn)貨申報(bào)智能體，動態(tài)感知行情環(huán)境，自動完成申報(bào)動作，并根據(jù)收益最大化設(shè)計(jì)獎勵(lì)函數(shù)，形成反饋邏輯閉環(huán)，進(jìn)而充分挖掘歷史數(shù)據(jù)價(jià)值，反哺于業(yè)務(wù)場景，使得新能源現(xiàn)貨申報(bào)智能體可以自適應(yīng)、自組織、自學(xué)習(xí)，輔助用戶完成現(xiàn)貨交易。

項(xiàng)目2 儲能靈活控制決策
項(xiàng)目描述：該項(xiàng)目基于風(fēng)儲參與現(xiàn)貨市場的不確定性場景，結(jié)合市場披露數(shù)據(jù)、短期功率預(yù)測數(shù)據(jù)、滾動電價(jià)預(yù)測數(shù)據(jù)、超短期功率預(yù)測、儲能系統(tǒng)運(yùn)行工況等實(shí)時(shí)數(shù)據(jù)，在D日每15分鐘動態(tài)感知行情信息，并實(shí)時(shí)自動生成儲能充放電控制策略，以調(diào)節(jié)風(fēng)儲聯(lián)合實(shí)發(fā)功率，實(shí)現(xiàn)風(fēng)儲聯(lián)合參與現(xiàn)貨市場收益最大化的目標(biāo)。
軟件環(huán)境：Python CPLEX Pytorch Stable_baselines
責(zé)任描述：
1.研究新能源現(xiàn)貨市場交易規(guī)則，深入理解新能源交易申報(bào)的業(yè)務(wù)場景；
2.采用機(jī)器學(xué)習(xí)(GBDT)、深度學(xué)習(xí)技術(shù)(LSTM)實(shí)現(xiàn)現(xiàn)貨市場日前價(jià)格、實(shí)時(shí)價(jià)格預(yù)測，為新能源現(xiàn)貨申報(bào)提供數(shù)據(jù)基礎(chǔ)；
3. 在綜合考慮風(fēng)電場風(fēng)功率預(yù)測數(shù)據(jù)及其偏差規(guī)律、風(fēng)電場參與現(xiàn)貨市場交易的歷史數(shù)據(jù)、現(xiàn)貨市場披露數(shù)據(jù)、現(xiàn)貨價(jià)格預(yù)測數(shù)據(jù)、儲能系統(tǒng)運(yùn)行參數(shù)、現(xiàn)貨市場考核規(guī)則、交易規(guī)則的基礎(chǔ)上，通過運(yùn)籌優(yōu)化方法構(gòu)建儲能靈活控制模型，為儲能系統(tǒng)提供實(shí)時(shí)控制的充放電功率策略，最終實(shí)現(xiàn)風(fēng)電場在現(xiàn)貨市場場景下達(dá)到減損增益的經(jīng)濟(jì)性目標(biāo)；
4.基于深度強(qiáng)化學(xué)習(xí)技術(shù)，結(jié)合市場披露數(shù)據(jù)、短期功率預(yù)測數(shù)據(jù)、滾動電價(jià)預(yù)測數(shù)據(jù)、超短期功率預(yù)測、儲能系統(tǒng)運(yùn)行工況等實(shí)時(shí)數(shù)據(jù)訓(xùn)練儲能控制智能體，動態(tài)感知行情環(huán)境，自動完成充放電動作，并根據(jù)收益最大化設(shè)計(jì)獎勵(lì)函數(shù)，輔助儲能系統(tǒng)完成不確定環(huán)境下收益最大化的充放電控制任務(wù)。

項(xiàng)目3 功率預(yù)測精度提升系統(tǒng)
項(xiàng)目描述：該項(xiàng)目基于風(fēng)力不確定性場景，結(jié)合溫度、濕度、光照強(qiáng)度、風(fēng)力、風(fēng)向等氣象數(shù)據(jù)，基于原始短期功率預(yù)測數(shù)據(jù)進(jìn)行修正，提升功率預(yù)測準(zhǔn)準(zhǔn)確率。
軟件環(huán)境：Python Tensorflow
責(zé)任描述：
1. 基于預(yù)測數(shù)據(jù)與實(shí)發(fā)數(shù)據(jù)，使用誤差特征修正方法，探究功率預(yù)測的誤差概率分布規(guī)律，并結(jié)合風(fēng)電場公布的氣象數(shù)據(jù)，建立了基于SVR模型的超短期功率、短期功率的預(yù)測精度提升方法；
2. 原始功率預(yù)測導(dǎo)入與修正：可以自動或手動導(dǎo)入原始功率預(yù)測數(shù)據(jù)并展示，系統(tǒng)基于導(dǎo)入數(shù)據(jù)使用基于機(jī)器學(xué)習(xí)的算法模型對數(shù)據(jù)進(jìn)行修正，提升預(yù)測精度；
3. 數(shù)據(jù)展示與分析：可以展示原始與優(yōu)化后的功率預(yù)測曲線。風(fēng)電場實(shí)際出力完成后，對預(yù)測提升效果進(jìn)行復(fù)盤。

項(xiàng)目4 電力仿真驗(yàn)證平臺系統(tǒng)
項(xiàng)目描述：該項(xiàng)目基于電力出清仿真場景，研究提供交易場景生成、交易參數(shù)設(shè)置、出清模型研究、仿真結(jié)果分析、多場景出清結(jié)果對比等功能，支持及時(shí)有效地應(yīng)對市場規(guī)則和市場環(huán)境的變化，精準(zhǔn)把握電力市場的運(yùn)行規(guī)律，為機(jī)組組合、經(jīng)濟(jì)調(diào)度、最優(yōu)潮流和電力市場決策提供重要技術(shù)支持。
軟件環(huán)境：Python Tensorflow
責(zé)任描述：
1. 研究電力出清規(guī)則，深入理解電力出清業(yè)務(wù)場景，明確數(shù)據(jù)源維度及業(yè)務(wù)含義；
2. 基于次日系統(tǒng)負(fù)荷預(yù)測曲線、聯(lián)絡(luò)線外送計(jì)劃、各機(jī)組報(bào)價(jià)、機(jī)組運(yùn)行參數(shù)、線路運(yùn)行參數(shù)等作為輸入信息，綜合考慮系統(tǒng)負(fù)荷平衡約束、系統(tǒng)正負(fù)備用容量約束、系統(tǒng)旋轉(zhuǎn)備用約束、機(jī)組出力上下限約束、機(jī)組爬坡約束、機(jī)組最小連續(xù)開停時(shí)間約束、機(jī)組最大啟停次數(shù)約束、線路潮流約束、斷面潮流約束，結(jié)合約束松弛理論，以全網(wǎng)發(fā)電成本最小化，構(gòu)建電力出清SCUC/SCED模型，求解機(jī)組開停機(jī)狀態(tài)以及機(jī)組發(fā)電曲線，并通過構(gòu)建LMP模型形成節(jié)點(diǎn)邊際電價(jià)。

項(xiàng)目5 APS排程算法設(shè)計(jì)與實(shí)現(xiàn)
項(xiàng)目描述：該項(xiàng)目通過智能排產(chǎn)算法，將壓鑄、初加工、機(jī)加工共3道工序進(jìn)行統(tǒng)一調(diào)度，最終生成各個(gè)工序的生產(chǎn)

案例展示

基于關(guān)聯(lián)規(guī)則挖掘技術(shù)的藥物分析

（1）高頻藥物分析：將195味藥物處方的頻次求均值，為8.5795，因此可以選擇閾值為9,即將頻次大于等于9的藥物作為高頻藥物，共54種藥物。（2）網(wǎng)絡(luò)圖分析（3）Apriori關(guān)聯(lián)規(guī)則挖掘：采用Apriori關(guān)聯(lián)規(guī)則算法挖掘藥物之間的潛在關(guān)系。
基于神經(jīng)網(wǎng)絡(luò)的鋼材水泥價(jià)格預(yù)測

主要基于人工神經(jīng)網(wǎng)絡(luò)分析，分別預(yù)測水泥價(jià)格和鋼材價(jià)格。模型構(gòu)建及測試過程如下： Step1:分割訓(xùn)練集及測試集：隨機(jī)采樣，抽取整個(gè)數(shù)據(jù)集的80%作為訓(xùn)練集，剩余20%作為測試集，并且訓(xùn)練集和測試集之間沒有交集。其中，訓(xùn)練集用于模型訓(xùn)練；測試集用于模型（根據(jù)訓(xùn)練集訓(xùn)練得到）測