关键词：Copula 场景生成  风光出力相关性  k-means算法

参考文档：

[1]《基于核密度估计和 Copula 函数的风、光出力场景生成》

[2]《融合风光出力场景生成的多能互补微网系统优化配置_白凯峰》

仿真软件: matlab

代码内容：代码主要做的是风光场景生成的内容，与目前大部分的基于蒙特卡洛或者拉丁超立方等方法不同，代码在场景生成的过程中考虑了风光出力的相关性，并通过Frank-Copula函数描述风光之间的相关性，从而生成具有相关性的风光场景！最后，通过k-means算法，对生成的大规模风光场景进行削减，最终得到五个场景，并给出各个场景的概率！

程序仿真效果图：

真效果图:

# kmeans # 算法 # 机器学习
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

graphify 视频音视频转写全流程解析：从 detect 结果到知识图谱文档的 Step 2.5

graphify 的核心能力是把任意语料（代码、文档、PDF、图片）转化为可查询的知识图谱，而视频与音频文件无法被直接阅读，必须先把它们转写成文本。本文围绕 `graphify` 运行手册中的转写参考文档 [transcribe.md](https://link.gitcode.com/i/d3285781588e0f1b84886dfdbc4fe7f6)，完整讲解 "Step 2.5 - Tra

avatar 天工造物局

ML-For-Beginners 终章：经典机器学习在金融、医疗、零售等八大行业中的真实落地场景

本篇技术指南基于开源课程仓库 ML-For-Beginners 的收尾课程《Postscript: Machine learning in the real world》（对应仓库目录 [9-Real-World/1-Applications](https://link.gitcode.com/i/6b23002df80861c20abf34d7db63ef41)）编写。该课此前 11 周的教学带

avatar 天工造物局

graphify 知识图谱查询实战：query / path / explain 与可审计的答案闭环

本指南以 graphify 的 Trae 版查询技能参考（[graphify/skills/trae/references/query.md](https://link.gitcode.com/i/72a7875d46ec6d3706d31791f3cdcbe0)）为主体，系统讲解如何针对**已构建好的知识图谱**执行三类查询：语义相关节点遍历（query）、两概念间最短路径（path）、单节点关

avatar 天工造物局