智慧能源课题组 - AI 算法代码仓库

本仓库为课题组标准化的机器学习/深度学习/强化学习算法代码库，提供即拿即用的算法模板和完善的中文文档，帮助能源方向的同学快速将 AI 算法应用到自己的科研课题中。

仓库结构总览

icse-lab/
├── algorithms/                         ← AI 算法模板库
│   ├── machine_learning/               ← 机器学习
│   │   ├── Random_Forest/              随机森林（回归 + 特征重要性）
│   │   ├── XGBoost/                    XGBoost（梯度提升回归）
│   │   └── BP_Neural_Network/          BP 神经网络 / MLP
│   ├── deep_learning/                  ← 深度学习
│   │   ├── LSTM/                       LSTM 时间序列预测
│   │   ├── GCN/                        图卷积网络
│   │   └── Transformer/               Transformer 时序预测
│   └── reinforcement_learning/         ← 强化学习
│       ├── DQN/                        DQN（离散动作调度）
│       └── DDPG/                       DDPG（连续动作控制）
│
├── projects_methodology/               ← 已有项目方法论沉淀
│   ├── load_forecasting/               电力负荷预测
│   ├── thermal_management/             热管理 / HVAC 控制
│   ├── nox_imputation/                 车辆 NOx 缺失值填补
│   └── driving_cycle/                  代表性驾驶循环构建
│
├── utils/                              ← 公共工具库
│   ├── data_loader.py                  数据加载
│   ├── preprocessing.py                预处理（归一化、滑动窗口等）
│   ├── metrics.py                      评估指标
│   └── visualization.py               可视化
│
├── data/                               ← 示例数据
│   └── dummy_energy_data.csv           模拟能源时序数据
│
├── docs/                               ← 使用文档
│   ├── quickstart.md                   新手入门指南
│   └── algorithm_selection_guide.md    算法选择决策指南
│
├── requirements.txt                    Python 依赖
└── .gitignore                          Git 忽略规则

快速开始

1. 克隆仓库

git clone https://github.com/your-org/icse-lab.git
cd icse-lab

2. 创建虚拟环境并安装依赖

python -m venv venv
source venv/bin/activate   # Mac/Linux
# venv\Scripts\activate    # Windows

pip install -r requirements.txt

3. 运行你的第一个算法

cd algorithms/machine_learning/Random_Forest
python train.py

详细的入门教程请参考 docs/quickstart.md

算法选型导航

不知道该用哪个算法？ 根据你的问题类型对号入座：

我要做预测/回归

你的数据特点	推荐算法	位置
表格数据，想快速出结果	Random Forest	algorithms/machine_learning/Random_Forest/
表格数据，追求更高精度	XGBoost	algorithms/machine_learning/XGBoost/
表格数据，作为深度学习基线	BP Neural Network	algorithms/machine_learning/BP_Neural_Network/
时间序列（如每小时的负荷数据）	LSTM	algorithms/deep_learning/LSTM/
长时间序列（48步以上）	Transformer	algorithms/deep_learning/Transformer/
图/网络结构数据	GCN	algorithms/deep_learning/GCN/

我要做控制/优化/调度

你的场景	推荐算法	位置
离散决策（开/关、选项A/B）	DQN	algorithms/reinforcement_learning/DQN/
连续控制（温度、功率调节）	DDPG	algorithms/reinforcement_learning/DDPG/

我要做特征分析

需求	推荐
找出影响目标值的关键因素	Random Forest 或 XGBoost 的特征重要性功能

更详细的决策指南请参考 docs/algorithm_selection_guide.md

每个算法模板包含什么？

机器学习算法

文件	作用
model.py	模型定义和封装
train.py	训练脚本（加载数据→训练→评估→保存）
predict.py	推理脚本（加载模型→预测新数据）
README.md	该算法的使用说明

深度学习算法

文件	作用
config.py	超参数集中配置（改参数只需改这个文件）
model.py	模型结构定义
dataset.py	数据处理和 DataLoader
train.py	训练脚本
predict.py	推理脚本
README.md	使用说明和原理讲解

强化学习算法

文件	作用
model.py	网络结构（Q网络 / Actor-Critic）
agent.py	智能体（训练逻辑、动作选择）
env.py	自定义环境（可替换为你的仿真模型）
train.py	训练脚本
README.md	使用说明

贡献指南

添加新算法

1. 在 algorithms/ 对应类别下创建新文件夹
2. 按照上述模板结构编写代码
3. 编写 README.md，确保非 AI 背景的同学能看懂
4. 提交 Pull Request

添加项目方法论

1. 在 projects_methodology/ 下创建项目文件夹
2. 按照 方法论模板 编写文档
3. 提交 Pull Request

常见问题

Q: 我完全不懂 AI，该从哪里开始？ → 先看 docs/quickstart.md，然后根据你的问题类型在上面的导航表中选择算法

Q: 安装 PyTorch 报错？ → 访问 PyTorch 官网 根据你的系统选择对应安装命令

Q: 安装 torch-geometric 报错？ → 参考 PyG 安装指南

Q: 如何用自己的数据？ → 每个算法的 README.md 中都有详细说明，通常只需修改数据路径和列名