معرفی شرکت ها

dswe-0.1.3

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.1.3
0.1.2
0.1.1
0.1
0.1.3
0.1.2
0.1.1
0.1

توضیحات

A python package to supplement the Data Science for Wind Energy (DSWE) book.
ویژگی مقدار
سیستم عامل -
نام فایل dswe-0.1.3
نام dswe
نسخه کتابخانه 0.1.3
نگهدارنده []
ایمیل نگهدارنده ['pratyush.019@gmail.com']
نویسنده Pratyush Kumar, Abhinav Prakash, and Yu Ding
ایمیل نویسنده yuding@tamu.edu
آدرس صفحه اصلی https://tamu-aml.github.io/DSWE-Python/
آدرس اینترنتی https://pypi.org/project/dswe/
مجوز MIT
# DSWE-Python **DSWE** is a python package, written by [Professor Yu Ding's](https://aml.engr.tamu.edu/) research team, to supplement the Data Science for Wind Energy ([DSWE](https://aml.engr.tamu.edu/book-dswe/)) book and other state-of-the-art methods used in wind energy applications. Documentation: https://tamu-aml.github.io/DSWE-Python/ PyPI: https://pypi.org/project/dswe/ <!-- Installation ------------ ### Dependencies DSWE requires: - Python (>=3.6) - NumPy (>=1.21.2) - Pandas (>=1.3.3) - Scikit-learn (>=1.0) - Scipy (>=1.7.0) - Statsmodels (>=0.13.0) - PyTorch (>=1.0.0) - Matplotlib (>=3.4.3) All the required packages don't need to be pre-installed. Installing DSWE would automatically install everything. -------------------------------------------------------------------------------- ```console pip install dswe ``` To get the latest code changes as they are merged, you can clone this repo and build from source manually. ```console git clone https://github.com/TAMU-AML/DSWE-Python/ pip install DSWE-Python/ ``` ### Notes - **AMK**: The optimal bandwidth selection algorithm i.e., the direct plug-in (DPI) approach, is not implemented yet. You need to provide bandwidth corresponding to each column. - **BayesTreePowerCurve**: This module is built on top BartPy which is a python implementation of the Bayesian additive regressions trees (BART). To use the BayesTreePowerCurve model, you need to install the BartPy manually. The BartPy package has not been updated for a long time and simple ```pip install bartypy``` sometimes does not work. You have to explicitly clone the repo and build from source manually. You can follow the following steps to install BartPy package. ```console git clone https://github.com/JakeColtman/bartpy pip install bartpy/ ``` -------------------------------------------------------------------------------- References ---------- - [Data Science for Wind Energy book.](https://aml.engr.tamu.edu/book-dswe/) - **AMK**: Lee, Ding, Genton, and Xie, 2015, “Power curve estimation with multivariate environmental factors for inland and offshore wind farms,” Journal of the American Statistical Association, Vol. 110, pp. 56-67. [[pdf]](https://aml.engr.tamu.edu/wp-content/uploads/sites/164/2017/11/J53.pdf) - **TempGP**: Prakash, Tuo, and Ding, 2022, “The temporal overfitting problem with applications in wind power curve modeling,” Technometrics, accepted. [[preprint]](https://arxiv.org/abs/2012.01349) - **CovMatch**: Shin, Ding, and Huang, 2018, “Covariate matching methods for testing and quantifying wind turbine upgrades,” Annals of Applied Statistics, Vol. 12(2), pp. 1271-1292. [[accepted version]](http://aml.engr.tamu.edu/wp-content/uploads/sites/164/2017/11/J64_accepted.pdf) - **FunGP**: Prakash, Tuo, and Ding, 2022, “Gaussian process aided function comparison using noisy scattered data,” Technometrics, Vol. 64, pp. 92-102. [[preprint]](http://aml.engr.tamu.edu/wp-content/uploads/sites/164/2001/09/J78_Main.pdf) - **ComparePCurve**: Ding, Kumar, Prakash, Kio, Liu, Liu, and Li, 2021, “A case study of space-time performance comparison of wind turbines on a wind farm,” Renewable Energy, Vol. 171, pp. 735-746. [[preprint]](https://arxiv.org/abs/2005.08652) - **DNNPowerCurve**: The DNNPowerCurve function is partially based on Karami, Kehtarnavaz, and Rotea, 2021, "Probabilistic neural network to quantify uncertainty of wind power estimation," arXiv:2106.04656. [[preprint]](https://arxiv.org/abs/2106.04656). Our team refined the network architecture and tuned the training parameters. -->


نیازمندی

مقدار نام
>=1.21.2 numpy
>=1.3.3 pandas
>=1.0 scikit-learn
>=1.7.0 scipy
>=0.13.0 statsmodels
>=1.0.0 torch
>=3.4.3 matplotlib


زبان مورد نیاز

مقدار نام
>=3.6 Python


نحوه نصب


نصب پکیج whl dswe-0.1.3:

    pip install dswe-0.1.3.whl


نصب پکیج tar.gz dswe-0.1.3:

    pip install dswe-0.1.3.tar.gz