电力预测模型（线性模型）

最新推荐文章于 2024-06-01 16:00:00 发布
最新推荐文章于 2024-06-01 16:00:00 发布
阅读量1.4k 收藏 20
点赞数 3
分类专栏： 数据挖掘 文章标签： python 数据分析 线性模型 预测 电力
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43180762/article/details/115530329
版权

电力预测

#加载对应的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os
#读取数据
os.chdir("D:\\LengPY\\AI电力能耗预测")
data = pd.read_csv('zhenjiang_power.csv')  # 读取训练数据
data_9 = pd.read_csv('zhenjiang_power_9.csv')  # 读取训练数据
print(data.shape)
print(data_9.shape)

(885486, 3)
(43620, 3)

data.head()
user_idrecord_datepower_consumption
012015-01-011135.0
112015-01-02570.0
212015-01-033418.0
312015-01-043968.0
412015-01-053986.0
data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 885486 entries, 0 to 885485
Data columns (total 3 columns):
user_id              885486 non-null int64
record_date          885486 non-null object
power_consumption    885486 non-null float64
dtypes: float64(1), int64(1), object(1)
memory usage: 20.3+ MB

data.describe()
user_idpower_consumption
count885486.0000008.854860e+05
mean727.5000002.619980e+03
std419.7337833.154743e+04
min1.0000001.000000e+00
25%364.0000004.200000e+01
50%727.5000002.610000e+02
75%1091.0000008.250000e+02
max1454.0000001.310016e+06

拼接data和data_9

train_df = pd.concat([data,data_9])

D:\Anaconda\lib\site-packages\ipykernel_launcher.py:1: FutureWarning: Sorting because non-concatenation axis is not aligned. A future version
of pandas will change to not sort by default.

To accept the future behavior, pass 'sort=False'.

To retain the current behavior and silence the warning, pass 'sort=True'.

  """Entry point for launching an IPython kernel.

#查看拼接后
train_df.shape

(929106, 3)

train_df.head()
power_consumptionrecord_dateuser_id
01135.02015-01-011
1570.02015-01-021
23418.02015-01-031
33968.02015-01-041
43986.02015-01-051

查看user_id的种类，即有多少公司使用电

len(train_df['user_id'].unique())
#train_df['user_id'].nunique()

1454

目标：预测未来整个高新区，每一天的总用电量

先将record_date改成datetime格式¶

train_df.loc[:,'record_date'] = pd.to_datetime(train_df['record_date'])

train_df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 929106 entries, 0 to 43619
Data columns (total 3 columns):
power_consumption    929106 non-null float64
record_date          929106 non-null datetime64[ns]
user_id              929106 non-null int64
dtypes: datetime64[ns](1), float64(1), int64(1)
memory usage: 28.4 MB

把数据集按照‘日期’进行分组后，求每天的电力总和

train_df = train_df[['record_date','power_consumption']].groupby('record_date').agg('sum')

train_df.head()
power_consumption
record_date
2015-01-012900575.0
2015-01-023158211.0
2015-01-033596487.0
2015-01-043939672.0
2015-01-054101790.0

恢复索引

train_df = train_df.reset_index()

train_df.head()
record_datepower_consumption
02015-01-012900575.0
12015-01-023158211.0
22015-01-033596487.0
32015-01-043939672.0
42015-01-054101790.0

快速查看总时间轴上的电力消耗

%matplotlib inline
train_df['power_consumption'].plot()

<matplotlib.axes._subplots.AxesSubplot at 0x20e6f763c18>

在这里插入图片描述

train_df[(train_df['record_date']>='2015-09-01')&(train_df['record_date']<='2015-10-31')]['power_consumption'].plot()

<matplotlib.axes._subplots.AxesSubplot at 0x20e6f820be0>

在这里插入图片描述

细化x轴的信息
%matplotlib inline
tmp_df = train_df[(train_df['record_date']>='2015-09-01')&(train_df['record_date']<='2015-10-31')].copy()
tmp_df = tmp_df.set_index(['record_date'])
tmp_df['power_consumption'].plot()

<matplotlib.axes._subplots.AxesSubplot at 0x20e6f89dda0>

在这里插入图片描述

结论： 可以发现2015年10月1号，电力消耗比较少

添加测试数据
train_df.tail()
record_datepower_consumption
6342016-09-264042132.0
6352016-09-274287965.0
6362016-09-284086998.0
6372016-09-293941842.0
6382016-09-303783264.0
创建测试集，时间为2016年10月1号，总共31天
test_df = pd.date_range('2016-10-01',periods=31,freq='D')

test_df = pd.DataFrame(test_df)

test_df.head()
0
02016-10-01
12016-10-02
22016-10-03
32016-10-04
42016-10-05
test_df.columns = ['record_date']

#设定初始值
test_df.loc[:,'power_consumption']=0

test_df.head(15)
record_datepower_consumption
02016-10-010
12016-10-020
22016-10-030
32016-10-040
42016-10-050
52016-10-060
62016-10-070
72016-10-080
82016-10-090
92016-10-100
102016-10-110
112016-10-120
122016-10-130
132016-10-140
142016-10-150

拼成一整份数据，做特征工程

total_df = pd.concat([train_df,test_df])

#观察拼接后末尾数据情况
total_df.tail()
record_datepower_consumption
262016-10-270.0
272016-10-280.0
282016-10-290.0
292016-10-300.0
302016-10-310.0

构造时间特征

构造一些强时间指代特征：

  1. 星期几
  2. 一个月当中的第几天(月初还是月末)
  3. 一年当中的第几天(季节信息)
  4. 一年当中的第几个月(季节)、哪一年
total_df.loc[:,'week'] = total_df['record_date'].apply(lambda x:x.dayofweek)
total_df.loc[:,'day'] = total_df['record_date'].apply(lambda x:x.day)
total_df.loc[:,'month'] = total_df['record_date'].apply(lambda x:x.month)
total_df.loc[:,'year'] = total_df['record_date'].apply(lambda x:x.year)

total_df.head()
record_datepower_consumptionweekdaymonthyear
02015-01-012900575.03112015
12015-01-023158211.04212015
22015-01-033596487.05312015
32015-01-043939672.06412015
42015-01-054101790.00512015

添加周末特征

#判断是否周末和周六周日
total_df.loc[:,'weekend']=0
total_df.loc[:,'weekend_sat']=0
total_df.loc[:,'weekend_sun']=0

total_df.head(10)
record_datepower_consumptionweekdaymonthyearweekendweekend_satweekend_sun
02015-01-012900575.03112015000
12015-01-023158211.04212015000
22015-01-033596487.05312015000
32015-01-043939672.06412015000
42015-01-054101790.00512015000
52015-01-064149164.01612015000
62015-01-074161928.02712015000
72015-01-084182622.03812015000
82015-01-094153509.04912015000
92015-01-103913704.051012015000
total_df.loc[(total_df['week']>4),'weekend']=1
total_df.loc[(total_df['week']==5),'weekend_sat']=1
total_df.loc[(total_df['week']==6),'weekend_sun']=1

total_df.head(10)
record_datepower_consumptionweekdaymonthyearweekendweekend_satweekend_sun
02015-01-012900575.03112015000
12015-01-023158211.04212015000
22015-01-033596487.05312015110
32015-01-043939672.06412015101
42015-01-054101790.00512015000
52015-01-064149164.01612015000
62015-01-074161928.02712015000
72015-01-084182622.03812015000
82015-01-094153509.04912015000
92015-01-103913704.051012015110

添加一个月4周的信息

def week_of_month(day):
    if day in range(1,8):
        return 1
    if day in range(8,15):
        return 2
    if day in range(15,22):
        return 3
    else:
        return 4
total_df.loc[:,'week_of_month'] = total_df['week'].apply(lambda x:week_of_month(x))

total_df.head()
record_datepower_consumptionweekdaymonthyearweekendweekend_satweekend_sunweek_of_month
02015-01-012900575.031120150001
12015-01-023158211.042120150001
22015-01-033596487.053120151101
32015-01-043939672.064120151011
42015-01-054101790.005120150004

添加月的上中下旬

def period_of_month(day):
    if day in range(1,11):
        return 1
    if day in range(11,21):
        return 2
    else:
        return 3
total_df.loc[:,'period_of_month'] = total_df['week'].apply(lambda x:period_of_month(x))

添加上半月和下半月

def period2_of_month(day):
    if day in range(1,16):
        return 1
    else:
        return 2
total_df.loc[:,'period2_of_month'] = total_df['week'].apply(lambda x:period2_of_month(x))

total_df.head()
record_datepower_consumptionweekdaymonthyearweekendweekend_satweekend_sunweek_of_monthperiod_of_monthperiod2_of_month
02015-01-012900575.03112015000111
12015-01-023158211.04212015000111
22015-01-033596487.05312015110111
32015-01-043939672.06412015101111
42015-01-054101790.00512015000432

填充法定节假日

total_df.loc[:,'festival'] = 0
total_df.loc[(total_df.month==10)&(total_df.day<8), 'festival']=1

total_df.head(15)
record_datepower_consumptionweekdaymonthyearweekendweekend_satweekend_sunweek_of_monthperiod_of_monthperiod2_of_monthfestival
02015-01-012900575.031120150001110
12015-01-023158211.042120150001110
22015-01-033596487.053120151101110
32015-01-043939672.064120151011110
42015-01-054101790.005120150004320
52015-01-064149164.016120150001110
62015-01-074161928.027120150001110
72015-01-084182622.038120150001110
82015-01-094153509.049120150001110
92015-01-103913704.0510120151101110
102015-01-113635468.0611120151011110
112015-01-124011329.0012120150004320
122015-01-133969860.0113120150001110
132015-01-144225259.0214120150001110
142015-01-154106437.0315120150001110
total_df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 670 entries, 0 to 30
Data columns (total 13 columns):
record_date          670 non-null datetime64[ns]
power_consumption    670 non-null float64
week                 670 non-null int64
day                  670 non-null int64
month                670 non-null int64
year                 670 non-null int64
weekend              670 non-null int64
weekend_sat          670 non-null int64
weekend_sun          670 non-null int64
week_of_month        670 non-null int64
period_of_month      670 non-null int64
period2_of_month     670 non-null int64
festival             670 non-null int64
dtypes: datetime64[ns](1), float64(1), int64(11)
memory usage: 73.3 KB

total_df.columns

Index(['record_date', 'power_consumption', 'week', 'day', 'month', 'year',
       'weekend', 'weekend_sat', 'weekend_sun', 'week_of_month',
       'period_of_month', 'period2_of_month', 'festival'],
      dtype='object')

var_to_encoding = [ 'week', 'day', 'month', 'year',
       'weekend', 'weekend_sat', 'weekend_sun', 'week_of_month',
       'period_of_month', 'period2_of_month']

var_to_encoding

['week',
 'day',
 'month',
 'year',
 'weekend',
 'weekend_sat',
 'weekend_sun',
 'week_of_month',
 'period_of_month',
 'period2_of_month']

dummy_df = pd.get_dummies(total_df,columns=var_to_encoding)

dummy_df.head()
#重新编码，将1-5的类型转化为01类型
record_datepower_consumptionfestivalweek_0week_1week_2week_3week_4week_5week_6...weekend_sat_0weekend_sat_1weekend_sun_0weekend_sun_1week_of_month_1week_of_month_4period_of_month_1period_of_month_3period2_of_month_1period2_of_month_2
02015-01-012900575.000001000...1010101010
12015-01-023158211.000000100...1010101010
22015-01-033596487.000000010...0110101010
32015-01-043939672.000000001...1001101010
42015-01-054101790.001000000...1010010101

5 rows × 67 columns

dummy_df.columns

Index(['record_date', 'power_consumption', 'festival', 'week_0', 'week_1',
       'week_2', 'week_3', 'week_4', 'week_5', 'week_6', 'day_1', 'day_2',
       'day_3', 'day_4', 'day_5', 'day_6', 'day_7', 'day_8', 'day_9', 'day_10',
       'day_11', 'day_12', 'day_13', 'day_14', 'day_15', 'day_16', 'day_17',
       'day_18', 'day_19', 'day_20', 'day_21', 'day_22', 'day_23', 'day_24',
       'day_25', 'day_26', 'day_27', 'day_28', 'day_29', 'day_30', 'day_31',
       'month_1', 'month_2', 'month_3', 'month_4', 'month_5', 'month_6',
       'month_7', 'month_8', 'month_9', 'month_10', 'month_11', 'month_12',
       'year_2015', 'year_2016', 'weekend_0', 'weekend_1', 'weekend_sat_0',
       'weekend_sat_1', 'weekend_sun_0', 'weekend_sun_1', 'week_of_month_1',
       'week_of_month_4', 'period_of_month_1', 'period_of_month_3',
       'period2_of_month_1', 'period2_of_month_2'],
      dtype='object')

#划分测试机训练集
train_X = dummy_df[dummy_df.record_date<'2016-10-01']
train_y = dummy_df[dummy_df.record_date<'2016-10-01']['power_consumption']
test_X = dummy_df[dummy_df.record_date>='2016-10-01']

train_X.info()


<class 'pandas.core.frame.DataFrame'>
Int64Index: 639 entries, 0 to 638
Data columns (total 67 columns):
record_date           639 non-null datetime64[ns]
power_consumption     639 non-null float64
festival              639 non-null int64
week_0                639 non-null uint8
week_1                639 non-null uint8
week_2                639 non-null uint8
week_3                639 non-null uint8
week_4                639 non-null uint8
week_5                639 non-null uint8
week_6                639 non-null uint8
day_1                 639 non-null uint8
day_2                 639 non-null uint8
day_3                 639 non-null uint8
day_4                 639 non-null uint8
day_5                 639 non-null uint8
day_6                 639 non-null uint8
day_7                 639 non-null uint8
day_8                 639 non-null uint8
day_9                 639 non-null uint8
day_10                639 non-null uint8
day_11                639 non-null uint8
day_12                639 non-null uint8
day_13                639 non-null uint8
day_14                639 non-null uint8
day_15                639 non-null uint8
day_16                639 non-null uint8
day_17                639 non-null uint8
day_18                639 non-null uint8
day_19                639 non-null uint8
day_20                639 non-null uint8
day_21                639 non-null uint8
day_22                639 non-null uint8
day_23                639 non-null uint8
day_24                639 non-null uint8
day_25                639 non-null uint8
day_26                639 non-null uint8
day_27                639 non-null uint8
day_28                639 non-null uint8
day_29                639 non-null uint8
day_30                639 non-null uint8
day_31                639 non-null uint8
month_1               639 non-null uint8
month_2               639 non-null uint8
month_3               639 non-null uint8
month_4               639 non-null uint8
month_5               639 non-null uint8
month_6               639 non-null uint8
month_7               639 non-null uint8
month_8               639 non-null uint8
month_9               639 non-null uint8
month_10              639 non-null uint8
month_11              639 non-null uint8
month_12              639 non-null uint8
year_2015             639 non-null uint8
year_2016             639 non-null uint8
weekend_0             639 non-null uint8
weekend_1             639 non-null uint8
weekend_sat_0         639 non-null uint8
weekend_sat_1         639 non-null uint8
weekend_sun_0         639 non-null uint8
weekend_sun_1         639 non-null uint8
week_of_month_1       639 non-null uint8
week_of_month_4       639 non-null uint8
period_of_month_1     639 non-null uint8
period_of_month_3     639 non-null uint8
period2_of_month_1    639 non-null uint8
period2_of_month_2    639 non-null uint8
dtypes: datetime64[ns](1), float64(1), int64(1), uint8(64)
memory usage: 59.9 KB

drop_columns = ['record_date','power_consumption']
train_X = train_X.drop(drop_columns, axis=1)
test_X = test_X.drop(drop_columns, axis=1)

train_X.head()
festivalweek_0week_1week_2week_3week_4week_5week_6day_1day_2...weekend_sat_0weekend_sat_1weekend_sun_0weekend_sun_1week_of_month_1week_of_month_4period_of_month_1period_of_month_3period2_of_month_1period2_of_month_2
00000100010...1010101010
10000010001...1010101010
20000001000...0110101010
30000000100...1001101010
40100000000...1010010101

5 rows × 65 columns

建立线性模型

from sklearn.linear_model import RidgeCV
linear_reg = RidgeCV(alphas=[0.2,0.5,0.8], cv=5)
linear_reg.fit(train_X,train_y)

RidgeCV(alphas=array([0.2, 0.5, 0.8]), cv=5, fit_intercept=True,
    gcv_mode=None, normalize=False, scoring=None, store_cv_values=False)

评估模型，这里返回的是R^2分数

linear_reg.score(train_X,train_y)

0.537404260499189

prdictions = linear_reg.predict(test_X)

预测10月份电力

prdictions

array([3213269.92309517, 3123678.42816242, 3488047.72956573,
       3549293.25537305, 3483007.25110293, 3526193.91861047,
       3553449.2940896 , 3822642.14908673, 3647254.75965857,
       3920055.32252978, 3963349.38044719, 3993343.10094771,
       3971175.731758  , 3963793.56136557, 3774211.69037114,
       3657509.20919986, 3949241.60693345, 4011946.71989673,
       4016839.22480092, 3917574.35561122, 3946839.7769619 ,
       3891639.02982068, 3766109.02571362, 4043628.80876831,
       4073053.0043004 , 4071511.5183789 , 4071951.35102406,
       3950797.94209951, 3954010.07971396, 3730478.65367573,
       3908992.01170212])

test_df.head()
record_datepower_consumption
02016-10-010
12016-10-020
22016-10-030
32016-10-040
42016-10-050
test_df.loc[:,'power_consumption'] = prdictions

test_df.head()
record_datepower_consumption
02016-10-013.213270e+06
12016-10-023.123678e+06
22016-10-033.488048e+06
32016-10-043.549293e+06
42016-10-053.483007e+06
俱往矣`
关注
  • 3
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
scikit-learn初探：多种回归方法建立预测电力输出模型（三）
王谦的专栏
11-24 2434
使用scikit-learn中的多种回归方法建立复合式发电站电力预测模型。
工业用电量ARIMA模型分析及预测
weixin_42051460的博客
11-15 1091
工业用电量ARIMA模型分析及预测
电力系统负荷与电价预测优化模型（Matlab代码实现）
2201_75454341的博客
11-25 1719
vbamodule.bas 中的 VBA 代码以及 MATLAB Builder EX 生成的 VBA 代码可以导入此文件，使其成为与 PlantRiskDeployed.xlsm 相同的功能齐全的部署应用程序.回测结果的屏幕截图如下所示。该模型在内部捕获了驱动因素与电价的关系之间的关系，以及与一天中的时间、一周中的哪一天和节假日的关系。% 确定性或期望的温度分量用正弦和模型建模，激励的是数据中观察到的温度和周期性的物理本质。% 由于残差大多是不相关的，因此可以将它们建模为独立的从适当的分布中提取的。
电力预测|基于新型MDPSO-SVR混合模型的电力预测特征选择（Matlab代码实现）
weixin_46039719的博客
08-15 947
本文为一种混合了EMD方法、基于SVR的模型和AR-GARCH模型的新型预测模型，以很好地处理用电量数据序列的非线性和随机性。首先，使用 EMD 方法将一个原始的用电序列分解为几个本征分量（本征模态函数）和一个残差，...
大模型+电力预测？
最新发布
m0_63171455的博客
06-01 910
自ChatGPT问世以后，大模型非常的火，不出意外的话，电力系统方向又打算搞事情了。大模型+电力任重道远。最近听说了一些关于大模型+风光功率预测、负荷预测、电价预测的想法，初步分析下，很遗憾的是，个人得出结论是不可行。简单来说，如果强行使用大模型来做电力预测，本质上可能只是一厢情愿的希望大模型去预测一个噪声罢了。
hammerstein非线性模型matlab代码
10-26
Hammerstein模型是这种非线性模型的一种，它由一个静态非线性部分和一个线性动态部分组成。本资源提供了在MATLAB环境下实现Hammerstein非线性模型的代码，对于理解和应用此类模型非常有帮助。 MATLAB是一款强大的...
非线性时滞系统的无模型预测控制
10-30
该模型利用MATLAB软件中的模块库，建立了非线性时滞系统的预测控制在电力系统应用中的系统仿真模型，通过 Matlab仿真软件搭建仿真模型,运行仿真，并对非线性时滞系统的预测控制的仿真结果进行了分析。本次设计采用的...
非线性时滞系统的无模型预测控制仿真
10-30
该模型利用MATLAB软件中的模块库，建立了非线性时滞系统的预测控制在电力系统应用中的系统仿真模型，通过 Matlab仿真软件搭建仿真模型,运行仿真，并对非线性时滞系统的预测控制的仿真结果进行了分析。本次设计采用的...
Elman神经网络的数据预测-电力负荷预测模型参考源码（MATLAB）.rar
01-14
本资源提供了基于MATLAB实现的Elman神经网络电力负荷预测模型的参考源码。 MATLAB，全称矩阵实验室，是一种强大的数值计算和可视化软件，广泛应用于科学计算、数据分析和工程应用。在本案例中，MATLAB被用来构建和...
节假日电力负荷预测之点对点倍比法
Dank的博客
08-25 2023
使用点对点倍比法进行特殊值预测 要预测2016.12.25圣诞节的电力负荷，假设现在是距离12.25那天还有 r 天的某一天，选取这一天的前 n 天作为计算数据，在2015年也同样选取n天。 应用倍比法公式 计算出平滑系数； 然后根据2015年圣诞节的电力负荷应用公式 预测出2016年圣诞节的电力负荷。 from __future__ import print_f
电力消耗模型构建、分析和预测
大数据部落
08-12 1812
某制药公司每年要花费大量的资金在电费上，由于电力公司的业务改革，该药企可以在一年或月开始时向电力公司预购一定数量的电力，如果实际消耗大于该值，则每多消耗一度电要付比以前更多的电费，如果实际上没有消耗这么多，也不会退还多余的电费，因此该公司打算预测未来的电力消耗以节省资金消耗。 解决方案 任务/目标 根据制药公司要求，运用多种数据源分析实现精准电力消耗预测。 数据源准备 为了预测电力的消耗，将电的主要使用分为生产车间的消耗，空调的电力消耗和其它消耗，其它消耗视为一个常量，在最后添加上去。 数据处理
电力负荷预测任务（基于GRU模型）
qq_41821340的博客
09-27 1885
基于GRU模型的电力负荷预测（Pytorch）
灰色预测模型发电量预测
qq_45013535的博客
10-18 579
灰色预测模型发电量预测
python用支持向量机回归(SVR)模型分析用电量预测电力消费
大数据部落
09-29 4562
原文链接：http://tecdat.cn/?p=23921 原文出处：拓端数据部落公众号 本文描述了训练支持向量回归模型的过程，该模型用于预测基于几个天气变量、一天中的某个小时、以及这一天是周末/假日/在家工作日还是普通工作日的用电量。 关于支持向量机的快速说明 支持向量机是机器学习的一种形式，可用于分类或回归。尽可能简单地说，支持向量机找到了划分两组数据的最佳直线或平面，或者在回归的情况下，找到了在容差范围内描述趋势的最佳路径。 对于分类，该算法最大限度地减少了对数据进行错误分..
多元线性回归模型预测电力负荷python完成
12-25
以下是使用多元线性回归模型预测电力负荷的Python代码示例： ```python from sklearn.linear_model import LinearRegression import pandas as pd # 读取数据 data = pd.read_csv('电力负荷数据.csv') # 提取特征和目标变量 X = data[['特征1', '特征2', '特征3']] # 特征1、特征2、特征3是你要选择的特征列 y = data['电力负荷'] # 电力负荷是你要预测的目标变量 # 实例化线性回归模型 model = LinearRegression() # 拟合模型 model.fit(X, y) # 预测电力负荷 new_data = pd.DataFrame({'特征1': [value1], '特征2': [value2], '特征3': [value3]}) # 填入你要预测的特征值 predicted_load = model.predict(new_data) # 打印预测结果 print("预测的电力负荷为:", predicted_load) ``` 请注意，上述代码中的`特征1`、`特征2`、`特征3`是你需要选择的特征列，而`电力负荷`是你要预测的目标变量。你需要将这些名称替换为你实际使用的特征和目标变量的列名。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值