一个工程下的主app下的窗口调用另外一个pbl中的窗口还有uo资源，出错

pen_scholar 2004-02-16 03:41:32

我的一个工程下有三个pbl包，工程下的主app下的窗口调用另外一个pbl中的窗口还有uo资源，出错，一运行到调用的地方pb就非法关闭了

...全文

146 5 打赏收藏转发到动态举报

写回复

5 条回复

切换为时间正序

请发表友善的回复…

发表回复

本文介绍了PowerBuilder中对象的命名规范，包括窗口、数据窗口、菜单、函数、用户对象等的命名规则，旨在提高团队协作效率和代码可读性。例如，窗口命名以w_开头，数据窗口以dw_开头，函数命名采用<类型>f_子系统名_详情描述格式。

科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。

内容概要：本文围绕基于Python和Transformer模型的多变量风电功率预测展开研究，重点针对短期风电功率预测任务。研究采用深度学习中的Transformer架构，引入风速、温度、湿度等多种气象及运行变量作为输入特征，构建高精度预测模型。为进一步提升预测的稳健性与可靠性，研究结合近端梯度算法求解LASSO分位数回归，优化模型在不确定性环境下的输出表现，增强预测结果的置信区间估计能力。该技术是机器学习与新能源领域深度融合的典型应用，旨在提高风电并网的稳定性与电网调度的科学性。; 适合人群：具备Python编程基础，熟悉主流深度学习框架（如PyTorch或TensorFlow）的研究生、科研人员，以及从事新能源发电预测、电力系统调度、智能电网优化等相关工作的技术人员。; 使用场景及目标：①应用于风电场实际运行中的短期功率预测系统，辅助电网进行精准负荷调配与调度决策；②作为科研项目的技术蓝本，用于复现、改进或扩展基于Transformer的时间序列预测模型；③探索LASSO分位数回归与深度学习模型的融合机制，提升预测结果的概率性输出与风险评估能力。; 阅读建议：此资源适用于已掌握机器学习与深度学习基础知识的读者，建议结合所提供的代码实现进行动手实践，重点关注多变量数据的预处理流程、Transformer模型的结构设计与注意力机制实现、超参数调优策略，并尝试在不同风电数据集上验证模型的泛化性能与鲁棒性。

如何利用知识图谱实现跨区域的产学研协同与资源对接？

1,111

社区成员

66,454

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章