✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

针对微能源网中分布式能源（光伏、风电等）出力随机性强、多能耦合复杂、传统优化方法实时性差且难以应对不确定性的问题，本文复现了一篇EI检索期刊中“基于深度强化学习（DRL）的微能源网能量管理与优化策略”相关研究。复现过程严格遵循原研究的技术路线，搭建微能源网仿真模型，设计适配的深度强化学习算法，通过数据预处理、模型搭建、算法训练与仿真验证，还原原研究的核心结论，同时梳理复现过程中的关键技术难点与解决方案，为该领域科研人员提供可参考的复现范式。复现结果表明，所提DRL优化策略相比传统模型预测控制（MPC）、基于规则的控制（RBC）等方法，在降低微能源网运行成本、提升可再生能源消纳率、增强系统运行稳定性方面具有显著优势，与原研究结论保持一致，验证了复现的有效性与可靠性。

关键词

微能源网；深度强化学习；能量管理；优化策略；EI复现；仿真验证

1 引言

1.1 研究背景与复现意义

随着“双碳”目标推进，以光伏（PV）、风电（WT）为代表的分布式能源在微能源网中的占比持续提升，微能源网作为整合分布式发电、储能系统（ESS）、可控负荷及传统辅助电源的局部能源自治系统，成为实现能源高效利用、降低碳排放的核心载体。然而，微能源网能量管理面临三大核心挑战：一是风光出力受天气影响呈现强随机性，短期预测误差可达15%-30%，用户负荷存在动态波动；二是电、热、气等多能源系统存在强耦合关系，传统单能优化方法难以实现全局最优；三是微能源网需在分钟级甚至秒级内响应供需变化，传统集中式优化因计算耗时过长难以满足实时性要求。

深度强化学习凭借无模型依赖、可自主学习复杂环境规律、能处理高维非线性系统的优势，为解决上述挑战提供了全新思路，成为EI检索期刊中微能源网能量管理领域的研究热点。但现有研究存在复现性不足的问题，不同研究团队基于不同的仿真平台、参数设置与算法改进，导致研究结果难以直接对比验证，制约了该领域的进一步发展。因此，开展本研究的复现工作具有重要意义：其一，通过严格复现典型EI研究成果，验证基于DRL的微能源网能量管理策略的有效性与稳定性，为后续研究提供可靠的基准参照；其二，梳理复现过程中的关键技术难点与解决方案，降低该领域的研究门槛，助力科研人员快速切入相关方向；其三，基于复现结果，可进一步拓展算法改进思路，为提升微能源网的运行性能提供实践支撑。

1.2 复现目标与范围

本次复现的核心目标的是：严格还原EI目标论文的研究框架、模型设置、算法设计与仿真验证过程，确保复现结果与原研究结论的一致性，误差控制在可接受范围内（不超过5%）；同时，明确复现过程中的关键参数、代码实现细节及常见问题解决方案，形成完整的复现手册，便于后续科研人员复用与改进。

复现范围涵盖：微能源网系统建模（含分布式电源、储能系统、负荷及外部交互模块）、深度强化学习算法搭建（选取原研究采用的DQN或PPO算法）、数据预处理、模型联合训练、多场景仿真验证及性能对比分析，不涉及原研究未提及的算法改进或模型扩展。

1.3 复现思路与技术路线

本次复现遵循“文献梳理—环境搭建—模型复现—算法复现—训练验证—结果对比—难点总结”的技术路线，具体思路如下：首先，梳理EI目标论文的核心内容，明确微能源网结构、优化目标、DRL算法设计及评价指标；其次，配置软硬件环境，收集并预处理所需的源荷数据、设备参数与经济参数；再次，搭建微能源网仿真模型与DRL算法框架，完成两者的联合调试与训练；然后，在典型日、极端天气等场景下进行仿真验证，对比复现结果与原研究结果的一致性；最后，总结复现过程中的关键难点与解决方案，形成完整的复现报告。

2 原研究核心内容梳理（复现基础）

为确保复现的准确性，首先梳理EI目标论文的核心框架，明确研究目标、微能源网结构、DRL算法设计及评价指标等关键要素，为后续复现工作提供明确依据。

2.1 研究目标

原研究以微能源网的经济、环保、稳定运行为核心多目标，在满足负荷需求（电负荷、热负荷）、设备运行约束（如储能充放电功率限制、分布式电源出力限制）的前提下，实现三大优化目标：①最小化微能源网日运行成本（包含购电成本、燃料成本、设备维护成本）；②降低碳排放强度；③提升可再生能源消纳率，同时确保系统运行的稳定性，负荷满足率不低于99.5%。

2.2 微能源网系统结构与建模

原研究构建的微能源网系统主要包含分布式电源、储能系统、负荷侧及外部交互四大组件，各组件建模严格遵循工程实际特性，具体如下：

• 分布式电源：包含光伏电池板（PV）、风力发电机（WT）、微型燃气轮机（MT），其中PV与WT为间歇性电源，出力受光照强度、风速、环境温度等因素影响，采用基于TMY3天气数据的出力模型；MT作为可控电源，用于弥补风光出力不足，需考虑发电效率及余热回收效率建模。

• 储能系统：包含蓄电池（电能存储）、蓄热罐（热能存储），蓄电池需考虑充放电效率、额定容量、SOC（State of Charge）约束（通常为20%-80%），蓄热罐需考虑充放热效率及容量约束，两者均采用一阶动力学模型描述充放能过程。

• 负荷侧：包含电负荷、热负荷，采用典型日负荷曲线作为输入数据，数据采样间隔为1小时，共8760个数据点（全年），负荷曲线基于DOE OpenEI公开数据集或实际监测数据生成。

• 外部交互：微能源网可与大电网进行电能交互，购电价格采用分时电价机制，售电价格根据电网政策设定，同时考虑购售电功率约束，避免对大电网造成冲击。

基于上述组件，原研究建立了微能源网的能量平衡模型，包括电能平衡与热能平衡：①电能平衡：PV出力+WT出力+MT发电出力+储能放电出力+购电功率=电负荷+储能充电功率；②热能平衡：MT余热+蓄热罐放热=热负荷+蓄热罐充热功率。

2.3 深度强化学习算法设计

原研究选取深度Q网络（DQN）或近端策略优化（PPO）算法作为核心DRL算法（本次复现以原研究选定算法为准），算法核心设计如下，确保与原研究完全一致：

2.3.1 状态空间（State）

选取能够全面反映微能源网运行状态的变量作为状态输入，维度根据原研究设定，核心变量包括：PV预测出力、WT预测出力、电负荷需求、热负荷需求、蓄电池SOC、蓄热罐SOH（State of Heat）、分时电价、环境温度（影响PV出力与热负荷），所有状态变量均进行归一化处理，映射至(0,1)区间，提升算法训练效率。

2.3.2 动作空间（Action）

动作变量为微能源网的可控设备运行策略，维度与状态空间匹配，核心变量包括：MT的发电功率、蓄电池的充放电功率（充电为正、放电为负，0表示不动作）、蓄热罐的充放热功率、与大电网的购售电功率（购电为正、售电为负）。所有动作变量需满足设备运行约束，如蓄电池充放电功率不超过额定功率、SOC维持在20%-80%区间，MT出力不超过额定容量等。

2.3.3 奖励函数（Reward）

奖励函数的设计直接影响算法的优化方向，原研究采用“负成本+惩罚项”的复合奖励函数，即：Reward = -（日运行总成本）- 惩罚系数×（负荷缺电率+碳排放超标量+设备越限次数），通过最大化累积奖励，实现运行成本最小化、碳排放降低、系统稳定性提升的多目标优化，奖励函数的参数（如惩罚系数）严格遵循原研究设定，不随意调整。

2.3.4 训练过程

采用经验回放（Experience Replay）与目标网络（Target Network）机制提升训练稳定性，避免训练过程中出现震荡或不收敛的情况；训练数据采用典型日的源荷预测数据，训练迭代次数设置为1000-5000次，直至累积奖励收敛（收敛标准：连续50次迭代的累积奖励波动不超过3%）；训练过程中引入噪声机制，增大动作探索范围，避免算法陷入局部最优。

2.4 评价指标与仿真平台

2.4.1 评价指标

原研究采用以下5项核心指标评价能量管理策略的性能，复现过程中将基于该指标与原研究结果进行对比：

• 日运行总成本：微能源网一天内的购电成本、MT燃料成本、设备维护成本之和；

• 可再生能源消纳率：风光实际出力被负荷或储能吸收的比例，反映可再生能源利用效率；

• 负荷缺电率：负荷未被满足的电量与总负荷电量的比值，衡量系统运行可靠性；

• 碳排放总量：MT发电及购电带来的碳排放之和，反映环保性能；

• 单步决策时间：算法生成一次优化动作所需的时间，衡量策略的实时性。

2.4.2 仿真平台

原研究采用“MATLAB/Simulink + Python”联合仿真平台：①MATLAB/Simulink用于搭建微能源网仿真模型，实现各组件的建模、能量平衡计算及约束条件嵌入；②Python用于实现DRL算法训练，采用TensorFlow或PyTorch框架，结合NumPy、Pandas、Matplotlib等库进行数据处理与结果可视化；部分研究也采用开源Python微电网模拟器pymgrid搭建仿真环境，该平台支持与OpenAI Gym API对接，可快速实现DRL算法与微能源网模型的联合训练。

3 复现准备工作

3.1 软硬件环境配置

严格按照原研究要求，配置复现所需的软硬件环境，确保环境兼容性，避免因环境差异导致复现失败，具体配置如下：

3.1.1 硬件环境

CPU：Intel Core i7及以上（推荐i7-10750H及以上）；内存：≥16GB（推荐32GB，提升算法训练速度）；显卡（可选）：NVIDIA GTX 1060及以上（支持CUDA加速，缩短DRL算法训练时间）；硬盘：≥500GB（用于存储数据、模型及仿真结果）。

3.1.2 软件环境

• 操作系统：Windows 10/11（64位）或Ubuntu 20.04 LTS（推荐，稳定性更强）；

• 仿真软件：MATLAB 2020b及以上（含Simulink模块，用于微能源网建模）；

• Python环境：Python 3.7及以上，推荐Python 3.8；

• 深度学习框架：TensorFlow 2.0及以上或PyTorch 1.6及以上（与原研究保持一致）；

• 相关依赖库：NumPy（数据处理）、Pandas（数据读取与预处理）、Matplotlib（结果可视化）、OpenAI Gym（DRL环境搭建）、pymgrid（可选，微电网仿真）、Scikit-learn（数据归一化）；

• 辅助工具：PyCharm（Python代码编写与调试）、MATLAB Script（仿真脚本编写）、Excel（数据整理与对比）。

3.2 数据收集与预处理

数据的准确性直接影响复现结果的可靠性，本次复现严格按照原研究的数据来源与预处理方法，收集并处理所需数据，确保数据格式、范围与原研究完全一致。

3.2.1 数据收集

• 源荷数据：选取典型日（工作日、周末）的PV出力、WT出力、电负荷、热负荷曲线，数据采样间隔为1小时，共24个采样点/天；若原研究未提供原始数据，可采用公开数据集（如DOE OpenEI、NREL风光数据集、IEEE 33节点微电网数据集）或通过PVsyst等专业软件生成符合实际规律的数据，确保数据的随机性与真实性。

• 设备参数：收集微能源网各组件的额定参数，包括PV/WT额定功率、MT发电效率及余热回收效率、蓄电池/蓄热罐额定容量与充放能效率、设备维护成本系数等，参数值严格遵循原研究设定，若原研究未明确，参考行业标准或相近研究的合理参数。

• 经济参数：分时电价表（明确峰、平、谷时段划分及对应价格）、MT燃料价格、碳排放系数（用于计算碳排放总量），参考原研究所在地区的实际电价与燃料价格标准，确保经济成本计算的准确性。

3.2.2 数据预处理

按照原研究的预处理方法，对收集的数据进行清洗、归一化与划分，具体步骤如下：

• 数据清洗：剔除异常值（如风光出力为负、负荷数据突变等），采用线性插值法填补缺失数据，确保数据的完整性与合理性；

• 数据归一化：将状态变量（如风光出力、负荷、SOC等）映射至(0,1)区间，采用Min-Max归一化方法，公式为：x_norm = (x - x_min) / (x_max - x_min)，其中x为原始数据，x_min、x_max分别为原始数据的最小值与最大值，避免因数据量级差异影响算法训练收敛速度；

• 数据划分：将预处理后的数据集分为训练集（70%）与测试集（30%），训练集用于DRL算法训练，测试集用于验证算法性能，划分比例与原研究保持一致；同时采用train_test_split()函数实现数据的随机划分，确保训练集与测试集的代表性。

3.3 复现工具与代码准备

提前准备复现所需的工具与代码，确保代码的可读性与可复用性，具体包括：

• MATLAB/Simulink模型文件：提前搭建微能源网各组件的仿真模块，编写能量平衡计算与约束条件嵌入的脚本，确保模块的输出特性与原研究一致；

• Python代码：编写DRL算法（DQN/PPO）的核心代码，包括网络搭建、经验回放、目标网络更新、训练与测试脚本，代码注释清晰，便于调试；

• 辅助代码：编写数据读取、预处理、结果可视化的代码，实现数据的自动处理与仿真结果的图表生成，与原研究的图表格式保持一致；

• 参考代码：若原研究提供开源代码，可基于开源代码进行修改与调试，确保代码与原研究的算法逻辑一致；若未提供开源代码，根据原研究的算法描述，从零编写代码，确保每一步逻辑与原研究匹配。

4 核心部分复现过程

本次复现分为微能源网模型复现、DRL算法复现、模型与算法联合训练三个核心步骤，每个步骤严格遵循原研究的技术路线，确保复现的准确性与完整性。

4.1 微能源网模型复现（MATLAB/Simulink）

基于MATLAB/Simulink搭建与原研究一致的微能源网仿真模型，核心步骤如下，每一步均进行验证，确保模型与原研究一致：

4.1.1 组件模块搭建

• PV模块：采用Simulink中的PV Array模块，输入预处理后的光照强度、环境温度数据及PV额定参数，搭建PV出力模型，测试不同光照条件下的出力特性，确保与原研究的PV出力曲线趋势一致；

• WT模块：采用Wind Turbine模块，输入风速数据及WT额定参数，搭建WT出力模型，验证风速与出力的关系，确保出力曲线符合实际规律；

• MT模块：搭建MT发电与余热回收模型，考虑MT的发电效率随出力的变化规律，输入燃料消耗数据，输出发电功率与余热功率，与原研究的MT模型参数匹配；

• 储能模块：搭建蓄电池与蓄热罐模型，蓄电池采用State of Charge模块，输入充放电功率，考虑充放电效率与SOC约束，输出实时SOC；蓄热罐采用类似的动力学模型，输出实时SOH，确保模型的约束条件与原研究一致；

• 负荷模块：将预处理后的电负荷、热负荷数据导入Simulink，搭建负荷模块，实现负荷的实时输入；

• 外部交互模块：搭建与大电网的购售电模块，输入分时电价数据，设置购售电功率约束，实现微能源网与大电网的电能交互。

4.1.2 能量平衡与约束条件嵌入

搭建电能平衡与热能平衡计算模块，实时计算微能源网的供需平衡状态，将计算结果反馈给DRL算法，作为状态输入的一部分；同时，在模型中嵌入各设备的运行约束，包括：蓄电池SOC约束（20%-80%）、MT出力约束（0-额定功率）、充放电/充放热功率约束等，通过逻辑判断模块实现约束控制，避免动作变量超出合理范围，确保模型的运行符合工程实际。

4.1.3 模型验证

模型搭建完成后，进行单独验证与整体验证：①单独验证：测试各组件模块的输出特性，如PV模块在不同光照下的出力、蓄电池的充放电特性，确保每个模块的输出符合理论规律与原研究描述；②整体验证：采用无优化策略（如固定MT出力、全额购电）测试微能源网的基础运行状态，计算能量平衡误差，确保误差不超过1%，验证模型的正确性与稳定性，若存在误差，及时调整模块参数，直至符合要求。

4.2 深度强化学习算法复现（Python）

基于Python（TensorFlow/PyTorch）实现原研究采用的DRL算法（以DQN为例，若原研究采用PPO，则对应调整），核心步骤如下，确保算法逻辑、网络结构与原研究完全一致：

4.2.1 算法框架搭建

搭建DRL算法的核心框架，包括网络结构、经验回放、目标网络更新三个核心部分：

• 网络结构：采用深度神经网络（DNN），输入层节点数=状态变量维度，隐藏层设置2-3层，每层节点数64-256（与原研究一致），激活函数采用ReLU，输出层节点数=动作变量维度，激活函数采用Linear；若原研究采用改进型DQN（如Double DQN、Dueling DQN），则在基础DQN框架上添加对应改进模块，如Dueling DQN的价值网络与优势网络拆分结构，TGD-RL模型中的Transformer与GNN模块（若原研究采用该改进算法）；

• 经验回放：创建经验回放池，存储智能体与环境交互过程中的（状态、动作、奖励、下一状态）经验，设置回放池容量（如10000条），训练过程中随机采样经验进行训练，避免经验相关性导致的训练震荡，提升训练稳定性；

• 目标网络更新：搭建目标网络与评估网络，评估网络用于实时生成动作与更新参数，目标网络用于计算目标Q值，每隔一定迭代次数（如100次），将评估网络的参数复制到目标网络，避免目标Q值波动过大，加速算法收敛。

4.2.2 核心函数编写

编写算法的核心函数，确保每个函数的功能与原研究一致，具体包括：

• 状态初始化函数：初始化微能源网的初始状态（如蓄电池初始SOC、蓄热罐初始SOH、初始负荷与风光出力），与原研究的初始条件一致；

• 动作选择函数：基于ε-greedy策略选择动作，ε值从0.9逐渐衰减至0.1（与原研究一致），平衡探索与利用，前期增大探索范围，后期侧重利用已学习的最优策略；

• 奖励计算函数：根据微能源网的运行状态（总成本、负荷缺电率、碳排放等），计算实时奖励值，严格遵循原研究的奖励函数公式，确保奖励计算的准确性；

• 参数更新函数：采用Adam优化器，设置学习率（如0.0003，与原研究一致），计算损失函数（均方误差损失），更新评估网络参数，确保参数更新的步长与原研究匹配；

• 训练与测试函数：编写训练函数，实现算法的迭代训练，记录每次迭代的累积奖励；编写测试函数，利用测试集数据，验证训练后的模型性能，输出各项评价指标。

4.2.3 算法调试

算法编写完成后，进行单独调试，确保算法能够正常运行：①测试网络结构的合理性，检查输入输出维度是否匹配，避免出现维度错误；②测试经验回放与目标网络更新机制，确保经验采样与参数复制正常；③测试奖励计算函数，输入样本数据，验证奖励值的计算是否正确；④调试超参数（学习率、迭代次数、ε衰减系数等），确保超参数与原研究一致，避免因超参数差异导致训练结果偏差。

4.3 模型与算法联合训练

实现MATLAB/Simulink微能源网模型与Python DRL算法的联合训练，建立两者的通信接口，确保数据交互顺畅，核心步骤如下：

• 通信接口搭建：采用MATLAB Engine for Python，实现Python与MATLAB的双向通信，Python向MATLAB发送动作指令（如MT出力、储能充放电功率），MATLAB向Python反馈实时状态（如风光出力、SOC、负荷需求）与奖励值；若采用pymgrid仿真平台，可直接通过OpenAI Gym API实现DRL算法与微能源网模型的对接，简化通信接口搭建过程；

• 联合调试：启动联合训练，测试数据交互的顺畅性，确保Python发送的动作指令能够准确传递至MATLAB模型，MATLAB反馈的状态与奖励值能够准确导入Python算法，避免出现数据丢失或延迟；

• 迭代训练：按照原研究的训练参数，启动算法迭代训练，记录每次迭代的累积奖励、训练损失，实时监测训练过程，若出现训练不收敛（如累积奖励波动过大、损失无法下降），及时排查问题（如网络结构、超参数、模型约束等），调整后重新训练，直至累积奖励收敛；

• 模型保存：训练收敛后，保存训练好的DRL模型参数（如网络权重、偏置），用于后续仿真验证，确保模型能够重复调用。

⛳️ 运行结果

🔗 参考文献

[1] 周浩,吴秋轩,李峰峰,等.基于Python语言的微电网监控软件设计与开发[C]//第27届中国控制与决策会议.0[2026-04-01].

[2] 张怡.基于深度学习的电力系统扰动后频率预测[D].山东大学,2018.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇