✅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

本文针对SCI二区IEEE相关研究中，基于混合有限集模型预测控制（Hybrid Finite Control Set-Model Predictive Control, Hybrid FCS-MPC）的模块化多电平换流器（Modular Multilevel Converter, MMC）整流电路仿真模型复现难题，结合MMC拓扑优势与FCS-MPC控制特性，梳理复现核心要点、搭建完整仿真框架、明确参数配置与控制策略实现细节，解决传统复现过程中参数缺失、控制逻辑模糊、复现性差等问题。基于MATLAB/Simulink仿真平台，还原SCI二区IEEE论文核心仿真场景，验证Hybrid FCS-MPC在MMC整流电路中对交流侧电流跟踪、子模块电容电压平衡、直流侧电压稳定的控制效果，最终实现仿真模型与IEEE论文结果的一致性，为相关领域研究提供可靠的复现基准与技术参考，同时为工程应用中的模型搭建与参数优化提供支撑。

关键词

混合有限集模型预测控制（Hybrid FCS-MPC）；模块化多电平换流器（MMC）；整流电路；仿真复现；MATLAB/Simulink；SCI二区IEEE

1 研究背景与复现意义

1.1 研究背景

模块化多电平换流器（MMC）凭借模块化拓扑结构带来的高电压等级适配性、低谐波输出、易扩展等优势，已成为柔性直流输电（HVDC）、新能源并网、城市电网柔性互联等电力电子领域的核心拓扑结构，其整流电路作为能量交互的关键环节，控制性能直接决定电能质量、系统稳定性及运行效率。传统控制策略如比例积分（PI）+脉宽调制（PWM）虽技术成熟，但存在动态响应慢、多目标协调控制复杂、参数整定依赖经验等缺陷，难以满足复杂电网场景下的高精度控制需求。

有限集模型预测控制（FCS-MPC）通过枚举所有可能的开关状态、构建预测模型并求解目标函数实现最优开关状态选择，具备动态响应快、多约束处理能力强、易于实现多目标控制等突出优势，被广泛应用于电力电子变换器控制领域。然而，传统FCS-MPC在MMC整流电路应用中面临计算复杂度高、预测精度依赖模型参数、子模块电容电压平衡控制难度大等问题，尤其当子模块数量增加时，开关状态数量呈指数增长，严重影响实时控制性能。

混合有限集模型预测控制（Hybrid FCS-MPC）通过引入虚拟开关状态或简化状态枚举策略，在保证控制性能的前提下显著降低计算负担，成为MMC控制的研究热点，且SCI二区IEEE相关研究已验证其在MMC控制中的优越性。但部分研究存在仿真模型参数不完整、控制策略实现细节模糊、复现性差等问题，导致后续研究者难以精准复现论文结果，制约了相关技术的推广与深化研究。

1.2 复现意义

本次复现基于SCI二区IEEE代表性文献的核心思路，完整构建基于Hybrid FCS-MPC的MMC整流电路仿真模型，明确各环节实现细节与参数配置，解决现有复现过程中的核心痛点。其意义主要体现在三个方面：一是为相关领域研究者提供可直接复用、可修改的仿真基准模型，降低复现难度，提升研究效率；二是验证Hybrid FCS-MPC控制策略的有效性，还原IEEE论文中的控制性能指标，为后续控制策略优化提供对比基础；三是梳理复现流程与调试技巧，为工程应用中的MMC整流电路建模、控制策略实现提供技术参考，推动理论研究与工程实践的衔接。

2 复现基础理论

2.1 模块化多电平换流器（MMC）整流电路拓扑与工作原理

本次复现采用三相MMC整流电路拓扑，整体结构分为三相桥臂、子模块（SM）、桥臂电感、直流侧负载四部分，具体拓扑设计与IEEE论文保持一致：

三相MMC由A、B、C三相构成，每相包含上、下两个桥臂，每个桥臂由N个结构相同的半H桥子模块与一个桥臂电感串联而成，半H桥子模块由两个绝缘栅双极型晶体管（IGBT）、两个反并联二极管与一个储能电容组成，通过控制IGBT的通断状态，子模块可输出“投入”（电容电压Uc）或“切除”（0）两种状态，进而通过调节各桥臂子模块的投入数量，实现多电平电压输出与交直流电能转换。

MMC整流电路的核心工作原理的是：通过控制各桥臂子模块的投切状态，调节桥臂输出电压，进而控制交流侧电流与直流侧电压，实现交流电能向直流电能的转换。为保证电路稳定运行，需满足三个核心控制目标：一是直流侧电压稳定，跟踪给定参考值；二是交流侧电流跟踪参考值，且功率因数接近1；三是各子模块电容电压平衡，避免因电容电压差异导致IGBT过压损坏，同时抑制桥臂间二倍频环流，降低器件损耗，提升系统运行效率。

2.2 混合有限集模型预测控制（Hybrid FCS-MPC）原理

Hybrid FCS-MPC是在传统FCS-MPC基础上改进而来，核心目标是在保证控制精度的前提下，降低计算复杂度，适配MMC整流电路的实时控制需求，其核心原理与实现流程如下：

传统FCS-MPC通过枚举所有可能的开关状态（对于每相含N个子模块的MMC，每相桥臂有N+1种输出状态，三相共(N+1)³种开关组合），基于预测模型计算各开关状态下的被控量预测值，代入目标函数求解最优开关状态。该方法动态响应快，但开关状态数量随子模块数量增加急剧增多，导致计算复杂度高，难以满足实时控制需求。

Hybrid FCS-MPC通过引入“虚拟开关状态”策略降低计算复杂度，核心流程为：首先根据各相桥臂参考输出电压，确定每个桥臂需投入的子模块数量，进而生成若干个虚拟开关状态（含当前状态与相邻状态）；对虚拟开关状态进行筛选后，仅对筛选后的状态进行预测与目标函数求解，从而在保证控制精度的前提下，显著降低计算量，解决传统FCS-MPC计算负担过重的问题。

本次复现的Hybrid FCS-MPC控制策略，兼顾三个核心控制目标：交流侧电流跟踪、子模块电容电压平衡、直流侧电压稳定，同时引入环流抑制逻辑，通过构建多目标目标函数，实现多目标协同控制，与SCI二区IEEE论文中的控制策略保持一致。

3 仿真模型复现核心配置（贴合SCI二区IEEE论文）

3.1 仿真平台选择

仿真平台采用MATLAB/Simulink 2023b版本（与多数SCI二区IEEE论文仿真环境一致，可兼容低版本MATLAB，如2021b、2022b），该平台具备丰富的电力电子模块库、直观的图形化建模界面、高精度的仿真计算能力，可完美还原MMC整流电路的运行特性与Hybrid FCS-MPC控制策略的实现过程，同时支持仿真结果的实时监测与数据分析，满足复现需求。

3.2 核心参数配置（与IEEE论文一致，可直接复用）

本次复现严格参考SCI二区IEEE论文中的参数设置，明确各模块核心参数，避免因参数偏差导致复现结果与论文不一致，具体参数如下（可根据目标论文细微调整）：

3.2.1 电网侧参数

• 电网类型：三相交流电网

• 电网线电压：380V（工频50Hz）

• 电网等效电感：0.5mH

• 电网等效电阻：0.1Ω

3.2.2 MMC主电路参数

• 子模块（SM）数量：每相桥臂8个半H桥子模块（N=8），三相共48个子模块（与IEEE论文中21电平输出配置一致）

• 子模块电容：C=2mF，额定电容电压Uc=1kV

• 桥臂电感：Ls=10mH，桥臂等效电阻Rs=0.1Ω

• 直流侧额定电压：Ud=16kV（每相8个子模块串联，总电压8kV，三相共16kV）

• IGBT参数：理想开关模型，开通压降0.3V，关断漏电流1mA，开关频率10kHz

• 直流侧负载：电阻负载，额定功率100kW（可根据论文调整为阻感负载）

3.2.3 Hybrid FCS-MPC控制参数

• 控制周期：100μs（与开关频率匹配）

• 预测步长：1步预测（贴合多数SCI二区IEEE论文设计）

• 虚拟开关状态数量：每相生成5个虚拟开关状态（含当前状态与相邻状态）

• 目标函数权重系数：电流跟踪权重K1=1.0，电容电压平衡权重K2=0.8，直流侧电压权重K3=0.5，环流抑制权重K4=0.3（可根据论文微调）

• 电流参考值：根据直流侧电压参考值与功率因数要求生成，功率因数控制为0.98（滞后）

• 延时补偿：引入两步预测策略，补偿数字运算带来的1个控制周期延时，提升控制精度

4 仿真模型搭建步骤（复现关键，可直接操作）

模型搭建分为4个核心模块：电网侧模块、MMC主电路模块、Hybrid FCS-MPC控制模块、测量与观测模块，各模块搭建严格遵循IEEE论文逻辑，步骤如下：

4.1 电网侧模块搭建

1.  在Simulink中拖拽“Three-Phase Voltage Source”模块，作为三相交流电网，设置线电压380V、频率50Hz，相位差120°；

2.  串联电网等效电感（0.5mH）与等效电阻（0.1Ω），模拟实际电网的阻抗特性；

3.  添加“Phase-Locked Loop (PLL)”模块，用于锁定电网相位，为控制模块提供同步信号，确保电流跟踪的准确性。

4.2 MMC主电路模块搭建

该模块是复现核心，需严格按照IEEE论文拓扑搭建，避免拓扑偏差导致复现失败：

1.  搭建三相桥臂结构，每相分为上桥臂与下桥臂，桥臂间串联桥臂电感（10mH）与等效电阻（0.1Ω）；

2.  搭建半H桥子模块（SM）：每个子模块由2个IGBT、2个反并联二极管、1个储能电容（2mF）组成，采用Simulink电力电子模块库中的“IGBT”“Diode”“Capacitor”模块，设置电容初始电压为1kV；

3.  子模块级联：每相桥臂级联8个子模块，通过“Series”模块实现串联，三相共48个子模块，确保输出21电平电压；

4.  直流侧搭建：将三相桥臂的上桥臂顶端与下桥臂底端分别连接，形成直流侧正负极，并联直流侧负载（100kW电阻负载），添加“DC Voltage Measurement”模块，实时监测直流侧电压。

4.3 Hybrid FCS-MPC控制模块搭建（核心中的核心）

控制模块分为5个子模块，实现虚拟开关状态生成、预测模型计算、目标函数求解等功能，与IEEE论文控制逻辑完全一致：

4.3.1 参考信号生成子模块

根据直流侧电压参考值（16kV）与功率因数要求（0.98滞后），通过“Voltage Regulator”模块调节直流侧电压偏差，生成交流侧电流参考值iabc*，同时结合PLL模块输出的电网相位，确保电流参考值与电网电压同相位。

4.3.2 虚拟开关状态生成子模块

根据各相桥臂参考输出电压，计算每相需投入的子模块数量，生成5个虚拟开关状态（含当前状态与相邻状态），避免枚举所有开关状态，降低计算复杂度；同时添加状态筛选逻辑，剔除无效开关状态（如超出子模块投切范围的状态），提升计算效率。

4.3.3 预测模型计算子模块

基于基尔霍夫定律与功率平衡原理，构建MMC整流电路离散化预测模型，涵盖交流侧电流预测模型、子模块电容电压预测模型、环流预测模型：

1.  交流侧电流预测模型：描述交流侧电流与桥臂投入子模块数量、直流电压的关系，用于实现电流快速跟踪；

2.  子模块电容电压预测模型：基于电容充放电特性，建立电压与桥臂电流、投切状态的动态模型，支撑子模块电压均衡控制；

3.  环流预测模型：聚焦二倍频环流分量，建立环流与桥臂电压差、相间功率的关联，为环流抑制提供预测依据。

将虚拟开关状态代入预测模型，计算k+1时刻各虚拟状态下的电流预测值、电容电压预测值与环流预测值。

4.3.4 目标函数求解子模块

构建多目标目标函数，兼顾电流跟踪、电容电压平衡、直流侧电压稳定与环流抑制，目标函数表达式与IEEE论文保持一致：

J = K1×|iabc - iabc*| + K2×Σ|Uc - Uc*| + K3×|Ud - Ud*| + K4×|Icir - 0|

其中，J为目标函数值，iabc为交流侧实际电流，iabc*为交流侧电流参考值，Uc为子模块实际电容电压，Uc*为电容电压参考值（1kV），Ud为直流侧实际电压，Ud*为直流侧电压参考值（16kV），Icir为桥臂环流，K1~K4为权重系数（参考3.2.3节参数）。计算各虚拟开关状态对应的目标函数值，选取目标函数值最小的虚拟开关状态作为最优开关状态。

4.3.5 开关状态筛选与输出子模块

对最优虚拟开关状态进行进一步筛选，结合子模块电容电压平衡逻辑（排序均压策略），动态调整子模块投切顺序，确保各子模块电容电压偏差控制在±5%以内；将最终的开关控制信号输出至MMC主电路的IGBT，实现对MMC整流电路的实时控制。

4.4 测量与观测模块搭建

1.  添加“Current Measurement”模块，实时采集交流侧三相电流、桥臂电流、环流；

2.  添加“Voltage Measurement”模块，实时采集子模块电容电压、直流侧电压、交流侧电网电压；

3.  添加“Scope”模块，用于实时观测各电气量的波形（如交流侧电流波形、子模块电容电压波形、直流侧电压波形）；

4.  添加“To Workspace”模块，将仿真数据保存至MATLAB工作区，用于后续数据分析与论文图表绘制，与IEEE论文的结果分析方式保持一致。

5 仿真调试与复现验证（关键步骤，确保与IEEE论文一致）

5.1 仿真调试步骤

仿真调试的核心是解决模型报错、参数不匹配、控制性能不佳等问题，确保模型稳定运行，步骤如下：

1.  初始化调试：检查各模块连接是否正确，确认参数配置与IEEE论文一致，设置仿真时长为0.5s（足够观察稳态与动态特性），仿真步长设为1e-6s，确保仿真精度；

2.  无控制信号调试：暂时断开控制模块与主电路的连接，给主电路施加初始电压，检查子模块电容电压是否稳定在初始值（1kV），电网侧电压、电流是否正常，排除主电路拓扑与参数错误；

3.  控制模块调试：接入控制模块，逐步调试权重系数K1~K4，确保电流跟踪精度、电容电压平衡度、直流侧电压稳定性均满足要求；重点调试虚拟开关状态生成逻辑，避免出现开关状态冲突；

4.  动态调试：模拟负载突变（如将直流侧负载从100kW调整为80kW）、电网电压波动（如线电压从380V波动至360V），调试控制模块的动态响应性能，确保系统在工况突变时能快速恢复稳定；

5.  误差调试：对比仿真结果与IEEE论文中的波形图、数据指标，微调参数（如权重系数、预测步长），减小误差，确保复现结果与论文一致性。

5.2 复现验证指标（与SCI二区IEEE论文一致）

复现验证需满足以下指标，确保与IEEE论文结果一致，验证模型的有效性：

5.2.1 稳态性能指标

• 交流侧电流：波形正弦度良好，总谐波畸变率（THD）≤3%，跟踪误差≤5%，与电网电压同相位，功率因数≥0.98；

• 子模块电容电压：各子模块电容电压稳定在1kV左右，偏差≤±5%，平衡效果良好；

• 直流侧电压：稳定在16kV，波动幅度≤±1%，无明显纹波；

• 环流抑制：桥臂二倍频环流幅值≤5A，抑制效果符合论文要求。

5.2.2 动态性能指标

• 负载突变响应：负载突变后，直流侧电压恢复稳定的时间≤5ms，交流侧电流恢复稳定的时间≤3ms；

• 电网电压波动响应：电网电压波动时，交流侧电流跟踪误差仍≤5%，子模块电容电压无明显波动；

• 控制响应速度：控制周期100μs，开关状态切换无延迟，无震荡现象。

5.3 验证结果与论文对比

将仿真得到的交流侧电流波形、子模块电容电压波形、直流侧电压波形、环流波形，与SCI二区IEEE论文中的对应波形进行对比，确保波形趋势、幅值、畸变率等关键指标一致；同时将稳态性能指标（THD、电压偏差、功率因数）、动态性能指标（响应时间）与论文数据对比，误差控制在10%以内，即完成复现验证。

6 复现难点与解决方案（贴合实际操作，规避复现陷阱）

结合SCI二区IEEE论文复现经验，梳理常见复现难点及解决方案，帮助快速解决复现过程中的问题：

6.1 难点1：虚拟开关状态生成逻辑模糊，计算复杂度过高

问题描述：IEEE论文中对虚拟开关状态的生成规则、筛选逻辑描述简略，导致搭建控制模块时，虚拟状态生成不合理，要么计算量未降低，要么控制精度不足。

解决方案：参考本文3.2.3节与4.3.2节的配置，每相生成5个虚拟开关状态（当前状态、±1个投切数量的相邻状态），通过判断子模块投切数量的合理性（0≤投切数量≤8），剔除无效状态；同时采用分组枚举策略，进一步降低计算复杂度，确保控制周期内完成计算。

6.2 难点2：子模块电容电压平衡控制效果不佳

问题描述：仿真过程中，子模块电容电压偏差过大，超出±5%的范围，与IEEE论文结果不符，甚至出现电容过压损坏的情况。

解决方案：优化目标函数中电容电压平衡的权重系数（建议K2=0.8~1.0），引入排序均压策略，在开关状态输出阶段，优先投切电容电压偏高的子模块、切除电容电压偏低的子模块；同时调整控制周期与预测步长，确保电压平衡控制的实时性。

6.3 难点3：仿真结果与论文波形、数据偏差过大

问题描述：模型搭建完成后，仿真得到的电流波形畸变率过高、直流侧电压波动过大，与IEEE论文结果偏差超过10%。

解决方案：首先检查参数配置是否与论文完全一致（重点检查子模块数量、电容参数、桥臂电感、权重系数）；其次调试PLL模块的锁相精度，确保电网相位同步准确；最后微调目标函数权重系数，优化虚拟开关状态筛选逻辑，降低电流跟踪误差与电压波动。

6.4 难点4：仿真报错（如“代数环”“模块连接错误”）

问题描述：搭建模型时，出现代数环报错、模块连接错误等问题，导致仿真无法运行。

解决方案：避免控制模块与主电路之间形成闭环回路（可添加“Unit Delay”模块打破代数环）；检查各模块的输入输出端口是否匹配，确保信号类型（电压、电流）一致；删除冗余模块，简化模型结构，确保仿真步长与控制周期匹配。

7 总结与拓展

7.1 复现总结

本次基于SCI二区IEEE论文，完成了基于Hybrid FCS-MPC的MMC整流电路仿真模型的完整复现，明确了模型搭建、参数配置、控制策略实现、仿真调试的核心步骤，解决了传统复现过程中参数缺失、控制逻辑模糊、复现性差等问题。通过MATLAB/Simulink仿真验证，模型的稳态性能与动态性能均满足IEEE论文要求，复现结果与论文一致性良好，可作为相关领域研究的基准模型，为后续控制策略优化、工程应用提供可靠支撑。

7.2 拓展方向

基于本次复现模型，可结合SCI二区IEEE论文的研究热点，进行以下拓展研究，进一步提升模型性能：

• 优化Hybrid FCS-MPC控制策略，引入人工智能算法（如人工神经网络、强化学习），进一步降低计算复杂度，提升控制鲁棒性，适配更多工况；

• 增加故障仿真模块，模拟子模块故障、IGBT故障等场景，研究故障容错控制策略，提升模型的实用性；

• 对比不同控制策略（如传统FCS-MPC、PI-PWM、比例谐振控制）的控制性能，进一步验证Hybrid FCS-MPC的优越性，丰富论文研究内容；

• 调整子模块数量与参数，适配不同电压等级（如高压直流输电场景），拓展模型的应用范围。

⛳️ 运行结果

🔗 参考文献

[1] 李宁,李颖晖,韩建定,等.基于混合逻辑动态模型的三相逆变电路有限控制集模型预测控制策略[J].电网技术, 2014, 38(2):6.DOI:10.13335/j.1000-3673.pst.2014.02.016.

[2] 冯海博,杨兴武,刘海波,等.基于多变量校正的MMC快速有限集模型预测控制策略[J].电力系统保护与控制, 2023, 51(23):26-36.

📣 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

👇