随着电力系统的不断发展，电力电缆的应用愈发广泛，成为城市电网和长距离输电的关键组成部分。然而，电力电缆在长期运行过程中，受电场、热场、机械应力及环境因素等影响，易出现局部放电现象。局部放电是电力电缆绝缘劣化的早期征兆，若不及时检测与处理，可能引发电缆绝缘击穿，导致电力中断，甚至引发火灾等严重事故。高频电流互感器（HFCT）能够有效测量电力电缆上的瞬态电流信号，捕捉局部放电产生的高频脉冲电流，为电力

实际应用场景：单变量时间序列预测在众多领域都有广泛应用，比如金融领域的股票价格预测、能源领域的电力负荷预测、工业生产中的设备性能指标预测等。在这些场景中，我们往往需要根据某个变量的历史观测值来预测其未来走势。面临的挑战：尽管只涉及一个变量，但时间序列可能呈现出复杂的特征。它可能包含趋势性，即数据随时间呈现出上升或下降的长期走向；季节性，如电力负荷在一年中的不同季节或一天中的不同时段呈现周期性变化；

无线传感器网络（WSNs）作为由大量微型传感器节点构成的自组织网络系统，凭借其协同感知、分布式处理与多跳传输能力，已在军事侦察、环境监测、工业控制、智能交通等多个关键领域实现广泛应用。此类网络的核心优势在于能够突破单节点覆盖局限，通过多跳中继实现大范围区域的信息收集与传输，但同时也面临着能量约束、链路干扰及安全威胁等多重挑战。在实际部署场景中，WSNs节点往往难以进行电池更换或充电，能量效率成为决

插电式混合动力电动汽车 (PHEV) 因其兼具纯电动汽车的零排放能力和传统燃油车的续航里程优势而备受关注。然而，如何有效地管理PHEV的能量流，以最大限度地提高燃油经济性、降低排放并延长电池寿命，是一个复杂而关键的问题。本文深入探讨了动态规划 (Dynamic Programming, DP) 在PHEV能量管理策略优化中的应用。通过将能量管理问题建模为马尔可夫决策过程，动态规划能够找到全局最优的

在雷达等多传感器轨迹估计系统中，如何高效融合多源数据以提升目标跟踪精度是核心问题。卡尔曼滤波及其衍生架构（集中式、分布式、联邦式）为这一问题提供了不同的解决方案，各具优势与适用场景。本文系统对比三种架构的原理、性能与工程实现，重点分析在雷达传感器网络中的应用策略。

时间序列预测是众多领域的关键任务，例如金融市场预测、气象预报、能源管理等。其目标是从历史数据中提取模式，并利用这些模式预测未来的值。多步预测，即预测未来多个时间点的值，比单步预测更具挑战性，因为预测误差会随着预测步长的增加而累积，导致预测精度下降。支持向量机 (SVM) 作为一种强大的机器学习算法，因其在处理高维数据和非线性关系方面的优势，被广泛应用于时间序列预测，尤其是在多步预测场景下展现出一定

非平稳重复过程广泛存在于电力电子、机器人控制、先进制造等工程领域，这类系统的核心特征是在周期性重复运行的过程中，系统参数会随时间、环境工况、设备老化等因素发生动态变化。传统基于平稳系统假设的最小二乘法、极大似然估计等辨识方法，在面对参数时变的非平稳场景时，普遍存在跟踪滞后、辨识精度下降、鲁棒性不足等问题。

非平稳重复过程是一类在有限时间区间内周而复始运行、且过程动态特性随时间/迭代批次缓慢时变的典型工业过程，广泛存在于机器人轨迹跟踪、工业间歇生产、电力系统周期负荷波动等场景中。这类过程的核心特性是同时具备‌沿时间轴的动态演化特性‌与‌沿迭代批次轴的重复运行特性‌，传统参数辨识方法存在三类明显缺陷：一是普通递推类辨识算法仅能沿单时间轴更新参数，无法充分利用批次轴的重复历史信息，时变参数跟踪速度慢；二是

在现代化仓库的自动化运营中，大重量、多批次 payload（如托盘货物、重型包裹）的运输是核心需求之一。传统单机器人运输面临 “载重有限、效率低” 的瓶颈（如单机器人最大载重 5kg，无法处理 50kg 以上货物），而多机器人协同运输虽能突破载重限制，却需解决 “团队动态组建、路径避障、动作一致性” 等难题。

移动机器人在非结构化动态场景下运行时，普遍面临传感器量测噪声、轮地滑移扰动、动力学模型失配等多重挑战，传统“递归滤波+确定性控制”的架构难以同时满足高精度估计与强鲁棒跟踪的双重需求。本研究构建滚动时域估计（MHE）与线性时变模型预测控制（LTV-MPC）的紧耦合协同框架：前端滚动时域估计器在有限滑动窗口内融合多步历史量测与系统动态约束，对机器人位姿、速度、集总扰动与未知模型参数进行联合最优估计；