在“双碳”目标推动下，高比例可再生能源并网成为电力系统发展的必然趋势，光热电站（Concentrated Solar Power, CSP）凭借其大容量储热特性和灵活调节能力，可有效平抑风电、光伏等间歇性电源的出力波动，为系统提供惯量支撑和调频服务，成为提升电力系统灵活性的关键支撑电源[2]。

永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）凭借功率密度高、结构简单、转矩电流比大、运行效率高的优势，广泛应用于工业伺服、新能源汽车、航空航天等领域。但PMSM本质是多变量、强耦合的非线性系统，运行过程中易受到定子电阻、电感参数摄动、外部负载扰动等不确定性因素影响，传统PID控制依赖精确数学模型，难以实现高精度、强鲁棒性的控制需求，在参数漂移或负

电力短期负荷预测是电力系统调度、机组启停、储能配置及电力市场交易的核心基础，其预测精度直接决定电网运行的安全性、经济性与稳定性。传统预测方法（如时间序列分析、回归模型）在处理负荷数据的非线性、高维性及随机性（如天气突变、节假日效应）时存在明显局限性，而支持向量机（SVM）基于统计学习理论的结构风险最小化原理，具备处理小样本、高维数据的独特优势，在电力短期负荷预测中得到广泛应用与改进。

基于异步电机的光伏储能三相并网微电网仿真模型，是融合光伏发电、储能系统、异步电机及三相并网技术的综合性仿真载体，旨在模拟微电网在并网运行模式下的能量转换、功率传输及协同控制特性，为微电网系统设计、控制策略优化及运行稳定性分析提供理论支撑与仿真验证工具。

针对复杂工业场景中机械设备故障诊断存在的非平稳信号时频分辨率低、故障特征提取不充分、模型鲁棒性差等问题，本文提出一种基于小波多尺度同步压缩变换（WMSST）与多尺度卷积神经网络（MCNN）融合的智能故障诊断模型。首先，利用WMSST对原始一维振动信号进行多尺度分解与同步压缩处理，将其转换为高分辨率多通道时频图像，有效解决传统时频分析方法的时频模糊问题，凸显故障特征与噪声的区分度；随后，构建MCNN

时序预测在能源管理、金融分析、气象预报等多个领域具有重要应用价值，其核心需求是实现对非线性、非平稳时序数据的精准预测。支持向量机（SVM）作为一种经典的机器学习算法，凭借在小样本、高维数据场景下的优异泛化能力，成为时序预测的常用工具，但其预测性能高度依赖惩罚系数C、核函数参数等关键参数的合理配置，传统参数调优方法存在易陷入局部最优、效率低下等缺陷。

针对传统极限学习机（ELM）在功率预测中因输入权重和隐含层偏置随机初始化，易陷入局部最优、预测精度不足且稳定性差的问题，本文提出一种基于天牛群算法（BSO）优化ELM的功率预测模型（BSO-ELM）。首先，分析天牛群算法模拟天牛群体觅食行为的寻优机制，利用其全局搜索能力强、收敛速度快的优势，对ELM的关键参数进行全局寻优；其次，构建完整的功率预测框架，包括数据预处理、BSO参数优化、ELM模型训练

针对孤岛微电网脱离主网后，受分布式电源（DG）出力间歇性、负荷随机性影响导致的电压与频率波动问题，以及传统时间触发二次控制存在的通信冗余、计算资源浪费等缺陷，本文构建了基于事件触发机制的孤岛微电网二次电压与频率协同控制仿真模型。该模型采用分层控制架构，结合事件触发机制的非周期性控制特性，在保证控制精度的前提下，显著降低通信与计算开销。

时间序列预测是金融、气象、交通、电力等多个领域决策支持的核心技术，其核心需求是从历史时序数据中挖掘潜在规律，实现对未来数据的精准预判。传统时间序列预测方法（如ARIMA、支持向量机）在处理高维、非线性、非平稳的复杂时序数据时，存在特征提取不充分、预测精度低、鲁棒性不足等局限。近年来，深度学习模型在时序预测中展现出显著优势，其中卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的混合模型应用

永磁同步电机（PMSM）凭借高效能、高功率密度、低损耗等优势，广泛应用于新能源汽车、工业伺服、精密控制等领域。磁场定向控制（FOC）作为PMSM的经典控制策略，通过坐标变换将定子电流解耦为励磁分量和转矩分量，实现对电机转矩和转速的独立精准控制，为电机稳定运行奠定基础。模型预测控制（MPC）是一种基于模型的先进控制方法，其核心思路是利用系统数学模型预测未来一段时间内的系统输出，通过滚动优化求解最优控