光伏电池阵列的输出特性曲线呈现非线性变化。在光伏电池被遮挡时，产生的功率会不断波动，导致光伏电池阵列的输出功率也在不断变化，呈现出多峰值的特征。多峰值最大功率点跟踪（MPPT）技术的出现是由光伏发电系统失配问题引起的。当光伏发电系统失配时，其功率-电压输出特性曲线会呈现多个峰值，传统的单峰值MPPT控制算法可能只能追踪到局部最大功率点，而非全局最大功率点，导致算法失效，从而降低光伏发电系统的输出功

风力发电特点：风力发电的能量来源为风能，其受到地球自转、日照程度、山川海洋地貌等多种因素的影响，导致风机输出功率产生剧烈波动。储能技术作用：储能技术通过将电能转化为其他形式的能量储存起来，并在需要时释放，从而平抑风电功率波动，提高电力系统的稳定性和可靠性。

在 “双碳” 战略加速推进与新型电力系统加快构建的时代背景下，综合能源系统凭借多能互补、供需协同的运行模式，成为提升能源利用效率、促进可再生能源高比例消纳的关键载体。然而，风电、光伏出力固有的间歇性、随机性与波动性，以及用户侧电、热负荷的实时动态变化，给系统安全稳定与经济高效运行带来严峻挑战；同时，传统不确定性优化方法在概率分布未知、历史数据有限的实际场景中，难以实现经济性与鲁棒性的协同最优。为此

文献来源：摘要：为了促进微电网之间的能源互助，扩大能源交互类型，提高可再生能源利用率，本文提出了一种基于纳什博弈的面向多微电网（MMGs）的双层共享策略。首先，对微电网模型进行低碳转型，将源侧转化为综合灵活的碳捕获热电厂运行模式。然后，构建基于纳什博弈的多微电网主体电热双层共享模型，将其分解为收益最大化子问题和收益再分配子问题。在收益最大化子问题中，以碳配额的最低运营成本和分阶段碳交易为目标，采用

因此，本文提出了一种基于QLearning自适应强化学习的PID控制器，旨在提高AUV在不确定环境下的控制性能。具体来说，通过QLearning算法优化PID控制器的参数，使其能够适应不同的环境条件并实现更好的控制性能。在仿真实验中，我们将提出的方法与传统的PID控制器进行了对比。结果表明，基于QLearning的自适应PID控制器在不同的海洋环境下都能够实现更好的控制性能，表现出更高的稳定性和鲁

1. 双向时间卷积网络（BiTCN）功能：BiTCN能够同时从前向和后向两个方向提取时间序列数据的特征，从而更全面地捕捉风电功率数据中的时序信息。时间卷积层通过卷积操作，自动学习并提取输入数据中的高维特征。优势：相比单向时间卷积网络，BiTCN能够同时考虑过去和未来的信息，提高模型对时序数据的建模能力。2. 双向门控循环单元（BiGRU）结构：BiGRU是RNN（循环神经网络）的一种变体，通过引入

随机规划的三个分支分别为期望值模型、机会约束规划和相关机会规划。机会约束规划是继期望值模型之后，由A. Charnes和 W.W. Cooper于 1959年提出的第二类随机规划[33]。CCP是考虑到所做决策在不利情况发生时可能不满足约束条件而采用的一种原则:即允许所做决策在一定程度上不满足约束条件，但该决策使约束条件成立的概率不小于某一置信水平。一般形式的机会约束可表示为:​。

摘要本文提出了一种基于神经网络的（NN-based）数据驱动迭代学习控制（ILC）算法，用于具有未知模型和重复任务的非线性单输入单输出（SISO）离散时间系统的跟踪问题。控制目标是使系统的输出在每次迭代过程中跟踪参考轨迹。因此，在每次迭代过程的每个相对时间点上，使用广义回归神经网络（GRNN）作为估计器来解决系统的关键参数，并使用径向基函数神经网络（RBFNN）作为控制器来解决控制输入。

为对比不同控制算法在车辆横向轨迹跟踪中的性能表现，本文搭建了 Carsim 2019 与 Matlab/Simulink R2022b 联合仿真平台，基于车辆二自由度动力学模型，分别实现模型预测控制（MPC）、PID 控制、预瞄控制（PP）和 Stanley 控制四种算法的横向轨迹跟踪仿真。以同一参考轨迹为基准，从横向误差、航向误差两个核心指标及仿真动画可视化角度，对比分析各算法的跟踪精度与稳定性

针对无人机在三维复杂地形与多障碍物场景下的自主路径规划问题，本文提出一种基于麻雀搜索算法的智能路径规划方法。该方法以真实地形数据构建三维飞行环境，采用圆柱形模型对障碍物进行标准化建模，综合路径长度、飞行高度、轨迹平滑性与安全避障需求建立多目标优化准则；利用麻雀搜索算法的发现者、加入者、预警者群体协作机制进行全局寻优，并通过边界约束处理保证路径解的可行性与稳定性。系统在 Matlab 平台实现全流程