文献来源：光伏和风电等分布式电源 (distributed generation，DG)高渗透率接入，使传统的单向辐射状无源配电网逐步转变为含多能供电、必要时辅助以弱环状拓扑结构运行的有源配电网[1-3]。间歇性分布式电源注入功率呈现较强的不确定性，传统配电网网络重构技术面临很多新的挑战[4-5]。需要对多类型分布式电源注入功率的不确定性进行合理分析与建模，并在网络重构模型中予以考虑，以确保配电网

弱电网因其高阻抗和低短路比特性，常导致系统不稳定，限制了功率传输。本研究通过仿真，建立了弱电网条件下跟网型逆变器的小信号扰动模型，包括状态空间模型和阻抗模型。我们提出了一种计算稳态工作点的新方法，并利用状态空间矩阵特征值分析，对系统稳定性进行了深入评估，确定了稳定性界限。为直观比较不同控制策略的效果，我们利用Simulink构建了仿真模型，包括传统控制策略模型和采用双锁相环阻抗重塑的优化控制策略模

参考文献：在偏远地区和远离内陆的海岛，由于连接大电网建设成本高、技术难度大，通常选择柴油发电机供电，但存在燃料运输成本高、价格波动大、环境污染严重等问题，难以保障上述地区稳定的电力供应。相比柴油发电机而言，这些地区往往拥有丰富的风、光等可再生清洁资源。因此，因地制宜地建设以风、光可再生能源为核心的独立微电网是解决上述地区供电问题的重要途径之一。对独立微电网进行电源容量配置是系统优化设计的重要内容之

两阶段鲁棒优化（Two-Stage Robust Optimization, TSRO）是处理决策过程中存在不确定性的重要范式，广泛应用于网络/运输、投资组合优化及电力系统调度等领域。然而，其固有的max-min结构导致模型求解具有挑战性。列与约束生成（Column-and-Constraint Generation, C&CG）算法通过分解主问题与子问题、动态生成约束与变量，显著提升了求解效率。

两阶段鲁棒优化（Two-Stage Robust Optimization, TSRO）是处理决策过程中存在不确定性的重要范式，广泛应用于网络/运输、投资组合优化及电力系统调度等领域。然而，其固有的max-min结构导致模型求解具有挑战性。列与约束生成（Column-and-Constraint Generation, C&CG）算法通过分解主问题与子问题、动态生成约束与变量，显著提升了求解效率。

在DQN + 人工势场的避障控制中，首先根据环境信息构建人工势场，将障碍物视为斥力源，目标点视为引力源。然后，将势场信息作为DQN的输入状态之一，与原始的环境状态（如位置、速度等）一起输入到DQN网络中。DQN网络根据输入状态输出每个动作的价值，智能体根据这些价值选择最优动作进行执行。

区域综合能源系统（RIES）是整合多种能源形式（电、气、热、冷等）的一体化能源系统，覆盖能源生产、传输、转换、存储和消费全环节，旨在实现多能互补与梯级利用。层级结构：分为跨区级（输电网、天然气骨干网）、区域级（配电网、配气网、配热网）和用户级（园区/建筑级），其中区域级RIES是承上启下的关键环节。多能耦合设备：包括热电联产（CHP）、电制热/冷设备（如电锅炉、压缩制冷机组）、燃气轮机、储氢罐、储

核心概念：CVaR由Rockafellar和Uryasev于1997年提出，定义为在给定置信水平β下，损失超过风险价值（VaR）的条件期望值，即尾部风险的平均损失。其数学表达为：其中L为随机损失变量。理论优势尾部风险量化：克服VaR忽略极端损失的缺陷，更全面捕捉可再生能源出力波动、电价跳变等尾部风险。一致性风险度量：满足次可加性、凸性等公理，便于优化求解。分布无关性：不依赖正态分布假设，适用于风光

随着人工智能与自动化技术的快速发展，多智能体系统编队控制在无人机协同、无人艇集群作业等领域展现出重要应用价值。针对系统非线性输入（如执行器饱和、摩擦等）及动态环境不确定性，本文提出一种基于自适应控制算法的编队控制策略，通过在线调整控制器参数实现多智能体系统的稳定编队。研究结合Lyapunov稳定性理论设计自适应律，并利用神经网络逼近未知非线性项，解决模型不确定性问题。仿真与实验结果表明，该方法能有

随着人工智能与自动化技术的快速发展，多智能体系统编队控制在无人机协同、无人艇集群作业等领域展现出重要应用价值。针对系统非线性输入（如执行器饱和、摩擦等）及动态环境不确定性，本文提出一种基于自适应控制算法的编队控制策略，通过在线调整控制器参数实现多智能体系统的稳定编队。研究结合Lyapunov稳定性理论设计自适应律，并利用神经网络逼近未知非线性项，解决模型不确定性问题。仿真与实验结果表明，该方法能有