随着风力发电、光伏发电等新能源发电渗透率增加，电力系统的等效惯量和等效阻尼逐渐减小，其稳定性问题变得越来越严峻。然而，传统的VSG并网逆变器采用恒惯量和阻尼控制，在系统受到扰动时，其鲁棒性较差。因此，为增强系统的鲁棒性，优化其频率响应曲线，提出了一种并网VSG惯量阻尼自适应控制仿真模型。在此基础上，结合同步发电机（SG）功角特性曲线和频率振荡曲线设计出旋转惯量和阻尼系数的自适应控制策略。该模型和原

该模型主要用于风电功率和光伏功率场景生成与缩减，利用多元高斯分布构建时间相关性，并采用蒙特卡洛方法进行仿真，风电功率采用Weibull分布，光伏功率采用Beta分布，程序充分考虑了单一风/光出力在相邻或相近时间区间内的相关性，并采用后向削减得到典型场景及其概率，程序注释清楚，出图效果较好，方便在此基础上进行创新。

摘要：该Simulink电力系统仿真模型构建了2台发电机、5个节点的三相（A/B/C相）拓扑结构，适用于电力系统稳态分析、潮流算法验证及教学研究。模型支持Simulink和Matlab两种运行方式，能获取潮流数据，可研究单相故障和分布式电源接入场景。包含母线、电源、支路、负荷等核心元件，设有仿真模块和结果测量功能，通过m文件可直接提取电压数据。模型完整性良好，配套系统图及参数设置说明。

基于蒙特卡洛法的电动汽车充电负荷计算

在我们研究电力系统优化调度模型的过程中，由于每天负荷和分布式电源出力随机性和不确定性，可能会优化出很多的结果，但是经济调度模型试图做到通用策略，同样的策略能够适用于不同的负荷和分布式电源特征，为了做到这一点，就出现随机优化、鲁棒优化等等方法，当然我们也可以像这个程序一样，对负荷进行聚类分析，对归纳得到的共性负荷特征再进行优化调度分析，模型的说服力会大大增强。

该模型将粒子群算法与BP神经网络结合用于BP神经网络的训练，即优化BP网络中的连接权值和各项阈值，然后利用神经网络分布式并行处理优势、自适应学习能力以及较好的鲁棒性能对风电功率数据进行预测。该算法优点是通过 PSO 算法进行 BP 算法的权值和阈值计算，得到一个比较理想的初始值，该初始值能够保证 BP 在预测中迅速达到全局最优解，从而改进了传统 BP 神经网络的不足​。模型利用某风电场过去一年的实

经过转换，深度神经网络能够以一种紧凑且高效的方式表示 Q 函数，使得智能体可以在大规模的状态和动作空间中快速学习和决策，极大地拓展了强化学习在复杂现实场景中的应用范围。借助于强化学习框架、Q 学习及 DQN 算法的基础理论，分析经验回放与冻结参数机制对 DQN 性能的提升作用，最终以经济性为导向，实现微能源网的能量管理与优化。强化学习是指从环境状态到动作策略集的学习，以使得动作从环境中获得的累计奖

程序是对文章《基于多目标粒子群算法的配电网储能选址定容》的方法复现，具体内容如下：以系统节点电压水平（电网脆弱性）、网络损耗以及储能系统总容量为目标建立了储能选址定容优化模型。求解过程中提出了一种改进多目标粒子群算法(improved multi—objective particle swarm optimizer，IMOPSO)。

为了更高效地完成复杂未知环境下的无人机快速探索任务，很多智能算法被应用于无人机路径规划方面的研究，但是传统粒子群算法存在粒子更新思路单一、随机性受限、收敛速度慢、 易陷入局部最优等问题，因此，需要结合无人机探索特点，将粒子群算法和遗传算法结合形成改进粒子群算法，提高算法的全局寻优能力，从而增强无人机路径规划的效率。程序采用遗传粒子群、基本粒子群和遗传算法三种算法进行路径规划，并对比优化效果，在综合

该程序参考《基于动态交通信息的电动汽车充电负荷时空分布预测》和《基于动态交通信息的电动汽车充电需求预测模型及其对配网的影响分析》文献模型，考虑私家车、出租车和共用车三类交通工具特性和移动负荷特性，实现了基于动态交通信息的电动汽车充电负荷时空分布预测。将负荷预测情况和33节点配电网络进行结合，形成交通网-配电网交互模型，采用牛拉法进行潮流计算。程序采用matlab编写，注释清晰，方便学习！很多文献都