提出了变分模态分解(VMD)和麻雀搜索算法(SSA)与长短期记忆神经网络(LSTM)相耦合，建立了光伏预测模型(VMD-SSA-LSTM)。首先利用VMD对历史负荷数据进行分解，然后依据SSA对LSTM的参数进行寻优，并将分解出的负荷分量输入到LSTM神经网络，最后将每个分量的预测值相加，得到光伏负荷预测值，结果表明，与LSTM、VMD-LSTM模型相比，VMD-SSA-LSTM模型的预测精度更高

四轴飞行器作为典型的欠驱动、强耦合非线性系统，其控制策略的设计与性能评估是无人机领域的研究重点。本文围绕姿态稳定与轨迹跟踪核心任务，系统阐述并对比了比例 - 积分 - 微分（PID）、线性二次型调节器（LQR）、反馈线性化控制（FLC）、滑模控制（SMC）、反步控制（Backstepping）及模型参考自适应控制（MRAC）六种典型控制方法的基本原理、设计思路与应用特性。通过对各方法的适用场景、优

超短期电力负荷预测是电力系统安全经济运行的重要基础，预测时间尺度通常为未来15分钟至4小时。由于负荷序列具有非线性、非平稳性和多尺度耦合特征，单一预测模型往往难以全面捕捉负荷变化规律，导致在负荷剧烈波动时段预测精度显著下降。为解决上述问题，本文提出一种“分解—预测—组合”的多模型协同预测框架：首先，利用变分模态分解（Variational Mode Decomposition，VMD）将原始负荷序

矩形薄板作为起重机械等工程结构中的核心承载部件，其力学响应分析与参数识别（即力学正反问题）直接关系到结构设计的合理性与运行安全性。物理信息神经网络（PINN）凭借其融合物理先验知识与数据驱动的优势，为薄板力学问题求解提供了新路径，但存在求解精度有限、对训练数据依赖度高且易出现过拟合等缺陷。针对这一问题，本文采用梯度增强物理信息神经网络（gPINN）求解矩形薄板力学正反问题，通过在损失函数中嵌入偏微

极端天气下的配电网优化需深度融合脆弱性评估与分布式电源配置。动态多场景建模：整合气象预测与实时数据，构建自适应优化框架。多要素协同：量化电动汽车、虚拟电厂等新业态与灾害的交互机制。韧性-经济性平衡：开发兼顾长期投资效益与短期应急响应的混合优化模型。政策与标准：将极端气候信息纳入电力规划，提升设备抗灾标准（如提高设计风速阈值）。通过上述改进，配电网可在极端天气下实现从“被动防御”到“主动韧性”的转变

本文聚焦于基于双向DC-DC变换器的储能电池SOC充电与放电双模式展开研究。通过理论分析构建了充电与放电模式的控制策略，充电模式采用电池电流单闭环控制，放电模式运用输出电压外环、电池电流内环的双闭环控制。借助Simulink搭建仿真模型，验证了蓄电池在充电与放电两个模态下的性能。结果表明，充电模式下实际电流能有效跟踪给定值，放电模式下输出电压可按设定值稳定输出，为储能电池的高效管理提供了理论依据与

参考文献：在高风电渗透率条件下，电力系统对风电场的频率调节能力提出了严格的技术要求。为了满足这些要求，我们考虑了风机惯性控制和变桨距控制的频率响应能力，并提出了将储能技术与风电自身调频手段相结合，以参与系统频率调节的方案。为了验证这一方案的有效性，我们采用Simulink进行了仿真，并建立了风储联合调频下电力系统的频率特性模型。我们采用了四机两区系统，并利用频域模型法，附加了虚拟惯性控制和储能下垂

随着可再生能源发电渗透率的提升，弱电网特性日益显著，跟网型逆变器在弱电网下的稳定性问题成为制约新能源并网的关键因素。本文针对弱电网高阻抗、低短路比特性导致的跟网型逆变器小干扰稳定性问题，提出基于双锁相环的阻抗重塑控制策略。通过构建状态空间模型并计算特征值矩阵，分析系统稳定性边界；结合阻抗重塑技术调整逆变器输出阻抗特性，使系统在0.9 p.u.电压水平下仍能保持稳定。仿真对比表明，改进策略显著提升了

交直流混合微电网通过互联变换器实现交流子网与直流子网的耦合，可高效整合可再生能源、储能系统及各类负荷，是未来分布式能源利用的核心架构之一。源荷扰动（可再生能源出力随机波动与负荷不确定性变化）易导致系统功率失衡，引发频率偏差，若偏差超出允许范围，将严重影响电能质量甚至导致系统失稳。传统负荷频率控制方法高度依赖精确的系统数学模型，难以适配交直流微电网多源异构、拓扑多变、参数时变的特性，且对随机性源荷扰

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