该讲解视频对应的免费程序链接为，主要做的是一个微网双层优化调度模型，微网聚合单元包括风电、光伏、储能以及超级电容器，在微网的运行成本层面考虑了电池的退化成本，对其全寿命周期进行建模，并转换为实时相关的短期成本，采用双层调度模型，上层为EMS系统最小化总运行成本，下层为EMS消除预测误差引起的波动最小，更加创新，而且求解的效果更好。经过深度分析研究，本次推出两类资料：【代码中文注释+流程图+主要结构

程序完全复现文献模型《基于改进粒子群算法的微电网多目标优化调度》，以微电网系统运行成本和环境保护成本为目标函数，建立了并网方式下的微网多目标优化调度模型，通过改进粒子群算法和原始粒子群算法进行对比，验证改进方法的优越性。

该程序方法复现了《基于改进多元宇宙算法的主动配电网故障定位方法研究》_郑聪，建立了含分布式电源的主动配电网故障定位方法，通过构建期望故障电流状态函数和评价函数(膨胀率函数)来实现配电网单点及多点故障区段定位。本文复现该文献故障定位部分模型，算法采用的是粒子群算法，采用33节点系统模型，实现对文献单点故障和多点故障共8个算例的验证，证实方法的有效性。

摘要： 无人机路径规划中，遗传算法（GA）、粒子群算法（PSO）及改进算法（GAPSO）各有优劣。GA全局搜索强但收敛慢；PSO快速高效但易局部最优；GAPSO融合二者优势，通过动态调整和多策略优化，显著提升路径质量与适应性，但计算复杂度略高。算法选择需综合场景需求，平衡性能与资源限制。

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

程序主要做的是一个考虑电、热、气网耦合调度的综合能源系统优化调度模型，考虑了电网与气网，电网与热网的耦合，电网部分为10机39节点的综合能源系统，热网为6节点，气网部分为比利时20节点气网，潮流部分电网是用了直流潮流，气网部分也进行了线性化的操作处理。

​《MATLAB神经网络43个案例分析》共有43章，内容涵盖常见的神经网络（BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等）以及相关智能算法（SVM、决策树、随机森林、极限学习机等）。本程序针对的是第24章内容--基于PNN的变压器故障诊断，这是神经网络技术在电力系统故障诊断方面的一个应用方向，​通过对变压器运行数据进行训练，实现对数据的分类和预测

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

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，为避免决策者偏好对最终结果的影响，采用基于信息熵的序数偏好法从最优Pareto解集中选取储能的最优接入方案。以IEEE33节点配电系统为例进行仿真验证，结果表明该方法在储能选址定容问题求解中具有很好的收敛性以及全局搜索能力。

之前分享了配电网重构的相关知识和代码，有智能算法（粒子群）和二阶锥算法的，具体内容可翻看往期文章，最近有很多同学在私信咨询粒子群算法的故障重构的程序，本期就这个专题进行分享。