​《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。

该程序复现《计及多能耦合的区域综合能源系统最优能流计算》的电气热能流耦合模型，采用案例节点系统（电力系统33节点+天然气系统14节点+热力系统17节点）计算多能耦合下的不同能源的潮流，未实现内点法的优化过程，是很宝藏的多能耦合基础程序，实现了电-气-热-集线器中关键器件模型构建和耦合潮流计算，很具有参考价值。

方法复现《参与辅助服务的用户侧储能优化配置及经济分析》，首先， 建立了用户侧储能的全生命周期成本和考虑辅助服务的收益模型；其次，在两部制电价下，基于对储能电池运行特性和用户负荷特性的考虑，建立了一种参与辅助服务的用户侧储能优化配置模型，以储能容量和辅助服务参数为优化变量，对工业用户全寿命周期的净收益进行优化计算；最后，以某具体用户为例，实现了用户侧储能最优容量下的配置优化，确定了参与辅助服务的变量

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

本程序为33节点系统的两阶段鲁棒优化调度程序，该程序主要是复现《两阶段鲁棒优化的主动配电网动态无功优化》-熊壮壮，采用CCG算法，通过matlab+yalmip进行求解！

摘要：本文基于Matlab平台实现了一种集成MPC与MHE的移动机器人控制算法。程序通过测距-测角传感器获取数据，利用MHE进行状态估计，将结果输入MPC生成最优控制序列，形成闭环控制。采用CASADI工具将非线性MPC问题转化为NLP问题求解，验证了在传感器和执行器双重高斯噪声干扰下的鲁棒性和稳定性。代码注释清晰，仿真效果良好。

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