XiaoMi-AI文件搜索系统
World File Search System最优
自主微电网虚拟惯性控制的最优模型预测控制
摘要：目前，可再生能源 (RES) 在电网中的渗透率显著提高，尤其是在微电网中。用 RES 取代传统同步机可显著降低整个系统的惯性。这会对不确定情况下的微电网动态产生负面影响，降低微电网频率稳定性，特别是在孤岛运行模式下。因此，本研究旨在利用虚拟惯性频率控制概念增强孤岛微电网频率弹性。此外，虚拟惯性控制模型采用了最优模型预测控制 (MPC)。MPC 的优化设计是使用一种优化算法，即非洲秃鹫优化算法 (AVOA) 实现的。为了证明所提出的控制器的有效性，将基于 AVOA 的 MPC 与使用各种优化技术进行优化设计的传统比例积分 (PI) 控制器进行了比较。利用 RES 的实际数据，并应用随机负载功率模式来实现实际的模拟结果。此外，微电网范例包含电池储能 (BES) 单元，用于增强孤岛微电网的暂态稳定性。模拟结果表明，基于 AVOA 的 MPC 在提高微电网频率弹性方面是有效的。此外，结果确保了 BES 在时域模拟中改善暂态响应的作用。模拟结果是使用 MATLAB 软件获得的。
基于强化学习的先进配电系统中最优电源管理的智能控制策略：综述
摘要：在向能源网络分散化、数字化和脱碳转型的背景下，基于可再生能源的配电应用（如微电网、智能电网、智能建筑和电动汽车系统）中的智能能源管理变得越来越重要。可以说，通过引入智能技术（特别是人工智能），采用基于计算机的智能自主决策，可以克服许多挑战并利用这一转型带来的好处。与其他数值或软计算优化方法不同，基于人工智能的控制允许分散的电力单元协作做出最佳决策，以满足管理员的需求，而不仅仅是基于任务分工的原始分散。在智能方法中，强化学习是最相关和最成功的，尤其是在配电管理应用中。原因是它不需要精确的模型来获得与环境交互的优化解决方案。因此，我们始终需要对发展水平有一个清晰、最新的认识，尤其是在缺乏对这一至关重要的研究领域的最新全面详细评论的情况下。因此，本文满足了这一需求，并全面回顾了基于 RL 的最先进的成功和杰出的智能控制策略，以优化电力流和配电管理。其中，对新兴策略、基于 RL 多智能体的提案以及管理微型和智能电网（特别是储能）电力流的多智能体主要次级控制的文献进行了分类，并给予了广泛重视。结果，我们审查了 126 篇最相关、最新和非增量的论文，并将其归入相关类别。此外，我们还确定了每个选择的主要正面和负面特征。
一种新型刮板和刮板的最优设计模型...
在对模型进行网格划分时，需要根据具体的模型结构和环境选择合适的网格类型和参数[37]。一方面，由于修改后的基体结构完整，代表主要受力区域，加上滚动轴承区域结构重要，因此可以直接对模型进行网格划分。这样网格密度好，网格参数为基于曲率的网格。另一方面，由于球内存在扭曲单元，且球数量较大，需要对球进行批量处理。这样网格密度好，网格参数为基于曲率的网格。两者整体尺寸均为9.522 mm，公差为0.476 mm。模型网格划分结果如图所示。12.
多导弹追逃最优毁伤效能协同控制策略
摘要：针对多导弹追击—规避问题，本文提出了一种基于毁伤效能模型和虚拟力法的最优毁伤效能协同控制策略。首先，区别于传统追击—规避问题中过于理想的假设，建立并求解最大化毁伤效能的优化问题，使最优毁伤效能策略更具有实际应用意义。其次，提出一种改进的虚拟力法来获得该最优毁伤效能控制策略，解决了高复杂度毁伤函数带来的数值求解挑战。第三，该策略基于制导一体化引信技术，设计自适应增益，在不可预测的拦截条件下实现稳健的最大毁伤效能。最后，通过数值仿真验证了所提策略的有效性和稳健性。
通过半自动微分实现量子最优控制
我们开发了一个“半自动微分”框架，将现有的基于梯度的量子最优控制方法与自动微分相结合。该方法几乎可以优化任何可计算函数，并在两个开源 Julia 包 GRAPE.jl 和 Krotov.jl 中实现，它们是 QuantumControl.jl 框架的一部分。我们的方法基于根据传播状态、与目标状态的重叠或量子门正式重写优化函数。然后，链式法则的分析应用允许在计算梯度时分离时间传播和函数的评估。前者可以通过修改的葡萄方案非常高效地进行评估。后者通过自动微分来评估，但与时间传播相比，其复杂性大大降低。因此，我们的方法消除了通常与自动微分相关的高昂内存和运行时开销，并通过直接优化量子信息和量子计量的非解析函数，促进了量子控制的进一步发展，尤其是在开放量子系统中。我们说明并测试了半自动微分在通过共享传输线耦合的超导量子比特上完美纠缠量子门的优化中的应用。这包括对非解析门并发的首次直接优化。
通过动态 NEM 定价实现能源社区的社会最优
摘要 — 我们提出了一种在一般净能源计量 (NEM) 政策下聚合个人和共享社区资源的能源社区社会福利最大化机制。该机制称为动态 NEM，采用标准 NEM 关税模型，并根据社区内共享的可再生能源总量动态设定 NEM 价格。我们表明，动态 NEM 保证每个社区成员获得比社区外更高的利益。我们进一步表明，动态 NEM 将个人成员的激励与整个社区的激励相一致；每个成员在动态 NEM 下优化个人盈余可实现社区社会福利最大化。动态 NEM 还被证明满足成本因果关系原则。使用假设能源社区的真实数据进行的实证研究表明，社区成员和电网运营商受益。索引词 — 分布式能源资源聚合、能源社区、净计量、定价机制。
原创科学论文《考虑季节因素的分布式发电机和储能电力系统最优潮流分析》
Lucian-Ioan DULĂU*，Dorin BICĂ 摘要：电力系统的运行基于潮流分析，而优化则基于最优潮流分析。研究的目的是根据最优潮流分析确定发电成本和功率损耗。最优潮流分析首先计算潮流以确保系统安全运行，然后考虑数学模型进行实际最优潮流。这些研究针对改进的 IEEE 39 总线系统进行了一整年的分析，分别考虑了季节（春季、夏季、秋季和冬季）以及这些季节的平均负载功率需求。该系统连接了三个分布式发电源和两个存储单元。执行的优化（最优潮流）是多目标的，最小化所考虑季节的发电成本和功率损耗（有功和无功）。结果表明，对于所有季节，当分布式发电源和存储单元连接到所分析的电力系统时，发电成本较高，而功率损耗较低。 关键词：分布式发电机；多目标优化；最优潮流；季节；储能单元 1 引言 电力系统的运行基于潮流分析，而优化则基于最优潮流分析。潮流（稳态）分析可以验证电力系统安全运行的条件。为了求解非线性方程组，可以使用 Seidel-Gauss 或 Newton-Raphson 等迭代法，这些方法可以在执行不确定数量的运算后通过连续步骤获得解，使结果接近最终值。潮流分析是电力系统任何后续分析（例如最优潮流分析）的起点。最优潮流分析可以让系统操作员进行规划和决策，以确保电力系统的可靠运行和管理。固定的发电功率仅对应一种运行条件。在一段时间内，优化运行需要发电来源适应负载改变其电力需求，同时也要适应可再生能源的电力变化，而可再生能源在过去十年中更为普遍。最优电力流问题复杂且非线性。最优电力流分析是根据给定的目标函数进行的，通常考虑最小化。这些通常的目标函数是最小化电力损耗或最小化发电成本。这些目标的应用立即涉及系统约束 [1-4]。需要这样的约束来维护系统的安全性，因此电力系统中的每个组件都必须保持在其所需的运行范围或界限内。约束包括，例如，对总线电压或发电机的最大和最小功率输出的限制[5-7]。现在大多数电力系统中都存在可再生能源和存储单元。许多可再生能源都安装在负载场所附近或负载场所，因此它们被称为分布式发电源或分布式发电机。分布式发电源有助于减少电力损耗、增加总线电压、减少污染物
采用随机稳健方法实现综合可再生能源发电厂和 CAES 的最优前瞻性战略投标/报价
摘要 如今，由于可再生能源资源的高渗透率和电力系统的重组，光伏电站 (PVPP) 和风力发电厂 (WPP) 作为可再生能源发电厂 (RPP) 可以参与电力市场。然而，RPP 的间歇性发电可能对这些发电厂的所有者构成挑战。为了缓解 RPP 不可预测和间歇性的发电问题，压缩空气储能 (CAES) 等储能系统可以成为一种合适的解决方案。本文研究了电力市场中综合 RPP 和 CAES 的最佳日前和前瞻战略供应和竞标。此外，还提出了一种随机稳健方法来建模可再生能源发电和电价不确定性。在 CPLEX 求解器下，在 GAMS 软件中制定了所提出的混合整数线性规划 (MILP)。研究了三个案例研究以验证所提出的方法。数值结果显示，在乐观策略下，RPP和CAES的协调者有更多机会参与电力市场，但在悲观策略下，由于电力市场价格较低，协调者参与电力市场的倾向与乐观策略相比并无增加。
利用深度强化学习构建量子控制动力学的时间相关最优场
逆问题持续引起人们的极大兴趣，特别是在量子控制动力学和量子计算应用领域。在此背景下，量子最优控制理论试图构建一个外部控制场 E(t)，使量子系统从已知的初始状态演化到目标最终状态。预测 E(t) 的时间形式对于控制量子计算 [1]、量子信息处理[2–4]、激光冷却[5, 6] 和超冷物理 [7, 8] 中的潜在动力学至关重要。在复杂的多体量子系统中，预测最优 E(t) 场为控制光捕获复合物和多体相干系统中所需的动力学效应提供了关键的初始条件 [9–13]。解决这些量子控制问题的传统方法是使用基于梯度的方法或其他数值密集型方法最大化所需的跃迁概率 [14–17]。这些方法包括量子轨迹上的随机梯度下降 [18]、Krotov 方法 [19]、梯度上升脉冲工程 (GRAPE) [20] 方法和斩波随机基算法 (CRAB) [21] 方法。虽然每种算法都有自己的目的和优势，但大多数方法都需要复杂的数值方法来求解最优控制场。此外，由于这些逆问题的非线性特性，这些算法中的迭代次数和浮点运算次数可能非常大，有时甚至会导致相对简单的一维问题的结果不收敛 [16, 22]）。为了解决前面提到的计算瓶颈，我们小组最近探索了使用监督机器学习来解决这些复杂的逆问题