【优化电网】太阳能光伏空间优化以最小化配电损耗并最大化智能电网分布式能源资源DER系统的电网稳定性【含Matlab源码 16179期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab优化求解仿真内容点击👇
①Matlab优化求解（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、太阳能光伏空间优化以最小化配电损耗并最大化智能电网分布式能源资源DER系统的电网稳定性

1、系统概述

本系统基于 IEEE 33 节点标准配电网络模型，以最小化系统总有功功率损耗为目标，研究分布式光伏电源（PV）的最优接入位置与接入容量。系统采用前推回代法进行潮流计算，结合空间扫描法与粒子群优化算法（PSO）两种策略求解光伏配置方案，并输出基准网损、单点固定容量扫描、多点寻优以及算法稳定性等完整的对比分析结果，为配电网光伏规划与运行提供量化依据。

2、系统功能组成

系统由四个功能模块构成：

1. 潮流计算模块（runPowerFlow）。对给定线路参数与负荷分布的配电网进行前推回代迭代求解，得到各节点电压幅值向量与网络总有功损耗。该模块是全部后续分析的基础，每次配置方案都需要调用该模块重新计算网络状态。

2. 空间扫描模块。在保持光伏容量固定为 1000 kW 的前提下，将光伏依次接入 2 号至 33 号各节点，逐一计算对应网损，从而获得 “网损 — 接入位置” 的完整曲线，识别单点固定容量下的最优接入节点及其网损降低比例。

3. 粒子群优化模块（runPSO）。将 “接入节点（整数）+ 接入容量（连续量）” 作为二维优化变量，以最小网损为适应度函数，通过粒子位置与速度的迭代更新在解空间内搜索全局最优配置，得到同时优化位置与容量的最佳方案。

4. 结果分析与可视化模块。自动输出基准网损、扫描最优、PSO 最优三档结果，绘制网损柱状对比图与电压分布曲线图，并叠加 IEEE 电压运行限值（0.95 pu 与 1.05 pu）；同时执行 6 次独立 PSO 运行，统计网损均值、标准差、最值与平均降损率，评估算法的收敛稳定性。

3、关键技术方法与数学模型

1. 潮流计算方法。 系统采用前推回代法（Backward-Forward Sweep）求解径向配电网潮流。其核心思想是：先假定各节点电压初值为额定值，从末端节点向首端逐支路 “回代” 计算各支路电流或功率；再由首端向末端逐支路 “前推” 修正各节点电压，如此反复迭代直至相邻两次电压差值满足收敛精度（本系统收敛阈值为 10 的负 6 次方，最大迭代次数 500 次）。

各节点负荷按线路数据累加得到；光伏接入以有功注入方式叠加到对应节点，等效减小该节点的净负荷。有功功率损耗按各支路电流平方与线路电阻的乘积求和得到，即 P_loss = Σ I²・R（式中 I 为支路电流，R 为线路电阻）。

2. 粒子群优化算法。 PSO 模拟鸟群觅食行为进行全局寻优。粒子 i 在第 t 代的位置 x 与速度 v 按下式更新：
v (t+1) = w・v (t) + c1・r1・(pbest - x (t)) + c2・r2・(gbest - x (t))
x (t+1) = x (t) + v (t+1)

其中 w 为惯性权重（0.7），c1、c2 为学习因子（均取 1.49），r1、r2 为 0 到 1 之间的随机数，pbest 为粒子个体历史最优，gbest 为种群全局最优。接入节点取整并限制在 2 至 33 号范围内，接入容量限制在 0 至 2500 kW 范围内。种群规模 30，迭代次数 80。

3. 系统基准参数。 网络总负荷约 3715 kW、2300 kvar，基准电压 12.66 kV，基准功率 1 MVA；电压以标幺值（pu）表示，额定值为 1.0 pu。

4、运行流程

系统主脚本按下述流程自动执行：第一步计算无光伏时的基准网损；第二步进行固定 1000 kW 的空间扫描并绘制网损 — 节点曲线；第三步调用 PSO 同时优化接入位置与容量；第四步对比基准、扫描、PSO 三种方案的网损并绘图；第五步绘制三种方案下的电压分布曲线；第六步重复运行 PSO 六次并统计结果，给出算法稳定性结论。

5、输出结果

系统最终输出：基准网损数值；固定容量扫描下的最优节点及降损百分比；PSO 优化后的最优节点、最优容量与对应网损；三方案网损对比柱状图；三方案电压分布对比图（含 IEEE 电压限值参考线）；六次 PSO 运行的逐次明细表以及网损均值、标准差、最大值、最小值与平均降损率等统计指标。

6、应用价值与可扩展性

本系统可用于配电网光伏接纳能力评估、分布式电源规划方案比选以及相关课程设计与科研课题研究。系统具有良好的可扩展性：可在潮流计算中增加电压越限惩罚项以强化约束；可将单光伏扩展为多光伏联合配置；可通过更换前推回代实现方式使基准网损与经典文献高度一致。

⛄二、部分源代码和运行步骤

1 部分代码
%% IEEE 33-Bus PV Placement — Main Script
clear; clc;

linedata = [
1 2 0.0922 0.0470 100 60;
2 3 0.4930 0.2511 90 40;
3 4 0.3660 0.1864 120 80;
4 5 0.3811 0.1941 60 30;
5 6 0.8190 0.7070 60 20;
6 7 0.1872 0.6188 200 100;
7 8 0.7114 0.2351 200 100;
8 9 1.0300 0.7400 60 20;
9 10 1.0440 0.7400 60 20;
10 11 0.1966 0.0650 45 30;
11 12 0.3744 0.1238 60 35;
12 13 1.4680 1.1550 60 35;
13 14 0.5416 0.7129 120 80;
14 15 0.5910 0.5260 60 10;
15 16 0.7463 0.5450 60 20;
16 17 1.2890 1.7210 60 20;
17 18 0.7320 0.5740 90 40;
2 19 0.1640 0.1565 90 40;
19 20 1.5042 1.3554 90 40;
20 21 0.4095 0.4784 90 40;
21 22 0.7089 0.9373 90 40;
3 23 0.4512 0.3083 90 50;
23 24 0.8980 0.7091 420 200;
24 25 0.8960 0.7011 420 200;
6 26 0.2030 0.1034 60 25;
26 27 0.2842 0.1447 60 25;
27 28 1.0590 0.9337 60 20;
28 29 0.8042 0.7006 120 70;
29 30 0.5075 0.2585 200 600;
30 31 0.9744 0.9630 150 70;
31 32 0.3105 0.3619 210 100;
32 33 0.3410 0.5302 60 40;
];

nbus = 33;

%% Baseline (no PV)
[V_base, P_loss_base] = runPowerFlow(linedata, nbus, 0, 0);
fprintf(‘Baseline total loss: %.4f kW\n’, P_loss_base);

%% Spatial sweep
PV_kW = 1000;
losses = zeros(nbus, 1);

for bus = 2:nbus
[~, loss] = runPowerFlow(linedata, nbus, bus, PV_kW);
losses(bus) = loss;
fprintf(‘Bus %2d | Loss: %.4f kW\n’, bus, loss);
end

%% Find best bus
[min_loss, best_idx] = min(losses(2:nbus));
best_bus = best_idx + 1;
fprintf(‘\nBest bus for PV: Bus %d\n’, best_bus);
fprintf(‘Loss with PV: %.4f kW\n’, min_loss);
fprintf(‘Loss reduction: %.2f%%\n’, (P_loss_base - min_loss)/P_loss_base * 100);

%% Plot
figure;
bar(2:nbus, losses(2:nbus), ‘FaceColor’, [0.2 0.5 0.8]);
hold on;
yline(P_loss_base, ‘r–’, ‘LineWidth’, 1.5, ‘DisplayName’, ‘Baseline’);
xlabel(‘Bus Number’);
ylabel(‘Total Active Power Loss (kW)’);
title(‘Power Loss vs PV Placement Location — IEEE 33-Bus’);
grid on;

%% Stage 5 — PSO Optimisation
fprintf(‘\nRunning PSO optimisation…\n’);
[opt_bus, opt_kW, opt_loss] = runPSO(linedata, nbus, P_loss_base);

%% Compare results
fprintf(‘\n========== SUMMARY ==========\n’);
fprintf(‘Baseline loss: %.4f kW\n’, P_loss_base);
fprintf(‘Spatial sweep best loss: %.4f kW at Bus %d (1000 kW fixed)\n’, min_loss, best_bus);
fprintf(‘PSO optimised loss: %.4f kW at Bus %d (%.0f kW)\n’, opt_loss, opt_bus, opt_kW);
fprintf(‘PSO loss reduction: %.2f%%\n’, (P_loss_base - opt_loss)/P_loss_base * 100);

%% Plot comparison
figure;
bar_data = [P_loss_base, min_loss, opt_loss];
bar(bar_data, ‘FaceColor’, ‘flat’, ‘CData’, [0.6 0.6 0.6; 0.2 0.5 0.8; 0.1 0.7 0.3]);
set(gca, ‘XTickLabel’, {‘Baseline’, ‘Spatial Sweep’, ‘PSO Optimised’});
ylabel(‘Total Active Power Loss (kW)’);
title(‘Loss Comparison — Baseline vs Spatial Sweep vs PSO’);
grid on;

%% Voltage Profile Plot
% Run power flow for three scenarios
[V_base, ~] = runPowerFlow(linedata, nbus, 0, 0); % baseline
[V_sweep, ~] = runPowerFlow(linedata, nbus, 30, 1000); % spatial sweep best
[V_pso, ~] = runPowerFlow(linedata, nbus, opt_bus, opt_kW); % PSO optimised

figure;
plot(1:nbus, V_base, ‘r–o’, ‘LineWidth’, 1.5, ‘MarkerSize’, 4, ‘DisplayName’, ‘Baseline (no PV)’);
hold on;
plot(1:nbus, V_sweep, ‘b–s’, ‘LineWidth’, 1.5, ‘MarkerSize’, 4, ‘DisplayName’, ‘Spatial Sweep (Bus 30, 1000 kW)’);
plot(1:nbus, V_pso, ‘g-^’, ‘LineWidth’, 2, ‘MarkerSize’, 4, ‘DisplayName’, sprintf(‘PSO Optimised (Bus %d, %.0f kW)’, opt_bus, opt_kW));

% IEEE voltage limit lines
yline(0.95, ‘k:’, ‘LineWidth’, 1.2, ‘DisplayName’, ‘Lower limit (0.95 pu)’);
yline(1.05, ‘k:’, ‘LineWidth’, 1.2, ‘DisplayName’, ‘Upper limit (1.05 pu)’);

xlabel(‘Bus Number’);
ylabel(‘Voltage Magnitude (pu)’);
title(‘Voltage Profile — Baseline vs Spatial Sweep vs PSO Optimised’);
legend(‘Location’, ‘southwest’);
grid on;
xlim([1 nbus]);
ylim([0.88 1.06]);

%% Run PSO 6 times to test consistency
fprintf(‘\n========== PSO SENSITIVITY ANALYSIS (6 RUNS) ==========\n’);

n_runs = 6;
results = zeros(n_runs, 3); % [bus, kW, loss]

for run = 1:n_runs
fprintf(‘\nRun %d…\n’, run);
[r_bus, r_kW, r_loss] = runPSO(linedata, nbus, P_loss_base);
results(run, 1) = r_bus;
results(run, 2) = r_kW;
results(run, 3) = r_loss;
end

%% Print summary table
fprintf(‘\n========== SENSITIVITY ANALYSIS RESULTS ==========\n’);
fprintf(‘Run | Optimal Bus | PV Size (kW) | Loss (kW) | Reduction\n’);
fprintf(‘----|-------------|--------------|-----------|----------\n’);
for run = 1:n_runs
reduction = (P_loss_base - results(run,3)) / P_loss_base * 100;
fprintf(’ %d | Bus %2d | %7.2f | %7.4f | %.2f%%\n’, …
run, results(run,1), results(run,2), results(run,3), reduction);
end

fprintf(‘\n— Statistics —\n’);
fprintf(‘Mean loss: %.4f kW\n’, mean(results(:,3)));
fprintf(‘Std deviation: %.4f kW\n’, std(results(:,3)));
fprintf(‘Best loss: %.4f kW\n’, min(results(:,3)));
fprintf(‘Worst loss: %.4f kW\n’, max(results(:,3)));
fprintf(‘Mean reduction: %.2f%%\n’, mean((P_loss_base - results(:,3))/P_loss_base*100));

2 通用运行步骤
（1）直接运行main.m即可一键出图

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本

2019b

2 参考文献

[1]景瑜.GWO算法在微电网分布式电源优化规划研究中的应用[J].安阳师范学院学报,2017(02):69-73.DOI:10.16140/j.cnki.1671-5330.2017.02.016.

3 备注

简介此部分摘自互联网，仅供参考，若侵权，联系删除

⛄五、仿真咨询与程序定制

1 各类智能优化算法改进及应用

1.1 PID优化

1.2 VMD优化

1.3 配电网重构

1.4 三维装箱

1.5 微电网优化

1.6 优化布局

1.7 优化参数

1.8 优化成本

1.9 优化充电

1.10 优化调度

1.11 优化电价

1.12 优化发车

1.13 优化分配

1.14 优化覆盖

1.15 优化控制

1.16 优化库存

1.17 优化路由

1.18 优化设计

1.19 优化位置

1.20 优化吸波

1.21 优化选址

1.22 优化运行

1.23 优化指派

1.24 优化组合

1.25 车间调度

1.26 生产调度

1.27 经济调度

1.28 装配线调度

1.29 水库调度

1.30 货位优化

1.31 公交排班优化

1.32 集装箱船配载优化

1.33 水泵组合优化

1.34 医疗资源分配优化

1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测

2.1 机器学习和深度学习分类

2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测

2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面

3.1 图像边缘检测

3.2 图像处理

3.3 图像分割

3.4 图像分类

3.5 图像跟踪

3.6 图像加密解密

3.7 图像检索

3.8 图像配准

3.9 图像拼接

3.10 图像评价

3.11 图像去噪

3.12 图像融合

3.13 图像识别

3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复

3.15 图像压缩

3.16 图像隐写

3.17 图像增强

3.18 图像重建

4 路径规划方面

4.1 旅行商问题（TSP）

4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）

4.2 车辆路径问题（VRP）

4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.7 带多种容量的车辆路径问题（MCVRP）
4.2.8 带距离的多车辆路径问题（MDVRP）
4.2.9 同时取送货的车辆路径问题（SDVRP）
4.2.10 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.11 带时间窗的车辆路径问题（TWVRP）

4.3 多式联运运输问题

4.4 机器人路径规划

4.4.1 避障路径规划
4.4.2 机器人轨迹跟踪
4.4.3 机器人编队
4.4.4 机器人导航
4.4.5 机器人定位
4.4.6 机器人控制
4.4.7 机器人路径规划
4.4.8 机器人任务分配
4.4.9 机器人搜索
4.4.10 机器人运输
4.4.11 迷宫路径规划
4.4.12 水下机器人路径规划
4.4.13 栅格地图路径规划

4.5 配送路径规划

4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划

4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 卡车无人机
4.6.6 目标搜索
4.6.7 三维路径规划
4.6.8 无人机编队
4.6.9 无人机导航
4.6.10 无人机吊运
4.6.11 无人机对抗
4.6.12 无人机覆盖
4.6.13 无人机检测
4.6.14 无人机控制
4.6.15 无人机求援
4.6.16 无人机位姿估计
4.6.17 无人机系统
4.6.18 无人机侦查
4.6.19 无人机联盟
4.6.20 无人机协同任务
4.6.21 异构无人机

4.7 水下飞行器

4.8 无人车路径规划

4.9 无人艇路径规划

4.10 物流选址

4.11 车辆控制

4.12 多智能体路径规划

4.12.1 多智能体编队
4.12.2 多智能体控制
4.12.3 多智能体路径规划
4.12.4 多智能体协同

5 语音处理

5.1 语音情感识别

5.2 声源定位

5.3 特征提取

5.4 语音编码

5.5 语音处理

5.6 语音分离

5.7 语音分析

5.8 语音合成

5.9 语音加密

5.10 语音去噪

5.11 语音识别

5.12 语音压缩

5.13 语音隐藏

6 元胞自动机方面

6.1 元胞自动机病毒仿真

6.2 元胞自动机城市规划

6.3 元胞自动机交通流

6.4 元胞自动机气体

6.5 元胞自动机人员疏散

6.6 元胞自动机森林火灾

6.7 元胞自动机生命游戏

7 信号处理

7.1 机械振动信号处理

7.1.1 故障信号
7.1.1.1 齿轮损伤识别
7.1.1.2 异步电机转子断条故障诊断
7.1.1.3 滚动体内外圈故障诊断分析
7.1.1.4 电机故障诊断分析
7.1.1.5 轴承故障诊断分析
7.1.1.6 齿轮箱故障诊断分析
7.1.1.7 三相逆变器故障诊断分析
7.1.1.8 柴油机故障诊断
7.1.2 管道泄漏
7.1.3 振动信号

7.2 生物医学信号处理

7.2.1 肌电信号EMG
7.2.2 脑电信号EEG
7.2.3 乳腺癌诊断
7.2.4 生物电信号
7.2.5 心电信号ECG
7.2.6 心血管
7.2.7 心脏仿真
7.2.8 血压

7.3 声呐探测信号处理

7.3.1 声呐
7.3.2 水声通信

7.4 通信工程信号处理

7.4.1 超声波信号处理
7.4.2 导航定位
7.4.3 航天航空
7.4.4 空间识别
7.4.5 雷达通信
7.4.5.1 FMCW仿真
7.4.5.2 GPS抗干扰
7.4.5.3 雷达LFM
7.4.5.4 雷达MIMO
7.4.5.5 雷达测角
7.4.5.6 雷达成像
7.4.5.7 雷达定位
7.4.5.8 雷达回波
7.4.5.9 雷达检测
7.4.5.10 雷达数字信号处理
7.4.5.11 雷达通信
7.4.5.12 雷达相控阵
7.4.5.13 雷达信号分析
7.4.5.14 雷达预警
7.4.5.15 雷达脉冲压缩
7.4.5.16 天线方向图
7.4.5.17 雷达杂波仿真
7.4.6 模拟信号处理
7.4.7 时差绘制
7.4.8 数字信道处理
7.4.9 数字信号处理
7.4.10 无线通信
7.4.11 姿态解算
**7.4.12 资源分配 **

7.5 自动测量信号处理

**7.5.1 参数估计 **
**7.5.2 电动汽车动力电池管理 **
**7.5.3 高度预估 **

8 物理应用

8.1 物理学分支力学

8.1.1 材料力学
8.1.2 弹性力学
8.1.3 动力学
8.1.4 分析力学
8.1.5 固体力学
8.1.6 结构力学
8.1.7 静力学
8.1.8 空气动力学
8.1.9 流体力学
8.1.10 塑性力学
8.1.11 运动学

8.2 物理学其他分支

8.2.1 表面物理学
8.2.2 超声学
8.2.3 次声学
8.2.4 电磁学
8.2.5 电动力学
8.2.6 电学
8.2.7 高压物理学
8.2.8 金属物理学
8.2.9 光学
8.2.10 核物理学
8.2.11 金属物理学
8.2.12 量子力学
8.2.13 热力学
8.2.14 热学
8.2.15 声学
8.2.16 水声学

8.3 物理应用

8.3.1 地理学
8.3.2 化学化工
8.3.3 生物
8.3.4 其他