【最优潮流】基于分布式交变方向乘法器(ADMM)方法来求解带碳排放交易的直流动态最优潮流附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着全球气候变化问题的日益严重，能源转型和节能减排已成为全球共识。电网作为能源传输和分配的关键基础设施，在实现碳中和目标中扮演着举足轻重的角色。优化电网运行，降低碳排放，是当前电力系统研究的重要方向。最优潮流(Optimal Power Flow, OPF) 作为电力系统优化运行的核心技术，旨在通过合理分配发电资源，满足负荷需求，同时优化特定目标函数。然而，传统的OPF方法往往集中式求解，难以适应大规模电网的复杂性和分布式能源的快速发展。此外，静态OPF忽略了电力系统运行的时序特性，难以应对间歇性可再生能源带来的波动性。因此，研究带碳排放交易的直流动态最优潮流(DC Dynamic Optimal Power Flow, DCDOPF)问题，并提出高效的求解算法，具有重要的理论意义和应用价值。本文将探讨如何利用分布式交变方向乘法器(Alternating Direction Method of Multipliers, ADMM)方法求解带碳排放交易的DCDOPF问题，旨在为电力系统实现更高效、更环保的运行提供一种可行的解决方案。

1. 直流动态最优潮流(DCDOPF)模型

DCDOPF旨在优化电力系统在一段时间内的运行轨迹，以满足负荷需求、保证系统安全稳定运行，并降低碳排放成本。与静态OPF相比，DCDOPF考虑了系统运行的时序特性，能够更好地处理可再生能源的间歇性和波动性，从而提高系统运行的经济性和可靠性。

带碳排放交易的DCDOPF模型通常包含以下几个关键要素：

• 目标函数: 目标函数通常是系统运行的总成本，包括发电成本、输电损耗成本和碳排放交易成本。碳排放交易成本通常与发电厂的碳排放量相关，并且受到碳排放配额和碳排放价格的影响。目标函数的表达式可以表示为：

  scss

  min Σ[t=1 to T] { Σ[i=1 to N_G] (C_i(P_G,i(t)) + P_loss(t)) + λ_c * max(0, E(t) - Q) }  

  其中，T为时间段总数，N_G为发电机数量，C_i(P_G,i(t))为发电机i在t时刻的发电成本，P_loss(t)为t时刻的输电损耗，λ_c为碳排放价格，E(t)为t时刻的总碳排放量，Q为碳排放配额。

• 约束条件: 约束条件包括：

  • 功率平衡约束:

     节点注入功率等于节点流出功率，考虑了负荷需求和发电机的发电功率。

  • 发电机出力约束:

     发电机的出力需要在其最大和最小值之间。

  • 线路容量约束:

     线路的传输功率不能超过其最大容量。

  • 电压约束:

     节点电压需要在允许的范围内。

  • 状态变量之间的时序约束:

     考虑电力系统的动态特性，如发电机爬坡率限制。

  • 碳排放约束:

     碳排放总量不能超过允许的排放配额，或者通过碳交易机制进行调整。

• 模型特点: DCDOPF模型是一个大规模、非线性、时变的优化问题。传统的优化算法难以有效地求解该问题，特别是在大规模电网的情况下。

2. 分布式交变方向乘法器(ADMM)方法

ADMM是一种适用于求解大规模优化问题的分布式算法。它通过将原始问题分解为多个子问题，并利用对偶分解的思想，实现并行计算，从而提高求解效率。

ADMM算法的核心思想是将原始问题分解为多个局部子问题和一个全局协调问题，并通过迭代更新局部变量和全局变量，最终达到收敛。在DCDOPF问题中，可以将整个电网划分为多个区域，每个区域对应一个局部子问题，全局协调问题则负责协调各个区域之间的交互。

2.1 基于ADMM的DCDOPF分解

为了应用ADMM求解DCDOPF，需要将原问题进行合理的分解。一种常见的方法是按照区域划分，将电网分解为多个子区域，每个子区域负责优化其内部的发电资源和负荷调度。

具体分解步骤如下：

• 区域划分:

   将整个电网划分为多个区域，每个区域包含一部分节点、线路和发电机。

• 变量划分:

   将DCDOPF问题中的变量划分为局部变量和全局变量。局部变量是指只与单个区域相关的变量，例如每个区域内的发电机出力和节点电压。全局变量是指连接不同区域的变量，例如联络线的功率 flow。

• 约束条件划分:

   将DCDOPF问题中的约束条件划分为局部约束和全局约束。局部约束是指只与单个区域相关的约束条件，例如每个区域内的发电机出力约束和节点电压约束。全局约束是指连接不同区域的约束条件，例如联络线的功率平衡约束。

• 目标函数分解:

   将DCDOPF问题的目标函数分解为多个局部目标函数和一个全局目标函数。局部目标函数只与单个区域的局部变量相关，全局目标函数则与全局变量相关。

2.2 ADMM算法步骤

分解后，ADMM算法的具体步骤如下：

1. 初始化:

    初始化局部变量、全局变量和拉格朗日乘子。

2. 迭代:
   • 局部子问题求解:

      每个区域并行求解其局部子问题，目标是最小化其局部目标函数，同时满足局部约束和全局约束。全局约束通过引入拉格朗日乘子和惩罚项来实现。

   • 全局变量更新:

      通过协调各个区域的局部变量，更新全局变量，使其满足全局约束。

   • 拉格朗日乘子更新:

      根据原问题的残差，更新拉格朗日乘子。

3. 收敛判断:

    判断是否满足收敛条件，如果满足则停止迭代，否则返回第2步。

3. 带碳排放交易的DCDOPF的ADMM求解

将ADMM应用于带碳排放交易的DCDOPF问题，需要考虑碳排放交易机制的影响。一种方法是将碳排放交易成本纳入到局部目标函数中，并根据每个区域的碳排放量和碳排放配额，计算其碳排放交易成本。

具体步骤如下：

1. 碳排放量计算:

    每个区域根据其发电机的发电功率和排放因子，计算其碳排放量。

2. 碳排放交易成本计算:

    根据每个区域的碳排放量和碳排放配额，计算其碳排放交易成本。如果碳排放量超过配额，则需要购买碳排放权；如果碳排放量低于配额，则可以出售碳排放权。

3. 局部子问题求解:

    在求解局部子问题时，需要考虑碳排放交易成本的影响，使其成为局部目标函数的一部分。

4. 全局协调:

    全局协调过程需要考虑各个区域的碳排放交易情况，确保整个电网的碳排放总量满足要求。

4. 算法优势和挑战

基于ADMM的DCDOPF算法具有以下优势：

• 分布式计算:

   可以将大规模的DCDOPF问题分解为多个局部子问题，并行求解，提高求解效率。

• 保护隐私:

   每个区域只需要提供少量的信息给全局协调器，可以保护各个区域的隐私。

• 适应性强:

   可以适应电网结构的变化和分布式能源的接入。

• 易于扩展:

   可以方便地扩展到考虑更多因素的DCDOPF问题，例如需求侧响应和储能系统。

然而，ADMM算法也面临一些挑战：

• 收敛性:

   ADMM算法的收敛性取决于参数的选择和问题的结构。需要仔细选择参数，才能保证算法的收敛性。

• 通信成本:

   ADMM算法需要各个区域之间进行通信，如果通信成本过高，则会影响算法的效率。

• 子问题求解难度:

   每个区域的局部子问题可能仍然是一个复杂的优化问题，需要选择合适的求解算法。

5. 结论与展望

本文探讨了基于分布式交变方向乘法器(ADMM)方法求解带碳排放交易的直流动态最优潮流(DCDOPF)问题。通过将DCDOPF问题分解为多个局部子问题和一个全局协调问题，利用ADMM算法实现并行计算，可以有效地提高求解效率，并保护各个区域的隐私。

⛳️ 运行结果

🔗 参考文献

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着全球气候变化问题的日益严重，能源转型和节能减排已成为全球共识。电网作为能源传输和分配的关键基础设施，在实现碳中和目标中扮演着举足轻重的角色。优化电网运行，降低碳排放，是当前电力系统研究的重要方向。最优潮流(Optimal Power Flow, OPF) 作为电力系统优化运行的核心技术，旨在通过合理分配发电资源，满足负荷需求，同时优化特定目标函数。然而，传统的OPF方法往往集中式求解，难以适应大规模电网的复杂性和分布式能源的快速发展。此外，静态OPF忽略了电力系统运行的时序特性，难以应对间歇性可再生能源带来的波动性。因此，研究带碳排放交易的直流动态最优潮流(DC Dynamic Optimal Power Flow, DCDOPF)问题，并提出高效的求解算法，具有重要的理论意义和应用价值。本文将探讨如何利用分布式交变方向乘法器(Alternating Direction Method of Multipliers, ADMM)方法求解带碳排放交易的DCDOPF问题，旨在为电力系统实现更高效、更环保的运行提供一种可行的解决方案。

1. 直流动态最优潮流(DCDOPF)模型

DCDOPF旨在优化电力系统在一段时间内的运行轨迹，以满足负荷需求、保证系统安全稳定运行，并降低碳排放成本。与静态OPF相比，DCDOPF考虑了系统运行的时序特性，能够更好地处理可再生能源的间歇性和波动性，从而提高系统运行的经济性和可靠性。

带碳排放交易的DCDOPF模型通常包含以下几个关键要素：

• 目标函数: 目标函数通常是系统运行的总成本，包括发电成本、输电损耗成本和碳排放交易成本。碳排放交易成本通常与发电厂的碳排放量相关，并且受到碳排放配额和碳排放价格的影响。目标函数的表达式可以表示为：

  scss

  min Σ[t=1 to T] { Σ[i=1 to N_G] (C_i(P_G,i(t)) + P_loss(t)) + λ_c * max(0, E(t) - Q) }  

  其中，T为时间段总数，N_G为发电机数量，C_i(P_G,i(t))为发电机i在t时刻的发电成本，P_loss(t)为t时刻的输电损耗，λ_c为碳排放价格，E(t)为t时刻的总碳排放量，Q为碳排放配额。

• 约束条件: 约束条件包括：

  • 功率平衡约束:

     节点注入功率等于节点流出功率，考虑了负荷需求和发电机的发电功率。

  • 发电机出力约束:

     发电机的出力需要在其最大和最小值之间。

  • 线路容量约束:

     线路的传输功率不能超过其最大容量。

  • 电压约束:

     节点电压需要在允许的范围内。

  • 状态变量之间的时序约束:

     考虑电力系统的动态特性，如发电机爬坡率限制。

  • 碳排放约束:

     碳排放总量不能超过允许的排放配额，或者通过碳交易机制进行调整。

• 模型特点: DCDOPF模型是一个大规模、非线性、时变的优化问题。传统的优化算法难以有效地求解该问题，特别是在大规模电网的情况下。

2. 分布式交变方向乘法器(ADMM)方法

ADMM是一种适用于求解大规模优化问题的分布式算法。它通过将原始问题分解为多个子问题，并利用对偶分解的思想，实现并行计算，从而提高求解效率。

ADMM算法的核心思想是将原始问题分解为多个局部子问题和一个全局协调问题，并通过迭代更新局部变量和全局变量，最终达到收敛。在DCDOPF问题中，可以将整个电网划分为多个区域，每个区域对应一个局部子问题，全局协调问题则负责协调各个区域之间的交互。

2.1 基于ADMM的DCDOPF分解

为了应用ADMM求解DCDOPF，需要将原问题进行合理的分解。一种常见的方法是按照区域划分，将电网分解为多个子区域，每个子区域负责优化其内部的发电资源和负荷调度。

具体分解步骤如下：

• 区域划分:

   将整个电网划分为多个区域，每个区域包含一部分节点、线路和发电机。

• 变量划分:

   将DCDOPF问题中的变量划分为局部变量和全局变量。局部变量是指只与单个区域相关的变量，例如每个区域内的发电机出力和节点电压。全局变量是指连接不同区域的变量，例如联络线的功率 flow。

• 约束条件划分:

   将DCDOPF问题中的约束条件划分为局部约束和全局约束。局部约束是指只与单个区域相关的约束条件，例如每个区域内的发电机出力约束和节点电压约束。全局约束是指连接不同区域的约束条件，例如联络线的功率平衡约束。

• 目标函数分解:

   将DCDOPF问题的目标函数分解为多个局部目标函数和一个全局目标函数。局部目标函数只与单个区域的局部变量相关，全局目标函数则与全局变量相关。

2.2 ADMM算法步骤

分解后，ADMM算法的具体步骤如下：

1. 初始化:

    初始化局部变量、全局变量和拉格朗日乘子。

2. 迭代:
   • 局部子问题求解:

      每个区域并行求解其局部子问题，目标是最小化其局部目标函数，同时满足局部约束和全局约束。全局约束通过引入拉格朗日乘子和惩罚项来实现。

   • 全局变量更新:

      通过协调各个区域的局部变量，更新全局变量，使其满足全局约束。

   • 拉格朗日乘子更新:

      根据原问题的残差，更新拉格朗日乘子。

3. 收敛判断:

    判断是否满足收敛条件，如果满足则停止迭代，否则返回第2步。

3. 带碳排放交易的DCDOPF的ADMM求解

将ADMM应用于带碳排放交易的DCDOPF问题，需要考虑碳排放交易机制的影响。一种方法是将碳排放交易成本纳入到局部目标函数中，并根据每个区域的碳排放量和碳排放配额，计算其碳排放交易成本。

具体步骤如下：

1. 碳排放量计算:

    每个区域根据其发电机的发电功率和排放因子，计算其碳排放量。

2. 碳排放交易成本计算:

    根据每个区域的碳排放量和碳排放配额，计算其碳排放交易成本。如果碳排放量超过配额，则需要购买碳排放权；如果碳排放量低于配额，则可以出售碳排放权。

3. 局部子问题求解:

    在求解局部子问题时，需要考虑碳排放交易成本的影响，使其成为局部目标函数的一部分。

4. 全局协调:

    全局协调过程需要考虑各个区域的碳排放交易情况，确保整个电网的碳排放总量满足要求。

4. 算法优势和挑战

基于ADMM的DCDOPF算法具有以下优势：

• 分布式计算:

   可以将大规模的DCDOPF问题分解为多个局部子问题，并行求解，提高求解效率。

• 保护隐私:

   每个区域只需要提供少量的信息给全局协调器，可以保护各个区域的隐私。

• 适应性强:

   可以适应电网结构的变化和分布式能源的接入。

• 易于扩展:

   可以方便地扩展到考虑更多因素的DCDOPF问题，例如需求侧响应和储能系统。

然而，ADMM算法也面临一些挑战：

• 收敛性:

   ADMM算法的收敛性取决于参数的选择和问题的结构。需要仔细选择参数，才能保证算法的收敛性。

• 通信成本:

   ADMM算法需要各个区域之间进行通信，如果通信成本过高，则会影响算法的效率。

• 子问题求解难度:

   每个区域的局部子问题可能仍然是一个复杂的优化问题，需要选择合适的求解算法。

5. 结论与展望

本文探讨了基于分布式交变方向乘法器(ADMM)方法求解带碳排放交易的直流动态最优潮流(DCDOPF)问题。通过将DCDOPF问题分解为多个局部子问题和一个全局协调问题，利用ADMM算法实现并行计算，可以有效地提高求解效率，并保护各个区域的隐私。

⛳️ 运行结果

🔗 参考文献

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇