【微电网优化】粒子群求解CHP机组、气网、电网、储热罐和电锅炉微电网优化问题【含Matlab源码 2109期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab优化求解仿真内容点击👇
Matlab优化求解（仿真科研站版）

⛄一、粒子群算法求解电联供型微电网经济运行优化简介

0 引言
热电联供 (combined heat and power, CHP) 系统建立在能源梯级利用的概念基础上, 统一解决了电能和热能的供应问题, 是一种经济节能、环境友好的用能方式, 具有良好的社会和经济效益, 在国内外引起广泛关注。在发展低碳绿色经济的背景下, 中国也开始重视CHP系统的发展, 但技术还不成熟, 应用尚处于起步阶段。

CHP型微网是一个复杂的能量系统, 存在多种能量平衡关系。在满足用户热电负荷需求的前提下, 如何根据微源配置 (即参与微源的种类、微源的运行参数等) 制定系统未来一段时间内的运行方案 (即各微源在各时段的功率分配) , 以使系统获得最佳经济效益, 是微网经济运行研究中的一个重要内容。目前, 国内的研究还仅局限在电力微网的层面上, 对CHP系统涉及较少, 国外在此方面已有相关研究展开。文献针对由风电机组和质子交换膜型燃料电池组成的CHP系统, 利用进化算法研究该系统的经济运行问题, 比较了对回收的热能采取4种不同方案得到的结果。研究了由燃气轮机、吸附式制冷机和余热锅炉构成的冷热电三联供系统, 建立简单的线性模型, 对系统运行策略进行优化。以成本最小化为目标, 建立了CHP型微网中各种类型微源的优化配置模型, 并采用粒子群优化 (PSO) 算法进行求解。

本文建立了一种含可再生能源的CHP型微网系统, 由风电机组、光伏电池、燃料电池、余热锅炉、燃气锅炉、蓄电池等微源和热电负荷构成。由于风电、光伏功率以及热电负荷存在很强的随机性, 而且目前的预测水平还远未达到实际应用的要求, 因此这些量将作为未知因素考虑。

1 含可再生能源的CHP型微网系统
本文研究的含可再生能源的CHP型微网系统如图1所示。

图1 含可再生能源的CHP型微网系统
风电机组和光伏电池分别以风能和太阳能为原动力, 作为可再生能源接入微网;燃料电池和燃气锅炉以天然气为燃料, 将化学能直接转化为电能和热能;余热锅炉回收燃料电池产生的废热;蓄电池作为储能装置, 根据系统运行情况, 实时进行充放电。此系统还与大电网进行双向的电功率流动, 当电能不足时从大电网购买电能, 当电能富足时向大电网销售电能。整个系统分成2个部分:用户电负荷由风电机组、光伏电池、燃料电池供给, 并可与大电网和蓄电池进行双向功率交换;用户热负荷由燃气锅炉和余热锅炉供给。

2 CCP理论
CCP主要针对约束条件中含有随机变量, 且必须在观测到随机变量的实现之前作出决策的情况。考虑到所作决策在不利的情况发生时可能不满足约束条件而采取一种原则:允许所作决策在一定程度上不满足约束条件, 但是该决策应该使约束条件成立的概率不小于某一置信水平。
考虑带有随机参数的数学规划模型:

式中:x为决策向量;ξ为随机向量;f (x, ξ) 为目标函数;gi (x, ξ) 为随机约束函数;i=1, 2, …, q。
实际上, 由于随机变量ξ使得目标函数和约束条件的含义并不明确, 因此上述规划模型没有意义。
CCP解决了上述问题, 其模型如下:

式中:Pr{}表示括号中事件成立的概率;α和β分别为事先给定的约束条件和目标函数的置信水平;f-为目标函数f (x, ξ) 在置信水平至少为β时所取的最小值。

3 含可再生能源的CHP型微网经济运行优化模型
本文应用CCP理论建立了含可再生能源的CHP型微网经济运行优化模型, 以系统运行费用最小化为目标, 综合考虑系统的能量平衡约束以及各微源的运行约束, 对系统的运行方案进行优化。

3.1 目标函数
系统运行费用包括:从大电网购电的费用;燃料电池、燃气锅炉的天然气使用费用;风电机组、光伏电池、燃料电池、余热锅炉、燃气锅炉、蓄电池等微源的维护费用;向大电网售电的收入。由于目标函数中含有风电、光伏功率等随机变量, 运行费用也是一个随机量, 因此采用确定性的表达式没有意义。根据式 (2) , 目标函数表示如下:

T为单位时段的时间间隔;n为时段总数;Pex, i为第i时段与大电网交换的电功率, 购电为正, 售电为负;Pfl, i为第i时段燃料电池的发电功率;Pgb, i为第i时段燃气锅炉功率;Pbt, i为第i时段蓄电池充放电功率, 放电为正, 充电为负;Pwt, i为第i时段风电机组功率;Ppv, i为第i时段光伏电池功率;Cph为从大电网购电的价格;Cse为向大电网售电的价格;Cgas为天然气价格;Cfl_om为燃料电池维护费用;Cbl_om为余热锅炉维护费用;Cgb_om为燃气锅炉维护费用;Cbt_om为蓄电池维护费用;Cwt_om为风电机组维护费用;Cpv_om为光伏电池维护费用;ηfl, i为燃料电池第i时段的效率;rfl, i为燃料电池第i时段的热电比值;ηgb为燃气锅炉的效率;ηhr_bl为余热锅炉废热回收效率。

3.2 约束条件
约束条件包括电能、热能的平衡约束以及各微源的运行约束。

1. 电能平衡约束
   电能平衡约束根据蓄电池充电与放电情况分为如下2种:
   
   式中:Pel, i为第i时段的电负荷;ηch和ηdis分别为蓄电池充放电效率;i=1, 2, …, n, 下同。

2. 热能平衡约束
   
   式中:Pth, i为第i时段的热负荷。

3. 与大电网功率交换约束
   
   式中:Pex, max和Pex, min分别为与大电网功率交换的最大和最小值, 即向大电网购电和售电的最大功率。

4. 燃料电池运行约束
   
   式中:ΔPfl_up和ΔPfl_down分别为燃料电池单位时段内功率最大增发量和最大减发量;Pfl, max和Pfl, min分别为燃料电池的最大和最小发电功率。

5. 余热锅炉运行约束
   
   式中:Pbl, max和Pbl, min分别为余热锅炉的最大和最小功率。

6. 燃气锅炉运行约束
   
   式中:Pgb, max和Pgb, min分别为燃气锅炉的最大和最小功率。

7. 蓄电池运行约束
   
   式中:j=1, 2, …, n;Pbt, min和Pbt, max分别为蓄电池的最大充放电功率;Wbt, max和Wbt, min分别为蓄电池的最大和最小储能量;式 (13) 表示蓄电池最终储能量与初始储能量Winit相等。

3.3 含随机变量的约束条件处理方法
与传统的优化方法不同, 由于风电、光伏功率以及热电负荷具有随机性, 某些约束条件不再具有确定性。本文根据CCP理论建立模型, 对含有随机变量的不等式约束, 以概率的形式进行描述, 使其能够在一定的置信水平下成立。置信水平的设置根据系统实际的运行要求进行。

根据等式约束 (式 (4) ~式 (6) 和式 (13) ) , 可将Pex, i, Pgb, i表示为含有Pwt, i, Ppv, i, Pel, i, Pth, i等随机变量的函数。一方面消去模型中的等式约束, 将原问题转化为只含有不等式约束的新问题, 便于PSO算法求解过程中的粒子可行性的检验。同时, Pex, i, Pgb, i成为随机量, 因此, 不等式约束 (式 (7) 和式 (11) ) 可以用概率形式描述为:

4 基于随机模拟的PSO算法
4.1 随机模拟
CCP相比于确定性规划的难点在于如何处理机会约束, 如果机会约束比较容易处理, 则可以将机会约束转化为各自的确定性等价类, 然后利用传统方法求解其等价的确定性模型。对于复杂的机会约束, 可以引入随机模拟技术进行处理。

随机模拟, 即Monte Carlo模拟, 其基础是从已知的概率分布中对随机变量进行抽样, 从而为系统决策提供依据或对系统决策进行检验。在求解上述优化模型过程中, 主要在两处引入了随机模拟技术。

1. 计算目标函数值
   对于带有随机变量ξ的目标函数:
   
   随机模拟算法如下:①根据随机变量ξ的概率分布Φ (ξ) , 生成N个独立的随机向量ξi (i=1, 2, …, N) ;②置fi=f (x, ξi) ;③取N′=βN, 根据大数定律, 取序列{f1, f2, …, fN}中第N′个最小的元素作为目标函数值。

2. 检验机会约束
   对于带有随机变量ξ的机会约束:
   
   随机模拟算法如下:①置计数器N′=0;②根据随机变量ξ的概率分布Φ (ξ) 生成随机变量ξ;③如果g (x, ξ) ≤0成立, 则N′=N′+1;④重复步骤②和③共N次;⑤;果N′/N≥α, 则机会约束成立, 否则不成立。

4.2 算法流程
PSO算法于1995年被首次提出[19], 具有概念简单、易于实现、调整参数少、收敛速度快、鲁棒性能强等优点, 已逐步渗透到各个应用领域, 并得到广泛应用。文献[20]对PSO算法作了详细介绍, 本文不再赘述。
根据以上模型, 提出基于随机模拟的PSO算法流程如下。
步骤1:输入各微源运行参数、各种费用参数和风电、光伏功率以及热电负荷等随机变量的分布参数。
步骤2:设置目标函数以及含随机变量的约束条件的置信水平;设置PSO算法参数, 包括粒子数、最大迭代次数、学习因子、初始惯性权重、终止惯性权重等。
步骤3:根据各时段风电、光伏功率以及热电负荷等随机变量的分布参数, 随机生成各时段的风电、光伏功率以及热电负荷。
步骤4:随机生成各时段燃料电池功率和蓄电池充放电功率, 组成1个粒子, 根据式 (8) ~式 (10) 、式 (12) 、式 (14) ~式 (16) 检验粒子可行性;若粒子不可行, 则重新生成粒子, 直至初始粒子生成完毕, 并同时随机生成各粒子的初始速度;对于如式 (15) 和式 (16) 所示含有随机变量的约束条件, 需根据步骤3中生成的随机量, 利用随机模拟技术检验约束条件是否成立, 即约束条件是否满足置信水平。
步骤5:利用随机模拟技术计算各个粒子的适应值。
步骤6:对每个粒子, 将其适应值与个体极值进行比较, 如果较优, 则更新当前的个体极值和个体最优位置;再将其适应值与全局极值进行比较, 如果较优, 则更新当前的全局极值和全局最优位置。
步骤7:对每个粒子的速度和位置进行更新, 并检验粒子可行性, 方法同步骤4;若粒子不可行, 则重新生成粒子的速度再更新位置, 直至粒子可行。
步骤8:重复步骤5~步骤7, 直至达到最大迭代次数。
步骤9:输出最优解和目标函数最优值。

⛄二、部分源代码

clc;
clear;
close all;

%% 算法参数
parameter;

nVar=5*24;
VarMin=[ones(1,24)*Pchp_min, …
ones(1,24)*Peb_min, ones(1,24)*Pg_min,ones(1,24)*Hhs_min, …
ones(1,24)*Wgb_min];
VarMax=[ones(1,24)*Pchp_max, …
ones(1,24)*Peb_max, ones(1,24)*Pg_max,ones(1,24)*Hhs_max, …
ones(1,24)*Wgb_max];
MaxIt=1000;
nPop=200;

%% 计算

[ bestPosition, fitValue ] = …
PSOFUN( @fun_objective,nVar,VarMin,VarMax,MaxIt,nPop );

x=bestPosition;
Pchp=x(1:24);%CHP机组
Peb = x(25:48); % 电锅炉
Pg = x(49:72); % 电网
Hhs=x(73:96); %储热罐
Wgb=x(97:120); %气网

Heb=nebPeb; %电热锅炉产热功率
Hchp=nwhrchpPchp(1-nmt-nl)/nmt;%chp产热功率
Wchp=Pchp/nmt/Lhv; %chp耗气功率

t=1:24;
figure(11)
hold on
positive=[Ppv’,Pg’,Pchp’];
negative=(-Peb)';
po=bar(positive,‘stack’);
ne=bar(negative,‘stack’);
set(po(1),‘Facecolor’,[0 1 0]);
set(po(2),‘Facecolor’,[0 0 1]);
set(po(3),‘Facecolor’,[0.5 1 1]);
set(ne(1),‘Facecolor’,[1 0.8 0]);
po1=plot(t, Pel, ‘or-’,‘MarkerFaceColor’,‘r’);
xlabel(‘时段/h’);ylabel(‘功率/kW’);
legend(‘光伏’,‘电网’,‘CHP机组’,‘电锅炉’,‘电负荷’)
grid on

figure(12)
hold on
Hhs_po=max(Hhs,0);
Hhs_ne=min(Hhs,0);
positive=[Heb’,Hchp’,Hhs_po’];
negative=Hhs_ne’;
po=bar(positive,‘stack’);
ne=bar(negative,‘stack’);
set(po(1),‘Facecolor’,[0.6 0.3 0.2]);
set(po(2),‘Facecolor’,[0.5 1 1]);
set(po(3),‘Facecolor’,[0 1 0]);
set(ne(1),‘Facecolor’,[1 0.8 0]);
po1=plot(t, Hh, ‘or-’,‘MarkerFaceColor’,‘r’);
xlabel(‘时段/h’);ylabel(‘功率/kW’);
legend(‘电锅炉’,‘CHP机组’,‘放热’,‘蓄热’,‘热负荷’)
grid on

figure(13)
hold on
positive=Wgb’;
negative=(-Wchp)';
po=bar(positive,‘stack’);
ne=bar(negative,‘stack’);
set(po(1),‘Facecolor’,[0 0 1]);
set(ne(1),‘Facecolor’,[0.5 1 1]);
po1=plot(t, Wq, ‘or-’,‘MarkerFaceColor’,‘r’);
xlabel(‘时段/h’);ylabel(‘功率/m3’);
legend(‘气网’,‘CHP机组’,‘气负荷’)
grid on

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]王锐,顾伟,吴志.含可再生能源的热电联供型微网经济运行优化[J].电力系统自动化. 2011,35(08)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
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）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 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 迷宫路径规划
4.4.3 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 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

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 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置