（1）一种实时机会约束决策的快速方法及其在电力系统中的应用源代码，保证正确
使用情景方法来解决实时机会约束决策问题的可能性，在这些问题中，未知参数的新信息通过测量变得可用。
约束的仿射性质已被利用来推导一种变化的场景方法，它不需要根据条件分布重新采样参数空间。
通过对样本的预处理，可以用极其有限的计算资源来解决机会约束决策问题，使得该方法对具有实时控制规范的大规模系统具有吸引力。
最后，所提出的方法可推广到控制动作跨越一个后退时间范围的装置，如离散时间系统的模型预测控制。
随机优化，计算方法，不确定系统，情景方法，电力系统
（2）利用回归卷积神经网络和支持向量回归模型对用电量进行预测，源代码，保证正确
回归卷积神经网络和支持向量回归(RCNN-SVR)模型用于电力消费预测。
通过对近五年的电力消耗数据的实验验证了该模型的有效性。
在实验中，使用了某矿业公司的数据，并考虑了历史用电需求。
实验结果表明，RCNN-SVR模型能够准确预测未来几个月的用电量。
同时，将所提出的模型与四种用于电力消费预测的模型进行了比较。
比较结果表明，我们的RCNN-SVR模型在所有测试算法中性能最好，MSE、MAPE和CV-RMSE值最低。
从得到的所有结果来看，该方法可以减少计算时间。
所提出的RCNN-SVR方法成功地解决了上述三个问题:(1)降低了计算成本;(2)在有限数据下训练模型;(3)提高预测精度。
还有 智能微电网粒子群优化算法
ID:27139638256323949
