分布式无迹信息滤波(Distributed unscented information filter,DUIF)算法是一种有效的非线性分布式状态估计多源信息融合方法,然而当将该算法应用于稀疏无线传感器网络(Wireless sensor networks,WSN)时,稀疏WSN中存在的无效节点会引...分布式无迹信息滤波(Distributed unscented information filter,DUIF)算法是一种有效的非线性分布式状态估计多源信息融合方法,然而当将该算法应用于稀疏无线传感器网络(Wireless sensor networks,WSN)时,稀疏WSN中存在的无效节点会引起使滤波趋于发散的平均一致误差.针对该问题,本文提出一种改进DUIF算法.该算法不改变DUIF算法的级联结构,而是将其底层和上层滤波器分别改进为局部无迹信息滤波器(Local unscented information filter,LUIF)和加权平均一致性滤波器.LUIF对每个节点的局部多源观测信息进行局部融合,得到局部的后验估计信息向量和矩阵,进而将它们作为加权平均一致性滤波器的输入,最终得到不包含平均一致误差的分布式后验估计结果.其中,加权平均一致性滤波器是通过对由LUIF输出的局部后验估计信息向量和矩阵分别进行平均一致性滤波而得以在改进DUIF算法框架下实现的.同时,在此过程中,相邻节点之间的状态估计互相关信息也被引入改进DUIF算法的输出结果中,进一步增强了滤波的可靠性.仿真实验结果表明,改进DUIF算法能够在稀疏WSN中对机动目标进行有效跟踪,在估计精度和抑制滤波发散方面明显优于标准DUIF算法.展开更多
温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量...温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量庞大的负荷侧资源进行负荷跟随控制,该文建立温控负荷的虚拟电池模型和负荷集群的聚合模型,并提出基于双层分布式通信网络的控制策略。上层利用分布式交替方向乘子法(alternating direction method of multipliers,ADMM)来解决不同负荷聚合器的最佳跟随功率问题,以确保跟随效益最优;下层提出基于快速分布式平均一致性算法的深度神经网络(deep neural networks,DNN)的方法,使得聚合器内部的所有温控负荷以相等的虚拟电池荷电状态(state of charge,SoC)快速共享上层得到的跟随功率,并有效减少了通信数据量。不同时间尺度的算例验证提出的控制策略能够实现快速的负荷跟随,并保证用户侧的效益。展开更多
文摘分布式无迹信息滤波(Distributed unscented information filter,DUIF)算法是一种有效的非线性分布式状态估计多源信息融合方法,然而当将该算法应用于稀疏无线传感器网络(Wireless sensor networks,WSN)时,稀疏WSN中存在的无效节点会引起使滤波趋于发散的平均一致误差.针对该问题,本文提出一种改进DUIF算法.该算法不改变DUIF算法的级联结构,而是将其底层和上层滤波器分别改进为局部无迹信息滤波器(Local unscented information filter,LUIF)和加权平均一致性滤波器.LUIF对每个节点的局部多源观测信息进行局部融合,得到局部的后验估计信息向量和矩阵,进而将它们作为加权平均一致性滤波器的输入,最终得到不包含平均一致误差的分布式后验估计结果.其中,加权平均一致性滤波器是通过对由LUIF输出的局部后验估计信息向量和矩阵分别进行平均一致性滤波而得以在改进DUIF算法框架下实现的.同时,在此过程中,相邻节点之间的状态估计互相关信息也被引入改进DUIF算法的输出结果中,进一步增强了滤波的可靠性.仿真实验结果表明,改进DUIF算法能够在稀疏WSN中对机动目标进行有效跟踪,在估计精度和抑制滤波发散方面明显优于标准DUIF算法.
文摘温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量庞大的负荷侧资源进行负荷跟随控制,该文建立温控负荷的虚拟电池模型和负荷集群的聚合模型,并提出基于双层分布式通信网络的控制策略。上层利用分布式交替方向乘子法(alternating direction method of multipliers,ADMM)来解决不同负荷聚合器的最佳跟随功率问题,以确保跟随效益最优;下层提出基于快速分布式平均一致性算法的深度神经网络(deep neural networks,DNN)的方法,使得聚合器内部的所有温控负荷以相等的虚拟电池荷电状态(state of charge,SoC)快速共享上层得到的跟随功率,并有效减少了通信数据量。不同时间尺度的算例验证提出的控制策略能够实现快速的负荷跟随,并保证用户侧的效益。
