基于联邦学习的多源异构数据融合算法

车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体. 随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题. 联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案. 然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布（non-independent and identically distributed,non-IID）数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢. 针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO. 第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型. 实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.

     

基于改进差分进化算法的无人机在线低空突防航迹规划

为了解决无人机在部分未知敌对环境中的低空突防航迹规划问题,提出了一种改进的差分进化算法.该算法的进化模型采用冯.诺伊曼拓扑结构,并对其进行拓展,使种群在进化初期保持多样性,避免进化早期陷入局部最优,而进化后期加快收敛速度.该算法改进了差分进化算子中的变异操作,从而加快算法的收敛速度,快速找到多目标优化问题的最优解;同时,采用将绝对笛卡儿坐标和相对极坐标相结合的编码方式以提高搜索效率.将该算法用于无人机在线航迹规划仿真实验,并和未改进的算法结果作比较,验证了该算法的有效性.     

考虑无线充电的无人机路径在线规划

近年来, 无人机在物流、通信、军事任务、灾害救援等领域中展现出了巨大的应用潜力, 然而无人机的续航能力是制约其使用的重大因素, 在无线充电技术不断突破和发展的背景下, 本文基于深度强化学习方法, 提出了一种考虑无线充电的无人机路径在线优化方法, 通过无线充电技术提高无人机的任务能力. 首先, 对无人机功耗模型和无线充电模型进行了构建, 根据无人机的荷电状态约束, 设计了一种基于动态上下文向量的深度神经网络模型,通过编码器和解码器的模型架构, 实现无人机路径的直接构造, 通过深度强化学习方法对模型进行离线训练, 从而应用于考虑无线充电的无人机任务路径在线优化. 文本通过与传统优化方法和深度强化学习方法进行实验对比,所提方法在CPU算力和GPU算力下分别实现了4倍以及100倍以上求解速度的提升.     

基于马尔可夫决策过程的电动汽车充电行为分析

针对电动汽车充电行为不确定性问题,建立了基于出行链理论的电动汽车出行及电池电量变化模型,提出了引入马尔可夫决策过程（Markov decision processes, MDP）的电动汽车用户充电行为分析方法。该方法将用户充电行为作为马尔可夫决策集,根据车辆在各区域间的转移概率构造状态转移矩阵,设置用户满意度指标作为决策过程报酬函数,通过求解有限阶段总报酬准则得到电动汽车用户在每个决策点处的最优充电决策。算例部分根据抽取电动汽车特征量数据进行马尔可夫决策过程仿真,得出充电负荷的时间与空间分布情况,通过与传统蒙特卡洛方法进行对比表明该文所提方法可以较好地模拟用户整个出行过程中的充电行为,反映充电需求的时空分布特点;同时,分析了不同区域、不同停车时长情况下电动汽车的不同充电行为,能够为电动汽车充电桩的规划建设提供参考。     

基于矢量传感器的无人驾驶车辆信号远程监测系统

传统无人驾驶车辆远程检测系统,由于信号传输距离的影响,在信号波传输过程中在电路耦合率衰减下出现监测信号清晰度降低,信号整体监测效果无法满足实际检测系统应用要求的问题;对此设计系统通过采用矢量传感器对系统变量、模量与定量数据进行矢量统一计算,提出基于矢量传感器的无人驾驶车辆信号远程监测系统;首先完成基于矢量传感器的系统总体框架设计;然后根据设计框架建立无人驾驶车辆监控信号交互硬件单元,通过不同矢量传感器构成监控信号数据矢量转换计算平台;最后通过对硬件平台的矢量化软件适配,完成硬件与软件监控信号统一,提升信号传输强度,增强信号清晰度,从而满足无人驾驶车辆信号远程监测要求,完成系统的设计;通过对比实验数据表明,设计的基于矢量传感器的无人驾驶车辆信号远程监测系统,能够在50～100 km范围内稳定监测车辆状态,车辆状态数据监测实时性与连续性明显优于传统检测系统.     

基于多目标模态分解与NAHL神经网络的电动汽车充电负荷预测方法

为提高电动汽车充电负荷预测精度,提出了一种基于多目标变分模态分解(VMD）和具有增强隐藏层的自动人工神经网络(NAHL)的预测方法。首先采用模拟单点二进制交叉算子(SBX)和线性递减的自适应变异策略(LDM)对NSGAII算法进行改进,称为NSGAII-LDSBX算法,然后利用改进NSGAII-LDSBX算法优化VMD的参数,将信号分解为若干个子序列,并通过模糊熵(FE)对子序列进行重构;进一步使用NSGAII-LDSBX对NAHL模型进行优化,对各分量进行预测;最后,以上海市嘉定区电动汽车充电站的负荷为例进行实验。分析表明：与其他模型相比,所提模型具有更好的预测精度,可有效预测电动汽车充电负荷。     

电动汽车充电设施规划运行关键技术研究综述

充电基础设施的建设规划和调度运行是满足电动汽车充电需求的关键因素,而规划和运行以电动汽车充电需求预测为决策依据。基于此,介绍了充电需求的时间分布和空间分布预测方法,阐述各类方法的优缺点及使用场景;总结了影响充电设施规划的因素,分别阐述充电设施选址和容量规划方法;分析了充电调度策略对电网、充电设施运营商、用户的影响,按照优化目标介绍调度运行的不同策略;结合国内外相关电动汽车充电示范应用,说明了调度策略的实际运行效果;围绕现有电动汽车充电问题中存在的不足,展望了电动汽车充电问题的未来发展方向。     

计及变压器寿命的电动汽车分布式控制策略

随着大规模电动汽车接入配电网,无序充电在台区层面易导致变压器过载问题。对此,提出一种考虑变压器寿命的电动汽车分布式控制策略。通过温升模型对变压器进行精细化建模,量化电动汽车充放电对变压器寿命损耗的影响,进一步结合分时电价制定各辆电动汽车的充电策略;考虑变压器安全运行需求,构建基于分布式模型预测控制的电动汽车实时调度模型,当台区智能融合终端感知到过载风险时,基于快速对偶近端梯度法进行求解,对电动汽车充放电功率进行实时调整,实现台区-终端用户的分布式优化调控;算例仿真结果验证了所提分布式算法具有良好的收敛性,所提策略能够降低电动汽车充放电和变压器寿命损耗成本,有效保护电动汽车用户的信息隐私。     

计及实时交通流的电动汽车灵活性多速率联合优化

由于交通网-电网之间的耦合愈加紧密,电动汽车(EV)作为灵活性资源参与调度的潜力愈加明显。针对现阶段交通网-电网耦合网络对交通流实时性考虑不足的现状,提出一种计及实时交通流的EV灵活性多速率联合优化(MRCO)策略。构建考虑交通拥堵的动态交通模型,基于速度-流量实用模型建立道路实时车流量与等效道路邻接矩阵的关系,提出考虑拥堵的等效最优路径搜索算法;建立以电网侧为主体的EV灵活性实时调度模型,针对交通网-电网的EV调度时间尺度不同的问题,提出基于MRCO的实时滚动优化算法,以适应交通路况实时多变的要求。基于某区域路网及IEEE 33节点系统对所提模型进行有效性验证,结果表明,所提策略能在满足用户出行需求的前提下,提高EV灵活性,促进可再生能源消纳。     

车联网环境下电动汽车主动充电引导模型

为了适应电动汽车数量和充电需求的急剧增长,从电动汽车用户视角出发,提出了一种在车联网环境下基于改进A*路径规划算法与排队论的电动汽车主动充电引导模型。首先,融入红绿灯等待时间和不走回头路条件,改进A*路径规划算法,利用实际路网状态信息更新路网时空状态矩阵,实时优化电动汽车行驶路径,获取电动汽车充电行驶时间。其次,利用深度置信网络预测充电站电动汽车短时到达量,基于排队论M/G/k模型预测电动汽车充电等待时间。最后,以最小化电动汽车充电行驶时间和充电等待时间为目标,搭建电动汽车主动充电引导模型。以中国南京市中心区域为算例,验证了所提主动充电引导模型的有效性,所提算法能够提高充电桩的利用率并减少电动汽车用户综合充电时间。