CN111934342A - 基于可信度的分布式发电集群自动关联及跟随控制方法 - Google Patents

基于可信度的分布式发电集群自动关联及跟随控制方法 Download PDF

Info

Publication number
CN111934342A
CN111934342A CN202010558778.XA CN202010558778A CN111934342A CN 111934342 A CN111934342 A CN 111934342A CN 202010558778 A CN202010558778 A CN 202010558778A CN 111934342 A CN111934342 A CN 111934342A
Authority
CN
China
Prior art keywords
distributed power
power supply
cluster
distributed
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010558778.XA
Other languages
English (en)
Inventor
孙景钌
周泰斌
林国松
郑昌庭
奚洪磊
胡长洪
项烨鋆
赵碚
刘津源
卢娇月
刘曦
施正钗
俞凯
薛大立
徐欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd, Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202010558778.XA priority Critical patent/CN111934342A/zh
Publication of CN111934342A publication Critical patent/CN111934342A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于可信度的分布式发电集群自动关联及跟随控制方法，包括以下步骤：S1：基于信息传播和参与激励的分布式电源集群划分方法，对分布式电源集群进行划分；S2：针对经过S1划分后的分布式电源集群，基于价值迭代和组合优化进行分布式电源集群间协同控制；S3：基于邻近传播和中心仲裁的分布式电源集群可信度量方法，对相邻的分布式电源集群个体进行可信度量。本发明的优点是：能够保障分布式发电规模有序、安全可靠、灵活高效地接入电网，实现分布式能源与电网友好协调及高效消纳。

Description

基于可信度的分布式发电集群自动关联及跟随控制方法
技术领域
本发明涉及基于可信度的分布式发电集群自动关联及跟随控制方法。
背景技术
分布式发电由于靠近负荷侧，产生的一系列问题较集中式更为复杂，对用 户的影响更为直接。大量具有间歇性、随机性的分布式电源接入电网，极大地 增加了电网复杂性和管控难度，对电网的安全、可靠、经济运行产生重大影响。 电网面临着大规模、集群式分布式发电并网带来的巨大挑战。如何保障分布式 发电规模有序、安全可靠、灵活高效地接入电网，实现分布式能源与电网友好 协调及高效消纳，已成为能源与电网领域的重大科学命题。
发明内容
针对分布式发电集群协同控制算法的研究较为缺乏，本发明提供基于可信 度的分布式发电集群自动关联及跟随控制方法。
为了解决上述技术问题，本发明是通过以下技术方案实现的：基于可信度 的分布式发电集群自动关联及跟随控制方法，包括以下步骤：
S1：基于信息传播和参与激励的分布式电源集群划分方法，对分布式电源 集群进行划分；
S2：针对经过S1划分后的分布式电源集群，基于价值迭代和组合优化进行 分布式电源集群间协同控制；
S3：基于邻近传播和中心仲裁的分布式电源集群可信度量方法，对相邻的 分布式电源集群个体进行可信度量。
优选的，步骤S1中所述的基于信息传播和参与激励的分布式电源集群划分 方法：多个不同位置的分布式电源通过聚合为集群而形成虚拟的集群，每个集 群内设置一个稳定的分布式电源作为通信基础设置的节点，负责集群间通讯和 集群内部的通信协调。
优选的，利用公钥加密方法让云端总控制器公布自己的公钥，转发的节点 采用公钥加密自己的信息，并将该信息加入协作包，后续转发过程中非节点将 不能获得加密信息，节点用自己的私钥解密信息获得各节点的决策信息。
优选的，步骤S2基于价值迭代和组合优化进行分布式电源集群间协同控制 的具体方法为：将分布式电源集群的全局协同拆分为两个串联的优化过程：首 先充分考虑各分布式电源的出力特性，将输出功率优化计算分配到分布式电源 个体上进行；再将时空关联的分布式电源集群在上层控制器中对生成的较优出 力配置进行全局优化。
优选的，上层控制系统包括一个全局协调节点，实现全局信息收集和融合 功能，协调节点从各个感知节点获取有功、无功的状态量信息，并融合为全局 态势图；处于边缘的分布式电源从该协调节点获取全局态势图，并使用价值迭 代方法自主计算最优输出功率。
优选的，分布式电源最优出力选择方法为：
分布式电源路径生成的数学模型基于马尔可夫决策过程，一个马尔可夫决 策过程通常由以下部分组成：状态s∈S，行为a∈A，奖励函数R(s,a)，以及状态 转移函数P(s’|s,a)；状态转移函数定义了给定状态和行为情况下转移到下一个状 态的概率分布函数；一个策略π(a|s)以描述了在给定状态S下进行行为的概率分 布函数；马尔可夫决策过程的目的是为了找到长期最大奖励的行为序列；
一般地，在一个策略函数π下，某一个状态的值Vπ(s)是从该状态出发的所经 历一系列状态值的衰减求和，即
Figure BDA0002545320130000031
其中γ∈(0,1)是衰减因子，Eπ表示状态轨迹(s0,a0,s1,a1,…)的总奖励的期望值，状态轨迹中的行为是根据策略函数π进行选择，状态轨迹中的状态则由状态 转移函数P(s’|s,a)决定；
最优价值函数V*(s)＝maxπVπ(s)是从长期来看可能获得最大化奖励；如果对任 何状态S，存在Vπ(s)＝V*(s)，则这个策略π*即可被称为最优策略，计算最优价值 V*和最优策略π*的算法是价值迭代：
Figure BDA0002545320130000032
当n→∞，价值函数Vn收敛至V*，得到最优策略π*(s)＝argmaxaQ∞(s,a)。
优选的，分布式电源在参与集群控制之前将它在该区域的候选出力方案报 告给集群领导节点，集群领导节点收集后再上报给上层控制系统的全局协调节 点；全局协调节点和各分布式电源之间的通信通过两层的通信拓扑实现；上层 控制系统的协调中心架构令集群内领导节点将较优出力方案规划后收集上报， 由全局协调节点进一步进行组合优化；
每个分布式电源有能力生成数条满足个体习惯的较优有功和无功出力方案； 将配电网定义为栅格模型G＝(V,E)，其中每一个母线用顶点V表示；每段馈线 用图的边E＝{e1，…，em}表示，其中m是局部区域内总包含的线路数量；量化 的线路功率容量E’＝{n1，…，nm}，ni表示其对应的线路ei在单位时间内的极限 容量；再定义一个分布式电源接入某一个配电网馈线时的出力为ri，其中ri∈ei；
基于上述配电网和分布式电源模型，量化分布式电源出力对配电网馈线资 源的占用；定义分布式电源DGi出力对线路E的“独立占用集为
Figure BDA0002545320130000041
分布式电源的独立占用集与其它分布式电源是否占该段馈线是无关的；令L为 配电网中包含的所有线路的总容量，那么
Figure BDA0002545320130000042
为独立占用集所对应的 独立占用率：
Figure BDA0002545320130000043
每一段线路的容量是有限的，且每台分布式电源的特性与参与集群程度不 同，因此协调节点的优化需要考虑输电线路容量资源对分布式电源集群候选出 力方案选择的约束；考虑一个等待协调的分布式电源集群DG＝{DG1,DG2,…, DGn}以及其相应的参与代价集D＝{d1,d2,…,dn}也就是说每个分布式电源DGi参与协调会有相应的线路资源代价di；那么上层控制系统的全局协调节点对整 个分布式电源路径优化安排的代价不应该超过当前线路最大容量E’；
给定一个线路集合E＝{e1，…，em}、其输电容量E’＝{n1,…,nm}、一个需要 优化的分布式电源集群DG＝{DG1,DG2,…,DGn}以及分布式电源出力占用的线 路容量，D＝{d1,d2,…,dn}；求解线路资源最大有效占用率是在最大输出容量约 束下，选择分布式电源出力子集
Figure BDA0002545320130000045
使得被选择的子集对线路资源实现 最大利用；在分布式电源梳理占用线路资源满足可加性的前提下，即d(P)＝ ∑d(pi)＝∑idi成立的情况下，这个最优化问题可以被形式化为：
Figure BDA0002545320130000044
优选的，步骤S3中所述的基于邻近传播和中心仲裁的分布式电源集群可信 度量方法：邻近传播算法是由多个分布式电源DG迭代计算进行，在每一次迭 代计算中，分布式电源DGi向分布式电源DGj发送信息s(i,j)度量DGi到DGj的 相似度，r(i,j)是分布式电源DGi向分布式电源DGj发送信息，表征分布式电源 DGi希望DGj成为集群领导电源的渴望程度，a(i,j)是从分布式电源DGi向分布 式电源DGj发送信息，表征DGj希望DGi成为集群领导电源的渴望程度，r(i,j) 和a(i,j)都表征着DGi成为簇头的合适程度，每次迭代更新r和a的过程如下：
Figure BDA0002545320130000051
为了使该迭代过程收敛，r和a的数值采用阻尼因子λ衰减，即：
Messagenew＝λ·Messageold+(1-λ)·Messagenew (6)
其中阻尼因子λ是一个在0和1之间的权值，当数值收敛时，一个集群及 相应集群领导分布式电源就生成了：
CHDGi＝maxj{a(i,j)+r(i,j)} (7)
基于信任度量对邻近传播聚类算法的输入进行修改，定义“不信任函数”作为 分布式电源之间对于行为或信息的距离度量，该度量可以通过分布式电源之间 的自主交互等方法获得；如果不信任程度越强，则“不信任函数”的值越大，邻近 传播算法通过寻找集群不信任度最低的节点，将其作为集群领导电源；具体地， 一对分布式电源节点根据对行为的认知和计算得出之间的不信任函数：
Figure BDA0002545320130000052
其中ID是分布式电源的唯一数字索引，绑定了集合ID＝{Capacity,Type, Code}中的一个元素，以便确认分布式电源的种类；
Figure BDA0002545320130000053
是一个表征情景的 向量，
Figure BDA0002545320130000061
是一个表征近期观察到的分布式电源的行为向量；通过行为探测 或行为交互，我们有理由假设分布式电源能够获得一些邻近分布式电源的行为 信息以完成对其不信任度的评估；根据邻近传播算法输入为负值的要求，将不 信任程度的度量值UntrustedDegree(i,j)∈[-1,0]作为算法输入；
所有分布式电源自身的UntrustedDegree(i,i)被初始化为相同数值；根据算法的计算原理，越高的电源节点越有可能被选择为集群领导电源，将此值设定为 该分布式电源历史声誉的函数，从而融合局部动态信任和全局历史声誉；
算法执行过程中，每个分布式电源DGi从邻近节点接收r(i,j)，并向周围广 播a(i,j)；可能存在恶意/低效的分布式电源发送错误的a(i,j)对集群信息进行 错误地引导；
采用监督模型来缓解广播中虚假/错误信息的干扰，监督模型的核心是为 每个分布式电源DGi匹配一个监督者分布式电源，该监督者和被监督的分布式 电源在一个局部范围，可以接收到被监督者的广播信息；监督者DGj根据周围 分布式电源发送的消息计算出被监督者DGi的a’(i,j)，同时监督者DGj也能接收 到被监督者自行计算的a(i,j)；如果a’(i,j)和a(i,j)数值相差较大，意味着被监督 者有很大可能向外发送了虚假的a(i,j)值；
根据监督模型生成的算法，每个分布式电源叫首先计算跟周围相邻分布式 电源的相对差异；相对差异越小，两个分布式电源越可能长时间保持相邻；如 果分布式电源叫发现分布式电源DGi；没有监督者且对其信任度 UntrustedDegree(i,j)≤Threshold小于既定阈值，则分布式电源DGi将DGj添加进 入潜在被监督的名单中，最后，分布式电源叫从潜在监督名单中选择相对移动 性最小的分布式电源，返回匹配对(DGi，DGk)；
云端的协调中心为中心仲裁器，根据上传的证据对某一分布式电源声誉值 进行升高或降低，从而鼓励集群中的良好行为、惩罚恶意行为；
中心仲裁器有描述分布式电源DGi的K个证据的集合
Figure BDA0002545320130000071
其中第k个证 据
Figure BDA0002545320130000072
的上标j表示该份数据描述了分布式电源DGj的行为评价；再规定中心仲裁 器需要根据数据判断分布式电源DGj的行为βi∈Ω属于基本行为集合Ω中的一 种，令Bj逆表示中心仲裁器对于分布式电源DGk的最终行为判断类型，通过以 下三种方法用于融合不一致的数据：
(1)大多数表决(Majority Vote)：在k份数据中数量最多的那一类型即为 最终判断类型，由计数器counti统计行为类型的票数，则分布式电源DGj的判定 类型定义为：
Figure BDA0002545320130000077
(2)加权表决(Weighted Vote)：对于每种行为类型，该方法采用加权投票 的方法统计该类行为的票数，某一票的权重为投票者的可信度
Figure BDA0002545320130000073
而后获得加权 值最高的类型即为判定类型：
Figure BDA0002545320130000074
(3)贝叶斯推理(Bayesian Inference)：首先赋予每个行为类型βi∈Ω—个 先验概率，各个类型的后验概率可以通过对一系列证据
Figure BDA0002545320130000075
使用 贝叶斯定理得到：
Figure BDA0002545320130000076
最后的判定类型是对应最大后验概率的行为类型：
Figure BDA0002545320130000078
与现有技术相比，本发明的优点是：能够保障分布式发电规模有序、安全 可靠、灵活高效地接入电网，实现分布式能源与电网友好协调及高效消纳。
附图说明
图1为本发明中步骤S1中控制信息的通信联络拓扑图；
图2为本发明的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通 过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对 本发明的限制。
如图2所示，基于可信度的分布式发电集群自动关联及跟随控制方法，包 括以下步骤：
S1：基于信息传播和参与激励的分布式电源集群划分方法；
S2：基于价值迭代和组合优化的分布式电源集群间协同控制方法；
S3：基于邻近传播和中心仲裁的分布式电源集群可信度量方法。
步骤S1中所述的基于信息传播和参与激励的分布式电源集群划分方法：众 多分布在不同位置的分布式电源通过聚合为集群而形成一个虚拟的“基础设施”。 设置一个稳定的分布式电源作为通信基础设施的领导节点，负责集群间的联络 和集群内部的通信协调。由于集群中其他从属分布式电源不直接参与集群间的 通信，因此可以减少各集群间的控制信息碰撞。控制信息的通信联络拓扑如图1 所示，该通信拓扑可认为是采用集中式和分布式相结合的方式。所有分布式电 源的控制状态量通过集群间联络、集群内共享获得控制信息后自主选择是否参 与整个系统的协同控制。每个分布式电源的决策会通过协同包回传至上层控制 器。
需要说明的是，在自主决策的过程中所有分布式电源都是基于对其它个体 决策的估计而做出的选择。由于采用自组织的信息转发模式，这些分布式电源 的决策结果也需要被包含在协同包中才能回传给云端总控制器。这意味着分布 式电源在转发协同包的过程中存在着“偷窥”其它分布式电源的决策信息可能。一 旦其中某些分布式电源个体可以获得其它个体的决策信息，该个体可以直接获 得额外的集群决策信息，个体之间博弈模型可能会转变为社会学习模型，每个 分布式电源的行为将不再遵循上述模型的分析方法。
为了防止博弈模型的失效，需要对个体决策信息进行某种程度的加密。利 用公钥加密方法让云端总控制器公布自己的公钥，转发的成员电源节点采用公 钥加密自己的信息，并将该信息加入协作包。在后续转发过程中非种子节点将 不能获得加密的信息，种子节点最后用自己的私钥解密信息就可以获得各个节 点的决策信息。
步骤S2中所述的基于价值迭代和组合优化的分布式电源集群间协同控制方 法：提出了一种基于价值迭代和组合优化的分布式电源集群全局协同控制方法。 该方法将分布式电源集群的全局协同问题拆分为两个串联的优化过程：首先充 分考虑各分布式电源的出力特性，将输出功率优化计算分配到分布式电源个体 上进行；再将时空关联的分布式电源集群在上层控制器中对生成的较优出力配 置进行全局优化。该方法将全局路径最优化问题转换为局部和全局联合优化问 题，从而支持高效的全局协同控制。
多分布式电源协同控制框架，设计了多分布式电源全局功率协同控制策略。 上层控制系统包括一个全局协调节点，实现全局信息收集和融合功能。协调节 点从各个感知节点获取有功、无功的状态量信息，并融合为全局态势图。处于 边缘的分布式电源从该协调节点获取全局态势图，并使用价值迭代方法自主计 算最优输出功率。因此全局优化的一部分计算负载分配到了每个分布式电源中， 提高了协同控制系统的实时性和鲁棒性。
上层控制系统的全局协调节点还负责对其覆盖区域内的分布式电源的最优 出力候选集进一步优化。在分布式电源总容量一定的情况下，上层控制系统的 全局协调节点使用组合优化算法对各电源节点进行分配规划。在边缘分布式电 源生成较优的路线候选集合后，全局协调节点再对所有分布式电源的出力候选 集合做进一步的组合优化，以实现更优的电源出力配置。
分布式电源路径生成的数学模型基于马尔可夫决策过程(Markov DecisionProcess,MDP)。一个马尔可夫决策过程通常由以下部分组成：状态s∈S，行为 a∈A，奖励函数R(s,a)，以及状态转移函数P(s’|s,a)。状态转移函数定义了给定 状态和行为情况下转移到下一个状态的概率分布函数。一个策略π(a|s)以描述了 在给定状态S下进行行为的概率分布函数。马尔可夫决策过程的目的是为了找 到长期最大奖励的行为序列。
一般地，在一个策略函数π下，某一个状态的值Vπ(s)是从该状态出发的所经 历一系列状态值的衰减求和，即
Figure BDA0002545320130000101
其中γ∈(0,1)是衰减因子，Eπ表示状态轨迹(s0,a0,s1,a1,…)的总奖励的期望值，状态轨迹中的行为是根据策略函数π进行选择，状态轨迹中的状态则由状态 转移函数P(s’|s,a)决定。
最优价值函数V*(s)＝maxπVπ(s)是从长期来看可能获得最大化奖励。如果对任 何状态S，存在Vπ(s)＝V*(s)，则这个策略π*即可被称为最优策略。通常来说，计 算最优价值V*和最优策略π*的算法是价值迭代：
Figure BDA0002545320130000111
当n→∞，价值函数Vn收敛至V*，得到最优策略π*(s)＝argmaxaQ∞(s,a)。通 过问题抽象和联想，我们采用上述马尔可夫决策过程和价值迭代方法解决分布 式电源的最优出力生成问题。
为了使多分布式电源协同优化出行路径，我们设计了上层控制系统的多分 布式电源全局协同控制方法。结合各分布式电源自主规划出力的能力，重点阐 述上层控制系统的全局组合优化算法。
分布式电源在参与集群控制之前将它在该区域的候选出力方案报告给集群 领导节点，集群领导节点收集后再上报给上层控制系统的全局协调节点。全局 协调节点和各分布式电源之间的通信通过两层的通信拓扑实现。上层控制系统 的协调中心架构令集群内领导节点将较优出力方案规划后收集上报，由全局协 调节点进一步进行组合优化。
每个分布式电源有能力生成数条满足个体习惯的较优有功和无功出力方案。 我们考虑上层控制系统的协调模型，全局的线路容量需要被量化以支持组合优 化。我们将配电网定义为栅格模型G＝(V,E)，其中每一个母线用顶点V表示。 每段馈线用图的边E＝{e1，…，em}表示，其中m是局部区域内总包含的线路数 量。量化的线路功率容量E’＝{n1，…，nm}，ni表示其对应的线路ei在单位时间 内的极限容量。再定义一个分布式电源接入某一个配电网馈线时的出力为ri，其 中ri∈ei。
基于上述配电网和分布式电源模型，我们量化分布式电源出力对配电网馈 线资源的占用。定义分布式电源DGi出力对线路E的“独立占用集(Independent Coverage)”为
Figure BDA0002545320130000112
分布式电源的独立占用集与其它分布式电 源是否占该段馈线是无关的，因此称为“独立占用”。令L为配电网中包含的所 有线路的总容量，那么
Figure BDA0002545320130000121
为独立占用集所对应的独立占用率：
Figure BDA0002545320130000122
在实际场景中，每一段线路的容量是有限的，且每台分布式电源的特性与 参与集群程度不同，因此协调节点的优化需要考虑输电线路容量资源对分布式 电源集群候选出力方案选择的约束。考虑一个等待协调的分布式电源集群 DG＝{DG1,DG2,…,DGn}以及其相应的参与代价集D＝{d1,d2,…,dn}也就是说每 个分布式电源DGi参与协调会有相应的线路资源代价di。那么上层控制系统的 全局协调节点对整个分布式电源路径优化安排的代价不应该超过当前线路最大 容量E’。
需要定义最大线路容量资源约束下的分布式电源出力组合优化问题。给定 一个线路集合E＝{e1，…，em}、其输电容量E’＝{n1,…,nm}、一个需要优化的分 布式电源集群DG＝{DG1,DG2,…,DGn}以及分布式电源出力占用的线路容量， D＝{d1,d2,…,dn}；求解线路资源最大有效占用率是在最大输出容量约束下，选 择分布式电源出力子集
Figure BDA0002545320130000125
使得被选择的子集对线路资源实现最大利用。 在分布式电源梳理占用线路资源满足可加性的前提下，即
Figure BDA0002545320130000123
成 立的情况下，这个最优化问题可以被形式化为：
Figure BDA0002545320130000124
步骤S3中所述的基于邻近传播和中心仲裁的分布式电源集群可信度量方法： 随着集群控制中的分布式电源的数量越来越多，单个分布式电源在开放复杂环 境中越来越脆弱。电力系统中可能存在恶意或低效的分布式电源，恶意的分布 式电源具有破坏电力系统稳定性造成事故等潜在威胁；而低效分布式电源不良 行为也可能会对发电集群造成干扰等负面影响。因此，在分布式发电集群局部 协同和全局协同的控制过程中，分布式电源有必要对相邻个体进行可信度量， 以规避与低效或恶意的个体协作。为了完成对多分布式电源之间行为可信度的 准确度量以及对不良电源的抑制，提出了一种基于邻近传播与中心仲裁的可信 度量方法。该方法首先通过局部分布式电源之间相互评估和迭代计算克服单一 分布式电源个体在度量上的主观波动，形成准确的动态信任评价；再通过全局 的中心仲裁器收集评估数据形成历史声誉评价。最后，结合动态信任和历史声 誉，准确完成对分布式电源的可信度量。
建立分布式电源之间的信任关系，关键在于生成一个局部可信的集群领导 电源。为了克服单个分布式电源在信任评估上的主观性和波动性，簇和集群领 导电源需要通过多来源信息融合生成。生成的集群领导电源被看作是局部权威 节点，由它进一步实现簇内部的信任管理。邻近传播(Affinity Propagation,AP) 是一种通过节点交换信息和迭代计算的有效聚类算法。
初始化之后节点之间的相似值被一一计算，然后节点电源之间相互交换相 似值，与此同时每个节点电源根据自身信息进行迭代计算，最后生成高质量的 集群领导电源以及对应的集群成员。
邻近传播算法要求节点之间交换信息，比其它聚类算法更适合用于分布式 电源之间的局部信任的建立。因为邻近传播算法具有以下特点：(1)支持信任 的传递性：在信任理论里，如果节点A没有直接和节点B建立信任关系，它仍 然可以通过其它节点C来间接建立与节点B之间的信任关系。类似地，使用邻 近传播算法的信息交换天然地反映了信任的传递性。(2)支持信任的非对称性。 分布式电源A信任分布式电源B并不保证分布式电源B对分布式电源A是信任 的，这说明信任关系是非对称的。邻近传播算法可以用于非对称度量，因此比 其它聚类算法更适合用于信任方面的计算。(3)支持计算的分布式进行。原始 的邻近传播算法支持分布式迭代计算，很适合分布式电源之间分布式的交互机 制。(4)计算结果具有低误差。邻近传播聚类与普通聚类算法相比有较低的聚 类误差，使得信任度量更准确。
邻近传播算法是由多个分布式电源DG迭代计算进行的。在每一次迭代计 算中，分布式电源DGi向分布式电源DGj发送信息s(i,j)(即similarity)度量 DGi到DGj的相似度，r(i,j)(即responsibility)是分布式电源DGi向分布式电源 DGj发送信息，表征分布式电源DGi希望DGj成为集群领导电源的渴望程度，a(i, j)(即availability)是从分布式电源DGi向分布式电源DGj发送信息，表征DGj希望DGi成为集群领导电源的渴望程度，r(i,j)和a(i,j)都表征着DGi成为簇头的 合适程度。每次迭代更新r和a的过程如下：
Figure BDA0002545320130000141
为了使该迭代过程收敛，r和a的数值采用阻尼因子λ衰减，即：
Messagenew＝λ·Messageold+(1-λ)·Messagenew (6)
其中阻尼因子λ是一个在0和1之间的权值。当数值收敛时，一个集群及 相应集群领导分布式电源(Cluster Leader DG)就生成了：
CHDGi＝maxj{a(i,j)+r(i,j)} (7)
基于信任度量对邻近传播聚类算法的输入进行修改。定义“不信任函数”作为 分布式电源之间对于行为或信息的距离度量，该度量可以通过分布式电源之间 的自主交互等方法获得。如果不信任程度越强，则“不信任函数”的值越大。邻近 传播算法通过寻找集群不信任度最低的节点(即集群最信任节点)，将其作为集 群领导电源。具体地，一对分布式电源节点根据对行为的认知和计算得出之间 的不信任函数：
Figure BDA0002545320130000151
其中ID是分布式电源的唯一数字索引，绑定了集合ID＝{Capacity,Type, Code}中的一个元素，以便确认分布式电源的种类。
Figure BDA0002545320130000152
是一个表征情景的 向量，
Figure BDA0002545320130000153
是一个表征近期观察到的分布式电源的行为向量。通过行为探测 或行为交互，我们有理由假设分布式电源能够获得一些邻近分布式电源的行为 信息以完成对其不信任度的评估。根据邻近传播算法输入为负值的要求，我们 将不信任程度的度量值UntrustedDegree(i,j)∈[-1,0]作为算法输入。
所有分布式电源自身的UntrustedDegree(i,i)被初始化为相同数值。根据算法的计算原理，越高的电源节点越有可能被选择为集群领导电源。将此值设定为 该分布式电源历史声誉的函数，从而融合局部动态信任和全局历史声誉。
算法执行过程中，每个分布式电源DGi从邻近节点接收r(i,j)，并向周围广 播a(i,j)。可能存在恶意/低效的分布式电源发送错误的a(i,j)对集群信息进行 错误地引导。比如，恶意分布式电源DGi对外广播一个虚高的a(i,j)值可使其更 大概率成为集群领导电源。针对此问题，需要设计一种监督机制防范虚假消息 的广播。
采用监督模型来缓解广播中虚假/错误信息的干扰。监督模型的核心是为 每个分布式电源DGi匹配一个监督者分布式电源。该监督者和被监督的分布式 电源在一个局部范围，可以接收到被监督者的广播信息。监督者因此可以验证 被监督者发送的a(i,j)是否真实有效。监督者DGj根据周围分布式电源发送的消 息计算出被监督者DGi的a’(i,j)，同时监督者DGj也能接收到被监督者自行计算 的a(i,j)。如果a’(i,j)和a(i,j)数值相差较大，意味着被监督者有很大可能向外发 送了虚假的a(i,j)值。这一监督模型的基本假设是监督者需要获取被监督者接收 和发送的信息，这在分布式电源协同支撑环境中两者相邻情况下是成立的。我 们为分布式电源匹配一个相对稳定和诚实的监督者。
根据监督模型生成的算法，只有当下列两条件满足时，分布式电源DGi才 可能匹配成为分布式电源DGj的监督者：(1)分布式电源％本身不太相信分布 式电源DGj；(2)分布式电源DGi和分布式电源在局部范围内相邻。这个算法将 一对分布式电源匹配为监督者和被监督者，以减少合谋的可能性。算法的输入 是多个分布式电源的状态信息(包括位置，容量)，输出则为匹配的监督者与被 监督者。具体地，每个分布式电源叫首先计算跟周围相邻分布式电源的相对差 异；相对差异越小，两个分布式电源越可能长时间保持相邻。如果分布式电源 叫发现分布式电源DGi；没有监督者且对其信任度UntrustedDegree(i, j)≤Threshold小于既定阈值，则分布式电源DGi将DGj添加进入潜在被监督的名 单中。最后，分布式电源叫从潜在监督名单中选择相对移动性最小的分布式电 源，返回匹配对(DGi，DGk)。
分布式电源集群中的交互观察和评价积累了大量数据。分布式电源生成“证 据”上传给云端的协调中心(即中心仲裁器)，后者利用强大的计算和存储资源 集成证据生成全局历史的声誉。中心仲裁器还根据上传的证据对某一分布式电 源声誉值进行升高或降低，从而鼓励集群中的良好行为、惩罚恶意行为。
分布式电源不必实时与上层控制系统的中心仲裁器通信，每个分布式电源 采用“存储-上传”机制向中心仲裁器上传信息。每个分布式电源首先将证据存储 在本节点中，由时间或事件触发分布式电源的上传行为。对于中心仲裁器来说， 并非所有的证据信息都是一致完备的。因为有低效甚至恶意分布式电源在集群 中存在，集群上传的某些证据可能虚假甚至相互矛盾。
从数学的角度分析不一致的证据融合模型，假设中心仲裁器有描述分布式 电源DGi的K个证据的集合
Figure BDA0002545320130000171
其中第k个证据
Figure BDA0002545320130000172
的上标j表示该份数据描述 了分布式电源DGj的行为评价。我们再规定中心仲裁器需要根据数据判断分布 式电源DGj的行为βi∈Ω属于基本行为集合Ω中的一种。令Bj逆表示中心仲裁 器对于分布式电源DGk的最终行为判断类型，那么有以下三种方法可用于融合 不一致的数据：
(1)大多数表决(Majority Vote)：在k份数据中数量最多的那一类型即为 最终判断类型。由计数器counti统计行为类型的票数，则分布式电源DGj的判定 类型定义为：
Figure BDA0002545320130000173
(2)加权表决(Weighted Vote)：对于每种行为类型，该方法采用加权投票 的方法统计该类行为的票数。某一票的权重为投票者(即证据上传者)的可信 度
Figure BDA0002545320130000174
而后获得加权值最高的类型即为判定类型：
Figure BDA0002545320130000175
(3)贝叶斯推理(Bayesian Inference)：首先赋予每个行为类型βi∈Ω—个 先验概率。那么各个类型的后验概率可以通过对一系列证据
Figure BDA0002545320130000176
使用贝叶斯定理得到：
Figure BDA0002545320130000177
最后的判定类型是对应最大后验概率的行为类型：
Figure BDA0002545320130000178
以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此， 任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明 的专利范围之中。

Claims (8)

1.基于可信度的分布式发电集群自动关联及跟随控制方法，其特征在于：包括以下步骤：
S1：基于信息传播和参与激励的分布式电源集群划分方法，对分布式电源集群进行划分；
S2：针对经过S1划分后的分布式电源集群，基于价值迭代和组合优化进行分布式电源集群间协同控制；
S3：基于邻近传播和中心仲裁的分布式电源集群可信度量方法，对相邻的分布式电源集群个体进行可信度量。
2.如权利要求1所述的基于可信度的分布式发电集群自动关联及跟随控制方法，其特征在于：步骤S1中所述的基于信息传播和参与激励的分布式电源集群划分方法：多个不同位置的分布式电源通过聚合为集群而形成虚拟的集群，每个集群内设置一个稳定的分布式电源作为通信基础设置的节点，负责集群间通讯和集群内部的通信协调。
3.如权利要求2所述的基于可信度的分布式发电集群自动关联及跟随控制方法，其特征在于：利用公钥加密方法让云端总控制器公布自己的公钥，转发的节点采用公钥加密自己的信息，并将该信息加入协作包，后续转发过程中非节点将不能获得加密信息，节点用自己的私钥解密信息获得各节点的决策信息。
4.如权利要求2所述的基于可信度的分布式发电集群自动关联及跟随控制方法，其特征在于：步骤S2基于价值迭代和组合优化进行分布式电源集群间协同控制的具体方法为：将分布式电源集群的全局协同拆分为两个串联的优化过程：首先充分考虑各分布式电源的出力特性，将输出功率优化计算分配到分布式电源个体上进行；再将时空关联的分布式电源集群在上层控制器中对生成的较优出力配置进行全局优化。
5.如权利要求4所述的基于可信度的分布式发电集群自动关联及跟随控制方法，其特征在于：上层控制系统包括一个全局协调节点，实现全局信息收集和融合功能，协调节点从各个感知节点获取有功、无功的状态量信息，并融合为全局态势图；处于边缘的分布式电源从该协调节点获取全局态势图，并使用价值迭代方法自主计算最优输出功率。
6.如权利要求4所述的基于可信度的分布式发电集群自动关联及跟随控制方法，其特征在于：分布式电源最优出力选择方法为：
分布式电源路径生成的数学模型基于马尔可夫决策过程，一个马尔可夫决策过程通常由以下部分组成：状态s∈S，行为a∈A，奖励函数R(s,a)，以及状态转移函数P(s’|s,a)；状态转移函数定义了给定状态和行为情况下转移到下一个状态的概率分布函数；一个策略π(a|s)以描述了在给定状态S下进行行为的概率分布函数；马尔可夫决策过程的目的是为了找到长期最大奖励的行为序列；一般地，在一个策略函数π下，某一个状态的值Vπ(s)是从该状态出发的所经历一系列状态值的衰减求和，即
Figure FDA0002545320120000021
其中γ∈(0,1)是衰减因子，Eπ表示状态轨迹(s0,a0,s1,a1,…)的总奖励的期望值，状态轨迹中的行为是根据策略函数π进行选择，状态轨迹中的状态则由状态转移函数P(s’|s,a)决定；
最优价值函数V*(s)＝maxπVπ(s)是从长期来看可能获得最大化奖励；如果对任何状态S，存在Vπ(s)＝V*(s)，则这个策略π*即可被称为最优策略，计算最优价值V*和最优策略π*的算法是价值迭代：
Figure FDA0002545320120000031
Figure FDA0002545320120000032
当n→∞，价值函数Vn收敛至V*，得到最优策略π*(s)＝argmaxaQ∞(s,a)。
7.如权利要求6所述的基于可信度的分布式发电集群自动关联及跟随控制方法，其特征在于：分布式电源在参与集群控制之前将它在该区域的候选出力方案报告给集群领导节点，集群领导节点收集后再上报给上层控制系统的全局协调节点；全局协调节点和各分布式电源之间的通信通过两层的通信拓扑实现；上层控制系统的协调中心架构令集群内领导节点将较优出力方案规划后收集上报，由全局协调节点进一步进行组合优化；
每个分布式电源有能力生成数条满足个体习惯的较优有功和无功出力方案；将配电网定义为栅格模型G＝(V,E)，其中每一个母线用顶点V表示；每段馈线用图的边E＝{e1，…，em}表示，其中m是局部区域内总包含的线路数量；量化的线路功率容量E’＝{n1，…，nm}，ni表示其对应的线路ei在单位时间内的极限容量；再定义一个分布式电源接入某一个配电网馈线时的出力为ri，其中ri∈ei；
基于上述配电网和分布式电源模型，量化分布式电源出力对配电网馈线资源的占用；定义分布式电源DGi出力对线路E的“独立占用集为
Figure FDA0002545320120000033
分布式电源的独立占用集与其它分布式电源是否占该段馈线是无关的；令L为配电网中包含的所有线路的总容量，那么
Figure FDA0002545320120000034
为独立占用集所对应的独立占用率：
Figure FDA0002545320120000035
每一段线路的容量是有限的，且每台分布式电源的特性与参与集群程度不同，因此协调节点的优化需要考虑输电线路容量资源对分布式电源集群候选出力方案选择的约束；考虑一个等待协调的分布式电源集群DG＝{DG1,DG2,…,DGn}以及其相应的参与代价集D＝{d1,d2,…,dn}也就是说每个分布式电源DGi参与协调会有相应的线路资源代价di；那么上层控制系统的全局协调节点对整个分布式电源路径优化安排的代价不应该超过当前线路最大容量E’；给定一个线路集合E＝{e1，…，em}、其输电容量E’＝{n1,…,nm}、一个需要优化的分布式电源集群DG＝{DG1,DG2,…,DGn}以及分布式电源出力占用的线路容量，D＝{d1,d2,…,dn}；求解线路资源最大有效占用率是在最大输出容量约束下，选择分布式电源出力子集
Figure FDA0002545320120000041
使得被选择的子集对线路资源实现最大利用；在分布式电源梳理占用线路资源满足可加性的前提下，即d(P)＝∑d(pi)＝∑idi成立的情况下，这个最优化问题可以被形式化为：
Figure FDA0002545320120000042
8.如权利要求7所述的基于可信度的分布式发电集群自动关联及跟随控制方法，其特征在于：步骤S3中所述的基于邻近传播和中心仲裁的分布式电源集群可信度量方法：邻近传播算法是由多个分布式电源DG迭代计算进行，在每一次迭代计算中，分布式电源DGi向分布式电源DGj发送信息s(i,j)度量DGi到DGj的相似度，r(i,j)是分布式电源DGi向分布式电源DGj发送信息，表征分布式电源DGi希望DGj成为集群领导电源的渴望程度，a(i,j)是从分布式电源DGi向分布式电源DGj发送信息，表征DGj希望DGi成为集群领导电源的渴望程度，r(i,j)和a(i,j)都表征着DGi成为簇头的合适程度，每次迭代更新r和a的过程如下：
r(i,j)←s(i,j)-maxks.t.k≠j{a(i,k)+s(i,k)}
Figure FDA0002545320120000051
Figure FDA0002545320120000052
为了使该迭代过程收敛，r和a的数值采用阻尼因子λ衰减，即：
Messagenew＝λ·Messageold+(1-λ)·Messagenew (6)
其中阻尼因子λ是一个在0和1之间的权值，当数值收敛时，一个集群及相应集群领导分布式电源就生成了：
CHDGi＝maxj{a(i,j)+r(i,j)} (7)
基于信任度量对邻近传播聚类算法的输入进行修改，定义“不信任函数”作为分布式电源之间对于行为或信息的距离度量，该度量可以通过分布式电源之间的自主交互等方法获得；如果不信任程度越强，则“不信任函数”的值越大，邻近传播算法通过寻找集群不信任度最低的节点，将其作为集群领导电源；具体地，一对分布式电源节点根据对行为的认知和计算得出之间的不信任函数：
Figure FDA0002545320120000053
其中ID是分布式电源的唯一数字索引，绑定了集合ID＝{Capacity,Type,Code}中的一个元素，以便确认分布式电源的种类；
Figure FDA0002545320120000054
是一个表征情景的向量，
Figure FDA0002545320120000055
是一个表征近期观察到的分布式电源的行为向量；通过行为探测或行为交互，我们有理由假设分布式电源能够获得一些邻近分布式电源的行为信息以完成对其不信任度的评估；根据邻近传播算法输入为负值的要求，将不信任程度的度量值UntrustedDegree(i,j)∈[-1,0]作为算法输入；
所有分布式电源自身的UntrustedDegree(i,i)被初始化为相同数值；根据算法的计算原理，越高的电源节点越有可能被选择为集群领导电源，将此值设定为该分布式电源历史声誉的函数，从而融合局部动态信任和全局历史声誉；算法执行过程中，每个分布式电源DGi从邻近节点接收r(i,j)，并向周围广播a(i,j)；可能存在恶意/低效的分布式电源发送错误的a(i,j)对集群信息进行错误地引导；
采用监督模型来缓解广播中虚假/错误信息的干扰，监督模型的核心是为每个分布式电源DGi匹配一个监督者分布式电源，该监督者和被监督的分布式电源在一个局部范围，可以接收到被监督者的广播信息；监督者DGj根据周围分布式电源发送的消息计算出被监督者DGi的a’(i,j)，同时监督者DGj也能接收到被监督者自行计算的a(i,j)；如果a’(i,j)和a(i,j)数值相差较大，意味着被监督者有很大可能向外发送了虚假的a(i,j)值；
根据监督模型生成的算法，每个分布式电源叫首先计算跟周围相邻分布式电源的相对差异；相对差异越小，两个分布式电源越可能长时间保持相邻；如果分布式电源叫发现分布式电源DGi；没有监督者且对其信任度UntrustedDegree(i,j)≤Threshold小于既定阈值，则分布式电源DGi将DGj添加进入潜在被监督的名单中，最后，分布式电源叫从潜在监督名单中选择相对移动性最小的分布式电源，返回匹配对(DGi，DGk)；
云端的协调中心为中心仲裁器，根据上传的证据对某一分布式电源声誉值进行升高或降低，从而鼓励集群中的良好行为、惩罚恶意行为；
中心仲裁器有描述分布式电源DGi的K个证据的集合
Figure FDA0002545320120000061
其中第k个证据
Figure FDA0002545320120000062
的上标j表示该份数据描述了分布式电源DGj的行为评价；再规定中心仲裁器需要根据数据判断分布式电源DGj的行为βi∈Ω属于基本行为集合Ω中的一种，令Bj逆表示中心仲裁器对于分布式电源DGk的最终行为判断类型，通过以下三种方法用于融合不一致的数据：
(1)大多数表决(Majority Vote)：在k份数据中数量最多的那一类型即为最终判断类型，由计数器counti统计行为类型的票数，则分布式电源DGj的判定类型定义为：
Figure FDA0002545320120000071
(2)加权表决(Weighted Vote)：对于每种行为类型，该方法采用加权投票的方法统计该类行为的票数，某一票的权重为投票者的可信度
Figure FDA0002545320120000072
而后获得加权值最高的类型即为判定类型：
Figure FDA0002545320120000073
(3)贝叶斯推理(Bayesian Inference)：首先赋予每个行为类型βi∈Ω—个先验概率，各个类型的后验概率可以通过对一系列证据
Figure FDA0002545320120000074
使用贝叶斯定理得到：
Figure FDA0002545320120000075
最后的判定类型是对应最大后验概率的行为类型：
Figure FDA0002545320120000076
CN202010558778.XA 2020-06-18 2020-06-18 基于可信度的分布式发电集群自动关联及跟随控制方法 Pending CN111934342A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010558778.XA CN111934342A (zh) 2020-06-18 2020-06-18 基于可信度的分布式发电集群自动关联及跟随控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010558778.XA CN111934342A (zh) 2020-06-18 2020-06-18 基于可信度的分布式发电集群自动关联及跟随控制方法

Publications (1)

Publication Number Publication Date
CN111934342A true CN111934342A (zh) 2020-11-13

Family

ID=73317846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010558778.XA Pending CN111934342A (zh) 2020-06-18 2020-06-18 基于可信度的分布式发电集群自动关联及跟随控制方法

Country Status (1)

Country Link
CN (1) CN111934342A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114172149A (zh) * 2021-12-08 2022-03-11 安徽继远软件有限公司 一种分布式发电集群自治控制方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110932288A (zh) * 2019-11-25 2020-03-27 国网安徽省电力有限公司六安供电公司 一种基于分布式发电集群的去中心化电压优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110932288A (zh) * 2019-11-25 2020-03-27 国网安徽省电力有限公司六安供电公司 一种基于分布式发电集群的去中心化电压优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨树: "车联网中多虚拟车协同服务方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114172149A (zh) * 2021-12-08 2022-03-11 安徽继远软件有限公司 一种分布式发电集群自治控制方法及系统
CN114172149B (zh) * 2021-12-08 2023-10-24 国网安徽省电力有限公司电力科学研究院 一种分布式发电集群自治控制方法及系统

Similar Documents

Publication Publication Date Title
Xu et al. Asynchronous federated learning on heterogeneous devices: A survey
Kang et al. Incentive mechanism for reliable federated learning: A joint optimization approach to combining reputation and contract theory
Liu et al. Blockchain and federated learning for collaborative intrusion detection in vehicular edge computing
Xia et al. Trustworthiness inference framework in the social Internet of Things: A context-aware approach
Asheralieva et al. Reputation-based coalition formation for secure self-organized and scalable sharding in IoT blockchains with mobile-edge computing
Souissi et al. A multi-level study of information trust models in WSN-assisted IoT
Asiri et al. An IoT trust and reputation model based on recommender systems
Halabi et al. Trust-based cooperative game model for secure collaboration in the internet of vehicles
Dass et al. T-safe: Trustworthy service provisioning for IoT-based intelligent transport systems
Lee A survey on trust computation in the internet of things
Wang et al. Bayesian cognitive trust model based self-clustering algorithm for MANETs
Yang et al. Anomaly detection for Internet of Vehicles: A trust management scheme with affinity propagation
Kumar et al. LDAT: LFTM based data aggregation and transmission protocol for wireless sensor networks
Wang et al. A fast and secured vehicle-to-vehicle energy trading based on blockchain consensus in the internet of electric vehicles
Jia et al. A multi-property method to evaluate trust of edge computing based on data driven capsule network
CN111934342A (zh) 基于可信度的分布式发电集群自动关联及跟随控制方法
Xiang et al. Blockchain enabled dynamic trust management method for the internet of medical things
Khan et al. Machine learning aided blockchain assisted framework for wireless networks
Syu et al. AI-based electricity grid management for sustainability, reliability, and security
Dubey et al. Bayesian network based trust model with time window for pure P2P computing systems
Sharifi et al. Combing smart grid with community clouds: Next generation integrated service platform
Manzoor et al. Centralised vs. Decentralised Federated Load Forecasting: Who Holds the Key to Adversarial Attack Robustness?
Cho et al. Costa: Composite trust-based asset-task assignment in mobile ad hoc networks
Zhou et al. AI and Blockchain Enabled Future Wireless Networks: A Survey And Outlook
Yang et al. pDPoSt+ sPBFT: A high performance blockchain-assisted parallel reinforcement learning in industrial edge-cloud collaborative network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201113

RJ01 Rejection of invention patent application after publication