英语原文共 6 页
基于zigbee的物联网技术在智能电网需求响应中的应用
Anthony S. Deese, Ph.D*, Julian Daum **
文摘:
讨论了通常与物联网相关的技术如何应用于智能电网的需求响应。作者提出了一个由无线硬件和智能控制软件组成的系统，该系统有助于住宅和商业负荷参与智能电网的需求响应活动。显然，以数字方式观察和控制这些设备的能力对这些举措至关重要。该工作的主要目标是开发一个具有成本效益和超低功耗的电网，引入距离估计和。
关键词:物联网，ZigBee，需求响应，智能电网
I. 前言
物联网(IoT)技术在未来智能电网中的作用是不可低估的，特别是考虑到数字传感、通信和驱动对开发更高效、更有弹性的电力系统的重要性。本文着重研究了负荷自动化的需求响应及其与负荷自动化的关系 需求响应允许ISOs根据实际或预测的电力成本改变电网内的能源使用方式。目标是在能源成本高和可用性低的情况下只操作基本负荷;非必要负荷应暂时转移到可再生能源(例如)廉价和丰富的时期。 需求响应对于输电网络的压力和可靠性都有很多好处。该技术功能强大，允许ISOs考虑客户行为的不可预测性以及可再生能源的产出(Mohsenian-Rad, et al.， 2010;Kleinberg等，2011)。能够远程监控客户负载并执行负载的硬件对于需求响应非常重要。
II. 目的
这项工作的作者花了两年时间开发了一套无线传感器-执行器模块，该模块具有以下功能:1)在物联网中发挥有意义的作用;2)与电力负载进行无线通信并进行控制;3)测量环境光等环境因素。 模块允许用户远程(通过软件)开动120𝑉/ 15𝐴电动加载以及衡量他们的电力消耗。它们还允许用户(再次通过软件)远程观察空间内的环境运动、声音和光线。这些信息可以用来预测人类的存在。
有多种商业可利用的，基于iot的无线传感和驱动模块，促进与电力负载的交互;然而，大多数都缺乏以下能力:1)执行平均测量和2)估计传感器位置.通常单一的平均量度(例如在一个时间窗内所观察到的总运动)比少量的瞬时值更有趣和有用。此外，它可以在功率、带宽和速度方面以更高的效率传输。关于位置，关于传感器相对位置的任何信息都为它们所进行的测量提供了额外的上下文和意义。这些信息可用于执行更高级的系统级分析。针对上述问题，作者提出了以下解决方案。一个解决方案是使用基于集成的度量。作者使用模拟积分器来测量环境运动和声音的平均值。因为这些集成器可能会被远程初始化和重置，所以开发人员可以在Python中动态地配置和重置采样窗口。结果是一种灵活、动态的测量方案。第二个解决方案是通过𝑅SSI.三角传感器的位置作者采用接收信号强度指示器𝑅SSI)测量之间通过收音机来估计它们的相对位置本文的一个特别创新的方面是一种算法，如图5所示，它强制终端节点连续连接多个父路由器，生成估计所需的RSSI数据点数量的增加(Fauldi, 2010)。
III. 一般硬件
作为物联网研究的一部分，作者已经开发了几个传感器执行器原型。如下图1和图2所示(Deese, et al.， 2013)。作者的远程传感器执行器的主要功能概述如下。一是能够从各种传感器获取模拟信号。虽ZigBee S2模块仅为设计人员提供4个adc用于模拟信号测量，但作者使用了一组MAX4619多路复用器，使潜在的模拟测量数量增加了一倍，达到8个。
图1:最新基于zigbee的传感器-致动器模块原型，如图所示:视差PIR运动传感器(黑色传感器)和传感器-12642声音探测器(红色板)
图2:之前使用类似硬件的智能插头模块原型
另一个重要的功能是环境的度量。作者的传感器测量环境光和负载电流绘制的瞬时值以及检测到的运动和声音的平均值。缓冲MCP6042利用运算放大器,信号调节,以及平均和集成,因为他们的运营能力从单一5𝑉供应以及他们的效率高。运动和声音测量通过缓冲器提供给集成运放。BC547晶体管便于重置用于测量平均的MCP6042模拟积分器。这些晶体管可以通过ZigBee无线电远程驱动，重新启动观测窗口，并控制其持续时间。对于大多数测试,作者使用了一个积分器的时间常数𝜏= 20𝑚𝑚。这提供了足够的灵敏度，同时最小化了饱和度的影响。早期的原型,使用𝜏= 100𝑚𝑚展出的敏感性问题的观察硬件采用夏普S108T02固态继电器(额定120V和8A)控制连接负载的功率流。控制信号本身由ZigBee模块生成，提供给基于BC547晶体管的继电器控制电路。像许多商业化units,额定电流8𝐴𝐴used,而不是满15𝐴𝐴从墙上socket.可用这是为了提高安全性，防止它用于控制更大的机器，如洗衣机和烘干机。硬件的另一个重要功能是无线通信。这个设计很简洁
图3:作者的硬件设计概况
IV. 距离估计算法
这篇论文最令人兴奋的方面之一，以及这项工作的总体来说，是传感器-执行器模块的能力，以确定其相对位置和相互之间的代理。硬件依赖于ZigBee无线通信协议，默认情况下，该协议采用星形网络结构
图4:ZigBee基本星形结构
为了理解接近估计算法，必须引入几个关键的ZigBee S2模块参数。
所有无线电都有一个名为节点连接时间(NJ)的参数。此参数定义父广播/节点初始化后允许子节点加入的时间长度。用户可以定义一个最大值的𝑁J= 255,允许孩子在任何时候加入。她/他可能定义一最小值𝑁= 0,防止这父母接受任何新的儿童(同时保持任何现有的)。NJ参数在强制操纵通信网络结构方面可能非常有用。
图5:作者的用户驱动的网络重构技术，确定了高亮显示的终端节点的三个可能的父节点调试按钮命令
在Python中是一个功能强大的命令，特别是在用户驱动网络结构的操作方面。有两个基本的使用命令。注意，所有命令都是Digi应用程序编程接口(API)的一部分，并使用Python编程语言。第一个相关的命令是ddo_command。此命令模拟两次调试按钮的行为，强制网络中的所有无线电搜索新的父节点，并在存在更优父节点时迁移(RSSI值更大)。在一分钟内，它覆盖了任何用户定义的NJ参数，使所有的父进程都可以接受子进程。第二个相关的命令是ddo_command。此命令模拟按下“调试”按钮四次的行为，强制addressX上的电台执行软件复位。重置完成后，此电台(且仅此电台)将搜索。
4.1强制网络重构
假设一个子节点当前与其最优父节点相关联。用户如何确定孩子的次优选择?事实证明，这个过程相对简单。首先,用户必须设置节点加入时间(𝑁J= 0)为当前等于零。第二,她必须执行一个孩子本身的软件重置通过调试按钮(𝐶B= 4)。但是，由于它的新NJ值，它将不能这样做。然后，子进程将搜索可用的最佳进程作者为ZigBee通信协议开发了一种强制的网络重构技术，如图5所示，该技术允许用户确定终端节点的潜在节点。连接终端节点和其他路由器的能力。潜在的父母)以及量化他们共同的接收信号强度指示器距离估计算法是至关重要的。图5展示了通过系统地将当前父节点的NJ值设置为0并通过远程调试按钮驱动重新设置结束节点，高亮显示的结束节点(更大、更粗)如何连接到三个不同的潜在节点(两个路由器和网络协调器)。
图6:用于接近估计测试的驻留测试系统，显示XBee协调器(Co)、路由器(A - D)和终端节点(Q - Z)。
4.2量化RSSI
创建一个二维数组如表1所示是至关重要的预测传感器对彼此的位置。信息接收信号强度指示器(RSSI)多个父母和孩子之间使用。 在讨论之前必须明白RSSI的返回值由广播什么意思它是对最后接收到的消息的信号强度的量化。因为从他们的父母道路节点接收消息路由器协调员,毫无疑问RSSI返回值什么意思为RSSI可能描述许多传输:协调员路由器孩子A,路由器B,这个,用户建议原因发送令牌消息请求固件目标孩子路由器的结束确保最后消息收到这对于路由器来说比终端节点更重要。
V. 实验验证
作者使用住宅测试系统,如图6所示,测试距离估计算法在第四节中定义。1600𝑓t空间分为三层,每个大约16𝑓t宽36𝑓t长。它包含一个XBee协调员模块(𝐶o),四个路由器(𝐴minus;𝐷),和结束节点作为传感器(𝑄minus;𝑍).图5描述迫使网络重构技术是用来测量接收信号强度指示器(𝑅SSI)两端节点和三个潜在parents.之间 传输功率损耗𝑇)之间的路由器𝑖𝑖和结束节点𝑘𝑘然后计算如(1)所示,是这个路由器的传动功率之间的差异()和RSSI观察到相应的结束节点()在。所有RSSI测量在 硬件。注意，传输功率可能会随着无线电功率级别(PL)和功率模式(PM)设置以及具体型号的不同而变化(Goncalo amp; Helena, 2009;Bras, et al.， 2010)。
(1)
5.1结果
测试结果如表1所示。这个表的每个元素代表一个值将在本文中称为结束节点之间的传输损失的平均绝对差𝑖𝑖和𝑘𝑘所有常见的潜在的父母。例如,假设强制网络重构技术如图5所观察到的输电损耗(in 𝑑Bm)在(2)所示结束节点𝑄和路由器B,𝐶,和𝐷(all in 𝑑Bm)。
(2)
也观察到输电损耗(in𝑑Bm)𝑅𝑅结束节点和路由器之间见(3)𝐴,𝑑,𝐶.
(3)
结束节点𝑄𝑄和𝑅𝑅分享两个常见的潜在父母(𝑑和c). 例如,他们接近另一个可以定义的价值如下定义在(4)的数值结果
(4)
表1给出了值为每个终端节点的组合𝑄minus;𝑍如图6.所示所有终端节点共享至少两个潜在的父节点。结果表明，这些值可用于预测端节点间的相对代理关系。例如,有四个结束节点位于整个住宅读者会注意到,与节点相关联值在给定集群是大约0.63𝑑Bm;但是,平均直径超过5.71 𝑑Bm.表这个观察说明相对较小的值表明,结束节点𝑖和𝑘靠近另外一个,而英蒂大值 而且,两端节点位于最远的从一个另一个(𝑇和𝑉𝑉展览8.43 𝑑Bm,显著高于正常.的价值通过对比表1和图6，趋势变得越来越清晰。显然，数据集中存在异常值。然而，这可能是由于在墙壁或设备附近放置某些终端节点导致无线信号不寻常的传播。表1:结束节点的所有组合𝑄minus;𝑍在𝑑Bm。
VI. 学习优化
作者的系统的一个主要特征是它能够从它服务的人的行为中学习。为此,作者开发了一个算法,搜索传感器测量之间的相关性和训练数据。传感器测量数据由传感器-执行器模块采集。其中包括:环境光,检测到运动,背景噪声、温度,和负载电流消耗。另一方面，培训数据是用户以多种方式提供的:
-
用户负载的启动——当一个用户打开或关闭任何负载连接到一个一般,其内部电流传感器将检测能耗的变化。这些信息将被作为一个训练样本学习算法,一个表明负载的理想状态是由用户定义为𝑟𝑅𝑆。
- 学习算法基础
算法的目的是提取变量之间的相关性在𝑥和𝑟数据集,相关性,可以用来估计未来负荷的最优配置。例如,如果用户不要使用某些电视在学习算法可能关联环境光与优化配置传感器执行机构可以学会根据环境因素激活和关闭负载(打开和关闭其内部继电器)。 这将减少在白天电视处于待机模式时，由于泄漏电流而造成的电力损失。消极的后果是，如果用户希望在下午2点随意看电视，那么它的电源将处于非活动状态。用户可以通过外部的按钮或者手机app来表达自己的不满，这说明:1)当前的负载配置不是最优的，2)学习算法需要使用这个新样本进行细化。学习算法产生一个预测负荷𝑘𝑘的最佳状态=基于传感器测量=。这些预测是提取观测之间的相关性𝑥和𝑟。每个预测将被分配一个信心值(𝜌)基于:1)加强相关的训练样本数量,2)偏离理想的传感器测量,和3)存在相互矛盾的相关性。
|
(5) |
|
|
(6) |
下一个问题是硬件将如何确定住宅或商业建筑内所有负载的最佳配置。重要的是要讨论两个问题:
如何量化最优性?——一个目标函数量化住宅或商业建筑的负荷的最优配置。它利用两个独立的指标,第一个是归一化负载功耗。第二个是负载的最佳状态的产物𝑘𝑘预测的学习算法和它的信心,预测。注意= 1预测预测的“接力”和1个“接力”。的值将范围从0到1。如果学习算法
(7)
▪ 用户或实用程序如何控制自动化?(7)中有一个参数尚未讨论。效率参数()可以用来操纵舒适性和能源效率之间的最佳平衡。对于大型的价值观,功耗()将有一个更大的对成本的影响(𝑐)比预测最优状态()。对于小的值。相反用户、电力公司或独立的系统操作员可以通过更改这个目标函数参数来大幅度地改变最佳负载配置
确定最佳负载配置,必须采用优化算法最小化。虽然(7)是一个线性方程，但其基本行为是高度非线性的。这种非线性可以归因于载荷相互之间的影响。例如,关闭一个照明负载可能会改变的建议(𝜌)与多个相关的其他设备。由于控制变量的二进制性质，一种方法是利用马尔可夫决策过程(MDP)。最小化,问题可能是制定作为一个马尔可夫决策过程(MDP)如图7所示。
图7负荷优化问题作为马尔科夫决策过程的样本公式
当使用无限视界或折现因子为1时，该动态规划算法可作为穷举搜索。对于较小的问题，这可能是可取的。
IX.结论
作者提出了一个用于住宅和商业负荷自动化的智能无线网络，这将有助于他们参与全系统的需求响应活动。主要研
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
