智慧园区新兴业务的信息采集及实时控制需要严格的时间同步作为前提,虚假数据注入攻击(false data injection attack,FDIA)对时间同步精度的影响不可忽视。如何通过电力线通信(power line communication,PLC)实现安全准确时间同步成为...智慧园区新兴业务的信息采集及实时控制需要严格的时间同步作为前提,虚假数据注入攻击(false data injection attack,FDIA)对时间同步精度的影响不可忽视。如何通过电力线通信(power line communication,PLC)实现安全准确时间同步成为当前研究的重要问题。该文首先构建考虑FDIA的PLC赋能智慧园区时间同步网络,通过改进卡尔曼滤波修正时间同步误差;其次,以误差最小化为目标,建立站点时间同步问题;最后,提出基于改进深度Q网络的时间同步路由选择算法。所提算法能够根据FDIA概率动态学习时间同步路由选择策略,从而提高对未知状态的泛化能力。仿真验证表明,所提方法不仅能够显著提升FDIA检测的安全性能,同时可有效改善时间同步精度。展开更多
随着大量分布式能源终端接入,智慧园区中爆炸式增长的业务对队列积压、误码率、吞吐量等服务质量(quality of service,QoS)需求差异性大,现有的路由优化与差异化业务需求适配性差、时间同步与路由优化存在耦合性、链路与网络拥塞信息的...随着大量分布式能源终端接入,智慧园区中爆炸式增长的业务对队列积压、误码率、吞吐量等服务质量(quality of service,QoS)需求差异性大,现有的路由优化与差异化业务需求适配性差、时间同步与路由优化存在耦合性、链路与网络拥塞信息的不确定性等挑战,影响园区网络路由性能。针对上述挑战,提出了一种联合背压和Q学习的时间同步感知多态路由协议(backprEssure and Q-Learning based timE synChronizaTion-aware polymoRphic routIng protoCol,ELECTRIC)算法。首先,建立时间同步感知多态路由协议架构,实现园区终端的集中管理和数据传输优化;其次,根据背压算法,将队列积压最小化问题转化为队列积压差最大化问题,避免网络拥塞;然后,利用时间偏差阈值的概念对时间同步进行感知,使延迟唤醒的休眠态终端变为活跃态,并基于本地和历史信息进一步学习最优路由选择策略;最后,通过仿真结果验证,相较于基于Q学习的路由选择(Q-learning based route selection,QLRS)算法和基于队列积压的背压路由选择(queue backlog based backpressure route selection,QBBRS)算法,所提算法可分别提高平均吞吐量17.39%和56.52%,降低平均队列积压33.86%和44.07%,降低误码率31.58%和58.06%,保障智慧园区不同业务差异化的QoS需求。展开更多
文摘智慧园区新兴业务的信息采集及实时控制需要严格的时间同步作为前提,虚假数据注入攻击(false data injection attack,FDIA)对时间同步精度的影响不可忽视。如何通过电力线通信(power line communication,PLC)实现安全准确时间同步成为当前研究的重要问题。该文首先构建考虑FDIA的PLC赋能智慧园区时间同步网络,通过改进卡尔曼滤波修正时间同步误差;其次,以误差最小化为目标,建立站点时间同步问题;最后,提出基于改进深度Q网络的时间同步路由选择算法。所提算法能够根据FDIA概率动态学习时间同步路由选择策略,从而提高对未知状态的泛化能力。仿真验证表明,所提方法不仅能够显著提升FDIA检测的安全性能,同时可有效改善时间同步精度。
文摘对计及经济、环境因素的电力系统发电调度问题(Economic Environmental Dispatching,EED)进行研究,提出一种采用改进多目标灰狼算法的发电调度规划方案。构建基于发电燃料成本、污染气体排放量和节点电压偏移量等指标的多目标EED模型,并采用改进的多目标灰狼算法进行求解,以得到更优的Pareto前沿和折中解。设计多度量自适应FCM算法对灰狼算法(Gray Wolf Algorithm,GWA)种群多样性进行分析,重新定义狼群层级结构和Pareto前沿规模控制策略,并在此基础上提出反向学习和变异进化策略,以提升GWA全局收敛性能。仿真结果表明,改进的GWA具有优秀全局寻优能力,而且基于改进多目标灰狼算法得到的Pareto前沿和折中解更具可行性和优越性。
文摘随着大量分布式能源终端接入,智慧园区中爆炸式增长的业务对队列积压、误码率、吞吐量等服务质量(quality of service,QoS)需求差异性大,现有的路由优化与差异化业务需求适配性差、时间同步与路由优化存在耦合性、链路与网络拥塞信息的不确定性等挑战,影响园区网络路由性能。针对上述挑战,提出了一种联合背压和Q学习的时间同步感知多态路由协议(backprEssure and Q-Learning based timE synChronizaTion-aware polymoRphic routIng protoCol,ELECTRIC)算法。首先,建立时间同步感知多态路由协议架构,实现园区终端的集中管理和数据传输优化;其次,根据背压算法,将队列积压最小化问题转化为队列积压差最大化问题,避免网络拥塞;然后,利用时间偏差阈值的概念对时间同步进行感知,使延迟唤醒的休眠态终端变为活跃态,并基于本地和历史信息进一步学习最优路由选择策略;最后,通过仿真结果验证,相较于基于Q学习的路由选择(Q-learning based route selection,QLRS)算法和基于队列积压的背压路由选择(queue backlog based backpressure route selection,QBBRS)算法,所提算法可分别提高平均吞吐量17.39%和56.52%,降低平均队列积压33.86%和44.07%,降低误码率31.58%和58.06%,保障智慧园区不同业务差异化的QoS需求。
