找到 2 条结果
微电网二级控制与通信QoS的协同优化：信息物理系统的跨层视角
Co-Optimization of Microgrid Secondary Control and Communication QoS: A Cross-Layer Perspective in Cyber–Physical System
作者未知 · IEEE Transactions on Industrial Informatics · 2025年1月
在采用分层控制的微电网（一种典型的信息物理电力系统，CPPS）中，信息层面的故障可能会以跨层的方式导致物理系统受损。特别是在极端条件下，通信设施的可靠性可能会受到威胁，导致服务质量（QoS）下降，并随后以跨层的方式扰乱频率和电压调节。本文提出了一种针对服务质量、频率调节和电压调节的协同优化技术，该技术包括：1）一个专门的信息物理电力系统模型，用于定量分析资源分配对物理状态（特别是频率和电压）的跨层影响；2）一个多目标公式，旨在提高服务质量，同时尽量减少对物理状态调节的影响；3）一种权重调整的模型...
解读: 从阳光电源微电网解决方案的业务视角来看，该论文提出的信息-物理系统跨层协同优化技术具有重要的工程应用价值。当前，阳光电源的光储一体化系统在分层控制架构下，通信层故障确实可能引发物理层的频率和电压失稳，特别是在极端天气或电网扰动场景下，这一跨层级联效应会直接影响系统可靠性和并网性能。 该研究的核心创...
高密度NOMA网络中网络切片的子信道分配和功率分配优化：Q学习方法
Optimizing Subchannel Assignment and Power Allocation for Network Slicing in High-Density NOMA Networks: A Q-Learning Approach
Suhare Solaiman · IEEE Access · 2025年1月
高密度环境下连接设备数量增长给不同网络切片服务带来严峻挑战，如超可靠低延迟通信和大规模机器类型通信，每种服务有独特QoS要求。主要困难是分配网络资源最大化频谱利用同时满足mMTC大规模连接需求和URLLC超可靠低延迟通信需求。本研究利用非正交多址网络切片在各种服务间共享无线资源，改善大规模设备部署连接性。提出优化算法用于高密度NOMA网络中URLLC和mMTC设备的子信道分配和功率分配，采用Q学习算法优化决策过程确保URLLC和mMTC设备间高效资源共享并满足各自QoS要求。大量仿真显示所提算法...
解读: 该网络切片优化技术可应用于阳光电源虚拟电厂通信系统。阳光管理的大规模分布式光伏储能资源需要低延迟高可靠的通信网络，该NOMA和Q学习方法可优化海量设备接入和实时调度指令传输。阳光可将该技术应用于iSolarCloud平台边缘通信，实现储能聚合和需求响应，提升系统实时响应能力和调度灵活性。...