C-MCC:无线可充电传感器网络中一种基于分簇的多MC协同充电策略

已有研究显示,将无线能量转移机制应用到WSN中能够从根本上改善WSN的寿命.为了提供稳定的并且高的充电效率以提高网络的性能,提出了一种基于分簇的多移动充电器(Mobile Charger,MC)协同充电策略C-MCC,文中定义MC相对合适度用于衡量网络中的MC相对于簇头节点的合适程度,并结合MC的当前剩余能量和MC与簇头节点的距离给出了相应的计算公式.在C-MCC中,整个网络被划分为多个充电簇,簇头节点只向网络中相对合适度最大的MC传送簇状态信息.MC在进行充电决策时,不仅考虑了充电簇的当前剩余能量,还考虑了MC与簇头节点之间的距离.仿真结果表明,C-MCC提高了充电效率,在网络中存活的节点数方面较DCLK都有所增加,网络路由鲁棒性和网络连通度较DCLK提高了7.7%.

基于协同充电技术的直流充电桩控制方法研究

提出基于模糊控制算法的直流充电桩协同充电技术。在保证用户需求的前提下,实时读取电池的荷电状态,通过模糊算法输入参数调节电池的充电速率,结合电池特性设计充电电压与电流的上下阈值,加入控制算法保证充电过程中电池不会出现过放和过充现象,实现电动汽车-车桩-用户三者的信息共享。仿真结果证实了协同充电方法的有效性,提高了电动汽车的充电效率,节约了电动汽车的充电时间,延长了汽车电池的使用年限,实现了电能的有效利用。

基于机器学习的自适应双模协同无线充电调度策略

为了打破无线传感器网络的能量瓶颈,考虑无线充电效率对充电距离的敏感性,提出一种基于机器学习的自适应双模式设备协同调度的无线充电方案。首先,基于剩余能量、能耗以及充电效率来定义节点状态,提出一种计及节点状态的自适应阈值选择充电算法。然后设计改进式遗传算法,以最大化能量效用为目标为各节点选择合适的充电模式。此外,为进一步降低充电算法时间复杂度,利用基于支持向量机的机器学习方法学习上述充电模式切换机制,构建节点状态智能预测模型。仿真结果表明,所提算法可在保证较低充电时延的基础上,有效提升多无线充电设备的能量效用,增强传感网络的可持续性。

WRSN中多MC协同的一对多能量补充策略

无线可充电传感网络(Wireless Rechargeable Sensor Networks,WRSN)由于受到传感器有限的电池容量限制,所面临的一项重要挑战是如何调度移动充电器MC(Mobile Charger)及时为传感器进行充电,避免传感器由于能量过低而失效。然而现有的充电策略中单MC充电策略难以满足大规模WRSNs的电量需求,多MC充电策略常忽略充电的均衡性。针对WRSN中多MC协同充电问题,提出一种多MC协同的一对多能量补充策略(MTORN)。首先通过相交圆算法将网络中的传感器节点划分为若干个节点簇,MC根据节点簇的平均剩余能量以及距离划分簇的优先级,每个MC前往不同的节点簇进行一对多充电从而提高充电效率。仿真结果表明,与现有的算法相比,MTORN能够有效降低网络中传感器节点失效数量和MC的移动成本,延长网络生存时间。