基于叠堆编码的分布式能源系统资源分配非线性控制方法研究

王德真

【摘 要】 文章针对传统分布式能源系统资源分配方法缺少非线性均衡调节过程，导致分配的均衡性差、控制能力弱等问题，提出基于叠堆编码的分布式能源系统资源分配非线性控制方法。构建分布式能源系统资源分配的信息编码模型，采用叠堆编码进行分布式能源系统资源分配传输指令控制，结合向量量化均衡控制方法进行分布式能源系统资源分配过程中的自适应控制。建立分布式能源系统资源分配的随机编码控制模型，通过叠堆编码方式进行非线性均衡调节。采用模糊控制律实现能源系统资源分配的非线性控制优化。仿真结果表明，采用该方法进行分布式能源系统资源分配非线性控制的均衡性较好，自适应调节能力较强，具有很好的布式能源系统资源分配和均衡配置能力。

【关键词】 叠堆编码;分布式;能源系统;资源分配;非线性控制

【中图分类号】 TP273 【文献标识码】 A

【文章编号】 2096-4102（2019）06-0090-03

对分布式能源系统资源分配控制的优化设计是提高分布式能源利用效率的基础，研究分布式能源系统资源分配控制方法在促进资源的优化利用方面具有重要意义。传统方法中，典型的云分布式能源系统资源分配控制方法主要有：基于决策树模型的资源分配控制方法、基于支持向量机的分布式能源系统资源分配控制方法、基于模糊PID的分布式能源系统资源分配控制方法等。

传统方法有分配均衡性及控制能力差的问题。针对上述问题，本文提出基于叠堆编码的分布式能源系统资源分配非线性控制方法。构建的分布式能源系统资源分配的信息编码模型，采用模糊控制律实现能源系统资源分配的非线性控制优化，为验证研究方法的有效性，进行仿真实验。结果表明该方法在提高分布式能源系统资源分配非线性控制能力方面的优越性能。

1分布式能源系统资源分配的信息编码模型及指令传输优化

1.1分布式能源系统资源分配的信息编码模型

采用空间资源自适应调度方法，提高分布式能源系统资源分配的自适应控制能力，构建分布式能源系统资源分配的时间窗口分布模型如图1所示。

假设分布式能源系统资源传输调度的动态属性Y为因变量，X1，X2，…，Xm-1为每个加密编码的自变量。构建含有m-1个自变量的资源调度变量结构模型，分布式能源系统资源分配的信息编码的关联关系为：

其中e为误差项。建立分布式能源系统资源分配的簇头分布模型，对簇头节点Y进行量化识别，得到含有自变量为n组的分布式能源系统资源分配观测变量：

设定分布式能源系统资源的随机调节系数q0，满足q0←z∩[0，2γ/π]，使得多源信息融合编码方法，得到惯性传输矩阵满足：

分布式能源系统资源的编码误差项e满足均匀正态分布，对信息编码输出进行线性分段处理，为：

其中Y为n×1的原始分布式能源系统资源分配的聚合特征量，X为n×m的差分调节矩阵，β为m×1的分布式能源系统资源分配的量化融合特征量，e为n×1的随机误差向量。至此完成分布式能源系统资源分配的信息编码模型的构建。

1.2资源分配的指令传输优化

设分布式能源系统资源分配的源节点统计特征量为：

将分布式能源系统资源分配集合U映射到[0，1]之间，即m∶2→[0，1]。设当前的分布式能源系统资源分布的时间窗口Bi中的数据集为DBij，记信息编码的属性集为A[i]，A[i]包括（n+1）个分布式能源系统资源数据元组，n为时间窗口数。对于分布式能源系统资源分布的状态空间X，满足下式：

其中，C为线性分段的信道数，xK表示分布式能源系统资源的信息编码输出带宽，资源分配函数r（x，a）。在云计算环境中分布式能源系统资源同步信息传送的优先级属满足K2（62R+Δ）+R，其中R是分布式能源系统资源分布的覆盖半径，Δ是分布式能源系统资源输出的最大离散度，在连通图G（V，r）中，分布式能源系统资源分配的模糊聚类中心为：

采用模糊C均值聚类方法，进行分布式能源系统资源分配过程中的非线性融合聚类处理，传输时间延迟记为：

其中，r为分布式能源系统资源分布结点的最大传输半径。将分布式能源系统资源分布的滑动窗口分为多个子窗口，采用最小二乘法进行指令传输优化，输出为：

2资源分配的非线性资源调节优化

2.1叠堆编码均衡控制

提出基于叠堆编码的分布式能源系统资源分配非线性控制方法，设计分布式能源系统资源分配的差分矩阵X（i），采用奇異值分解方法将分布式能源系统资源分配矩阵分为p（i）个大小为Nij×m的子矩阵Xij，在齐次线性分布子空间中，分布式能源系统资源调度的特征解满足Nij≥m，则若（N（i）modL）<m，采用并行计算方法将分布式能源系统资源分配的量化特征集Y（i）分解为p（i）个大小为Nij×1的子矩阵Yij，得到资源分配的非线性堆叠编码模型为：

初次循环密钥为A，编码输出的指令集记为Σ′ij，U′ij，U″ij，V′ij和V″ij。令：

结合向量量化均衡控制方法进行分布式能源系统资源分配过程中的自适应控制，自适应控制函数满足：

记分布式能源系统资源的分布轨迹Xij的秩为rij，rij≤m，则Σ′ij，U′ij和V′ij的维数分别为rij×rij，采用叠堆编码均衡控制方法，得到分布式能源系统资源分配的特征分解函数为：

其中X维数为n×m，根据上述分析，采用有限域填充加密方法进行均衡控制过程中的堆叠编码设计，即r<m，则得到Σ可表示为

其中Σ1=diag（δi），i=1，2，L，r，结合齐次分解方法，得到U与V分解为：

其中U1与V1均为r列，其中，Y→U1TY，X→Σ1V1T，综上分析，建立分布式能源系统资源分配的随机编码控制模型，实现资源分配的非线性控制。

2.2资源分配的非线性控制

建立分布式能源系统资源分配的随机编码控制模型，通过叠堆编码方式进行能源系统资源分配过程中的非线性均衡调节，分布式能源系统资源分配的控制方程为：

利用伪随机序列编码方法，进行能源系统资源分配过程中的均衡调节，得到均衡调节的特征参量w（k）与V（k），相关性匹配函数为：

得到能源系统资源分配的控制输出特征量为：

其中

综上分析，实现分布式能源系统资源分配过程中的自适应调节和非线控制，控制误差满足：

可见，采用本文方法进行分布式能源系统资源分配控制的误差收敛性较好，提高了控制的稳定性和均衡性。

3仿真实验与结果分析

实验的仿真工具为Matlab 7，分布式能源系统资源分布的节点数为2～4个，资源分配的带宽为25dB，对分布式能源系统资源分配的非线性控制特征次数为p=0.5，扰动强度为0.78，各个资源分配节点的扰动幅值为12，自适应调节系数为0.49，其他参数配置见表1。

在上述参数设定的基础上，进行分布式能源系统资源分配非线性控制，得到资源分布集如图2所示。

以图2的分布式能源系统资源为测试对象集，进行分布式能源系统资源分配非线性控制优化，得到分布式能源系统资源的叠堆编码输出如图3所示。

分析图3得知，采用本文方法能有效实现分布式能源系统资源分配非线性控制，码元输出的均衡性较好，测试不同方法进行分布式能源系统资源分配非线性控制的收敛性，得到控制性能曲线如图4所示。

分析图4得知，采用本文方法进行分布式能源系统资源分配非线性控制的收敛性较好，控制误码较低。

4结语

本文提出基于叠堆编码的分布式能源系统资源分配非线性控制方法，在近邻点中进行分布式能源系统资源分配的自适应配对，建立分布式能源系统资源分配的随机编码控制模型，实现分布式能源系统资源分配过程中的自适应调节和非线控制。实验结果证明，研究结果的自适应性较好，收敛性较强，提高了资源分配的均衡度水平。

【参考文献】

[1]于超，王璐，程道文，等.基于本体的教育资源语义检索系统研究[J].吉林大学学报（信息科学版），2018，36（2）：207-212.

[2]秦诗悦，周福才，柳璐，等.基于后缀树的基因数据可搜索加密方法[J].东北大学学报（自然科学版），2019，40（4）：461-466.

[3]贾军，杨进，李涛，等.一种基于DPI自关联数据包检测分类方法[J].四川大学学报（自然科学版），2019，56（1）：29-36.

[4]王晓雷，陈云杰，王琛，等.基于Q-learning的虚拟网络功能调度方法[J].计算机工程，2019，45（2）：64-69.

[5]曾志，王晋，杜震洪，等.一种云格环境下可计算资源与服务高效调配机制[J].浙江大学学报（理学版），2014，41（3）：353-357.

[6]姚富光，钟先信，周靖超，等.粒计算：一种大数据融合智能建模新方法[J].南京理工大学学报，2018，42（4）：503-510.

[7]郑垚宇，方洋旺，魏賢智，等.基于云模型的仿真可信度评估方法[J].计算机应用，2018，38（6）：1535-1541.

[8]陈建廷，向阳.深度神经网络训练中梯度不稳定现象研究综述[J].软件学报，2018，29（7）：2071-2091.

[9]郑娜，王加阳.不完备序信息系统的证据特征及属性约简[J].计算机工程与应用，2018，54（21）：43-47.

[10]郑晓雪，张大方，刁祖龙，等.基于用户身份特征的多标签分类算法[J].计算机应用，2017，37（6）：1697-1701.

[11]吴飞龙，程承旗，陈波，等.基于剖分网格的多源资源环境数据统一检索方法[J].武汉大学学报（信息科学版），2017，42（7）：943-949.

[12]王楚捷，王好贤.M-CORD下无线接入网络资源分配研究[J].计算机工程与应用，2018，54（22）：92-98.