英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
基于改进时间同步的WSN光伏组件监控
摘要：为了避免大规模光伏组件监测的WSN(无线传感器网络)中出现时钟偏差，提出了一种改进的时间同步算法TSP-GDM(时间同步协议与高斯延迟模型)。根据线性时钟模型，建立了网络节点间局部时间戳的相互依赖关系。通过无线传输的方式实现节点间的本地时间戳交换和共享。针对节点时钟偏差的估计问题，设计了一种基于高斯延迟模型的估计方法。通过MATLAB仿真验证了该方法的同步精度。研究发现，TSP-GDM可以应用于大型光伏组件监控的同步拓扑，具有较高的同步精度。苏格兰皇家银行(参考广播同步)相比,TPSN(时间同步协议用于传感器网络)和RTSP (WSN)递归的时间同步协议,其同步精度在一个内部层增加了22.57micro;s, 15.7micro;s和4.26micro;s分别。
指标项:高斯延迟模型，光伏模块监测，时间同步，WSN
一、导言
光伏组件监测的WSN (Wireless Sensor Networks，简称WSN)是一个层次化的拓扑传感器网络，它通过无线通信[1]在组件监测部分配备大量的传感器节点。光伏系统由大量的光伏组件组成。通常这些光伏组件需要划分成多个组，组内的组件按照星形网络结构排列，相关节点构成微无线传感器局域网。星型网络结构中的每个微局域网都使用一个中心节点，通过数据接口与后台服务器进行通信。从而实现了数据的有效传输和组件状态的实时监控。
监测数据信息来自不同的传感器节点，如组件温度、输出电压、输出电流等，与节点的本地时钟有着密切的耦合关系。这种局部化的关系会限制传感器节点数据之间的时间相关性，从而导致节点数据的时间异步性，严重影响对异常模块的分析和判断。
时间同步是无线传感器网络的重要支撑技术之一。很多操作需要精确的时间同步，如数据融合、节点跟踪定位、电源管理、传输调度[2]、[3]等。一般来说，WSN时间同步算法的设计不仅关注精度、能耗等相关算法指标，还需要充分考虑网络拓扑结构、时间同步需求等具体场景。
WSN的时间同步方法主要有四种:
第一个类型是发送方-接收方同步(SRS),如DMTS(测量延迟时间同步)[4],FTSP(洪水时间同步协议)[5],TPSN[6]和Mini-sync[7],灵活,重量轻,节能,但其同步精度不高。DMTS算法[4]受时钟精度和中断处理延迟的影响。
第二种类型是基于接收方-接收方的同步(RBS)方法，如RBS[8]和Adaptive RBS[9]。自适应RBS可以获得较高的同步精度，但当节点数目较大时，同步消息的代价较高。
第三种类型是仅接收方同步(ROS)。它主要通过监听来实现时间同步。该方法在一定程度上牺牲了精度，但大大降低了能耗。
最后一种是基于仿生结构的时间同步方法，如典型的萤火虫同步算法和协同同步技术[10]、[11]。
近年来，一些研究人员对上述同步机制在同步精度和同步能耗两个性能指标上所涉及的方法进行了改进。例如，[12]中提出的基于低功耗集群的时间同步(LCTS)算法，将单向广播同步与双向配对同步相结合，可以在保证精度的前提下有效降低能量消耗。但是，如果不考虑节点间传输距离的限制，这种方法很难在WSN中用于光伏组件的监测。Djenouri[13]提出了一种改进的RBS算法，即WSN中的相对参考接收机/接收机时间同步(R4-Syn)。在时间同步中增加两个时钟参考节点，然后用极大似然估计法估计频率和相位补偿。该方法的同步精度和稳定性均优于RBS算法。但是这种方法面临着与[12]相同的问题。这是整体同步拓扑结构的高度复杂性和小规模时间同步的简单应用。运行过程等。[14]提出了一致时钟同步(CCS)算法。将节点的可靠性参数与相邻节点的时钟相位补偿值相结合，构造出虚拟一致时钟CC。根据各节点的本地时间戳，计算一致时钟同步需要与一致时钟同步的频率补偿值和相位补偿值。CCS算法可应用于模块监控，具有良好的扩展性。但是，它消耗了大量的同步消息。由于无线信道的广播特性缺乏充分利用，每个节点至少需要发送一条同步消息。该方法能耗大，同步时间长。[15]中提出的RTSP方法是一种改进的TPSN算法，它根据自身的同步要求，通过多跳通信与数据节点同步。
由此可见，上述典型时间同步算法的关键在于对时钟偏差的估计。然而，针对光伏组件状态监测的WSN同步拓扑研究较少。光伏组件监测的WSN基本具有以下特点:1)层次结构
由网络拓扑结构显示。2)充分利用无线信道的广播特性。3)网络资源的限制，包括节点能量、计算能力、通信带宽[16]、[17]等。
因此,设计时间同步算法的WSN在这种情况下,需要考虑以下:1)节点间时钟偏移的估计方法监测区域,2)时间同步算法的准确性,3)消息消耗的时间同步算法。
摘要针对模块状态监测中节点时钟偏差的估计问题，提出了一种时间同步算法TSP-GDM。该算法首先充分利用了无线传感器网络中监控节点的无线广播特性。实现了节点间本地时间戳的本地共享。根据线性时钟模型，建立了节点间局部时间戳的相互依赖关系。其次，针对模块监控中节点时钟偏差的估计问题，设计了一种基于高斯延迟模型的估计方法。最后，通过MATLAB仿真验证了该方法的同步精度和同步能耗。
二、线性时钟条件下的时间同步模型
无线传感器网络节点的物理时钟是通过自行组装的晶体振荡器的计数中断来实现的。此外，在理想状态下，每秒钟产生的中断计数的值是固定的。由于各节点晶体振荡器的频率误差和初始定时不同，节点之间的物理时钟不一致。如果研究不同节点上的物理时钟之间的潜在联系，则可以构造相应的逻辑时钟来实现时间同步。
T定义为实际物理时间，T(T)表示节点的本地时间。对于理想时钟，它的时间变化率dT(t)/ dT等于常数1。然而，晶体振荡器通常存在一定的漂移，因此可定义的时间变化率偏移量为(dT(t)/ dT)-1。假设f(t)=dT(t)/ dT，则节点i的本地时间Ti(t)从物理时间t0到t的变化可以表示为(1)[18]。
在 (t ) 初始阶段节点i在物理上的初始相位值为时间t0 ,(1)式由泰勒级数展开为
(2)
- 、beta;i和alpha;i代表相位偏移和频率偏移与实际物理时间t,分别。若式(2)中二次项以上的系数均为0，则式(2)可简化为线性时钟模型[19]，即:
(3)
基于线性时钟模型(3)中所述,时钟的节点之间的关系取决于当前beta;i频率参数alpha;i和初始相位参数。当传感器节点开始做普通的工作,确定参数beta;i和参数保持不变而alpha;i变化随着时间的推移,这主要是由晶体振荡器的漂移效应引起的。
根据(3)，两个节点A和B之间的时钟相互依赖关系可以表示为:
(4)
(4)、beta;AB和alpha;stand A和B之间的相位误差和频率偏移。AB 当且仅当条件beta;AB = 0和alpha;= 1举行同时,A和B节点可以实现时钟同步。AB因此，基于线性时钟模型的时间同步算法的核心任务是估计节点间的相对频率偏移和相位偏移。
三、监控区域内节点时钟偏差的估计
在图1给出了时钟相位偏移和频率偏移对节点A和B间时序信息交互的影响。在图1第k次信息交换后，时间戳Tand Tare均基于节点A的本地时钟，Tand Tare均基于节点B的本地时钟。A(1,k) A(4,k) B(2,k) B(3,k) 节点A向节点B发送同步消息(包括节点A所在的拓扑、标识号和时间戳值T)。A(1,k)节点B收到消息后，向A发送一条确认消息。同样，该消息包括节点B的拓扑结构、T的标识和时间戳值T、T、T。A(1,k)B(2,k)B(3,k)最后，节点A在T点接收到此消息。A(4,k)
在图1，Twill作为参考时间(T=0)，第k个节点B的上行信息的时间戳为TB(2,k)，则:
(5)
节点B的k 下行链路信息的时间戳为T，如下式所示:B(3,k)
(6)
在高斯分布下，进一步假设延迟d是一个常数和新变量 lsquo;1/ 介绍了时钟相位偏移和时钟频率偏移的最大似然估计如下：
基于以上关于两个节点之间数据交换的讨论，TSP-GDM算法将使用由第i层节点和第(i 1)层组成的WSN监控网络层节点执行同步数据消息的广播任务。从而实现了组件监控区域节点的时钟偏差估计。
TSP-GDM在ith同步周期的操作步骤如下:
在WSN监测网络中，a级(i 1)层节点(活动同步节点)在Tv(1,i)时刻发送一条同步需求消息R1，第i层节点(数据节点)将在Tc(2,i)时刻接收这条消息。几个级别(i 1)在Tj(2,i)时刻，活动同步节点的层邻居节点也将接收到此消息。datum node接收到消息R1后，会在Tc(3,i)时刻发送一条回复消息A1(包括时间信息Tc(2,i))。活动同步节点及其多个级别(i 1)层邻居节点将分别在Tv(4,i)和Tj(4,i)接收到此消息。在无花果。2、描述了同一同步过程中的多周期时间同步，其中基准节点与活动同步节点的时间同步属于发送方与接收方同步的范畴。
对于第i个同步周期内的任意相邻节点j，其时间参数Tj(2,i)应满足公式:
(9)
v为节点和节点j,omega;(v, j),∆(v, j)、d (v, j), Xi (v, j)代表时钟频率偏移,时钟相位偏移,固定的传输延迟和随机两个节点之间的传输延迟,并假定随机传输时延服从高斯分布均值为0,方差为0.5。根据[8]的测试结果，接收端节点的时钟偏移近似服从正态分布，其均值为0，标准差为11。1micro;s(可靠性为99.8%),所以在高斯分布随机传输延迟是一个合理的假设。研究了随机传输时延服从高斯分布的情况。同样，对于第i层数据节点c，时间参数Tc(2,i)应满足如下公式:
(10)
(11)
式(11)可表示为向量形式:
(12)
(12)中各参数的定义如下:
式(11)的近似符合正态分布的平均是0和方差是sigma;2,那么W的高斯噪声向量Ntimes;1。i(j,c) 根据定理的描述在[20],[21],[22],theta;是线性最小方差无偏估计量(MVUE) (HTH) 1 HTX,然后算法关于theta;(13)所示:
在(13)D=T-T, iisin;[s,n]中，参数k定义为同步过程中包含的同步整数(周期性)。iv(1,i)v(1,s)当1le;nle;k且nisin;n 时，表示当前时间同步处于第一阶段，则T=T。v(1,n-k 1)v(1,1)当n gt; k，且nisin;n 时，表示新的同步进程开始。考虑到在无线传感器网络中，数据监测通常采用周期性时间同步策略。同步时间间隔定义为tau;,那么(13)可以简化为:
当s=1时，(14)应改为:
当s=n-k 1时，(14)应改为:
经过上述估计计算，第n层i层节点c的本地时间估计如下:
根据[20]和（10），最小平方误差
(MSE)之间的时钟相位抵消theta;(j c)和频率偏移omega;(j c)计算(18):
(18)
其中n是同步轮,sigma;2随机传输延迟和tau;的方差是同步时间间隔。
- 仿真与结果分析
- 实验环境参数设置
如果节点时钟的数学模型建立了MATLAB,相关仿真条件如下:晶体振荡器的稳定性定义为50 ppm,节点之间的相位偏移范围-50 ~ 50micro;s,节点之间的随机误差范围的相抵消-10 ~ 10micro;s,理想的中断计数值在一秒921600,三个选择节点作为数据节点,主动同步节点和被动同步节点分别同步轮数n为0 ~ 50,重复实验的1000年,同步误差平均值和平均被动同步节点和数据节点之间1000年之后重复实验。
B、时间同步精度分析
图3给出了同步轮数n为0~50时TPSN、RBS、RTSP和TSP-GDM算法的平均同步误差曲线。可以看出，TPSN和RBS算法的平均同步误差值受参数n的影响较小，因为这两种算法仅根据单轮的时间戳数据来计算时间误差值。由于RTSP和TSP-GDM算法利用多轮时间戳数据的统计特性，当轮数较大(大于10)时，平均同步误差逐渐减小。而TSP-GDM的下降趋势比RTSP算法更明显，即随着同步轮数的增加，TSP-GDM的平均同步误差比RTSP算法的平均同步误差越来越小。
表格1展示了几种算法的单跳同步精度，同步轮数n=20，表中数据单位为微秒。由表1的标准差可以看出，TSP-GDM同步精度相对稳定，而TPSN和RBS算法由于没有利用同步节点的本地时间戳统计特性，同步精度相对不稳定。需要注意的是，同步精度的提高通常是以额外的同步消耗为代价的，即没有足够的时间戳统计，很难实现节点的同步精度。
|
同步 算法 |
平均误差 |
最大 错误 |
最低 错误 |
标准 lt;剩余内容已隐藏，支付完成后下载完整资料 资料编号：[238476]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
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。
