工业互联网环境下基于去中心化全息感知图估计的车辆-充电桩-电网协同优化控制方法

《Processes》：Cooperative Optimization Control Method for Vehicle-Charging Pile-Grid Based on Decentralized Holistic Sensing Graph-Based Estimation in Industrial Internet Environments

　　

为了解决工业互联网环境下车辆-充电桩-电网协同控制中由车辆移动性引起的动态通信拓扑切换、异步感知信息及不确定性问题，研究人员提出了一种基于去中心化全息感知图估计的协同优化控制方法。首先，该方法利用工业互联网获取的去中心化全息感知数据构建时变加权有向图，以实时表征通信拓扑的动态演化。其次，设计了一种仅依赖局部感知信息的分布式图估计器，使每个智能体能够基于自身位置、附近物体的运动趋势和历史链路状态，在短未来时域内在线预测其邻居集和链路可靠性。在此基础上，将图估计结果作为前馈补偿项嵌入一致性控制律，形成预测图一致性控制算法，使系统能够在拓扑切换发生前主动调整控制输入，实现从“被动响应”到“主动预补偿”的范式转变。同时，引入信息年龄（Age of Information, AoI）感知的事件触发机制，当状态误差超过阈值或AoI接近上限时触发广播，在保证控制精度的同时显著降低通信负载。最后，在包含61个智能体（20辆电动汽车、8个充电站和33个电网节点）的改进IEEE 33节点配电系统上进行仿真。结果表明，与无预测的事件触发一致性方法相比，所提方法稳态误差降低40.1%，收敛时间缩短40.5%，广播次数减少36.5%。在包含169个智能体的大规模系统中，所提方法仍保持最高精度、最快收敛速度和最低通信开销，同时满足实时计算要求。该方法能够充分利用去中心化全息感知的时空冗余性，为工业互联网环境下“车辆-充电桩-电网”高效、鲁棒、低成本的协同控制提供新方案。

**论文解读文章**

**研究背景与问题**
随着全球能源转型与交通电气化的深度融合，电动汽车（Electric Vehicle, EV）、充电站与电网之间的协调互动——即“车辆-充电桩-电网”（Vehicle-Charging Pile-Grid, VSG）系统——成为构建新型电力系统的关键组成部分。在该系统中，电动汽车可作为柔性负荷参与需求响应，或通过车辆到电网（Vehicle-to-Grid, V2G）技术向电网回馈电能，支持削峰填谷、频率调节等辅助服务。然而，VSG系统本质上是异构、动态且地理分散的信息物理系统，其协同控制面临两大固有挑战：一是车辆移动性导致的间歇性通信断连和快速拓扑重构；二是多源感知数据的异步性、异构性和不确定性。如何在动态条件下实现高效、鲁棒的分布式协同控制，是学术界与工业界亟待解决的问题。工业物联网（Industrial Internet of Things, IIoT）的快速发展为应对上述挑战提供了新途径，通过部署边缘计算节点、低延迟无线通信网络和泛在感知终端，可实现海量异构数据的实时采集、传输与处理。然而，增强的感知能力并未直接解决协同控制的核心难题——如何在通信拓扑动态变化时保持分布式节点间的一致性决策。现有研究主要分为三类：集中式最优控制（存在单点故障、计算负荷高、实时性差等问题）、基于固定拓扑的分布式一致性控制（对拓扑连通性假设依赖强，拓扑频繁切换时易出现状态振荡甚至发散）、以及切换系统与鲁棒控制方法（保守性强，需预先知道所有拓扑模式及其切换序列，且均属于“被动响应”范式，无法从根本上避免状态突变引发的振荡）。工业互联网环境下的分布式全息感知技术虽提供丰富的时空冗余数据，但现有方法大多将感知与控制分离，缺乏联合感知-控制优化理论框架，且忽略感知数据时效性本身对控制决策的影响。

**研究内容与结论**
针对上述问题，研究人员提出了一种基于去中心化全息感知图估计（Decentralized Holistic Sensing Graph-Based Estimation, DHSGE）的协同最优控制方法。该方法的核心贡献在于：利用工业互联网边缘节点获取的去中心化全息感知数据构建时变加权有向图，描述通信拓扑的时空演化；设计仅依赖局部信息的分布式图估计器，使每个智能体在线预测短未来时域内的邻居关系，并将图估计结果作为前馈补偿项嵌入一致性控制律，实现从“被动响应”到“主动预补偿”的范式转变；引入信息年龄（Age of Information, AoI）感知的事件触发机制，在保证控制精度的前提下显著降低通信负载。通过改进的IEEE 33节点配电系统仿真验证，在包含61个智能体的典型场景中，与无预测的事件触发一致性方法（Event-Triggered Consensus without Prediction, ETC）相比，稳态均方根误差（Root Mean Square Error, RMSE）降低40.1%，收敛时间缩短40.5%，广播次数减少36.5%；在包含169个智能体的大规模场景中，所提方法仍保持最高精度、最快收敛速度和最低通信开销，同时满足实时计算要求。该论文发表在《Processes》。

**主要关键技术方法**
研究人员采用以下关键技术方法：（1）基于去中心化全息感知的时变加权有向图构建，利用工业互联网边缘节点获取的感知数据（如GPS位置、运动趋势、链路历史状态）实时表征通信拓扑演化；（2）分布式图估计器，仅依赖局部感知信息即可在线预测短未来时域（预测步长1.5秒）内的邻居集和链路可靠性，采用高斯衰减模型结合距离、速度及时间衰减因子计算链路可靠性估计值；（3）预测图一致性控制算法，将图估计结果作为前馈补偿项嵌入一致性控制律，使系统在拓扑切换前主动调整控制输入；（4）信息年龄感知的事件触发机制，当状态误差超过阈值（可调参数0.4）或AoI接近上限（1.2秒）时触发广播，同时引入辅助变量平滑触发标志。仿真基于改进的IEEE 33节点配电系统，包含61个智能体（20辆电动汽车、8个充电站、33个电网节点），车辆速度在5~15 m/s随机变化，并设置4个拓扑事件以产生显著拓扑变化。

**研究结果**
**4.1 基本数据与仿真条件**：基于改进IEEE 33节点配电系统，包含33个母线和8个充电站，20辆电动汽车分布在3 km×2 km路网中。通信范围：车-车200 m，车-充电站150 m，电网节点间采用有线通信。设置4个拓扑事件：t=10 s时5辆EV离开通信范围；t=25 s时6辆EV进入并重新连接；t=40~45 s时两个充电站因干扰失联；t=55 s后恢复全连通。仿真时长80 s。
**4.2 仿真结果与分析**：通过与周期性触发一致性（Periodic Triggered Consensus, PTC）方法、鲁棒一致性（Robust Consensus, RC）方法、无预测的事件触发一致性（ETC）方法对比，所提方法稳态RMSE为1.27 kW，较PTC降低60.1%，较RC降低54.0%，较ETC降低40.1%；平均收敛时间9.4 s，较PTC缩短61.8%，较ETC缩短40.5%；总广播次数2816次，较PTC/RC减少71.2%，较ETC减少36.5%。共识误差演化曲线显示，在拓扑事件发生时，所提方法瞬态波动小（约5 kW）、恢复快（<2 s），而PTC产生高达20 kW的尖峰且恢复缓慢。事件触发模式分析表明，电网节点触发频率极低（约0.3 Hz），充电站在动态事件期间触发频率显著增加，电动汽车的触发模式由状态误差和AoI联合决定，稳态期间几乎不触发。AoI演化曲线显示，所提方法将最大AoI约束在0.96 s，低于ETC的1.18 s，实现信息新鲜度与通信效率的良好平衡。参数敏感性分析表明，预测步长1.5 s、可调阈值参数0.4为最优折中。累计广播次数对比显示，所提方法在稳态阶段（60 s后）广播几乎为零，累计仅2816次，而PTC/RC线性增长至9760次，ETC为4432次。大规模系统（169个智能体）可扩展性测试中，所提方法稳态RMSE为1.52 kW，收敛时间11.3 s，广播次数7164次，均优于对比方法，且每智能体每步计算时间1.9 ms，满足实时性要求。

**讨论与结论**
讨论部分指出，所提方法通过去中心化全息感知图估计、前馈预测控制及AoI感知事件触发机制，实现了动态拓扑下的小瞬态波动、快速恢复、高稳态精度和低通信负载。然而，当前方法主要针对存在通信不确定性和感知噪声的典型场景，尚未考虑恶意网络攻击（如数据注入、拒绝服务攻击）的对抗性场景。未来工作可在现有框架中引入轻量级签名机制或可信执行环境，以增强对数据注入攻击的防护能力。研究结论部分翻译如下：本文提出了一种基于去中心化全息感知图估计的协同最优控制方法。该方法构建了由去中心化全息感知驱动的时变加权有向图模型，并设计了仅依赖局部感知信息的分布式图估计器，使每个智能体能够基于自身位置、附近物体的运动趋势和历史链路状态，在短未来时域内在线预测其邻居集和链路可靠性。进一步，将图估计结果作为前馈补偿项嵌入一致性控制律，使系统能够在拓扑切换发生前主动调整控制输入，从而实现从“被动响应”到“主动预补偿”的范式转变。通过全面仿真验证了所提方法在动态拓扑下的有效性和鲁棒性。此外，通过引入AoI约束，当状态误差超过阈值或AoI接近上限时触发广播，在保证控制信息时效性的同时显著降低通信负载，该机制在通信效率与控制可靠性之间取得了良好平衡。最后，在改进的IEEE 33节点配电系统上进行仿真。在包含61个智能体的典型场景中，与PTC方法相比，所提方法稳态误差降低60.1%，收敛时间缩短61.8%，总广播次数减少71.2%；与无预测的ETC方法相比，稳态误差降低40.1%，收敛时间缩短40.5%，广播次数减少36.5%。在包含169个智能体的大规模系统中，所提方法仍保持最高精度、最快收敛速度和最低通信开销，同时满足实时计算要求。