基于不確定理論的能量收集可靠性建模及規劃

王哲，李陶深，葉進，葛志輝，吳敏

（1. 廣西大學電氣工程學院，廣西 南寧 530004；2. 廣西大學計算機與電子信息學院，廣西 南寧 530004；3. 廣西電網有限責任公司，廣西 南寧 530023）

1 引言

能量收集網絡是一種新型的計算機網絡形式，它融合了新能源技術的優勢，通過搜尋各類環境能源，將其轉化成可用的電能，從而作為主要或輔助的電源方式供給電子設備進行網絡通信，完成某些特殊任務[1,2]，可以為網絡設備的節能減排、植入型醫療設備、穿戴式設備、環境監測等提供新型的網絡解決方案。

目前，該領域的相關研究成果主要集中在能量收集網絡信道容量、離線/在線能量管理策略、能量與信息聯合傳輸這3個方面。在基于信息論的能量收集網絡研究方面，Ozel等[3]分別對配備無限容量電池、有限容量電池[4]以及無電池[5]的情況做了分析研究并得出相應結論及實現方法。離線能量管理策略的制訂分為單用戶通道和多用戶通道。文獻[6]提出一種多中繼選擇方案，根據當前時隙中繼節點的能量收集狀況，使用馬爾可夫鏈（MC, Markov chain）模擬節點電池充放電過程，繼而解決中繼節點操作問題。文獻[7]針對認知能量收集網絡，提出一種系統吞吐量最大化的功率分配算法，在滿足次用戶節點能量因果性約束和主用戶干擾限制的前提下，將節點的功率和能量協作聯合優化問題解耦為分離的功率分配問題和逐個時隙的協作能量問題求解。在線能量管理策略主要使用馬爾可夫決策過程（MDP, Markov decision process），根據是否能夠獲取完美的電量數據[8]、單/多用戶[9]、電池損耗特性[10]、不同的感知/傳輸特性[11]等實際情景，分別建立相應的模型并求取最優解。

分析現有的研究成果可以看出，與傳統網絡相比，能量收集網絡的難點在于有限能量的合理規劃和使用，如何對能量收集網絡的可靠性做出評估并實現網絡的可靠運行成為新的挑戰。目前，使用較為廣泛的可靠性模擬方法有可靠性框圖（RBD,reliability block diagram）、故障樹（FT, fault tree）、馬爾可夫鏈及形式化方法。文獻[12]研究了網絡服務系統中使用 RBD預測系統性能減弱退化效應所需的可靠性等級，包括不可靠數據傳輸、服務不可用、應用組件依賴和數據吞吐量異常等。文獻[13]使用 RBD研究了通信協議的可靠性，提出節點和系統之間能夠高效可靠通信的一系列規則；提出使用 RBD評價新協議的方法，例如，如能量高效聚類可靠性協議（REECP）和WSN的路由協議。文獻[14]指出在通信控制系統（CCS, communication control system）中，可用基于FT的模糊邏輯表征運行狀態隨時間變化所引入的隨機和不確定故障，從而分析并優化系統可靠性。文獻[15]基于固有的雙向推理技術，利用貝葉斯網絡，簡化大型智能電站需求分析FT模型，識別模型中的薄弱環節，繼而提高底層通信網絡的可靠性。文獻[16]提出一種開源的概率模型檢測器——PRISM，為系統構建并分析多類型概率模型提供支持。文獻[17]提出了完整的基于Petri網的可靠性分析的網絡架構。文獻[18]提出了FT門的高階邏輯形式化，使用完整的高階邏輯定理證明作為核心進行FT分析。然而，上述工作尚未應用于能量收集網絡的形式化可靠性分析中，且對能量收集網絡中元件不確定性、網絡動態特性、能量約束性的模擬尚未實現。

由于能量收集網絡的可靠性應包含能量收集可靠性、數據感知可靠性和數據傳輸可靠性，因此，上述工作并不能直接應用于能量收集網絡。文獻[19]基于MDP，考慮能量收集傳感器網絡的數據感知與傳輸聯合優化特性，建立可靠性模型，進而實現低復雜度的網絡控制策略。文獻[20]以電池耗盡概率和分組丟失率建立節點能量收集可靠性模型，提出在有限容量電池和有限容量數據堆棧情景下，實現可靠程度最大化的能量管理策略。文獻[21]針對數據傳輸可靠性，設定可充電電池容量，假設在時隙開始時刻有數據分組到達且在下一時隙內沒有傳輸即分組丟失的條件下，提出一種理論學習方法以最大化期望傳輸的總數據量。同時，作為能量收集網絡運行的首要步驟，能量收集對能量收集過程的可靠性及收集量的評估直接影響了系統運行策略的制定和系統運行可靠性。文獻[22]為能量收集過程建立了二階馬爾可夫鏈模型，并使用線性規劃算法求解，但模型建立過程含有能量獲取概率、能量消耗概率、數據產生概率和數據發送概率這4個參數，而文中假設這4個參數服從伯努利分布，并不合理。文獻[23]使用排隊論模型G/G/1/N和G/G/1/∞分別模擬有限容量電池和無限容量電池下的能量收集過程，并分別計算了節點的耗盡概率，但模型中的G/G部分需要已知概率分布，文中假設其以概率{0.3,0.3,0.2,0.2}取值于{1,2,3,4}，過于主觀。同時，基于當前電池電量狀態（SOC, state of charge）[4]的能量收集評估，由于電路元件的不確定性使其誤差大于30%[24]。

與此同時，能量收集網絡由于能量有限，難以采樣足夠的原始數據用以獲得系統概率分布函數；而環境能量的諸多不確定性，也使先驗知識的指導意義不大。因此，本文考慮能量收集環節能量是否到達以及能量收集量的多少等不確定情景，基于不確定理論，對可能發生的情景的置信程度給出評價，對網絡節點能量收集的可靠性進行評估分析，提出基于模糊理論的節點可靠性建模方法，并分別建立節點無電池和配備無限容量電池情況下的可靠性模型；在此基礎上，提出能量收集可靠性多層不確定規劃模型，對模型求解，提出 EAA算法，并從理論上證明了算法競爭比的上界。最后，通過實際風功率數據的對比實驗，驗證本文所提方法在可靠性分析及系統優化中的可行性和有效性。

2 基于不確定理論的能量收集可靠性模型

環境能量的多樣性與不確定性使收集功率難以預測，繼而難以評估當前能量收集狀態。本節使用模糊理論建立節點能量收集可靠性的數學模型，分別分析節點不配備電池和配備無限容量電池情況下的可靠性。電池均為可充電電池。

2.1 節點能量收集可靠性

考慮能量收集網絡中節點配備能量收集裝置，即通過收集周圍環境能量（如風能、太陽能、電磁輻射等），將其轉化為電能，供給節點完成數據傳輸。因此，能量收集網絡可靠性的分析主要針對節點能量收集可靠性來展開，能量收集過程的不確定性和波動性均可能導致節點死亡。

定義 1 設定系統時間是連續分段且時段為單位長度，則節點在單位時段[t,t+1]內的能量收集可靠性Re(t,t+1)定義為節點在該時段內能夠正常運行的程度，即

其中，U為論域，A為系統的特征函數，A~為特征函數的模糊集且為U的模糊子集。

2.2 無電池節點能量收集可靠性

考慮節點不配備電池的情況，即節點在當前時刻的運行狀態依賴于當前能量收集狀態，做如下假設。

假設 1 能量相對于數據進行了單位化處理，即一個單位的能量可以發送一個單位的數據。

假設 2 不考慮節點內部的時間成本，即當前收集的能量可以直接用于當前的數據發送。

假設 3 系統收集的能量全部用于數據發送，不考慮節點中如傳感器采集及電路自身運算等能耗；換言之，數據的發送速率即節點的能量消耗速率。

在單一時段內，構建能量收集網絡模糊排隊論模型F/F/1，其中，能量消耗速率與能量收集速率分別用模糊集D~={(x,uD~(x))|x∈X}、C~= {(y,uC~(y))|y∈Y}表示。相應的隸屬函數分別為uD~(x)、uC~(y)。這里，模型F/F/1中的數據發送速率即能量需求速率，也即傳統排隊論中的顧客到達速率；相應地，能量收集速率即服務速率。當數據發送任務到達而能量短缺時，數據分組則進入隊列等待收集能量繼續發送。此時，單位時段中數據分組發送等待概率即系統能量耗盡概率。

假設N(t)表示在t時刻系統中等待發送的數據分組數量，且令

其中，pij(△t)表示t時刻等待發送的數據分組數量為i、t+△t時刻等待發送的數據分組數量為j的概率。于是，{N(t),t≥0}為{0,1,2,…}上的生滅過程。

定理 1 定義j=1,2,…。當ρ＜1以可信性1成立時，有{pj,j≥0}存在，且與數據分組隊列的初始狀態無關，其中，

定理1的證明如下。

令則有

于是，此生滅過程的絕對分布pj(t)=P{N(t)=j}，j≥0的福克—普朗克方程組，即滿足如下方程組。

解之得

求極限得

由于

因此，平穩分布{pj,j≥0}存在，且與初始條件無關。證畢。

于是，節點正常運行的概率為

其中，

由于模糊排隊論模型F/F/1中的能量消耗速率與能量收集速率均為模糊數，因此節點正常運行概率作為系統特征值，也是一個模糊數。根據 Zadeh擴展原理，的隸屬函數為

按照α-截集的定義，可以求出D(α)和C(α)的上下界，分別為[xαL,xαU]和[yαL,yαU]，其中，D(α)和C(α)分別為D~和C~的α-截集。設能量消耗速率與能量收集速率分別用梯形模糊變量[x1,x2,x3,x4]和[y1,y2,y3,y4]表示，其中，{x1,x2,x3,x4,y1,y2,y3,y4}≥0，則有

依據D(α)和C(α)的上下界，可求得的上下界[(p)αL, (p)αU]，分別對α求反函數，繼而得到的隸屬函數為

由此即可得到無電池情況下，網絡節點在該時段內能量收集的可靠性。式(6)的物理意義在于：當節點耗盡概率趨于0時，其左邊界和右邊界即L(z)與R(z)均與量值{y1,y2,y3,y4}無關，節點可靠性僅與量值{x1,x2,x3,x4}有關，即與系統當前的能量收集狀態無關；節點正常運行的可信性測度Cr{A}只與系統當前的數據發送速率有關。因此，基于節點可靠性所設計的節點運行規劃，應依據節點當前能量收集狀態，合理規劃數據發送速率，從而實現節點的可靠運行。

2.3 無限容量電池節點能量收集可靠性

當節點配備較大容量的可充電電池且電池容量遠大于節點能量收集裝置的容量時，可認為節點配備無限容量電池。此時節點的運行狀態依賴于電池中的剩余電量。類似于2.2節中的假設，且當前收集的能量在完成數據發送任務后將剩余能量存入電池。

此時，能量存儲隊列可模擬為F/F/1/∞隊列。但應注意，不同于2.2節無電池情況，此時能量存儲過程為傳統排隊論中顧客到達過程，能量存儲隊列的消耗過程為顧客服務過程。設能量存儲隊列的能量進入與離開速率分別為x、y，則剩余電量R(t)作為離散隊列的長度，可用連續過程r(t)近似，該連續過程即單位時段△t內的電量增加量。

其中，β=x?y為漂移系數，G(t)為均值為0、方差為1的高斯白噪聲。

給定電池的初始電量r(t=0)=r0，則通過求解r(t)的條件概率密度，就可得到模糊系統的特征值。能量存儲隊列在t時刻的條件概率密度函數為

式(8)滿足邊界條件r(t)≥0下的前向擴散方程

利用文獻[25]中圖論的方法，式(9)可以轉化為

其中，Φ(·)為標準正態積分。

定義E(r0)為初始電量r0時的能量耗盡時長，則有

通過原點吸收壁的擴散方程，可以求得E的密度函數為求解式(13)的偏微分方程，得出E的條件概率密度函數為

繼而得出E的矩母函數為

當s趨近于0時，式(14)從r0出發到達吸收壁的概率為Pr(0;r0,∞)。因此，節點正常運行的特征函數為

其中，exp(?2r0β)應是不大于1的實數，也即當β≥0時，節點正常運行的特征值是非 0的。類似于2.2節，設能量存儲隊列補充與消耗速率分別用梯形模糊變量={(x,uD~(x))|x∈X} =[x1,x2,x3,x4]和={(y,uC~(y))|y∈Y}=[y1,y2,y3,y4]表示，其中，{x1,x2,x3,x4,y1,y2,y3,y4}≥0，根據Zadeh擴展原理與α-截集的定義，可以求出D(α)和C(α)的上下界，分別為[xαL,xαU]和[yαL,yαU]，即

依據D(α)和C(α)的上下界，可求得特征函數的上下界[(f)αL,(f)αU]，分別對α求反函數，繼而得到的隸屬函數為

由此可得無限容量電池情況下，能量收集網絡節點在當前時段內的能量收集可靠性。由式(18)可以看出，當特征函數趨于1時，節點可靠性與電池的初始電量r0無關。該結論也可以通過使用定理1中數據隊列的證明方法得出。

3 基于能量收集可靠性的能量收集網絡系統規劃方法

基于第2節建立的能量收集可靠性模型，本節建立能量收集網絡多層不確定規劃模型，將其轉化為等效清晰模型，提出滿足能量收集可靠性前提下的系統規劃方法。然后，提出基于不確定理論的能量平均分配算法（EAA），并從理論上證明算法競爭比上界。

3.1 競爭比

令P是依賴于請求變量序列σ={σi|i=1,2,3,…}的最優化問題。一個求解P的在線算法A，其請求序列為σ={σi|i=1,2,3,…}，且其服務于當前請求時對未來請求未知，則其目標函數為PA(σ)。一個求解P的最優離線算法O已知所有請求隊列，其可實現最大目標函數PO(σ)。

定義2 令A是求解最優化問題P的任一在線算法。A是cA-競爭的或具有競爭比cA，當且僅當對于所有輸入序列σ，有，則最優競爭比定義為

3.2 系統模型

考慮在源點與目標節點之間的無線通信信道，則t時刻目標的接收信號為

yt=Ptht xt+nt(19)

其中，xt為源點傳輸信號，Pt為源點傳輸功率，ht為衰減系數，nt為均值為0、方差為1的加性高斯白噪聲信號且時間獨立。假設衰減過程為黑箱模型[26]，即衰減系數ht在w個時段中連續且恒定。該w個時段組成一個時間間隔，間隔長度為w。因此，在第n個時段中，衰減系數可記作hn，n=1,2,3,…,N。假設源點使用環境能源供電，配備無限容量電池，且在第n個時段開始時電池剩余電量為En。

考慮任意能量收集過程的衰減信道，即時段n中對未來時段衰減系數和能量收集過程未知。假設在每個時段的起始，源點得知該時段內的衰減系數hn和剩余電量En。源點在時段n中利用衰減系數和能量的相關信息制定傳輸策略，實現其效益最大化。

本文考慮最大化源點可實現速率。假設源點在時段n中共用掉能量為BEn，同時由于能量有限性約束，即B≤1。則時段n中的可實現速率為

于是，N個時段中的累積速率為

由于能量收集過程是模糊的，最優化問題的價值函數R不能直接最大化，因此，考慮最大化其期望值。假設gi(x,y)為不確定約束，由于該約束未能定義清晰可行集，因此通常寫成置信水平形式，αi為其置信水平。于是，最優化問題R可寫為

因此，尋找最優在線算法A*，實現最優競爭比為

其中，σ=((|h1|2,E1),(|h2|2,E2),…,(|hN|2,EN))為N個時段中衰減系數即能量收集值。則最優競爭比為

對于式(22)表述的最優化問題，文獻[27]給出了最優離線算法，限于篇幅，這里不再介紹該算法。

3.3 等效清晰模型

由于式(22)表述的優化問題為多層不確定規劃形式，無法直接求解，需轉化為等效清晰模型。

令ξ1,ξ2,…,ξn為獨立的不確定變量，具有不確定分布ψ1,ψ2,…,ψn。不失一般性，假設f為一實函數，且隨ξ1,ξ2,…,ξk單調上升，隨ξk+1,ξk+2,…,ξn單調下降，則不確定目標函數的期望值形式可轉化為

其中，x、y為決策向量。

假設g為一實函數，且隨ξ1,ξ2,…,ξk單調上升，隨ξk+1,ξk+2,…,ξn單調下降，則不確定約束函數的置信水平M{g(x,y,ξ)≤0}≥α可轉化為

依據上述方法，式(22)的優化問題的等效清晰模型為

可見，為了求解式(22)的不確定規劃問題，需要找到合適的數值方法求解其等效清晰模型。目前，求解多層規劃模型的方法有極值點算法、k-th最優算法、分支界定算法、下降法以及遺傳算法等。本文采用遺傳算法求解該問題，求解過程采用了文獻[28]給出的Nash均衡和Stackelberg-Nash均衡的求解方法。算法的具體步驟如下。

Step1 定義參數：種群規模、交叉概率、變異概率。

Step2 從可行域中隨機初始化染色體。

Step3 通過交叉和變異，更新染色體。

Step4 對于每個染色體，利用遺傳算法求解第二層規劃問題的Nash均衡解。

Step5 依據Stackelberg-Nash均衡求解頭層規劃目標函數值。

Step6 計算每個染色體對應的適應度函數值。

Step7 使用輪盤賭選擇（roulette wheel selection）算法選擇新的染色體。

Step8 給定循環上限，重復Step3～Step7。

Step9 輸出最優染色體即為最優解。

由于遺傳算法受到實際應用中系統資源與時限的約束，僅以一定概率趨于最優解，因此，3.4節給出最優在線算法與競爭比上界，并證明該算法求出的解為最優解。

3.4 競爭比上界

基于不確定規劃的能量收集可靠性模型，為了確保節點運行可靠性，使用在線算法不需要對未來能量收集狀態進行預測；而使用遺傳算法等優化算法，會占用過多的節點資源，增加處理器的能耗和時延。為此，本文設計了一種基于不確定理論的能量平均分配算法。使用 EAA算法，如果在時段n中電池可用電量為En*，則在剩余時段中算法將均勻分配當前可用能量，即在新的能量到達之前，每個時段消耗能量為，如圖1所示。由圖1可知，EAA算法是在線算法且并不依賴未來時段信息，同時也滿足能量有限性約束。

定理2 EAA算法求解式(22)的優化問題是N-競爭的。同時，EAA是最優算法。

證明過程如下。

證明 在式(22)的優化問題中考慮松弛二級優化目標，即假設一級優化目標具有任意輸入序列σ=((|h1|2,E1),(|h2|2,E2),…,(|hN|2,EN))。考慮時間間隔n且En≠0，記作k1,…,kp，其中，p≤N。不失一般性，假設k1=1，即時段1中可用能量非0。該假設是合理的，否則，可以從第k1時間間隔開始并移除前（N?k1?1）個時間間隔。令i表示介于時間間隔ki+1和ki之間的時段。第p個時間間隔表明kp間的時段數量，即該時間間隔結束時有新能量到達，且最后時段為N。為了便于闡述，令第i個時段中輸入序 列 為

令為時段i=1,…,p中衰減系數的最大值，即。那么，第i個時段的輸入序列可增強為

可見，的可實現速率優于σ，因此RO(σ)。由于能量有限性約束，在任意時間間隔i中，可消耗的最大能量為。因此，任意時間間隔i中的最大可實現速率可通過消耗時間間隔i之前的全部能量來實現。

進一步地，由可得，每一個時間間隔中的衰減系數均已知，因此任意時間間隔中最優離線算法的能量消耗在該時間間隔中的每一時段中是相等的，因此有

其中，(ki+1?ki)w是第i個時間間隔的長度。為了獲得上界，需要對能量約束進行松弛，允許在時間間隔1中消耗E1的能量，在時間間隔2中消耗E1+E2的能量，然后時間間隔p中消耗的能量為如圖1所示。于是有

式(29)可視為的上界，EAA算法的競爭比上界。

下面，分析 EAA算法的速率的下界。考慮原始輸入序列σ，使用EAA算法，令時間間隔i中任意時段n的消耗能量為BEni。那么，，且。簡單的代數轉化可得。于是，使用EAA算法，對于每一個時間間隔i=1,2,…,p，僅考慮在σi中實現最大衰減系數|himax|2的一個時段為

圖1 EAA算法

總的可實現速率為

其中，(*)是基于推導出來的，x,y≥1。因此，通過式(29)和式(31)可得，EAA算法的競爭比為

由此，依據前文競爭比定義可得，EAA算法求解式(22)的優化問題是N-競爭的；使用EAA算法所得的上界值，即系統所能實現的最大可實現速率，繼而EAA算法為求解優化問題式(22)的最優算法。

4 仿真分析

以實際的風電數據為例，通過可靠性驗證、遺傳算法求解問題的效率、競爭比這3個仿真實驗，說明本文所提能量收集可靠性模型及基于不確定理論的能量平均分配算法（EAA）的可行性和有效性。

4.1 實驗數據準備

由于風能較太陽能在數據上而言具有更大的不確定性，作為模型的輸入更能測試模型的頑健性。因此，在驗證仿真實驗中模型的輸入數據采用了國內某電網公司2017年4月1日～30日共30天的風功率實際值，數據采樣間隔為15 min，故日內時段為96個。為了保證能量收集與能量消耗環節數據的匹配性，風電數據與系統能耗數據均相對于自身的裝機容量進行了標幺化處理（采用標幺單位制，單位為pu），即最大值均為單位量值；同時在時間尺度上，仿真實驗遵循原數據的序列特性并假設具體的時隙長度由系統處理頻率決定。仿真實驗中數據的特征如圖2所示，風功率收集速率在0至滿額裝機容量之間均有數據分布且日間數據差異較大；負載能耗需求則呈現一定的日內及日間規律性。

圖2 仿真實驗中數據的特征

4.2 可靠性驗證

可靠性驗證和對比分析主要是對以下4種方法進行的：1) 無能量規劃，即當前時段所收集的能量僅用于當前時段的數據任務；2) 文獻[29]中基于場景生成的能量規劃方法，其中節點配備無限容量電池，生成日風電功率序列個數為 500，單時段內功率計劃值為其平均值；3) 基于本文可靠性最大化的能量規劃方法，其中置信水平為0.95，節點配備無限容量電池；4) 文獻[23]中基于排隊論G/G/1/∞的建模方法，優化節點的耗盡概率，評估每一時段的節點能量收集可靠性。

4種方法能夠實現的節點能量收集可靠性的實驗結果如圖3所示，數據統計結果如表1所示。從表1可以看出，本文所提方法的可靠性為1的時段數量最多，且系統在2 880個連續時段內無0可靠性時段，即能夠穩定運行。值得指出的是，文獻[23]提出的基于排隊論的方法的可靠性1時段數雖然少于文獻[29]提出的基于場景生成的能量規劃方法，但其可靠性曲線更為穩定，這是因為基于排隊論的方法的模型是在保障節點最低耗盡概率的前提下計算得出的。

圖3 4種方法能夠實現的節點能量收集可靠性的實驗結果

表1 數據統計結果

4.3 遺傳算法求解

本節通過遺傳算法求解等效清晰模型，以驗證EAA算法在求解優化問題(22)時的頑健性。實驗中分別設置了不同的種群規模、交叉概率、變異概率，算法最大的演化次數為 200。基于遺傳算法求解式(22)表述的多層不確定規劃問題的結果如表2所示。其中，Stackelberg-Nash均衡解并不唯一，表2中給出的目標函數值為6次實驗結果。為了驗證遺傳算法求解該多層不確定規劃問題的頑健性，算法使用了不同的種群規模、交叉概率和變異概率，從而得到 6次實驗中目標函數的最大百分比誤差為即EAA算法在求解該優化問題中，不同參數所求得的目標函數的最大百分比誤差為 7.9%。該值越小，說明所述 EAA算法的頑健性越好。

表2 遺傳算法求解結果

4.4 競爭比

競爭比方面的仿真實驗主要是驗證本文所提能量平均分配算法（EAA）的性能。假設時間間隔長度為10個時段，即N=10。圖4給出了基于歷史數據的場景生成算法和基于模糊集的 EAA算法的競爭比柱狀圖。

從圖4可以看出，本文所提EAA算法能夠對目標函數值進行更有效的優化，同時由于系統資源有限，優化結果以一定的概率趨于最優，因此，圖 4中部分數據競爭比大于 2。該結論也可通過文獻[26]中針對AWGN信道、固定字節的最小化傳輸時間優化問題進行驗證，當信道衰減系數退化為常量時，存在最優在線算法使競爭比小于 2。本文所提的基于不確定理論的規劃方法不需要進行大量歷史數據的訓練，較場景生成方法更節省系統資源，同時能夠實現更好的系統規劃效果。

5 結束語

針對能量收集網絡，本文提出了能量收集不確定環境下的可靠性模型。首先基于能量收集模糊集，定義網絡節點能量收集可靠性，分別建立節點無電池和無限容量電池下的可靠性模型；進而提出基于可靠性的能量不確定多層規劃模型，轉化為等效清晰模型求解，然后提出基于不確定理論的EAA

算法，并在理論上證明了算法競爭比上界。仿真驗證結果表明，基于不確定理論的能量收集網絡方法能夠有效評估分析節點能量收集可靠性，并實現更好的系統規劃效果。

[1] ULUKUS S, YENER A, ERKIP E, et al. Energy harvesting wireless communications∶ a review of recent advances[J]. IEEE Journal on Selected Areas in Communications, 2015, 33(3)∶ 360-381.

[2] LU X, WANG P, NIYATO D, et al. Wireless networks with RF energy harvesting∶ a contemporary survey[J]. IEEE Communications Surveys& Tutorials, 2014, 17(2)∶ 757-789.

[3] OZEL O, ULUKUS S. Achieving AWGN capacity under stochastic energy harvesting[J]. IEEE Transactions on Information Theory, 2012,58(10)∶ 6471-6483.

[4] OZEL O, ULUKUS S. AWGN channel under time-varying amplitude constraints with causal information at the transmitter[C]//Asilomar Conference on Signals. 2011∶ 373-377.

[5] TUTUNCUOGLU K, OZEL O, YENER A, et al. Binary energy harvesting channel with finite energy storage[C]//IEEE International Symposium on Information Theory Proceedings. 2013∶ 1591-1595.

[6] 田賢忠, 郭敏, 何佳存, 等. 能量捕獲協作中繼網絡多中繼節點選擇策略[J]. 通信學報, 2017, 38(Z2)∶ 1-7.TIAN X Z, GUO M, HE J C, et al. Multi relay node selection strategy for energy capture collaborative relay network[J]. Journal on Communications, 2017, 38(Z2)∶ 1-7.

[7] 謝振威, 朱琦. 基于能量協作的認知能量采集網絡功率分配算法[J].通信學報, 2017, 38(9)∶ 176-184.XIE Z W, ZHU Q. Power allocation algorithm for cognitive radio energy harvesting networks based on energy cooperation [J]. Journal on Communications, 2017, 38(9)∶ 176-184.

[8] MICHELUSI N, STAMATIOU K, BADIA L, et al. Operation policies for energy harvesting devices with imperfect state-of-charge knowledge[C]//IEEE International Conference on Communications.2012, 11(18)∶ 5782-5787.

[9] TESTA D D, MICHELUSI N, ZORZI M. On optimal transmission policies for energy harvesting devices∶ the case of two users[C]//Tenth International Symposium on Wireless Communication Systems. 2013∶1-5.

[10] MICHELUSI N, BADIA L, CARLI R, et al. Energy management policies for harvesting-based wireless sensor devices with battery degradation[J]. IEEE Transactions on Communications, 2013, 61(12)∶4934-4947.

[11] JAGGI N, KAR K, KRISHNAMURTHY A. Rechargeable sensor activation under temporally correlated events[J]. Wireless Networks,2009, 15(5)∶ 619-635.

[12] XIN J, GUO L, HUANG N, et al. Network service reliability analysis model[C]//IEEE Conference on Prognostics and System Health Management. 2013∶ 511-516.

[13] D?MASO A, ROSA N, MACIEL P. Reliability of wireless sensor networks[J]. Sensors, 2014, 14(9)∶ 15760-15785.

[14] PENG Z, MU X, YIN Z, et al. An approach of fault diagnosis for system based on fuzzy fault tree[C]//International Conference on Multimedia and Information Technology. 2008∶ 697-700.

[15] WANG Z, YAN X, GE W, et al. Analysis of network reliability on intelligent substation[C]//International Conference on Intelligent Networks and Intelligent Systems. 2014∶ 147-150.

[16] NORMAN G, PARKER D, ZOU X. Verification and control of partially observable probabilistic real-time systems[C]//International Conference on Formal Modeling and Analysis of Timed Systems.2015∶ 240-255.

[17] LIMA M A D Q V, MACIEL P R M, SILVA B, et al. Performability evaluation of emergency call center[J]. Performance Evaluation, 2014,80(C)∶ 27-42.

[18] AHMED W, HASAN O. Formal availability analysis using theorem proving[M]// Formal Methods and Software Engineering. Springer International Publishing, 2016∶ 226-242.

[19] KUANG Y, SHEN X S, YANG K, et al. Optimal reliability in energy harvesting industrial wireless sensor networks[J]. IEEE Transactions on Wireless Communications, 2016, 15(8)∶ 5399-5413.

[20] SRIVASTAVA R, KOKSAL C E. Basic performance limits and tradeoffs in energy-harvesting sensor nodes with finite data and energy storage[J]. IEEE/ACM Transactions on Networking, 2013, 21(4)∶1049-1062.

[21] BLASCO P, GUNDUZ D, DOHLER M. A learning theoretic approach to energy harvesting communication system optimization[J]. IEEE Transactions on Wireless Communications, 2013, 12(4)∶ 1872-1882.

[22] LIU J, DAI H, CHEN W. Delay optimal scheduling for energy harvesting based communications[J]. IEEE Journal on Selected Areas in Communications, 2015, 33(3)∶ 452-466.

[23] CAI L X, LIU Y, LUAN T H, et al. Sustainability analysis and resource management for wireless mesh networks with renewable ener-gy supplies[J]. IEEE Journal on Selected Areas in Communications,2014, 32(2)∶ 345-355.

[24] CHIASSON J, VAIRAMOHAN B. Estimating the state of charge of a battery[J]. IEEE Transactions on Control Systems Technology, 2005,4(3)∶ 465-470.

[25] KOBAYASHI H. Application of the diffusion approximation to queuing networks∶ part i equilibrium queue distributions[C]//ACM Sigme Symposium. 1973∶ 54-62.

[26] VAZE R. Competitive ratio analysis of online algorithms to minimize packet transmission time in energy harvesting communication system[C]//INFOCOM. 2013∶ 115-1123.

[27] JING Y, ULUKUS S. Optimal packet scheduling in an energy harvesting communication system[J]. IEEE Transactions on Communications, 2012, 60(1)∶ 220-230.

[28] LIU B. Stackelberg-Nash equilibrium for multilevel programming with multiple followers using genetic algorithms[J]. Computers &Mathematics with Applications, 1998, 36(7)∶ 79-89.

[29] 黎靜華, 孫海順, 文勁宇, 等. 生成風電功率時間序列場景的雙向優化技術[J]. 中國電機工程學報, 2014, 34(16)∶ 2544-2551.LI J H, SUN H S, WEN J Y, et al. A two-dimensional optimal technology for constructing wind power time series scenarios[J]. Proceeding of the CSEE, 2014, 34(16)∶ 2544-2551.