定位参数（精选六篇）
定位参数 篇1
前轮定位参数是指汽车前轴、主销轴线与前轮三者装配后的相对位置关系,包括主销后倾、主销内倾、前轮外倾和前轮前束4个方面的参数[1]。
汽车前轮定位参数是影响汽车操纵稳定性与前轮异常磨耗的重要因素,而前轮定位参数的设计是否合理,将直接影响到车辆的很多重要性能,从而影响到整车的优劣[2]。
本文以某一轿车为研究对象。采用多体动力学建模软件ADAMS建立整车多刚体动力学模型,对模型进行三角形凸块路面输入下的仿真,取左前轮胎和前悬架为研究对象,得出各定位参数的关系曲线,并对结果进行分析。
2、前轮定位参数[3]
2.1 主销后倾角
主销后倾角是指主销在汽车的纵向平面具有的向后的倾角,即主销轴线与地面垂线在汽车纵平面内的夹角。主销后倾角的主要作用是产生回正的力矩。
2.2 主销内倾角
主销内倾角是指主销在汽车横向平面的倾角,即主销轴线与地面垂线在汽车横向断面内的夹角。主销内倾角的主要作用是产生自动回正的力矩,通过主销偏置减小转向力矩。
两者的区别在于:主销后倾的自动回正作用和车速有关,主销内倾的自动回正作用和车速无关。另外主销后倾角的大小是可调整的,主销内倾角的大小一经确定,则其大小不能进行调整。
2.3 前轮外倾角
前轮外倾角是指车轮中心平面与地面垂直平面在汽车横向断面内的夹角。作用是避免汽车满载时车轮内倾而引起车轮的偏摩,并防止轮毂外端的轴承和紧固螺母承受过大的载荷,和拱形路面配合,并提高车辆的安全性。
前轮前束角是指前轮后端边缘距离与前端边缘距离的差值。作用是消除因前轮外倾引起的前轮边滚边滑的现象。前轮前束通过调整转向横拉杆来实现。
3、整车模型的建立
利用ADAMS/VIEW建立汽车的整车模型,在创建过程中分别创建底盘、双横臂前独立悬架、转向系、后悬架、轮胎和路面谱模型。所建立的模型13个旋转副、1个圆柱副、9个球副、4个固定副、3个万向节副、2个恒速度副、1个耦合副。创建模型时轮胎采用软件自带的Fiala轮胎,路面以MSC提供的位于数据库中的mdi_2d_roof.rdf为蓝本进行修改,将三角凸块的尺寸修改为底边长400mm,高60mm的三角形凸块路面模型。建立的整车模型如图5所示[4][5].
4、整车模型的仿真
4.1 整车仿真
整车仿真时采用三角形的凸块模拟脉冲输入。凸块如图6所示,在转向盘和底盘之间的圆柱副约束上,应用step函数创建施加于转向盘的驱动,设置转向盘的转角为90度,使汽车做转弯行驶。在后悬架左右斜置臂和左右轮胎之间用step函数创建施加于轮胎的力矩。
a.轿车、旅行客车及总质量小于或等于4t的货车:h=60mm;b.客车(旅行客车除外)、越野车及总重量大于4t但小于或等于20t的货车:h=80mm;c.总质量大于20t的货车:h=120mm[6]。
根据以上规定,本文研究的轿车总质量小于4t,所以h=60mm,仿真结果如图所示:
4.2 结果分析
在此次仿真过程中没有设置车轮上下跳,只是仿真整车通过三角形凸块时前轮定位参数的变化情况,因此以时间为横坐标进行分析。由图7可知,仿真时在方向盘和轮胎上施加的力矩,汽车在转弯行驶的同时做加速运动,速度随着时间的推移逐渐增大。由图8～图11可知,在大约40.5s时,汽车行驶到三角形凸块,前轮外倾角、前轮前束角、主销后倾角、主销内倾角同时发生变化,此时汽车的行驶速度为15.4666mm/sec。由图8知前轮外倾角在车辆行驶到凸块路面时变化剧烈,车轮上跳前轮外倾角减小,车轮下跳前轮外倾角增大,角度范围为-90°～90°,车辆通过三角形凸块时,相当于给车轮施加激励,大小为60mm,因此前轮外倾角的变化范围为-90°/60mm～90°/60mm,变化范围较小。由图9知前轮前束角在车辆行驶到凸块路面时也发生剧烈变化,车轮上跳时前轮前束角增大,车轮下跳前轮前束减小,变化范围为-90°/60mm～90°/60mm,变化范围较小。由图10知主销后倾角在前轮上跳时逐渐增大,下跳时逐渐减小,符合一般规律,角度范围为-10°～10°,因此主销后倾角的变化范围为-10°/60mm～10°/60mm,变化范围较小。由图11可知,车轮上跳主销内倾角增大,下跳主销内倾角减小,变化范围为:-10°/60mm～10°/60mm,变化较小。
5、结论
对建立的轿车整车模型,进行了三角形凸块路面仿真分析,在车辆行驶到40.5sec时,汽车前轮行驶到三角形凸块路面,此时前轮外倾角、前轮前束角、主销后倾角、主销内倾角同时发生变化,如图8～图11所示,变化范围都比较小且符合变化的一般规律,为前轮定位参数的仿真和优化提供依据。
参考文献
[1]褚志刚等.汽车前轮定位参数优化设计[J].重庆大学学报. 2003,2:1-2.
[2]李臣,司景萍.基于ADAMS/CAR的麦弗逊悬架建模与仿真[J].内蒙古:内蒙古工业大学.2007,3:8-10.
[3]佟刚等.关于汽车前轮定位参数的分析[J].沈阳:沈阳航空工业学院学报.2001,3:1-2.
[4]李增刚.ADAMS入门详解与实例[M].北京:国防工业出版社,2008.
[5]葛正浩.ADAMS2007虚拟样机技术[M].北京:化学工业出版社,2010.
定位参数 篇2
关键词 环境监测仪 定位 单片机 信息采集
0 引言
目前市场上有很多流通的环境监测仪，但是很多的仪器不具备定位功能，不能更仔细地检测一个区域的环境信息。还有现在很多监测仪精度不高。本文设计了一个可以定位的测量温度，湿度，噪声和PM2.5的低功耗的环境监测。
1 基于环境监测的环境检测仪模块设计
1.1 系统总体结构
检测仪的主控芯片采用ST半导体公司的Cortex-M3系列的单片机，采用北斗导航模块接收卫星定位数据和授时数据。该系统包括北斗导航模块，显示模块，传感器模块（噪声传感器，温度传感器，湿度传感器，PM2.5传感器），电源模块组成。①主要完成对定位到局部区域的空气质量，温湿度以及噪音情况进行监测。总体结构框图如图1所示。一台仪器可以同时监测四种参数，该仪器工作方式为自动采样自动分析，测量浓度直接在显示屏上显示。STM32F103是增强系列的MCU，拥有72MHZ的运行频率，能够完成北斗导航芯片的数据解析，显示屏的扫描更新，同时能够满足用户交互任务的需求。MCU自带的异步串口USART可以对接导航芯片，同步串口SPI外设可用于控制显示模块的刷屏，TIM的输入捕获功能可以实现对PM2.5检测模块的数据捕获。采用质量轻储能高的锂电池为系统的供电电源，采用可视角度大、功耗低的彩色液晶屏作为显示模块。②同时系统还设置了红色预警系统，当检测的值超过了规定的值，显示会出现颜色变化进行预警。
1.2 温度传感器电路
温度测量电路采用数字式温度传感器DS18B20。③DS18B20只有一个串行通信接口，即单线制传感器，DS18B20在与微处理器连接时仅需要一条口线即可实现微处理器与DS18B20的双向通讯，大大提高了系统的抗干扰性。这样的系统允许每一个挂在总线上的区间都能在适当的时间驱动它。由于DS18B20的单线制特性，其发送和接收必须为三态特性，其出具口为漏极开路输出，而且我们采用的是外加电源供电，因此外接上拉电阻，在常态下呈现高电平状态。
DS18B20测温范围在55℃～+125℃，精度为€？.1℃。工作电源：3.0～5.5V/DC。
DS18B20的温度读取过程为：复位→发SKIP ROM命令（0XCC）→发开始转换命令（0X44）→延时→复位→发送SKIP ROM命令（0XCC）→发读存储器命令（0XBE）→连续读出两个字节数据（即温度）→结束。
1.3 湿度传感器电路
我们采用DHT11湿度传感器作为湿度传感器。DHT11技术性能特征：工作电压范围：3.3V-5.5V。工作电流 ：平均0.5mA。输出：单总线数字信号。测量范围：湿度20～90%RH。精度：湿度€？%。分辨率：湿度1%。
DHT11数字湿温度传感器采用单总线数据格式。单个数据引脚端口完成输入输出双向传输。其数据包由5Byte（40Bit）组成。数据分小数部分和整数部分，一次完整的数据传输为40bit，高位先出。
DHT11的数据格式为：8bit湿度整数数据+8bit湿度小数数据+8bit温度整数数据+8bit温度小数数据+8bit校验和。
其中校验和数据为前四个字节相加。
传感器数据输出的是未编码的二进制数据。数据（湿度、温度、整数、小数）之间应该分开处理。
我们这里选择的DHT11也可以测量温度，但由于它的精度不高，测量范围较DS18B20小，所以我们只采用湿度测量。
用户MCU发送一次开始信号后，DHT11从低功耗模式转换到高速模式，等待主机开始信号结束后，DHT11发送响应信号，送出40bit的数据，并触发一次信号采集，用户可选择读取部分数据。从模式下，DHT11接收到开始信号触发一次湿度采集，如果没有接收到主机发送开始信号，DHT11不会主动进行湿度采集。采集数据后转换到低速模式。
1.4 PM2.5传感器电路
我们选择GP2Y1051AU0F作为传感器，GP2Y1051AU0F是灰尘（粉尘）传感器由光学传感系统一个红外发光二极管（IRED）和光电子晶体管是对角布置在该装置中组成的。它是通过检测空气中尘埃的反射光计算粉尘的浓度。尤其是它可以有效地检测到非常细的颗粒像香烟烟雾。
工作温度：-10-+65℃；工作电压：4.8-5.2V；灵敏度：0.5V/（0.1mg/m3）
最小粒子检知能力：0.03€%em 。
我们通过灰尘传感器测出的数据发送给单片机，通过接收到的数据长度转化为输出电压，再通过粉尘浓度计算公式：Ud=A*Vout（其中Ud为粉尘浓度，位为ug/m3；Vout为传感器输出信号，单位为V；A为比例系数）最后得出PM 值。
1.5 噪声传感器电路
通过外界噪声的大小，噪声模块捕获信号，通过AD采集，利用 AD采集分贝公式：150*AD1/AD =分贝，得到分贝参数。AD1为当前采集到的AD值，AD为AD精度。
1.6 北斗导航模块
我们采用UM220-3-N模块作为我们的导航模块。工作电压为2.7～3.3V。是目前市场上尺寸最小的完全国产化的北斗/GPS模块，集成度高、功耗低，非常适合对尺寸、功耗要求高的北斗规模应用。UM220-III 模块采用和芯星通Ultra-Sense 高灵敏度设计，能够在弱信号条件下提供优异的捕获、跟踪灵敏度，保持接收机定位的连续性和可靠性。定位精度：2.0m CEP。
1.7 电源方案
系统采用7.2V（2S）放电能力大的锂电池供电，锂电池质量轻、储能密度高，能够满足系统的要求。传感器使用5V供电，控制器、显示器、北斗芯片采用3.3V供电。北斗芯片另外使用线性稳压器AMS-1117 3.3V供电；考虑到控制器对电源性能要求较高，通过低压差线性稳压器LD29150可获得最大1.5A的3.3V电源，用于控制器和显示器供电；传感器模块使用AMS-1117 另外产生的一路5V供电。
2 软件设计
基于STM32F103的环境监测仪的设计采用C语言编写程序。其主要完成对温度传感器，湿度传感器，噪声传感器，PM2.5传感器的测量值进行计算以及相应的显示和预警功能。还有对测量目的地的定位和精确授时的显示。程序设计包括系统初始化，复位程序，温度，湿度，PM2.5，噪声采集转化显示程序，定位授时显示程序，预定值预警程序，其总体流程图如图2显示。
5 结语
定位参数 篇3
目前无线传感器网络(Wireless Sensor Network,WSN)[1]]定位应用主要面临定位精度与定位成本相互制约的问题。目前,定位算法从定位方法上分为2大类:基于测距算法(range-based)和无需测距算法(range-free)[2]。基于测距算法的定位技术主要通过测量节点间的距离来计算节点位置,采用的测距技术主要有RSSI,TOA[3],TDOA[4]和AOA[5]。
基于RSSI[6]的测距定位技术根据已知发射节点的发射信号传播损耗,利用理论和经验模型将其转化为距离,再利用相关算法计算出节点的位置。由于基于RSSI的测距定位技术不需要额外硬件支持,可以大大降低部署成本。但RSSI对于复杂环境的适应能力弱,存在多径反射传播、非视距、天线方向都会对其产生影响[6,7]。
在对传统基于RSSI的质心定位算法充分分析基础上,运用统计学基本思想,对RSSI转换为距离模型,并在此基础上对运用质心算法计算盲节点坐标过程进行了改进,从而有效提高了室内定位精度。
2 算法基础
2.1 获取距离
RSSI定位算法是根据己知参考节点的位置,通过测量接收信号强度,对两点间信号强度比较来判断距离来从而达到对待测节点(未知节点)定位的目的[8]。信号传播过程中受到外界复杂环境因素的影响,因此会产生信号的损耗和衰减,节点信号衰减与距离之间,存在对数距离衰减模型[9]如式(1所示。
式中,为参考点与待测节点信号的路径损耗;为路径损耗指数,其取值一般情况为2~5之间,受遮蔽因素和环境因素的变化而变化;ζ为平均值为0的高斯分布随机数,表示路径损耗随着距离增长的速率;d为参考点与待测节点间距离;p(d0)是距离参考点d0处的路径损耗。
2.2 传统质心定位算法
传统质心算法[10],通过获取盲节点与3个参考节点之间的RSSI值,并转化为对应距离,计算获得盲节点的坐标。如图1所示,首先观察盲节点A与参考节点B、C之间的关系。当盲节点A接收到来自参考节点B、C信号时,节点A距离节点B、C的距离记为d1,d2。以B、C为圆心d1,d2为半径作圆,相交于2点:A1,A2。再引入节点D,则交点A1,A2到D的距离为A1D,A2D。盲节点A接收到参考节点D点的RSSI信号值后,可转换计算为距离3。则盲节点A的近似坐标可以通过比较的大小来确定。
3 算法改进
3.1 测距误差的最小二乘改进算法
通过RSSI转换为物理距离,常常因为环境因素、无线电波多径效应、通信芯片内部误差等诸多因素,影响距离转换,并影响定位精度,大致可归纳为3个方面[11,12]。
(1)环境因子偏差:由于在不同外部环境因素下,距离相同而信号强度衰减不同,使得信号强度测量值存在误差,从而造成定位过程中的定位误差。
(2)遮蔽因子偏差:信号衰落不同引起强度测量值不准确造成的定位误差。
(3)测量引入误差:由于测量仪器的不同,无线传感器的差别等引起的强度测量误差。
用参考节点代替盲节点,在pi(χi,уi)放置一个参考节点,在pj(χj,уj)放置另一个参考节点,通过硬件测得两个参考节点之间的RSSI值为R1,而由式(2)获得测量距离D1,并由D1和R1构成一对值。
重复该过程K次后,得到对应值对集合S:
而RSSI与距离d之间的关系为公式(1)所示,把该公式中RSSI和看作是y与x变量,η和C看作是函数的系数a和常数b,可以表示为函数у=αχ+bχ则利用集合S,用直线最小二乘拟合,可获得一组最优的a和b值。
3.2 基于平均权重的极大似然估计质心算法
已知n个节点的坐标分别为,它们到定位节点(χ,у)的距离分别为,那么存在公式如(3)所示。
公式(3)中的第一个方程开始到第n-1个方程分别减去最后一个方程,可得方程组如式(4)所示。
式(4)为形式为AX=B的线性方程组,其中
使用标准的最小方差估计方法可得到定位节点的坐标如式(5)所示。
上述最大似然估计算法,第n个方程的距离权重误差会影响算法整体可靠性,应尽可能保证第n个方程权重的准确性。由此,对前n-1个方程中x,y,d的平均值,作为n第个方程的xn,yn,dn即
4 实验分析
选取64m×64m空旷场地,并选用TI的公司CC2530芯片,采用TI公司Z-Stack的Zig Bee Pro 2006协议栈,组建基于Mesh方式的自组网,协调器1个与PC机进行连接。选用Sniffer软件作为网络协议分析软件,用于分析和解码在各层协议上的信息包,主要用于监控数据包的RSSI值。
4.1 测距误差实验
在实验场地放入盲节点一个,坐标为(45,59),另外置入24个参考节点分散的部署在实验二维空间内,实际距离与定位节点接收到的平均RSSI值如表1所示。
采用直线最小二乘法拟合函数,运行该程序后求得C=43.59,η=2.56,与实验系统推荐的默认的参数值(即取C=45,η=3.2)进行对比分析,可以看到实际距离与误差关系图,如图2所示。图中X轴表示实际距离,Y轴表示偏离误差,其中
4.2 改良质心算法精度
设未知节点的坐标为(χm,уm),其实际位置坐标为(χ,у),定位误差定义如式(6)所示。
实验分两个阶段,第一阶段主要考察固定参考节点情况下,两种定位算法的误差分析,实验共开启24个参考节点,随机放入盲节点1个,实验结果如表2所示,相对误差对比如图3所示。
第二阶段,考察参考节点数量,对两个算法的影响。实验过程分6次进行,每次实验均采用盲节点1个,参考节点则先从24个参考节点中随机抽取4个,后每次实验,依次随机增加4个参考节点,实验结果如图4所示。
从实验结果表明,当增加参考节点个数后,传统三角质心算法与改良后的加权质心算法的相对误差相对较小,但是改良后的质心算法精度要高于传统质心算法。随着参考点数量的增加,传统三角质心算法的精度提高不明显,但改良后的质心算法精度增加明显。
5 结语
探讨了在室内定位情况下,运用最小二乘法改进基于RSSI的无线电传播路径损耗模型参数,并用平均权重优化质心算法极大似然估计过程。实验结果表明,改进后的定位算法精度有较大提高,在增加参考节点情况下,定位精度增加更为明显,确定较好效果。算法计算复杂度及规模可扩展性等相关问题,将作为下一阶段的工作重点。
摘要：针对传统接收信号强度指示(RSSI)算法对于复杂环境的适应能力弱的问题,对基于RSSI的质心定位算法进行统计参数改良优化,提高定位精度。在充分分析传统基于RSSI的质心定位算法的基础上,运用最小二乘法改进模型参数,用平均权重优化质心算法极大似然估计过程,对传统质心定位算法进行优化改进。实验结果表明,改进后的定位算法精度有较大提高,在增加参考节点情况下,定位精度增加更为明显,具有良好的定位效果。基于统计参数优化的质心定位算法有效提高了RSSI定位算法的定位精度。
关键词：接收信号强度指示,室内定位,质心算法,最小二乘法,极大似然估计
参考文献
[1]王福豹,史龙,任丰原.无线传感器网络中的自身定位系统和算法[J].软件学报,2005,16(5):857-868.
[2]Savvides A,Park H,Srivaslava M B.The Bits and Flops of theN-hop Multilateration Primitive for Node Localization Prob-lems[R].NESL,University of California,Technical Report:TM-UCLA-NESL-2002.
[3]焦磊,邢建平,张军.一种非视距环境下具有鲁棒特性TOA无线传感网络定位算法[J].传感技术学报,2007,22(7):1625-1629.
[4]唐弢,郭庆,彭保.一种基于优化TDOA的无线传感网络定位算法[J].计算机工程与应用,2008,44(25):98-99.
[5]林雪原,骆卉子,范文强.一种TDOA/AOA联合定位的算法[J].兵工自动化,2010,29(6):1-3.
[6]张洁颖,孙懋珩,王侠.基于RSSI和LQI的动态距离估计算法[J].电子测量技术,2007,30(2):142-145.
[7]范平志,孙瑜.射频识别(RFID)室内定位算法研究[J].西安交通大学,2005,(03):1205-1208.
[8]He T,Huang C,Blum B M,Srankovic J A,Abdelzaher T.Range-free localization schemes for large scale sensor net-works[C].Proceedings of the 9th ACM Annual InternationalConference on Mobile Computing and Networking(MobiCom,2003).San Diego,CA,USA,ACM,2003:81-95.
[9]刘辉亚,徐建波.无线传感器网络节点定位的移动信标节点路径规划[J].传感技术学报,2010,23(6):873-877.
[10]NEAL P,JOSHUA N A,SPYROS K Y,et al.Locating thenodes:cooperative localization in wireless sensor networks[J].IEEE Signal Processing Magazine,2005,22(6):54-57.
[11]周祖德,王晟.一种适用于复杂环境的无线传感定位算法[J].武汉理工大学学报,2006,28(11):121-124.
天线相位中心改正对定位参数的影响 篇4
IGS提供的事后高精度的卫星轨道和卫星钟差所采用的力学模型是基于卫星的质量中心,而伪距观测值是基于卫星的相位中心,为了得到高精度的定位结果,必须知道接收机和卫星天线相位中心的准确位置[1]。相对相位中心改正是假设AOAD/M_T型天线相位中心偏差为零,采用室外短基线方法获得,不能用于精确的长基线解算,并且不能在接收机天线倾斜的情况下使用。此外,相对相位中心改正值受测站点多路径效应的影响较大,并且每颗卫星各自的系统差也不能得到校正[2]。
鉴于此,1994年Schupler等提出使用天线绝对相位中心偏差改正,早期的绝对相位中心测定方法是在无回音室中测量参考天线的绝对相位中心偏差,大约存在15ppb的误差[3]。1999年Mader分析了BLOCK II/IIA天线相位中心改正的有效性,说明相位中心真实位置比使用位置在信号传播路径上离地球要近70cm,但无法计算PCV值[4]。2003年Schmid和Rothacher估计了与高度角相关的卫星PCV值[5],2005年Schmid估计了与方位角相关的PCV值[6]。国内,2009年朱智勤,李征航等分析了相位中心改正模式的转变对GPS定位结果的影响,高程方向差异明显[7]。2010年杨凯等研究了绝对相位中心转变后,对流层天顶方向延迟的变化,约为几个毫米[8]。2011年张小红等分析了绝对相位中心改正对精密单点定位结果的影响,各参数精度提升显著[9]。接收机绝对相位中心改正值可以通过两种方法获得,一是微波暗室校准,二是自动机器人校准,两种方法的差值为1mm; 卫星天线绝对相位中心改正值需要对全球GPS跟踪站的测量数据进行分析,估算卫星天线绝对相位中心改正值[10]。本文分析了GPS天线相位中心改正对定位参数的影响,为北斗卫星天线相位中心的获取和定位分析提供一个参考。
1 天线相位中心偏差对观测值的影响
卫星天线相位中心与质量中心的差值 ( PCO)为卫星天线相位中心在星固系下的坐标,Z轴指向地心,Y轴为太阳至卫星方向和卫星至地心方向的叉乘,X轴与Y、Z轴组成右手系。在实际定位中,Z方向偏差对伪距和相位观测值的影响最大,如图1所示。
图1中,a为地球半径,R为卫星到地心距离,r为卫星到接收机距离,b为卫星到接收机方向和卫星到地心方向的夹角,dz为卫星天线相位中心z方向偏移值,dr为dz引起的在r方向的偏差:
dn为dz引起的在其它两个方向偏差的矢量和:
在相对定位中卫星天线相位中心偏移引起的距离变化量为:
由于GPS卫星轨道比地球半径大得多,即使卫星处于水平方向时b最大值也只为14°,所以相对定位基本上消除了天线相位中心偏移带来的误差。
2 天线相位中心改正计算方法
2. 1天线相位中心偏移 ( PCO)
定位中,需要计算地心惯性坐标系中下天线相位中心偏移值。首先获取太阳中心在地心惯性系中的坐标,计算星固系到地心惯性系的旋转矩阵,然后将卫星天线相位中心偏移改正至惯性系中[11]。
式中,ΔRSAT为卫星质量中心到相位中心的改正值; sat_ scf 2crs为3×3维旋转矩阵; ( ΔXSATΔYSATΔZSAT) 为卫星相位中心相对与质量中心的偏移量;ΔrSta2Sat为距离改正量; sta2sat为接收机至卫星方向单位向量。
2. 2天线相位中心变化量 ( PCV)
天线相位中心不是一个物理点,是通过求取不同方向球形波的圆心,拟合出平均相位中心位置,对应于平均相位中心球体与实际球体在不同方向的差值为PCV值,如图2所示[12]。
PCV值与高度角和方位角相关,随方位角的变化量可以通过X、Y方向的PCO值获得,如图3( a) 所示,Δxy( α) 为与方位角相关的改正量。
式 ( 6) 中,α为卫星天线至接收机方向的方位角,Δx、Δy为卫星天线相位中心X、Y方向的偏移值,αΔ为改正后卫星天线相位中心至原始相位中心方向的方位角。
与高度角相关的偏移量可以通过Z方向的PCO值和卫星最低点角z0计算求得,如图3 ( b) 所示,Δ0( z0) 为与高度角相关的改正量。
z0与卫星高度角el的关系为:
式 ( 8) 中,R为地球半径,r为卫星至地球质量中心的距离,Δr为Z方向引起的距离变化量。当接收机的观测天顶角在0 ~ 90°变化时,对应的卫星天线最低点角z0在0 ~ 14. 28°之间变化。
3 天线相位中心偏差对精密单点定位结果影响
为了说明天线相位中心PCO值和PCV值对精密单点定位结果的影响,采用六种方案进行计算分析。1考虑卫星和接收机PCO及PCV改正,PCV同时考虑方位角和高度角; 2在1的基础上不考虑方位角带来的PCV变化; 3在1的基础上不考虑卫星PCO改正; 4在1的基础上不考虑卫星PCV改正; 5在1的基础上不考虑接收机PCO改正; 6在1的基础上不考虑PCV改正。实验数据采用8个IGS站2012年300天至306天7天的数据,使用自行编制的精密单点定位软件。
图4为CAS1站7天结果的平均值,图左边为方案2至6相对于方案1定位结果的差值,图右边为注释及精度统计。对8个IGS站7天数据进行统计分析,如表1所示。
可以看出,考虑方位角和高度角计算PCV与仅考虑高度角计算,定位结果差值约为1mm; 卫星PCO值对定位结果影响较大,平面约为1cm,高程为5 ~ 10cm; 卫星PCV值对定位结果的影响为几个毫米; 接收机PCO值对定位结果的影响对平面影响较小,对高程影响几个厘米; 接收机PCV值对定位结果影响同样重要,对平面结果影响为毫米级,对高程影响同样可达几个厘米。
4 结论
GNSS中所采用的力学模型是基于天线质量中心,而GNSS观测值是基于天线相位中心,本文分析了卫星PCO、PCV值和接收机PCO、PCV值对精密单点定位精度的影响,并计算改正天线相位中心和不改正天线相位中心对接收机钟差和对流层天顶方向延迟的影响,得出一些结论:
( 1) 同时估计方位角和高度角计算PCV改正与只考虑高度角计算PCV改正对最终静态定位结果影响很小,仅为1 ~ 2mm;
( 2) PCO改正对定位精度影响较大,卫星PCO在高程方向可引起5 ~ 10cm误差,接收机PCO在高程方向也可引起几厘米的误差;
( 3) 卫星PCV对定位结果影响较小,为几个毫米,接收机PCV影响较大,在高程方向也可带来几个厘米的误差。
摘要：天线相位中心位置不准确使得单站精密定位精度较差,导致通过GNSS方法建立的ITRF框架和其它方法 (VLBI、SLR)建立起的ITRF框架之间存在一定的不符。本文分析卫星、接收机天线相位中心改正(PCO)和相位中心偏差(PCV)对精密单点定位结果的影响,结果表明卫星天线PCO值对平面精度影响较小,约为1~2cm,对高程精度影响较大,可达5~10cm;卫星天线PCV值对定位精度影响约为几个毫米;接收机天线相位中心影响随天线类型变化,PCO值对平面精度的影响很小,对高程精度的影响可达几个厘米,PCV值对高程精度影响同样也可达到几个厘米;考虑方位角及高度角计算天线PCV改正与仅考虑高度角计算,定位结果的差值为毫米级。
定位参数 篇5
强迫振荡理论对一些实际发生的低频振荡事件有较好的解释, 越来越受到国内外专家学者的认同。此类理论认为:当系统受到持续周期性功率扰动的频率接近系统功率振荡的固有频率时, 会引起大幅度的功率振荡[1,2]。近年来, 专家学者们从不同角度研究了电网强迫功率振荡的特征。例如:文献[3]从能量角度分析电力系统强迫振荡稳态阶段能量转换关系和特征;文献[4]采用复模态叠加方法推导了多机电力系统强迫振荡的稳态响应特征等。
对于扰动源的性质及引起强迫振荡的原因也做了大量研究:文献[5-6]分别以汽轮机和锅炉扰动为扰动源, 分析引发强迫功率振荡的原因;文献[7]分析了水轮机尾水管压力脉动引起的电网低频振荡;文献[8]研究了由风力发电引起的电力系统强迫功率振荡;文献[9]分析了周期性负荷扰动引发强迫功率振荡的机理;文献[10]通过对电力系统强迫功率振荡扰动源的对比分析, 指出相同幅值和频率情况下, 原动机功率扰动比负荷扰动所引起的电网功率振荡幅值更大;文献[11]采用能量函数方法, 在强迫振荡的稳态阶段进行扰动源定位;文献[12-13]通过对小电厂非同期并网引起的区域间低频振荡实际案例的机理分析, 提出准确判断扰动源位置对抑制由强迫振荡引发的电网低频振荡具有重要意义。
在实际电网运行中, 由强迫振荡产生的低频振荡, 其扰动源位置很难被及时发现和判断。近年来, 国内广域测量系统 (WAMS) 的广泛建设和应用为扰动源分析与判断带来了有效的技术手段。本文基于对WAMS实测数据的参数识别, 研究适合于在线分析的强迫振荡的扰动源定位方法, 为电网运行中快速抑制振荡和防止振荡传播提供参考。
1 强迫振荡的能量函数
1.1 强迫振荡的能量转换
对于单机无穷大系统, 发电机采用二阶经典模型, 小扰动情况下线性化转子运动方程为:
式中:M为机组惯性常数;D为发电机阻尼系数;ΔPm为扰动功率变化量;ΔPe为电功率变化量;Δδ为转子角偏移;Δω为转速变化量;ω0=2πf0, f0为基准频率。
对式 (1) 进行初积分, 可得系统的能量函数为:
即
式中:VKE为动能函数;VPE为势能函数;VM为外施扰动能量函数;VD为阻尼耗散能量函数。
在强迫振荡的稳态阶段, 扰动频率与系统固有频率近似相等, 此时外施扰动做功与系统阻尼耗散能量相等 (VM≈-VD) , 系统的动能与势能完全转换 (VKE≈-VPE) , 系统表现为无阻尼自由振荡, 这就是共振情况下能量转换的特点[3]。
1.2 电网支路的势能函数
在多机系统中由外施扰动引发的强迫功率振荡所产生的能量, 只有通过扰动源所在的机组才能注入系统, 而被系统中各网络元件的阻尼所消耗, 因此通过扰动源所在机组的势能变化与其他机组不同的特点, 就可以找到扰动源[11]。由于外施扰动做功注入系统的能量通过势能在网络中传播, 并且系统中任一节点的势能守恒, 即流入节点的势能之和等于流出节点的势能, 发电机的势能可以用与其相连的支路势能表示。系统中支路Li-j的节点i侧势能函数为:
式中:ΔPij为支路Li-j的电功率变化量;Δδi为节点i侧的相角偏移;Δωi为节点i侧的角频率变化量。
2 强迫功率振荡扰动源定位方法
2.1 强迫振荡的稳态阶段扰动源定位方法
在强迫振荡的稳态阶段, 各状态量都以扰动频率周期性变化, 设ΔPij=ΔPmijcos (ωt+φ1) , Δωi=Δωmicos (ωt+φ2) , 其中ΔPmij和Δωmi分别为支路功率和频率的变化幅度;φ1和φ2分别为支路功率和频率变化的初相位;ω为扰动频率。代入式 (4) 可得:
令
即有
可以看到势能函数是由一条幅值为a, 周期为2ω, 初相角为φ1+φ2的正弦曲线和一条斜率为b的直线叠加而成。由外施扰动注入系统并在网络中传播消耗的能量主要由非周期分量体现。定义势能流出节点为正、流入节点为负。由于c为不随时间变化的初始常数, 因此, 通过斜率b即可判断支路势能的方向, 当b>0时势能趋势为流出节点, 当b<0时势能趋势为流入节点。
根据式 (7) , 由于b的正负主要由cos (φ1-φ2) 决定, 因此振荡主导模式下电功率和频率变化量的初相位差决定了势能的流动方向;而b的大小还与ΔPmij和Δωmi有关, 通过对这些参数的辨识即可判断出支路势能的大小, 并进而确定扰动源可能存在的位置。本文定义b为“能流方向因子”。
本文提出的基于参数辨识能流方向因子的方法, 与传统方法相比, 能够减少周期性扰动分量和初始常数对支路势能流动方向判断的影响, 准确性更好, 并且减少了积分环节、简化了计算过程。
2.2 强迫振荡瞬态阶段的参数辨识
由于上述结论建立在共振稳态阶段, 而在电网实际运行过程中判断何时处于稳态振荡阶段比较困难, 并且振荡瞬态阶段, 即振幅振荡阶段可能持续时间较长, 若等系统进入稳态振荡阶段则会延长故障判断的时间。因此, 如果能够在强迫振荡瞬态阶段实现扰动源位置判断, 则对缩短故障排查时间和防止振荡扩散具有重要意义。
根据强迫振荡理论, 单机无穷大系统受持续周期性扰动ΔPm=P0cosωt, 转子运动方程的解为:
式中:Δδ1和Δδ2分别为方程的通解和特解, 在振荡中表征为系统的自由振荡分量和强迫振荡分量;ξ为阻尼比;ωn为系统固有振荡频率;;A0, φ0, Ar, φr为由初始条件决定的积分常数。
由式 (10) 可知, 在振荡的瞬态阶段, 自由振荡分量Δδ1和强迫振荡分量Δδ2同时存在;然而, 在足够长的时间以后, 由于系统阻尼的存在, 自由振荡将逐渐消失, 只存在强迫振荡, 它将以频率ω无衰减地持续振荡, 即进入稳态振荡阶段。因此, 在强迫振荡的瞬态阶段中包含了稳态阶段的相关信息, 理论上可通过参数辨识得到相关数据, 并采用与稳态阶段同样的方法来确定扰动源位置。
基于电网WAMS量测判断低频振荡事件, 需要满足振荡幅值及持续时间的要求, 因此发出告警的量测量实际上是振荡幅度较大并具有一定持续时间的量测量。此时部分自由振荡分量已经衰减, 强迫振荡分量较易识别, 利用Prony方法对基于WAMS量测判断的低频振荡数据进行分析, 辨识和提取主导频率模式下稳态振荡阶段的相关参数, 同样可以通过式 (7) 求解b值来确定振荡源的位置。
3 实例分析
文献[12]记录了一次豫西小电厂由110kV非同期并网引起的华中电网低频振荡事件。并网前小电厂与华中主网均正常运行, 并网后河南、湖南、湖北等省随即显示有100~300 MW的功率振荡, 稳态振荡频率在0.62Hz左右, 属于区域间振荡模式。振荡持续时间近2 min, 运行人员断开电厂与系统的连接后, 华中各省的功率振荡随之平息。
湖北JL换流站的振荡 (波形见附录A图A1) 在经过约40s的瞬态增幅振荡阶段后, 进入稳态阶段, 振荡的衰减阶段时间非常短。根据振荡特征分析, 此次振荡属于强迫功率振荡。由于振荡波及范围较广, 因此在运行过程中难以及时、准确地判断扰动源位置及故障原因。本文根据WAMS测录数据, 采用参数辨识方法识别瞬态阶段和稳态阶段的相关数据, 判断扰动源大致位置。受相量测量单元 (PMU) 布点限制, 对于没有装设PMU的区域虽不能直接对扰动源定位, 但能够快速确定扰动源所在的区域。
3.1 省间断面数据分析
首先, 通过省间联络线量测数据判断扰动源所在省份。分别对稳态阶段和暂态阶段的有功功率和频率变化量进行Prony分析, 提取主导频率模式下的相关数据, 根据式 (7) 求解b值。
1) 稳态阶段参数辨识及计算情况
分别取豫鄂断面XS-1线 (湖北侧) 、鄂赣断面CN-1线 (湖北侧) 、鄂湘断面JF-1线 (湖北侧) 和鄂渝断面WL-1线 (重庆侧) , 稳态阶段10s (约为开始振荡后45~55s) 数据进行参数辨识和b值计算, 结果如表1所示。
如表1所示, 根据b值计算结果:豫鄂断面b为负值, 即势能从河南流入湖北;鄂赣断面b为正值, 即势能从湖北流入江西;鄂湘断面b为正值, 即势能从湖北流入湖南;鄂渝断面b为负值, 即势能从湖北流入重庆。因此, 可以判断扰动源在河南境内。
2) 瞬态阶段参数辨识及计算情况
对上述省间断面振荡瞬态阶段10s (约为开始振荡后10~20s) 数据进行分析, 参数辨识及计算结果如表2所示。
由表2可见, b值符号结果与表1完全一致, 同样可判断扰动源在河南境内。
3.2 省内扰动源位置判断
由于华中电网PMU布点尚不能覆盖所有电厂和变电站, 根据地理位置和WAMS数据采集情况, 选择500kV XS变电站进行分析。如图1所示, XS变电站位于豫南地区, 通过JX-1和JX-2两回线与豫西相连, 通过XZ线与豫中相连, 通过BX线连接豫鄂断面上的BH变电站。对XS变电站500kV线路分析, 可以初步确定振荡所在的区域。
1) 稳态阶段参数辨识及计算情况
在振荡稳态阶段取10s (约为开始振荡后45~55s) 数据进行分析, 参数辨识及计算结果如表3所示。
根据表3计算结果, XZ线和BX线b为正值, 即势能从XS变电站分别流向ZZ变电站和BH变电站。JX-1和JX-2两回线路b为负值, 且绝对值较大, 即势能从JH变电站流入XS变电站。因此, 扰动源位于JH变电站所在的豫西地区, 分析结果与实际情况吻合。
2) 瞬态阶段参数辨识及计算情况
在增幅振荡阶段取10s (约为开始振荡后10~20s) 数据进行分析, 参数辨识及计算结果如表4所示。
由表4的分析结果可知, 扰动源位于豫西地区, 与稳态阶段分析结论一致。可见, 在振荡瞬态阶段通过参数辨识的方法提取扰动特征能够取得与稳态阶段相同的判断结果, 并且在瞬态阶段判断能够更早发现扰动源的位置。在大电网长过程振荡中, 电网运行受多方面因素影响, 势能流动方向可能不会始终保持一致, 尽早发现扰动源所在区域对故障排查及防止振荡扩散具有实际意义。
3.3 扰动源定位方法的动态检验
为进一步验证扰动源定位方法的有效性, 采用Microsoft Visual C++开发了电力系统强迫功率振荡扰动源定位分析软件, 基于参数辨识的方法, 实时求解能流方向因子, 全过程动态展现振荡能量的流动及分布情况。
由于能流方向因子不受积分初值的影响, 可以以任意振荡时刻作为起点, 在对华中电网实际低频振荡事件复现分析中, 时间窗口设为10s, 每3s平滑一次, 动态复现振荡过程。复现结果显示, 振荡过程中根据省间断面的能流方向因子判断, 振荡能量始终从河南流向湖北, 再由湖北流向相邻省份。从省内情况分析, 由于振荡模式属于区域间振荡, 因此, 其影响范围广, 持续时间较长, 其间引起了河南、湖南等省部分相关机组参与, 使部分电厂出线的能流方向因子发生大小及方向的变化, 但整个系统振荡能量流向趋势稳定, 始终以豫西地区流出为主, 直至扰动源被切除。整个复现计算过程中程序运行稳定, 进一步验证了理论方法的正确性, 并且计算速度能够适应电网实时计算的需要。
4 结语
本文提出的基于WAMS量测数据参数辨识的扰动源定位方法, 能够对强迫功率振荡的扰动源位置进行快速判断, 计算方法简便, 能够适应电网在线计算的要求。对于WAMS没有完全覆盖的区域间振荡, 能够准确判断振荡源在区域内还是区域外;对于WAMS完全覆盖的区域则能够直接判断扰动源位置。该方法在振荡瞬态阶段即可开始进行扰动源位置判断, 对缩短故障排查时间、快速抑制振荡、防止振荡扩散引起连锁故障具有实际意义。
摘要：基于对广域测量系统量测数据参数的辨识, 提出一种实现电网强迫功率振荡扰动源位置判断的方法。根据强迫振荡的能量函数, 推导出基于参数辨识的扰动源定位方法, 并根据理论分析指出该方法能够适用于振荡的稳态和瞬态阶段。通过对实际振荡案例分析, 验证了所述方法的正确性和可行性。理论和实际分析结果表明, 该方法能够快速判断强迫功率振荡扰动源的位置, 易于实现在线计算。
定位参数 篇6
无线传感器网络定位算法可分为:基于距离的定位算法和距离无关的定位算法[1]。基于距离的定位算法需要测量节点之间的距离或者角度信息,其中最常用的是RSSI(Received Signal Strength Indicator),接收信号强度指示方法,通过测量节点间的信号强度,并由数学模型计算出距离,因此不需要增加任何额外的硬件设备。
利用TI公司的CC2431芯片构建无线传感器网络(WSN)定位系统是目前较为优秀的解决方案[2,3]。CC2431芯片在CC2430芯片的基础上,增加了基于RSSI技术的定位引擎。根据定位参数、未知节点接收到已知参考节点的信号强度及已知节点的位置,CC2431节点可以计算出自己的位置。
CC2431的定位引擎为硬件结构,消耗非常少的CPU资源,计算速度也非常快,在典型应用中可以实现3~5米的定位精度和0.5米的分辨率,这已经可以满足一般应用。实验表明CC2431定位系统的精度与其输入参数A、n及参考节点数目有关[2,4],并且参数选择不好很难达到TI公布的精度值。目前基于CC2431的定位应用,都是采用TI提供的Z-Location Engine上位机软件,在软件里手动设置A、n参数值,目前并未发现有对此参数进行优化的文章发表。另外在CC2431芯片上运行改进定位算法的方法提高其定位精度必然会增加节点的耗电,对于以低功耗为特点的无线传感器网络节点来说研究意义大于实用价值。
本文采用遗传算法[5,6]在线调整定位系统中被定位节点的输入参数,仅在初始应用环境设定时对参数进行在线调整,待得到最优参数以后除非应用环境发生改变,否则不需要再进行调整,且复杂算法在PC端运行,节点的耗电较小,这对低功耗要求的无线传感器网络节点来说非常重要。
1 CC2431定位系统
CC2431组成的无线定位网络中,包括参考节点(位置已知)、盲节点(位置未知)以及网关节点(网络协调)。参考节点的物理位置确定且不变,而盲节点位置未知并且位置可能变化。定位系统中参考节点可以用CC2430或者CCS431芯片实现,而盲节点必须用CC2431芯片实现。盲节点接收参考节点的信号强度和位置信息,根据输入参数由RSSI定位引擎计算出自己的位置坐标。
1.1 定位引擎定位过程[2]
盲节点首先读取所有参考节点的坐标(X、Y)值,然后读取其它标准参数(A值、N值、RSSI值)。其中:
· A值为距离发射机1m远的RSSI绝对值。如果接收到的信号强度为-40dBm,则A的值要设定为40。此参数的取值范围是[30.0,50.0],取值精度为0.5。A用无符号定点数给出,最低位为小数位,其余为整数位。
· n值为路径损失指数,它指出了信号强度随收发器距离增加而衰减的速率。实际写入的n值是通过查表得到的整数索引值n_index,如表1所示。如果测量到的n值为2.98,则按最接近的有效值3.00取n_index为13,作为参数发送给盲节点。
· RSSI 值为盲节点接收到参考节点的信号强度,单位dBm 。盲节点广播发送串ID 0x0019到参考节点后,参考节点收集和盲节点间的信号强度值,多次收集后求出平均值发送给盲节点。
盲节点把所有必要的参数读取后,就开始定位计算,然后输出自身坐标,整个流程如图1所示。
1.2 CC2431定位系统优化思路
无线信号在传播时,由于多种因素影响,信号强度会随其传播距离的增加而衰减。这表明,信号强度变化与传播距离间存在某种函数关系。CC2431利用输入的A、n值参数建立数学模型,得到其与参考节点的RSSI值后就可以计算出与参考节点的距离,而后计算出自身位置。
在实际应用系统中, A值和n值一般根据经验在取值范围内确定,例如:A值取30~50,n值取0~31。由A、n的物理意义可知,其取值应该根据不同应用环境做不同的调整,完全按照经验取值难以达到理想的精度和分辨率。
本文的思路是在定位系统中除了参考节点外,再设置一个参数寻优节点,如图2所示,这里假定参数寻优节点周围n米区域内应用环境相同。参数寻优节点的位置也固定,并且记录下其真实的坐标。优化时对参数寻优节点输入不同的A、n后可得到其不同的自定位坐标结果,这个结果必然与其真实坐标有一定的误差d。这里我们可以把A、n作为CC2431定位数学模型的自变量,通过遗传算法寻优最佳的A、n取值,使误差d最小。这个最佳的参数就可以作为参数寻优节点周围区域内的网络最优参数。
2 基于自适应遗传算法定位参数寻优
对于CC2431构建的无线传感器网络定位系统来说,虽然通过枚举也可能得到最优参数解,但是枚举法求解效率低,并且会极大增加参数寻优节点的计算和通信量,参数寻优节点的能量会很快耗尽而有可能得不到最优解。这对于某些应用来说是不可行的,比如在矿井定位应用中,如果矿井发生坍塌事故,定位环境发生巨大改变,定位参数就需要进行调整,这时就需要在寻优节点能量未耗尽前得到网络的最优参数。遗传算法具有自组织、自适应和自学习性,并且按照并行方式搜索,可以快速收敛找到最优解。遗传算法在PC上执行不增加参数寻优节点的耗电,见图2,参数寻优节点仅在遗传算法寻优迭代过程中进行少量次数自定位,通信和计算量都不大,仅需消耗较少能量就可以得到最优参数。
2.1 初始编码和初始种群
根据参数A值的取值范围30~50,精度0.5确定A的二进制编码为7位,其中最后一位是1表示0.5,最后一位是0表示0。
根据参数n值的取值范围0~31,精度1确定n的二进制编码为5位。
将A、n统一编码,共计12位。
初始种群随机生成,数量20。
2.2 适应度函数设计
根据问题设计适应度函数为:
其中(a,b)为参数寻优节点的真实坐标,由度量工具测量得到。(x,y)为参数寻优节点得到输入参数进行自定位的结果坐标值。
适应度函数是一个最大值问题,当适应度函数得到最大值时,即参数寻优节点得到的自定位坐标误差最小。
适应度的计算(如图3所示)需要图1所示的无线传感器网络定位过程配合使用。遗传算法把每次产生的种群个体发往CC2431构成的参数寻优节点,通过图1的定位过程返回定位结果坐标(x,y),并用这个坐标计算个体适应度。
2.3 自适应交叉概率、变异概率[7,8]
遗传算法中交叉概率Pc和变异概率Pm的选择是影响算法性能的关键。Pc越大,产生新个体的速度越快,但如果Pc过大,遗传模式被破坏的可能性也大,使得具有高适应度的个体结构很快被破坏,如果Pc过小,搜索会停滞不前。Pm过大那么遗传算法就变成纯粹的随机搜索,如果过小就不易产生新的个体结构。自适应遗传算法就是让Pc、Pm可以随适应度自动改变。经过改进后的Pc、Pm计算表达式如下:
其中:
fmax-群体中最大的适应度值;
favg-每代群体的平均适应度值;
f ′-要交叉的两个个体中较大适应度值;
f-要变异个体的适应度值。
取0.9,Pc2取0.6,Pm1取0.1,Pm2取0.001。
3 实验测试结果
为完成实验,我们制作了一整套开发、实验设备。如图4(a)所示为CC2430/CC2431仿真器,采用USB接口,可以对CC2430/CC2431在线仿真,并可以结合CC2430模块和上位机软件做无线数据分析仪用。图4(b)为网关节点,采用了USB转串口芯片,便于在室外实验时与笔记本电脑链接,并且由USB提供电源。图4(c)为CC2430参考节点和CC2431盲节点,采用两节7号电池供电。上位机采用VC++结合Matlab的遗传算法工具箱编制。
在空旷的球场进行实验、测试,参考节点为3-8个。参考节点间距离20米,参数寻优节点放置在参考节点围成的区域质心附近,记录下这些节点的真实坐标。分别开启3-8个参考节点,进行实验。
实验表明遗传算法的效率非常高,在10次迭代内即可收敛于最优解,相对于枚举法性能大大提高了,如果根据经验进一步缩小解的搜索范围,迭代次数还可以降低。
实验发现参考节点的数量及网络参数是否优化对定位精度影响很大,如图5所示为开启3-8个参考节点时参数优化前后的精度对比。其中未优化的结果是30组使用随机参数时计算的平均精度。
可以看出,在节点数量比较少的情况下,本文提供的方法可以有效降低定位误差。在参考节点数量增加到8个时,采用优化参数的定位结果已经达到比较理想的精度。
4 结束语
CC2431的RSSI定位引擎是一个通用模型,这就意味着对于不同的应用环境,其输入参数需要做相应调整才能达到理想的效果。本文的思想在于先以点概面,用一个点的参数作为和此点同环境下的其它点的参数,而后利用遗传算法求得点的最优参数。实际应用中往往需要对定位区域做一定的划分,使不同环境区域得到其最优的定位参数,从而尽量发挥全网的定位性能。
参考文献
[1]孙利民,李建中,陈渝登.无线传感器网络[M].北京:清华大学出版社,2005.
[2]CC2431 PRELIMINARY Data Sheet.Rev 1.01,2006.
[3]CC2430 PRELIMINARY Data Sheet.Rev 1.03,2005.
[4]李文仲,段朝玉,等.ZigBee2006无线网络与无线定位实战[M].北京:北京航空航天大学出版社,2008.
[5]Rudolph G.Convergence Analysis of Genetic algorithms.IEEE Trans.On Neural network.1994,5(1):96-101.
[6]Srinivas M,Patnaik L M.Adaptive Probabilities of Crossover and Muta-tions in Gas.IEEE Trans.On SMC,1994,24(4):656-667.
[7]王小平,曹立明.遗传算法-理论、应用与软件实现[M].西安:西安交通大学出版社,2004.
