ANFIS、区块链技术在电动汽车与农业领域的应用

### ANFIS、区块链技术在电动汽车与农业领域的应用 #### 1. 电动汽车充电控制相关技术 在PID控制器中，使用四个参数sp、si、sd、sg来调整和优化控制器。非线性分类中分数阶控制器的微分方程可定义为： \[x(t) = sp e(t) + si f^{-\beta}_t + sd f^{\gamma}_i e(t) + sg f^{-\alpha}_1\] 连续传递函数为： \[T_b = \frac{Y(s)}{P(s)} = sp + \frac{R_i}{s^{\beta}} + sd R_{\gamma} + R_g s^{-\alpha}\] 采用联邦机器学习方法进行电动汽车充电预测，将电动汽车车队融合，实现电网与自身之间的数据交换，以获取有效的电源。每次电网请求电力时，网络需提供必要的行驶状态。为保障电动汽车的安全，将节点输入哈希函数，形成Merkle Root树结构，该结构在区块链技术中提高了内存和计算效率。 Merkle树有两个关键元素，一个是哈希运算符，另一个是赋值运算符ϕ，它将节点集映射到字符串集：\(h(m)\) - 长度\(m \to \phi(m) \in \{0, 1\}^k\)。对于任何内部节点\(m_{parent}\)的两个子节点\(m_{left}\)和\(m_{right}\)，赋值\(\phi\)需满足\(\phi(m_{parent}) = hash(\phi(m_{left}) \parallel \phi(m_{right}))\)，哈希运算符通常选用如SHA - 1这样的单向函数。 #### 2. 文献综述 过往研究主要聚焦于传统的最优方法。有研究提出了用于电力管理的集成系统AEBIS，能精确估计电力消耗，有效提供多余电力。AI集成芯片可确保高效性能。通过联邦学习方法引入了多种车辆充电算法，同时区块链技术的引入保障了充电服务的安全性和透明度。 #### 3. 高峰时段电动汽车充电的ANFIS建模与分析 ANFIS结合了模糊控制器和神经网络，使控制器具备自调整和自适应两种智能技术。将这两种方法结合，能在质量和数量上都有良好的感知。获取的数据用于修改ANFIS模型中的参数，采用Takagi - Sugeno - Kang结构进行训练和修改标准神经网络。为简化，做如下假设： - 模型有三个输入\(x_1\)、\(x_2\)、\(x_3\)和一个输出\(z\)。 - 有三条规则\(R_1\)、\(R_2\)和\(R_3\)： - \(R_1\)：若\(x_1\)是\(A_1\)且\(y_1\)是\(B_1\)，则\(f_{x1} = a_1 x_1 + b_1 y_1 + s_1\) - \(R_2\)：若\(x_2\)是\(A_2\)且\(y_2\)是\(B_2\)，则\(f_{x2} = a_2 x_2 + b_2 y_2 + s_2\) - \(R_3\)：若\(x_3\)是\(A_3\)且\(y_3\)是\(B_3\)，则\(f_{x3} = a_3 x_3 + b_3 y_3 + s_3\) 隶属函数隐含高斯分布，因为阈值并非均匀分布，且每个电动汽车充电点都有根据负载和位置拟合计算出的独立负载曲线。隶属函数通过以下方面体现模糊逻辑： 1. 电动汽车的充电状态。 2. 电网的离散负载曲线。 3. 用于能源生产的光伏面板。 当充电状态较低且负载曲线较小时，使用便携式光伏板为电动汽车充电更可取，充电点的节点权重更高。通过模糊逻辑收集数据，形成多个部分真理，并将其聚合为超过特定阈值的更高真理。 为避免可再生能源产生的过多能量损坏电网设备，可将电动汽车的多余能量存储在电网或家庭的存储系统中。成员达成共识，选择合适的节点生成区块，并在所有节点间传输交易，这对于在高电力需求时决定是否为电动汽车充电至关重要，可降低电网过剩风险。 通过计算局部梯度： \[\Delta g_i^w \leftarrow \frac{\delta e(w_i)}{\delta w_i}\] 将ANFIS系统的函数上传、验证并添加到区块链网络。对于每辆电动汽车，输出函数是对电力消耗的预测。基于Sugeno模糊推理系统建立了IF - THEN规则形式的模糊规则库。在展示训练数据以拟合模型参数时，输出用于预测未知数据，以减少测试集误差。为确保预测的电力消耗准确，聚合器在初始化前需等待收集局部模型\(r = 0\)，并在上述ANFIS系统中训练模型。绘制散点图和趋势曲线，消除虚假相关性。 使用Python的skfuzzy模块创建模糊逻辑，并训练值以集成到FGPA芯片中。允许平均权重较大的电动汽车充电。从充电状态中获取下一轮序列的模糊权重，若权重高于阈值，则该电动汽车可充电，因为电网中每个节