Exploiting the increasingly wide use of Light-emitting Diode (LED) lighting, in this paper, we study the problem of using visible LED lights for accurate localization. The basic idea is to leverage the existing lighting infrastructure and apply trilateration to localize any devices with light sensing capability (e.g., a smartphone), using LED lamps as anchors. Through the design of Epsilon, we identify and tackle several technique challenges. In particular, we establish and experimentally verify the optical channel model for localization. We adopt BFSK and channel hopping to enable reliable location beaconing from multiple, uncoordinated light sources over the shared optical medium. We handle realistic situations towards robust localization, for example, we exploit user involvement to resolve the ambiguity in case of insufficient LED anchors. We have implemented the Epsilon system and evaluated it with a small scale hardware testbed as well as moderate-size simulations. Experimental results confirmed the effectiveness of Epsilon: the 90th percentile accuracies are 0.4m, 0.7m and 0.8m for three typical office environments. Even in the extreme situation with a single light, the 90th percentile accuracy is 1.1m. We believe that visible light based localization is promising to significantly improve the positioning accuracy, despite few open problems in practice.

In this paper, we look at making backscatter practical for ultra-low power on-body sensors by leveraging radios on existing smartphones and wearables (e.g. WiFi and Bluetooth). The difficulty lies in the fact that in order to extract the weak backscattered signal, the system needs to deal with self-interference from the wireless carrier (WiFi or Bluetooth) without relying on built-in capability to cancel or reject the carrier interference.

Modern mobile networks are facing unprecedented growth in demand due to a new class of traffic from Internet of Things (IoT) devices such as smart wearables and autonomous cars. Future networks must schedule delay-tolerant software updates, data backup, and other transfers from IoT devices while maintaining strict service guarantees for conventional real-time applications such as voice-calling and video. This problem is extremely challenging because conventional traffic is highly dynamic across space and time, so its performance is significantly impacted if all IoT traffic is scheduled immediately when it originates. In this paper, we present a reinforcement learning (RL) based scheduler that can dynamically adapt to traffic variation, and to various reward functions set by network operators, to optimally schedule IoT traffic. Using 4 weeks of real network data from downtown Melbourne, Australia spanning diverse traffic patterns, we demonstrate that our RL scheduler can enable mobile networks to carry 14.7% more data with minimal impact on existing traffic, and outpeforms heuristic schedulers by more than 2x. Our work is a valuable step towards designing autonomous, "self-driving" networks that learn to manage themselves from past data.

In order to enhance the support capability of photovoltaic inverters for new energy microgrid systems, grid-forming control technology has attracted widespread attention, with Virtual Synchronous Generator (VSG) emerging as a research frontier. This paper integrates hybrid energy storage systems with photovoltaic generation to provide stable voltage support and power compensation for the system. In addition, leveraging the variability of the virtual parameters J and D in traditional VSGs, an adaptive grid-forming photovoltaic inverter control strategy based on fuzzy algorithm is proposed. Furthermore, to reduce the frequency deviation caused by load transients during islanding operation, an adaptive droop coefficient based on frequency power limits is introduced. Finally, simulations are conducted under grid-connected and islanded conditions to compare three control methods: fixed parameter control, traditional adaptive control, and the proposed adaptive with fuzzy control. The results demonstrate that integrating adaptive droop coefficients with fuzzy control can effectively improve the frequency stability and dynamic response capability of microgrids.

The small-signal stability of high voltage direct current (HVDC)-connected wind farms (WFs) is a challenging issue in modern power systems. The relative stability, i.e., the stability margin, of such a typical multiple-input multiple-output (MIMO) system is quite difficult to be quantified. This paper evaluates the relative stability of HVDC-connected WFs using a new stability index based on the ν -gap metric. We first develop a MIMO model represented by a transfer function matrix of the HVDC-connected WFs. Then, a new stability index, i.e., the robust stability margin, based on the ν -gap metric is proposed to quantify the relative stability of such a MIMO system. Finally, we propose a method to compute the stable region of control parameters based on the corresponding stability criterion of ν -gap metric. Case studies are given to demonstrate the effectiveness of the proposed method.