CN113887141A - 一种基于联邦学习的微电网群运行策略进化方法 - Google Patents
一种基于联邦学习的微电网群运行策略进化方法 Download PDFInfo
- Publication number
- CN113887141A CN113887141A CN202111199048.6A CN202111199048A CN113887141A CN 113887141 A CN113887141 A CN 113887141A CN 202111199048 A CN202111199048 A CN 202111199048A CN 113887141 A CN113887141 A CN 113887141A
- Authority
- CN
- China
- Prior art keywords
- micro
- microgrid
- data
- output
- grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013486 operation strategy Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000005538 encapsulation Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 230000002452 interceptive effect Effects 0.000 claims abstract description 16
- 238000004806 packaging method and process Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- -1 periodo Chemical group 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000002921 genetic algorithm search Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于联邦学习的微电网群运行策略进化方法，包括步骤1：各个微电网依据本地历史数据，基于深度学习方法构建等值封装模型，并上传云端；步骤2：云端根据各微电网等值封装模型进行汇集，并采用遗传算法搜索更优运行策略进行记录；步骤3：云端进一步基于纵向联邦学习方法对遗传算法搜索记录的更优运行策略进行学习训练，并下发更新后的模型至各个微电网，实现各微电网互动运行策略的更新进化。本发明相比物理机理模型驱动的传统方法，可以在不需要获悉各微电网内部参数数据的情形下，实现各微电网互动运行策略的自学习，同时也可根据外部条件的变化而自适应调整进化，此外也无须汇集大量数据于微电网群的后台能量管理中心。
Description
技术领域
本发明属于微电网群能量管理领域，具体涉及一种基于联邦学习的微电网群运行策略进化方法。
背景技术
随着我国分布式能源的迅猛发展和微电网技术的逐渐成熟，在可再生能源资源丰富的地区，微电网的发展已开始由单一微电网模式向微电网群的发展模式转变，目前国内外已有大量智能微电网群示范工程开始涌现。通过微电网群的互联互动和集成聚合运行，不仅可充分发挥多微电网时空资源互补特性，提升分布式电源利用率，同时也可以通过功率的互济互通，提高配电系统运行可靠性。因此，如何合理优化微电网群的运行迅速成为了国内外智能配电领域关注的热点和焦点。
目前针对微电网群的互动优化运行，国内外研究多采用集中式优化或者合作博弈的建模方式，如专利CN 201410045929.6“一种低压微电网群的自主与协调控制系统”提出了含设备层、网控层和群控层的微电网群三级控制结构，通过指令的分解协调来保障多微电网之间及其与上级群控中心之间的协同运行；专利CN201510572736.0“基于多代理的微电网群接入配电网智能控制方法”提出了基于多代理的微电网群接入配电网智能控制方法，通过配电网-微电网群-子微电网-分布式能源的多级分层架构来确保上级控制指令的准确执行以及微电网群间的协调；专利CN202110318725.5“一种冷热电联供微电网群系统博弈优化方法”搭建了微电网和配电网的合作博弈模型，确认合作博弈交易规则，并利用Shapley值法将微电网群合作产生的剩余价值进行分配，降低合作联盟整体的运行成本；但总体来看这些方法的求解均是建立在对各微网内部参数信息完全掌握的前提下，而伴随着微电网主体利益的多元化，大量信息孤岛的出现以及用户隐私性需求的增强，各微电网内部参数信息往往难以被获取和共享，使得现有基于完备信息的协同运行方案将难以继续适用。此外，现有集中式优化及合作博弈的运行方式均需汇集大量数据于能量管理中心后台进行分析计算，这对微电网群运行管理的后台系统建设也将是巨大的投资和压力。
针对上述集中控制模式下微电网群协同运行所存在的问题，也有相关研究开始探索并提出了微电网群分布式优化或非合作博弈等协同运行方式，如专利CN201610157983.9“一种微电网群的功率预测方法和系统”提出了基于智能体节点一致性理论的微电网群总需求功率短期预测方法和相应的运行调度技术；专利CN201810175641.9“一种基于神经网络的集散式微电网群能量调度方法”提出构建了多代理架构和相应的分布式控制方法来管理多个分散的微电网；这些方法虽从一定程度缓解了集中管控的压力及对各微电网内部模型参数的依赖，但其优化运行模式仍需对微电网群分布式优化模型进行大量重复求解，同时在面对复杂多变的运行场景时还缺乏自适应决策进化能力，除此之外，可再生能源和负荷的随机预测误差还将导致决策策略的分化及与最优解的逐渐偏离，影响微电网群系统运行的经济性和可靠性。因此迫切需要提出更加高效的微电网群智能优化运行技术，以促进微电网群更加合理健康的发展。
发明内容
为克服现有技术的缺点，本发明提出一种基于联邦学习的微电网群运行策略进化方法，通过微电网本地运行优化模型的封装和云端的联合汇集训练，可在保证各微电网本地参数数据不公开的前提下，获取一个共享的机器学习模型来指导各微电网运行策略的进化；通过该种方式不仅能够保护各微电网本地参数数据的隐私，同时也能避免大量数据在后台的汇集，此外还具有时变环境下的自适应进化能力，有效规避对各微电网运行优化模型的繁复求解和调用，提高微电网群的协同互动运行能力和运行鲁棒性。
本发明技术解决方案：一种基于联邦学习的微电网群运行策略的进化方法。首先各个微电网根据本地历史数据，基于深度学习构建等值封装模型并上传云端；然后云端根据各微电网等值封装模型，采用遗传算法搜索更优运行策略并记录；最后云端基于纵向联邦学习对搜索到的更优运行策略进行学习训练，并将训练更新后的深度网络模型下发至各个微电网，实现各微电网运行策略的自学习更新和进化。相比物理机理模型驱动的传统方法，本发明可以在不需要各微电网内部参数数据的情形下，实现各微电网互动运行策略的自进化，同时还可以根据外部条件的变化而自适应调整，具有更好的适应能力和鲁棒性。
本发明具体主要包括以下步骤：
(1)各个微电网根据自身本地的历史运行数据，使用深度学习的方法构建等值封装模型，并上传至云端，为微电网群间的互动运行策略联合训练做准备；
(2)云端根据各个微电网的等值封装模型，汇集组成联合模型，并使用遗传算法进行更优互动运行策略的搜索与记录；
(3)云端根据积累到的微电网群间的更优互动运行策略，基于联邦纵向学习进行共享模型的训练，并将训练好的纵向联邦学习共享模型的相应子模块，分发给对应的微电网，实现微电网群互动运行策略的更新进化。
进一步的，所述步骤(1)具体包括以下步骤：
步骤(1-1)：确定深度学习网络封装模型的输入变量和输出变量，其中输入变量选择风电、光伏等不可控的分布式可再生能源的出力，微燃机、燃料电池、储能装置等可控的分布式能源的出力以及微电网内部的负荷功率；输出变量选择各微电网的运行成本、各微电网与外部电网的交易电价和交易电量；
步骤(1-2)：统计各个微电网本地的历史运行数据，对其进行数据标幺化，并划分训练集与测试集；
式中，D表示历史运行数据组成的数据集；X表示一组所有变量构成的列向量，d表示第d天，M表示总共的天数；t表示一天中的第t个时段，N通常取24，表示一天24个时段；Du表示标幺化后的历史数据；min(·)表示取最小值函数，max(·)表示取最大值函数；
表示标幺化后从历史数据中取出的训练集，
表示标幺化后从历史数据中取出的测试集，ε表示训练集占总数据集的比例；
步骤(1-3)：采用长短期记忆神经网络对训练集数据进行学习训练，获取各微电网的等值深度学习网络封装模型；
式中，xt代表第t个时段从训练数据集中取出的数据集合；ht-1代表第t个时段之前累积；ft代表当前迭代第t个时段对应的遗忘门输出，wf和bf为遗忘层中各神经元的权值系数和偏置系数，σ(·)代表s型曲线函数，it代表第t个时段输入层的输出，wi和bi为输入层中各神经元的权值系数和偏置系数，
代表第t个时段卷积层的预估输出，wc和bc为卷积层中各神经元的权值系数和偏置系数，tanh(·)代表双曲正切函数，ct代表当第t个时段卷积层的实际输出，ot代表第t个时段输出层输出，wo和bo为输出层中各神经元的权值系数和偏置系数，ht代表当第t个时段实际输出；
步骤(1-4)：使用测试集对深度学习网络封装模型进行测试，采用均方根误差进行效果评估。满足要求后，将模型上传至云端；
式中，RMSE表示模型预测值与真实值的均方根误差，xtest表示测试集中网络的输入变量，ytest表示测试集中网络的输出变量，net表示训练好的神经网络函数。
进一步的，所述步骤(2)具体包括以下步骤：
步骤(2-1)：将各个微电网上传的等值封装模型组成联合模型，求出策略优化的主目标总运行成本：
call＝∑ci (4)
式中，call表示微电网群中所有微电网的总运行成，ci表示第i个微电网的运行成本；
步骤(2-2)：依据光照、风速等气象数据的概率分布和微电网群本地负荷数据的概率分布，通过拉丁方抽样的方法生成大量的模拟数据样本：
x＝F-1((1/N)rn+(k-1)/N) (5)
式中，x表示第k次拉丁方抽样得到的数据样本，F-1为相应数据概率分布函数，N为拉丁方抽样的总样规模，rn代表服从均匀分布的0到1之间的随机数，k为拉丁方抽样的次序编号；
步骤(2-3)：使用遗传算法以联合模型输出的总运行成本为目标函数，通过最小化目标函数来得到优化策略：
p*＝argmin(call(p，s)) (6)
式中，p*表示智能算法在状态s下得到的优化策略，argmin(·)表示智能算法；call是策略p和状态s的函数，基于联合模型得到；策略p表示可控的变量，如：可控机组的出力；状态s表示不可控的变量，如：风电和光伏机组的出力、负荷的出力；
步骤(2-4)：将特定状态下得到优化策略以及特定状态本身作为一个样本进行记录，积累足够多的样本并记录：
式中，Dp表示积累足够多样本形成的数据集，i表示样本序号，P表示积累的样本的总数量。
进一步的，所述步骤(3)具体包括以下步骤：
步骤(3-1)：确定纵向联邦学习模型的输入变量与输出变量，输入变量选择状态变量，输出变量选择策略变量，建立状态变量到策略变量之间的映射：
p＝federal_net(s) (8)
式中，federal_net表示联邦学习网络，策略p和状态s在网络训练时从数据集Dp中获得；
步骤(3-2)：对于云端纵向联邦学习的数据进行预处理，主要包括：数据标幺化、训练集与测试集分割、客户端及云端的网络分割；
式中，j表示微电网的序号；hj表示第j个微电网通过自己的本地网络net_local_j(·)得到输出值，net_cloud(·)是总网络federal_net的隐含层的值；H表示所有微电网的隐含层值的汇总；P表示隐含层值H通过云端网络net_cloud(·)得到所有微电网的策略值；
步骤(3-3)：开展云端联邦学习网络的训练及分发，采用深度学习的方法训练云端联邦学习网络，并将net_local_j(·)分发给对应的微电网j，net_cloud(·)留在云端。
本发明与现有技术相比的优点在于：
(1)本发明可以在不需要各微电网内部参数数据的情形下，实现各微电网互动运行策略的自进化学习和改进；
(2)本发明相比物理机理模型驱动的传统方法，可以根据外部条件的变化而自适应调整，具有更好的适应能力和鲁棒性。
附图说明
图1为微电网群以及微电网的结构示意图；
图2为基于联邦学习的微电网群运行策略进化方法流程图。
具体实施方式
下面结合附图对本发明提出的基于联邦学习的微电网群策略进化方法进行详细说明。本说明书中的具体实施方式仅为了详细解释发明，并非为了限定本发明。
图1给出了微电网群以及微电网的结构示意图。
微电网群包含多个微电网，每个微电网内部包含风电机组、光伏发电机组、微燃机、燃料电池等分布式发电机组，以及储能系统和负荷。微电网群内的微电网之间可以进行基于电价的功率交换，以便于促进可再生能源消纳、维持功率平衡以及提高经济效益。由于微电网群内，各个微电网的配置不同，负荷特性不同，运行特性也不同，因此，存在一定的功率互补关系，通过微电网之间的电力交易可以发挥微电网之间的功率互补特性。
本发明的实施流程如图2所示，具体包括以下步骤：
(1)各个微电网根据自身本地的历史运行数据，使用深度学习的方法构建等值封装模型，并上传至云端，为微电网群间的互动运行策略联合训练做准备；
(2)云端根据各个微电网的等值封装模型，汇集组成联合模型，并使用遗传算法进行更优互动运行策略的搜索与记录；
(3)云端根据积累到的微电网群间的更优互动运行策略，基于联邦纵向学习进行共享模型的训练，并将训练好的纵向联邦学习共享模型的相应子模块，分发给对应的微电网，实现微电网群互动运行策略的更新进化。
所述步骤(1)中，具体包括以下步骤：
步骤(1-1)：确定深度学习网络封装模型的输入变量和输出变量，其中输入变量选择风电、光伏等不可控的分布式可再生能源的出力，微燃机、燃料电池、储能装置等可控的分布式能源的出力以及微电网内部的负荷功率；输出变量选择各微电网的运行成本、各微电网与外部电网的交易电价和交易电量；
步骤(1-2)：统计各个微电网本地的历史运行数据，对其进行数据标幺化，并划分训练集与测试集；
式中，D表示历史运行数据组成的数据集；X表示一组所有变量构成的列向量，d表示第d天，M表示总共的天数；t表示一天中的第t个时段，N通常为24，表示一天24个时段；Du表示标幺化后的历史数据；min(·)表示取最小值函数，max(·)表示取最大值函数；
表示标幺化后从历史数据中取出的训练集，
表示标幺化后从历史数据中取出的测试集，ε表示训练集占总数据集的比例；
步骤(1-3)：采用长短期记忆神经网络对训练集数据进行学习训练，获取各微电网的等值深度学习网络封装模型；
式中，xt代表第t个时段从训练数据集中取出的数据集合；ht-1代表第t个时段之前累积；ft代表当前迭代第t个时段对应的遗忘门输出，wf和bf为遗忘层中各神经元的权值系数和偏置系数，σ(·)代表s型曲线函数，it代表第t个时段输入层的输出，wi和bi为输入层中各神经元的权值系数和偏置系数
代表第t个时段卷积层的预估输出，wc和bc为卷积层中各神经元的权值系数和偏置系数，tanh(·)代表双曲正切函数，ct代表当第t个时段卷积层的实际输出，ot代表第t个时段输出层输出，wo和bo为输出层中各神经元的权值系数和偏置系数，ht代表当第t个时段实际输出；
步骤(1-4)：使用测试集对深度学习网络封装模型进行测试，采用均方根误差进行效果评估。满足要求后，将模型上传至云端；
式中，RMSE表示模型预测值与真实值的均方根误差，xtest表示测试集中网络的输入变量，ytest表示测试集中网络的输出变量，net表示训练好的神经网络函数。
所述步骤(2)具体包括以下步骤：
步骤(2-1)：将各个微电网上传的等值封装模型组成联合模型，求出策略优化的主目标总运行成本：
call＝∑ci (4)
式中，call表示微电网群中所有微电网的总运行成，ci表示第i个微电网的运行成本；
步骤(2-2)：依据光照、风速等气象数据的概率分布和微电网群本地负荷数据的概率分布，通过拉丁方抽样的方法生成大量的模拟数据样本：
x＝F-1((1/N)rn+(k-1)/N) (5)
式中，x表示第k次拉丁方抽样得到的数据样本，F-1为相应数据概率分布函数，N为拉丁方抽样的总样规模，rn代表服从均匀分布的0到1之间的随机数，k为拉丁方抽样的次序编号；
步骤(2-3)：使用遗传算法以联合模型输出的总运行成本为目标函数，通过最小化目标函数来得到优化策略：
p*＝argmin(call(p，s)) (6)
式中，p*表示智能算法在状态s下得到的优化策略，argmin(·)表示智能算法；call是策略p和状态s的函数，基于联合模型得到；策略p表示可控的变量，如：可控机组的出力；状态s表示不可控的变量，如：风电和光伏机组的出力、负荷的出力；
步骤(2-4)：将特定状态下得到优化策略以及特定状态本身作为一个样本进行记录，积累足够多的样本并记录：
式中，Dp表示积累足够多样本形成的数据集，i表示样本序号，P表示积累的样本的总数量。
所述步骤(3)具体包括以下步骤：
步骤(3-1)：确定纵向联邦学习模型的输入变量与输出变量，输入变量选择状态变量，输出变量选择策略变量，建立状态变量到策略变量之间的映射：
p＝federal_net(s) (8)
式中，federal_net表示联邦学习网络，策略p和状态s在网络训练时从数据集Dp中获得；
步骤(3-2)：对于云端纵向联邦学习的数据进行预处理，主要包括：数据标幺化、训练集与测试集分割、客户端及云端的网络分割；
式中，j表示微电网的序号；hj表示第j个微电网通过自己的本地网络net_local_j(·)得到输出值，net_cloud(·)是总网络federal_net的隐含层的值；H表示所有微电网的隐含层值的汇总；P表示隐含层值H通过云端网络net_cloud(·)得到所有微电网的策略值；
步骤(3-3)：开展云端联邦学习网络的训练及分发，采用深度学习的方法训练云端联邦学习网络，并将net_local_j(·)分发给对应的微电网j，net_cloud(·)留在云端。
以上实施方式仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (8)
1.一种基于联邦学习的微电网群运行策略进化方法，其特征在于，所述的微电网群运行策略的进化方法包括如下步骤：
步骤(1)：各个微电网根据自身本地的历史运行数据，使用深度学习的方法构建等值封装模型，并上传至云端，为微电网群间的互动运行策略联合训练做准备；
步骤(2)：云端根据各个微电网的等值封装模型，汇集组成联合模型，并使用遗传算法进行更优互动运行策略的搜索与记录；
步骤(3)：云端根据积累到的微电网群间的更优互动运行策略，基于联邦纵向学习进行共享模型的训练，并将训练好的纵向联邦学习共享模型的相应子模块，分发给对应的微电网，实现微电网群互动运行策略的更新进化。
2.如权利要求1所述的一种基于联邦学习的微电网群运行策略进化方法，其特征在于，步骤(1)中的等值封装模型为等值深度学习网络封装模型，且步骤(1)包括以下步骤：
步骤(1-1)：确定等值深度学习网络封装模型的输入变量和输出变量，其中输入变量包括不可控的分布式可再生能源的出力、可控的分布式能源的出力以及微电网内部的负荷功率；输出变量选择各微电网的运行成本、各微电网与外部电网的交易电价和交易电量；
步骤(1-2)：统计各个微电网本地的历史运行数据，对这些数据进行标幺化处理，并划分训练集与测试集；
上式中，D表示历史运行数据组成的数据集；X表示一组所有变量构成的列向量，d表示第d天，M表示总共的天数；t表示一天中的第t个时段，N为一天中的时段总量；Du表示标幺化后的历史数据；min(·)表示取最小值函数，max(·)表示取最大值函数；
表示标幺化后从历史数据中取出的训练集，
表示标幺化后从历史数据中取出的测试集，ε表示训练集占总数据集的比例；
步骤(1-3)：采用长短期记忆神经网络对训练集数据进行学习训练，获取各微电网的等值深度学习网络封装模型；
上式中，xt代表第t个时段从训练数据集中取出的数据集合；ht-1代表第t个时段之前累积；ft代表当前迭代第t个时段对应的遗忘门输出，wf和bf为遗忘层中各神经元的权值系数和偏置系数，σ(·)代表s型曲线函数，it代表第t个时段输入层的输出，wi和bi为输入层中各神经元的权值系数和偏置系数，
代表第t个时段卷积层的预估输出，wc和bc为卷积层中各神经元的权值系数和偏置系数，tanh(·)代表双曲正切函数，ct代表当第t个时段卷积层的实际输出，ot代表第t个时段输出层输出，wo和bo为输出层中各神经元的权值系数和偏置系数，ht代表当第t个时段实际输出；
步骤(1-4)：使用测试集对等值深度学习网络封装模型进行测试，采用均方根误差进行效果评估，满足要求后，将模型上传至云端；
上式中，RMSE表示模型预测值与真实值的均方根误差，xtest表示测试集中网络的输入变量，ytest表示测试集中网络的输出变量，net表示训练好的神经网络函数。
3.如权利要求1所述的一种基于联邦学习的微电网群运行策略进化方法，其特征在于，步骤(2)包括以下步骤：
步骤(2-1)：将各个微电网上传的等值封装模型组成联合模型，求出策略优化的主目标总运行成本：
call＝∑ci (4)
式中，call表示微电网群中所有微电网的总运行成，ci表示第i个微电网的运行成本；
步骤(2-2)：依据气象数据的概率分布和微电网群本地负荷数据的概率分布，通过拉丁方抽样的方法生成大量的模拟数据样本：
x＝F-1((1/N)rn+(k-1)/N) (5)
上式中，x表示第k次拉丁方抽样得到的数据样本，F-1为相应数据概率分布函数，N为拉丁方抽样的总样规模，rn代表服从均匀分布的0到1之间的随机数，k为拉丁方抽样的次序编号；
步骤(2-3)：使用遗传算法以联合模型输出的总运行成本为目标函数，通过最小化目标函数来得到优化策略：
p*＝argmin(call(p，s)) (6)
上式中，p*表示智能算法在状态s下得到的优化策略，argmin(·)表示智能算法；call是策略p和状态s的函数，基于联合模型得到；策略p表示可控的变量；状态s表示不可控的变量；
步骤(2-4)：将特定状态下得到优化策略以及特定状态本身作为一个样本进行记录，积累足够多的样本并记录：
上式中，Dp表示积累足够多样本形成的数据集，i表示样本序号，P表示积累的样本的总数量。
4.如权利要求1所述的一种基于联邦学习的微电网群运行策略进化方法，其特征在于，步骤(3)包括以下步骤：
步骤(3-1)：确定纵向联邦学习共享模型的输入变量与输出变量，输入变量选择状态变量，输出变量选择策略变量，建立状态变量到策略变量之间的映射：
p＝federal_net(s) (8)
上式中，federal_net表示联邦学习网络，策略p和状态s在网络训练时从数据集Dp中获得；
步骤(3-2)：对于云端纵向联邦学习的数据进行预处理，主要包括：数据标幺化、训练集与测试集分割、客户端及云端的网络分割；
式中，j表示微电网的序号；hj表示第j个微电网通过自己的本地网络net_local_j(·)得到输出值，net_cloud(·)是总网络federal_net的隐含层的值；H表示所有微电网的隐含层值的汇总；P表示隐含层值H通过云端网络net_cloud(·)得到所有微电网的策略值；
步骤(3-3)：开展云端联邦学习网络的训练及分发，采用深度学习的方法训练云端联邦学习网络，并将net_local_j(·)分发给对应的微电网j，net_cloud(·)留在云端。
5.如权利要求2所述的一种基于联邦学习的微电网群运行策略进化方法，其特征在于，
步骤(1-1)中，所述不可控的分布式可再生能源包括风电、光伏；所述可控的分布式能源来自微燃机或燃料电池。
6.如权利要求2所述的一种基于联邦学习的微电网群运行策略进化方法，其特征在于，
步骤(1-2)中，所述N为24，表示一天24个时段。
7.如权利要求3所述的一种基于联邦学习的微电网群运行策略进化方法，其特征在于，
步骤(2-2)中，所述气象数据包括光照、风速。
8.如权利要求3所述的一种基于联邦学习的微电网群运行策略进化方法，其特征在于，
步骤(2-3)中，所述可控的变量为可控机组的出力；所述不可控的变量包括风电和光伏机组的出力、负荷的出力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111199048.6A CN113887141A (zh) | 2021-10-14 | 2021-10-14 | 一种基于联邦学习的微电网群运行策略进化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111199048.6A CN113887141A (zh) | 2021-10-14 | 2021-10-14 | 一种基于联邦学习的微电网群运行策略进化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887141A true CN113887141A (zh) | 2022-01-04 |
Family
ID=79002830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111199048.6A Pending CN113887141A (zh) | 2021-10-14 | 2021-10-14 | 一种基于联邦学习的微电网群运行策略进化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887141A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118641A (zh) * | 2022-01-29 | 2022-03-01 | 华控清交信息科技(北京)有限公司 | 风电场功率预测方法、gbdt模型纵向训练方法及装置 |
| CN114938372A (zh) * | 2022-05-20 | 2022-08-23 | 天津大学 | 一种基于联邦学习的微网群请求动态迁移调度方法及装置 |
| CN117350410A (zh) * | 2023-12-06 | 2024-01-05 | 中国科学院电工研究所 | 基于多智能体联邦强化学习的微网群协同运行优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
| CN112232714A (zh) * | 2020-11-18 | 2021-01-15 | 中国科学院电工研究所 | 一种基于深度学习的结构参数不完备下配电网风险评估方法 |
-
2021
- 2021-10-14 CN CN202111199048.6A patent/CN113887141A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
| CN112232714A (zh) * | 2020-11-18 | 2021-01-15 | 中国科学院电工研究所 | 一种基于深度学习的结构参数不完备下配电网风险评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| HAO XIAO等: "Interaction Characteristics Modeling of Microgrid Clusters Based on Federated Learning", 《2023 IEEE/IAS INDUSTRIAL AND COMMERCIAL POWER SYSTEM ASIA（I&CPS ASIA）》, 9 July 2023 (2023-07-09) * |
| 周毅斌: "基于纵向联邦学习的微电网群协同优化运行与策略进化", 《电力系统自动化》, vol. 47, no. 11, 10 March 2023 (2023-03-10), pages 121 - 132 * |
| 谢丰;卞建玲;王楠;郑倩;: "联邦学习在泛在电力物联网人工智能领域的应用", 中国高新科技, no. 23, 1 December 2019 (2019-12-01) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118641A (zh) * | 2022-01-29 | 2022-03-01 | 华控清交信息科技(北京)有限公司 | 风电场功率预测方法、gbdt模型纵向训练方法及装置 |
| CN114938372A (zh) * | 2022-05-20 | 2022-08-23 | 天津大学 | 一种基于联邦学习的微网群请求动态迁移调度方法及装置 |
| CN114938372B (zh) * | 2022-05-20 | 2023-04-18 | 天津大学 | 一种基于联邦学习的微网群请求动态迁移调度方法及装置 |
| CN117350410A (zh) * | 2023-12-06 | 2024-01-05 | 中国科学院电工研究所 | 基于多智能体联邦强化学习的微网群协同运行优化方法 |
| CN117350410B (zh) * | 2023-12-06 | 2024-02-20 | 中国科学院电工研究所 | 基于多智能体联邦强化学习的微网群协同运行优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
| Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
| Yang et al. | Hybrid policy-based reinforcement learning of adaptive energy management for the Energy transmission-constrained island group | |
| An et al. | Short-term wind power prediction based on particle swarm optimization-extreme learning machine model combined with AdaBoost algorithm | |
| CN113887141A (zh) | 一种基于联邦学习的微电网群运行策略进化方法 | |
| CN111401664A (zh) | 一种综合能源系统鲁棒优化调度方法及装置 | |
| CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
| CN114123273A (zh) | 一种风电-光伏-储能联合系统的控制方法及系统 | |
| Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANFIS approach | |
| CN117172097A (zh) | 基于云边协同与多智能体深度学习的配电网调度运行方法 | |
| Eseye et al. | A double-stage hierarchical ANFIS model for short-term wind power prediction | |
| Ma et al. | Very short-term renewable energy power prediction using XGBoost optimized by TPE algorithm | |
| CN117973644A (zh) | 一种考虑参考电站优化的分布式光伏功率虚拟采集方法 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| Tong et al. | An intelligent scheduling control method for smart grid based on deep learning | |
| Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
| CN117893043A (zh) | 一种基于ddpg算法和深度学习模型的水电站负荷分配方法 | |
| CN116957262A (zh) | 一种基于三进程耦合的园区综合能源系统的优化调度方法 | |
| Niu et al. | A novel social-environmental-economic dispatch model for thermal/wind power generation and application | |
| Cao et al. | A short-term electric load forecasting method based on improved VMD-LSSVR considering comprehensive energy correlation | |
| Dou et al. | An overview of short-term load forecasting based on characteristic enterprises | |
| Wang et al. | Design and Research of Smart Grid Based on Artificial Intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |