CN116757875B - 源荷储多孪生体协同互动方法、装置、设备及存储介质 - Google Patents
源荷储多孪生体协同互动方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116757875B CN116757875B CN202311041855.4A CN202311041855A CN116757875B CN 116757875 B CN116757875 B CN 116757875B CN 202311041855 A CN202311041855 A CN 202311041855A CN 116757875 B CN116757875 B CN 116757875B
- Authority
- CN
- China
- Prior art keywords
- twin
- source
- storage
- preset
- model
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 372
- 230000009133 cooperative interaction Effects 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 71
- 240000002853 Nelumbo nucifera Species 0.000 claims description 66
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 66
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 66
- 238000005457 optimization Methods 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 20
- 230000008901 benefit Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 13
- 238000010248 power generation Methods 0.000 claims description 12
- 230000002195 synergetic effect Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000004146 energy storage Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims 2
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力系统技术领域,公开了源荷储多孪生体协同互动方法、装置、设备及存储介质,本发明提供的源荷储多孪生体协同互动方法,基于联邦学习完成源荷储多孪生体协同互动模型的训练,通过源荷储协同互动孪生体,按照博弈均衡机制,构建多孪生体协同互动博弈模型,生成博弈均衡求解结果,用于源荷储多孪生体的协同运行,从而实现源荷储各个主体之间利益的最大化。通过本发明提供的方法降低了源荷储各个主体的运行成本,提高了数据的安全性。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及源荷储多孪生体协同互动方法、装置、设备及存储介质。
背景技术
作为可再生能源就地平衡解决方案的源荷储协同互动场景,其数量与种类日趋增多,与主电网的连接日趋紧密。不同源荷储资源的种类、容量及发电用电特性之间各不相同,给源荷储协同互动策略设计带来了困难。若源荷储各个主体按各自本地控制,由于缺乏对全局内其他主体信息的了解,仅靠网络某层中间变量的一部分,无法逆推得到对方的实时运行数据,存在盲目互动,增加了各自的运行成本及降低了数据安全的问题。
发明内容
有鉴于此,本发明提供了一种源荷储多孪生体协同互动方法、装置、设备及存储介质,以解决源荷储各个主体之间盲目互动、运行成本高及数据安全性低的问题。
第一方面,本发明提供了一种源荷储多孪生体协同互动方法,方法包括:
获取各个源荷储孪生体参数,源荷储孪生体参数包括:孪生体编号、类型、名称及并网点;
根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体;
基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型,多孪生体协同互动博弈模型包含多个独立的源荷储协同互动孪生体博弈模型;
依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。
本发明提供了一种源荷储多孪生体协同互动方法,基于联邦学习完成源荷储多孪生体协同互动模型的训练,通过源荷储协同互动孪生体,按照博弈均衡机制,构建多孪生体协同互动博弈模型,生成博弈均衡求解结果,用于源荷储多孪生体的协同运行,从而实现源荷储各个主体之间利益的最大化,降低了运行成本,提高了数据的安全性。
在一种可选的实施方式中,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型的步骤之后,还包括:
对训练好的源荷储多孪生体协同互动模型进行加密存储,每个源荷储协同互动孪生体下载加密的预设模型文件,并对其进行解密,生成各个源荷储协同互动孪生体共享的源荷储多孪生体协同互动模型。
本发明通过对训练好的源荷储多孪生体协同互动模型进行加密存储,实现源荷储各主体隐私保护下的协同互动模型的建立,从而实现科学、公正、安全地计算博弈均衡求解结果,在隐私保护下实现多主体利益的最大化。
在一种可选的实施方式中,根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,包括:
初始化待训练的联邦学习模型及协同出清电价参数,配置源荷储的预设实时功率、预设功率上限、预设功率下限、预设度电价格及单位预设运维成本;
构建由各个源荷储孪生体组成的源荷储多孪生体协同互动系统,其中,各个源荷储孪生体均参与多孪生体下的利益分配或成本分摊;
预设源荷储孪生体向源荷储多孪生体协同互动系统提交预设请求任务的申请;
源荷储多孪生体协同互动系统根据预设请求任务的申请信息,与系统中各源荷储孪生体的参数进行匹配,生成参与联邦学习的源荷储孪生体集合;
源荷储多孪生体协同互动系统将任务申请转发给参与联邦学习的源荷储孪生体集合中的每个源荷储孪生体;
集合中的源荷储孪生体响应源荷储多孪生体协同互动系统的任务请求,组成联邦学习小组;
根据联邦学习算法,联邦学习小组中的每个源荷储孪生体分别对待训练的联邦学习模型进行训练,当满足第一预设条件,生成训练好的源荷储多孪生体协同互动模型。
本发明基于联邦学习的源荷储多孪生体协同互动模型的建模,实现了源荷储各主体的原始运行数据不出本地,很好的保护了隐私和提高了数据的安全。
在一种可选的实施方式中,源荷储多孪生体协同互动系统根据预设请求任务的申请信息,与系统中各源荷储孪生体的参数进行匹配,生成参与联邦学习的源荷储孪生体集合,包括:
根据预设请求任务的申请信息,计算申请信息的文本特征,并构建向量空间模型,向量空间模型包括申请信息和系统中各个源荷储孪生体参数的向量表示;
计算申请信息向量和系统中各个源荷储孪生体参数向量之间的距离;
当距离满足第二预设条件时,生成参与联邦学习的源荷储孪生体集合。
本发明源荷储多孪生体协同互动系统根据预设请求任务的申请信息,与系统中各源荷储孪生体的参数进行匹配,查询与请求任务相关的源荷储孪生体集合,以实现参与联邦学习的源荷储孪生体选择,从而提高工作效率,降低运行成本。
在一种可选的实施方式中,基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型,包括:
初始化待训练的博弈模型及协同出清电价参数,配置源荷储各单元度电预设价格、单位预设运维成本及协同优化决策预设精度范围;
将博弈前各源荷储孪生体的响应功率作为预设决策变量的初始值;
基于预设约束条件,各源荷储协同互动孪生体根据其当前一轮优化的响应功率,通过粒子群算法生成其下一轮的响应功率,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异均在预设精度范围内,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型。
本发明通过任一源荷储协同互动孪生均不能通过独立改变预设决策策略而获得更多收益,实现源荷储多孪生体的协同运行和利益分配或成本分摊。
在一种可选的实施方式中,在优化过程中,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异不完全在预设精度范围内,根据粒子群算法更新预设决策策略,重新构建多孪生体协同互动博弈模型,直至生成博弈均衡求解结果。
在本发明中,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异不完全在预设精度范围内,则根据粒子群算法更新预设决策策略,重新构建多孪生体协同互动博弈模型,直至生成博弈均衡求解结果,实现源荷储多孪生体的协同运行和利益分配或成本分摊。
在一种可选的实施方式中,在优化过程中,预设约束条件需同时满足以下条件:
预设时刻储能电池的有功出力小于等于其预设额定有功出力;
当前时刻单台风力发电与光伏发电单元出力均小于等于当前时刻的预设出力;
物理互联的源荷储之间的电量传输受联络线路的预设传输能力限制。
在本发明中,预设约束条件根据储能、风力发电和光伏发电、传输线路的物理约束进行选取,从而提高工作效率。
第二方面,本发明提供了一种源荷储多孪生体协同互动装置,装置包括:
获取模块,用于获取各个源荷储孪生体参数,源荷储孪生体参数包括:孪生体编号、类型、名称、并网点、上级线路及上级变电站;
源荷储多孪生体协同互动模型生成模块,用于根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体;
多孪生体协同互动博弈模型生成模块,用于基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,构建多孪生体协同互动博弈模型,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,多孪生体协同互动博弈模型包含多个独立的源荷储协同互动孪生体博弈模型;
协同运行模块,用于依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的源荷储多孪生体协同互动方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的源荷储多孪生体协同互动方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的源荷储多孪生体协同互动方法的流程示意图;
图2是根据本发明实施例的另一源荷储多孪生体协同互动方法的流程示意图;
图3是根据本发明实施例的又一源荷储多孪生体协同互动方法的流程示意图;
图4是根据本发明实施例的源荷储多孪生体协同互动装置的结构框图;
图5是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的主要应用对象为风电、光伏、储能及负荷等分布式源荷储资源系统。该资源包含分布式能源,指将冷/热电系统以小规模、小容量、模块化、分散式的方式直接安装在用户端,可独立地输出冷、热、电能的系统。能源包括太阳能利用、风能利用、燃料电池和燃气冷、热、电三联供等多种形式。该资源中由于源荷储各主体的数量与种类具有不确定性,运行场景复杂多样,如何保证源荷储各主体的协同运行,设计个主体的互动策略是关键。
本发明实施例提供了一种源荷储多孪生体协同互动方法,通过本发明实施例提供的方法实现科学、公正、安全地计算博弈均衡求解结果,在隐私保护下实现多主体利益的最大化。
根据本发明实施例,提供了一种源荷储多孪生体协同互动方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种源荷储多孪生体协同互动方法,可用于上述的用户端,图1是根据本发明实施例的源荷储多孪生体协同互动方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取各个源荷储孪生体参数,源荷储孪生体参数包括:孪生体编号、类型、名称、并网点、上级线路、上级变电站。
在本发明实施例中,预先获取各个源荷储孪生体的参数,源荷储孪生体参数包括:孪生体编号、类型、名称、并网点、上级线路、上级变电站等,上级指的是源荷储所接入的电网的线路和变电站,仅以此举例,不以此为限,在实际应用中根据实际情况获取相应的参数信息。
步骤S102,根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体。
在本发明实施例中,选取预设源荷储孪生体参数的一项或多项作为预设请求任务,例如:在某一条线路内进行协同互动,训练任务选取“上级线路”作为这条线路的源荷储孪生体,对这些源荷储孪生体制订联邦学习模型训练任务。其中,预设源荷储孪生体为源荷储孪生体的某一个孪生体,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体,各参与方建立联邦学习模型时,并不知道其它主体的网络结构和权重参数,仅靠网络某层中间变量的一部分,无法逆推得到对方的实时运行数据,通过源荷储多孪生体协同互动模型的建立,实现原始运行数据不出本地,保护隐私和数据安全。
步骤S103,基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型,多孪生体协同互动博弈模型包含多个独立的源荷储协同互动孪生体博弈模型。
在本发明实施例中,通过多孪生体协同互动博弈模型,充分发挥各孪生体间的互动,提升整体的经济效益和减少各自的运行成本。
步骤S104,依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。
在本发明实施例中,依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。从而实现源荷储各个主体之间利益的最大化,降低了运行成本,提高了数据的安全性。
本实施例提供的源荷储多孪生体协同互动方法,基于联邦学习完成源荷储多孪生体协同互动模型的训练,通过源荷储协同互动孪生体,按照博弈均衡机制,构建多孪生体协同互动博弈模型,生成博弈均衡求解结果,用于源荷储多孪生体的协同运行,从而实现源荷储各个主体之间利益的最大化,降低了运行成本,提高了数据的安全性。
在一些可选的实施方式中,步骤S102之后,还包括:对训练好的源荷储多孪生体协同互动模型进行加密存储,每个源荷储协同互动孪生体下载加密的预设模型文件,并对其进行解密,生成各个源荷储协同互动孪生体共享的源荷储多孪生体协同互动模型。
在本发明实施例中,通过对训练好的源荷储多孪生体协同互动模型进行加密存储,实现源荷储各主体隐私保护下的协同互动模型的建立,从而实现科学、公正、安全地计算博弈均衡求解结果,在隐私保护下实现多主体利益的最大化。
在本实施例中提供了一种源荷储多孪生体协同互动方法,可用于上述的用户端,图2是根据本发明实施例的源荷储多孪生体协同互动方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取各个源荷储孪生体参数,源荷储孪生体参数包括:孪生体编号、类型、名称、并网点、上级线路、上级变电站。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体。
具体地,上述步骤S202包括:
步骤S2021,初始化待训练的联邦学习模型及协同出清电价参数,配置源荷储的预设实时功率、预设功率上限、预设功率下限、预设度电价格及单位预设运维成本。
在本发明实施例中,对待训练的联邦学习模型及协同出清电价参数进行初始化,主要包括:风、光、储能和负荷的预设实时功率、预设功率上限、预设功率下限、预设度电价格及单位预设运维成本。仅以此举例,不以此为限,在实际应用中根据实际条件选取相应的参数进行初始化设置。预设的功率数值在此不作限制。
步骤S2022,构建由各个源荷储孪生体组成的源荷储多孪生体协同互动系统,其中,各个源荷储孪生体均参与多孪生体下的利益分配或成本分摊。
在本发明实施例中,由N个源荷储孪生体组成源荷储多孪生体协同互动系统,每个源荷储孪生体均可参与多孪生体下的利益分配或成本分摊。不同源荷储孪生体间的合作是有限的合作,各源荷储孪生体无法获取其它孪生体的数据,充分保护各孪生体的隐私数据安全。
步骤S2023,预设源荷储孪生体向源荷储多孪生体协同互动系统提交预设请求任务的申请。
在本发明实施例中,预设源荷储孪生体i根据自身参数向源荷储多孪生体协同互动系统提交预设请求任务参与申请。
步骤S2024,源荷储多孪生体协同互动系统根据预设请求任务的申请信息,与系统中各源荷储孪生体的参数进行匹配,生成参与联邦学习的源荷储孪生体集合。
在本发明实施例中,源荷储多孪生体协同互动系统根据任务申请信息,与系统中各源荷储孪生体的参数信息,包括孪生体编号、类型、名称、并网点、上级线路、上级变电站等进行匹配,查询与请求任务相关的源荷储孪生体集合Q={Q 1,Q 2,···,Q n},以实现参与联邦学习的源荷储孪生体的选择,从而生成参与联邦学习的源荷储孪生体集合。
步骤S2025,源荷储多孪生体协同互动系统将任务申请转发给参与联邦学习的源荷储孪生体集合中的每个源荷储孪生体。
在本发明实施例中,源荷储多孪生体协同互动系统将任务请求转发至参与联邦学习的源荷储孪生体集合Q中的每个源荷储孪生体。
步骤S2026,集合中的源荷储孪生体响应源荷储多孪生体协同互动系统的任务请求,组成联邦学习小组。
在本发明实施例中,集合Q中的每个源荷储孪生体响应多孪生体协同互动系统的任务请求,组成联邦学习小组G。
步骤S2027,根据联邦学习算法,联邦学习小组中的每个源荷储孪生体分别对待训练的联邦学习模型进行训练,当满足第一预设条件,生成训练好的源荷储多孪生体协同互动模型。
在本发明实施例中,联邦学习小组G中的每个源荷储孪生体执行联邦学习算法,分别训练同一个机器学习模型,直至该模型完成收敛或达到迭代次数,生成训练好的源荷储多孪生体协同互动模型,根据实际情况进行相应的选取。
在一具体实施例中,小组中的每个孪生体都拥有自己的本地数据集D i,并且不需要发送给其他孪生体。联邦学习的目标是在该小组的所有数据集D={D 1,D 2,...,D n}上训练同一个机器学习模型。实现上述过程,需要在给定的损失函数,找到使模型精度最大的参数w,该目标函数如下:
其中,为源荷储孪生体/>在其数据集/>上的损失函数:
其中,是模型参数w在第j个数据/>上的损失函数值。
上述所提的联邦学习机制的目标可以表示为一个优化问题,对给定损失函数,找到使得模型预测的精度损失最小的参数w,即最小化/>:
其中,w(t)是在第t次迭代中聚合所得的模型参数集,T是最大的迭代次数,w(t)由公式计算所得:
其中,是孪生体/>在第t次迭代中更新的模型参数。
为有效实现最小化损失函数,采用基于梯度下降的方式来最小化目标函数,通过朝目标函数梯度的负方向来更新参数。因此,每个孪生体/>的本地训练过程使用下述公式对参数进行调整,从而找到最优的模型参数,当该模型完成拟合或达到迭代次数,生成训练好的源荷储多孪生体协同互动模型。
在一些可选的实施方式中,上述步骤S2024包括:
步骤a1,根据预设请求任务的申请信息,计算申请信息的文本特征,并构建向量空间模型,向量空间模型包括申请信息和系统中各个源荷储孪生体参数的向量表示。
步骤a2,计算申请信息向量和系统中各个源荷储孪生体参数向量之间的距离。
步骤a3,当距离满足第二预设条件时,生成参与联邦学习的源荷储孪生体集合。
在本发明实施例中,信息匹配方式基于距离的相似度算法来实现,首先根据预设请求任务的申请信息,计算申请信息的文本特征,并构建向量空间模型,其次,计算申请信息向量和系统中各个源荷储孪生体参数向量之间的距离,最后基于计算出的距离,以及选取的相似度阈值,输出与本次任务请求相关的源荷储孪生体集合Q。第二预设条件在此不作限制,根据实际情况进行相应的选取,例如可以选取相应的相似度的阈值,在此不一一举例。
通过提前进行信息匹配生成参与联邦学习的源荷储孪生体集合,从而解决了源荷储各个主体之间的盲目互动。
步骤S203,基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型,多孪生体协同互动博弈模型包含多个独立的源荷储协同互动孪生体博弈模型。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S204,依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。详细请参见图1所示实施例的步骤S104,在此不再赘述。
本实施例提供的源荷储多孪生体协同互动方法,通过基于联邦学习的源荷储多孪生体协同互动模型的建模方法,各参与方建立联邦学习模型时,并不知道其它主体的网络结构和权重参数,仅靠网络某层中间变量的一部分,无法逆推得到对方的实时运行数据,通过源荷储多孪生体协同互动模型的建立,实现原始运行数据不出本地,保护隐私和数据安全。
在本实施例中提供了一种源荷储多孪生体协同互动方法,可用于上述的客户端,图3是根据本发明实施例的源荷储多孪生体协同互动方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取各个源荷储孪生体参数,源荷储孪生体参数包括:孪生体编号、类型、名称、并网点、上级线路、上级变电站。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S302,根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体。详细请参见图2所示实施例的步骤S202,在此不再赘述。
步骤S303,基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型,多孪生体协同互动博弈模型包含多个独立的源荷储协同互动孪生体博弈模型。
具体地,上述步骤S303包括:
步骤S3031,初始化待训练的博弈模型及协同出清电价参数,配置源荷储各单元度电预设价格、单位预设运维成本及协同优化决策预设精度范围。
在本发明实施例中,待训练的博弈模型初始化,主要包括风、光、储和负荷数据输入,初始化协同出清电价参数,配置源荷储各单元的度电价格、单位运维成本,以及协同优化的决策精度范围,在此不作限制,根据实际情况进行相应的设置。
步骤S3032,将博弈前各源荷储孪生体的响应功率作为预设决策变量的初始值。
在本发明实施例中,初始值应在决策变量的策略空间选取,以博弈前各源荷储孪生体的响应功率作为决策变量初始值。
步骤S3032,基于预设约束条件,各源荷储协同互动孪生体根据其当前一轮优化的响应功率,通过粒子群算法生成其下一轮的响应功率,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异均在预设精度范围内,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型。
在本发明实施例中,各博弈参与者独立优化决策过程,各源荷储协同互动孪生体根据其当前一轮优化的响应功率,通过粒子群算法生成其下一轮的响应功率,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异均在预设精度范围内,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型。
其中,博弈均衡求解结果,根据博弈是否到达纳什均衡点,在优化过程中,若不同源荷储孪生体在优化前后的收益差异均在设定的精度范围,即满足优化决策,则博弈达到纳什均衡,源荷储孪生体在现存条件下,任一参与者均不能通过独立改变策略而获得更多收益,即收益达到纳什均衡意义下的最大值。若找到最大值,输出博弈纳什均衡解,即博弈均衡求解结果。
在一些可选的实施方式中,预设约束条件需同时满足以下条件:预设时刻储能电池的有功出力小于等于其预设额定有功出力;当前时刻单台风力发电与光伏发电单元出力均小于等于当前时刻的预设出力;物理互联的源荷储之间的电量传输受联络线路的预设传输能力限制。
在本发明实施例中,预设的约束条件在此不作限制,根据储能、风力发电和光伏发电、传输线路的物理约束进行选取,从而提高工作效率。
在一些可选的实施方式中,在优化过程中,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异不完全在预设精度范围内,根据粒子群算法更新预设决策策略,重新构建多孪生体协同互动博弈模型,直至生成博弈均衡求解结果。
在本发明中实施例中,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异不完全在预设精度范围内,则根据粒子群算法更新预设决策策略,重新构建多孪生体协同互动博弈模型,直至生成博弈均衡求解结果,实现源荷储多孪生体的协同运行和利益分配或成本分摊。
步骤S304,依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。详细请参见图1所示实施例的步骤S104,在此不再赘述。
本实施例提供的源荷储多孪生体协同互动方法,通过任一源荷储协同互动孪生均不能通过独立改变预设决策策略而获得更多收益,实现源荷储多孪生体的协同运行和利益分配或成本分摊。
在本实施例中还提供了一种源荷储多孪生体协同互动装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种源荷储多孪生体协同互动装置,如图4所示,包括:
获取模块401,用于获取各个源荷储孪生体参数,源荷储孪生体参数包括:孪生体编号、类型、名称、并网点、上级线路及上级变电站。
源荷储多孪生体协同互动模型生成模块402,用于根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体。
多孪生体协同互动博弈模型生成模块403,用于基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型,多孪生体协同互动博弈模型包含多个独立的源荷储协同互动孪生体博弈模型。
协同运行模块404,用于依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。
在一些可选的实施方式中,源荷储多孪生体协同互动模型生成模块402包括:
模型初始化单元,用于初始化待训练的联邦学习模型及协同出清电价参数,配置源荷储的预设实时功率、预设功率上限、预设功率下限、预设度电价格及单位预设运维成本。
系统构建单元,用于构建由各个源荷储孪生体组成的源荷储多孪生体协同互动系统,其中,各个源荷储孪生体均参与多孪生体下的利益分配或成本分摊。
任务申请单元,用于预设源荷储孪生体向源荷储多孪生体协同互动系统提交预设请求任务的申请。
参与联邦学习的源荷储孪生体集合生成单元,用于源荷储多孪生体协同互动系统根据预设请求任务的申请信息,与系统中各源荷储孪生体的参数进行匹配,生成参与联邦学习的源荷储孪生体集合。
申请转发单元,用于源荷储多孪生体协同互动系统将任务申请转发给参与联邦学习的源荷储孪生体集合中的每个源荷储孪生体。
联邦学习小组生成单元,用于集合中的源荷储孪生体响应源荷储多孪生体协同互动系统的任务请求,组成联邦学习小组。
源荷储多孪生体协同互动模型训练单元,用于根据联邦学习算法,联邦学习小组中的每个源荷储孪生体分别对待训练的联邦学习模型进行训练,当满足第一预设条件,生成训练好的源荷储多孪生体协同互动模型。
在一些可选的实施方式中,源荷储多孪生体协同互动模型生成模块402还包括:
加密单元,用于对训练好的源荷储多孪生体协同互动模型进行加密存储,每个源荷储协同互动孪生体下载加密的预设模型文件,并对其进行解密,生成各个源荷储协同互动孪生体共享的源荷储多孪生体协同互动模型。
在一些可选的实施方式中,参与联邦学习的源荷储孪生体集合生成单元包括:
向量空间模型构建子单元,用于根据预设请求任务的申请信息,计算申请信息的文本特征,并构建向量空间模型,向量空间模型包括申请信息和系统中各个源荷储孪生体参数的向量表示。
向量计算子单元,用于计算申请信息向量和系统中各个源荷储孪生体参数向量之间的距离。
参与联邦学习的源荷储孪生体集合生成子单元,用于当距离满足第二预设条件时,生成参与联邦学习的源荷储孪生体集合。
在一些可选的实施方式中,多孪生体协同互动博弈模型生成模块403包括:
初始化单元,用于初始化待训练的博弈模型及协同出清电价参数,配置源荷储各单元度电预设价格、单位预设运维成本及协同优化决策预设精度范围。
初始值设定单元,用于将博弈前各源荷储孪生体的响应功率作为预设决策变量的初始值。
孪生体协同互动博弈模型构建单元,用于基于预设约束条件,各源荷储协同互动孪生体根据其当前一轮优化的响应功率,通过粒子群算法生成其下一轮的响应功率,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异均在预设精度范围内,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型。
在一些可选的实施方式中,在孪生体协同互动博弈模型构建单元中,若各个源荷储协同互动孪生体博弈模型优化前后的收益差异不完全在预设精度范围内,根据粒子群算法更新预设决策策略,重新构建多孪生体协同互动博弈模型,直至生成博弈均衡求解结果。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的源荷储多孪生体协同互动装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图4所示的源荷储多孪生体协同互动装置。
请参阅图5,图5是本发明可选实施例提供的一种计算机设备的结构示意图,如图5所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (7)
1.一种源荷储多孪生体协同互动方法,其特征在于,所述方法包括:
获取各个源荷储孪生体参数,所述源荷储孪生体参数包括:孪生体编号、类型、名称及并网点;
根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,所述源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体;
基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型,多孪生体协同互动博弈模型包含多个独立的源荷储协同互动孪生体博弈模型,其中,构建多孪生体协同互动博弈模型的过程包括:
初始化待训练的博弈模型及协同出清电价参数,配置源荷储各单元度电预设价格、单位预设运维成本及协同优化决策预设精度范围;
将博弈前各源荷储孪生体的响应功率作为预设决策变量的初始值;
基于预设约束条件,各源荷储协同互动孪生体根据其当前一轮优化的响应功率,通过粒子群算法生成其下一轮的响应功率,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异均在预设精度范围内,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型;
在优化过程中,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异不完全在预设精度范围内,根据粒子群算法更新预设决策策略,重新构建多孪生体协同互动博弈模型,直至生成博弈均衡求解结果;
在优化过程中,所述预设约束条件需同时满足以下条件:
预设时刻储能电池的有功出力小于等于其预设额定有功出力;
当前时刻单台风力发电与光伏发电单元出力均小于等于当前时刻的预设出力;
物理互联的源荷储之间的电量传输受联络线路的预设传输能力限制;
依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。
2.根据权利要求1所述的方法,其特征在于,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型的步骤之后,还包括:
对训练好的源荷储多孪生体协同互动模型进行加密存储,每个源荷储协同互动孪生体下载加密的预设模型文件,并对其进行解密,生成各个源荷储协同互动孪生体共享的源荷储多孪生体协同互动模型。
3.根据权利要求1所述的方法,其特征在于,根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,包括:
初始化待训练的联邦学习模型及协同出清电价参数,配置源荷储的预设实时功率、预设功率上限、预设功率下限、预设度电价格及单位预设运维成本;
构建由各个源荷储孪生体组成的源荷储多孪生体协同互动系统,其中,各个源荷储孪生体均参与多孪生体下的利益分配或成本分摊;
预设源荷储孪生体向源荷储多孪生体协同互动系统提交预设请求任务的申请;
源荷储多孪生体协同互动系统根据预设请求任务的申请信息,与系统中各源荷储孪生体的参数进行匹配,生成参与联邦学习的源荷储孪生体集合;
源荷储多孪生体协同互动系统将任务申请转发给参与联邦学习的源荷储孪生体集合中的每个源荷储孪生体;
集合中的源荷储孪生体响应源荷储多孪生体协同互动系统的任务请求,组成联邦学习小组;
根据联邦学习算法,联邦学习小组中的每个源荷储孪生体分别对待训练的联邦学习模型进行训练,当满足第一预设条件,生成训练好的源荷储多孪生体协同互动模型。
4.根据权利要求3所述的方法,其特征在于,源荷储多孪生体协同互动系统根据预设请求任务的申请信息,与系统中各源荷储孪生体的参数进行匹配,生成参与联邦学习的源荷储孪生体集合,包括:
根据预设请求任务的申请信息,计算申请信息的文本特征,并构建向量空间模型,所述向量空间模型包括申请信息和系统中各个源荷储孪生体参数的向量表示;
计算申请信息向量和系统中各个源荷储孪生体参数向量之间的距离;
当距离满足第二预设条件时,生成参与联邦学习的源荷储孪生体集合。
5.一种源荷储多孪生体协同互动装置,其特征在于,所述装置包括:
获取模块,用于获取各个源荷储孪生体参数,所述源荷储孪生体参数包括:孪生体编号、类型、名称、并网点、上级线路及上级变电站;
源荷储多孪生体协同互动模型生成模块,用于根据预设源荷储孪生体参数的一项或多项生成预设请求任务,根据预设请求任务,各个源荷储孪生体分别对待训练的联邦学习模型进行训练,生成训练好的源荷储多孪生体协同互动模型,所述源荷储多孪生体协同互动模型包括多个源荷储协同互动孪生体;
多孪生体协同互动博弈模型生成模块,用于基于源荷储协同互动孪生体,结合博弈模型和预设决策策略,根据源荷储孪生体互动过程中的目标函数,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型,多孪生体协同互动博弈模型包含多个独立的源荷储协同互动孪生体博弈模型,其中,构建多孪生体协同互动博弈模型的过程包括:
初始化待训练的博弈模型及协同出清电价参数,配置源荷储各单元度电预设价格、单位预设运维成本及协同优化决策预设精度范围;
将博弈前各源荷储孪生体的响应功率作为预设决策变量的初始值;
基于预设约束条件,各源荷储协同互动孪生体根据其当前一轮优化的响应功率,通过粒子群算法生成其下一轮的响应功率,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异均在预设精度范围内,生成博弈均衡求解结果,完成各个源荷储协同互动孪生体博弈模型的优化,构建多孪生体协同互动博弈模型;
在优化过程中,当各个源荷储协同互动孪生体博弈模型优化前后的收益差异不完全在预设精度范围内,根据粒子群算法更新预设决策策略,重新构建多孪生体协同互动博弈模型,直至生成博弈均衡求解结果;
在优化过程中,所述预设约束条件需同时满足以下条件:
预设时刻储能电池的有功出力小于等于其预设额定有功出力;
当前时刻单台风力发电与光伏发电单元出力均小于等于当前时刻的预设出力;
物理互联的源荷储之间的电量传输受联络线路的预设传输能力限制;
协同运行模块,用于依据博弈均衡求解结果,用于源荷储多孪生体的协同运行。
6.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至4中任一项所述的源荷储多孪生体协同互动方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至4中任一项所述的源荷储多孪生体协同互动方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041855.4A CN116757875B (zh) | 2023-08-18 | 2023-08-18 | 源荷储多孪生体协同互动方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041855.4A CN116757875B (zh) | 2023-08-18 | 2023-08-18 | 源荷储多孪生体协同互动方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757875A CN116757875A (zh) | 2023-09-15 |
CN116757875B true CN116757875B (zh) | 2023-10-24 |
Family
ID=87951857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311041855.4A Active CN116757875B (zh) | 2023-08-18 | 2023-08-18 | 源荷储多孪生体协同互动方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757875B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367109A (zh) * | 2020-09-28 | 2021-02-12 | 西北工业大学 | 空地网络中由数字孪生驱动的联邦学习的激励方法 |
CN114945044A (zh) * | 2022-07-25 | 2022-08-26 | 北京智芯微电子科技有限公司 | 基于联邦学习的数字孪生平台构建方法、装置及设备 |
CN115314343A (zh) * | 2022-08-05 | 2022-11-08 | 国网智能电网研究院有限公司 | 一种源荷储资源聚合控制网关装置及负荷和出力预测方法 |
CN115663832A (zh) * | 2022-10-31 | 2023-01-31 | 国网江苏省电力有限公司经济技术研究院 | 一种多能互补配电系统源网荷储互动博弈运行策略 |
CN115986729A (zh) * | 2022-12-26 | 2023-04-18 | 国网河北省电力有限公司电力科学研究院 | 基于源网荷储数据驱动模型的求解方法、装置以及设备 |
WO2023065552A1 (zh) * | 2021-10-21 | 2023-04-27 | 国网浙江省电力有限公司台州供电公司 | 一种新能源耦合背景下的源网荷储协同调度方法 |
CN116522795A (zh) * | 2023-05-18 | 2023-08-01 | 国网山东综合能源服务有限公司 | 基于数字孪生模型的综合能源系统仿真方法及系统 |
-
2023
- 2023-08-18 CN CN202311041855.4A patent/CN116757875B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367109A (zh) * | 2020-09-28 | 2021-02-12 | 西北工业大学 | 空地网络中由数字孪生驱动的联邦学习的激励方法 |
WO2023065552A1 (zh) * | 2021-10-21 | 2023-04-27 | 国网浙江省电力有限公司台州供电公司 | 一种新能源耦合背景下的源网荷储协同调度方法 |
CN114945044A (zh) * | 2022-07-25 | 2022-08-26 | 北京智芯微电子科技有限公司 | 基于联邦学习的数字孪生平台构建方法、装置及设备 |
CN115314343A (zh) * | 2022-08-05 | 2022-11-08 | 国网智能电网研究院有限公司 | 一种源荷储资源聚合控制网关装置及负荷和出力预测方法 |
CN115663832A (zh) * | 2022-10-31 | 2023-01-31 | 国网江苏省电力有限公司经济技术研究院 | 一种多能互补配电系统源网荷储互动博弈运行策略 |
CN115986729A (zh) * | 2022-12-26 | 2023-04-18 | 国网河北省电力有限公司电力科学研究院 | 基于源网荷储数据驱动模型的求解方法、装置以及设备 |
CN116522795A (zh) * | 2023-05-18 | 2023-08-01 | 国网山东综合能源服务有限公司 | 基于数字孪生模型的综合能源系统仿真方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116757875A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | An efficient peer-to-peer energy-sharing framework for numerous community prosumers | |
Mei et al. | Stochastic optimal operation model for a distributed integrated energy system based on multiple-scenario simulations | |
Hu et al. | Coordinated energy management of prosumers in a distribution system considering network congestion | |
Sokolnikova et al. | Net-zero multi-energy systems for Siberian rural communities: A methodology to size thermal and electric storage units | |
Xie et al. | Two-stage compensation algorithm for dynamic economic dispatching considering copula correlation of multiwind farms generation | |
Zhu et al. | A parallel meta-heuristic method for solving large scale unit commitment considering the integration of new energy sectors | |
An et al. | A distributed and resilient bargaining game for weather-predictive microgrid energy cooperation | |
CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
Hu et al. | A decentralized periodic energy trading framework for pelagic islanded microgrids | |
Ampatzis et al. | Robust optimisation for deciding on real‐time flexibility of storage‐integrated photovoltaic units controlled by intelligent software agents | |
Mamatkulovich et al. | Predicting daily energy production in a blockchain-based P2P energy trading system | |
Ha et al. | Electricity generation cost reduction for hydrothermal systems with the presence of pumped storage hydroelectric plants | |
Ghavidel et al. | Hybrid power plant bidding strategy for voltage stability improvement, electricity market profit maximization, and congestion management | |
Bian et al. | Combined compromise solution and blockchain-based structure for optimal scheduling of renewable-based microgrids: Stochastic information approach | |
CN112084680B (zh) | 一种基于dqn算法的能源互联网优化策略方法 | |
CN116757875B (zh) | 源荷储多孪生体协同互动方法、装置、设备及存储介质 | |
Bernal-Rubiano et al. | Mathematical uncertainty cost functions for controllable photo-voltaic generators considering uniform distributions | |
Lavania et al. | Reducing variation in solar energy supply through frequency domain analysis | |
KR102414702B1 (ko) | 인공지능 기반의 신재생에너지 모니터링 서비스 제공 방법, 장치 및 시스템 | |
CN115907140A (zh) | 电力现货出清方案优化方法、装置、计算机设备和介质 | |
CN113554511A (zh) | 一种基于区块链与粒子群优化的有源配电网电力交易方法 | |
CN115864364A (zh) | 一种用户参与需求响应的运行策略规划方法及装置 | |
CN113554219A (zh) | 一种可再生能源发电站共享储能容量规划方法及装置 | |
Feng et al. | Real‐time active power dispatch of virtual power plant based on distributed model predictive control | |
CN108009665A (zh) | 一种考虑柔性电力负荷的最优潮流优化模型 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |