【技术实现步骤摘要】
一种基于联邦学习的微电网群运行策略进化方法
[0001]本专利技术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。
技术介绍
[0002]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。
[0003]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...
【技术保护点】
【技术特征摘要】
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；D
u
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，x
t
代表第t个时段从训练数据集中取出的数据集合；h
t
‑1代表第t个时段之前累积；f
t
代表当前迭代第t个时段对应的遗忘门输出，w
f
和b
f
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，i
t
代表第t个时段输入层的输出，w
i
和b
i
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，w
c
和b
c
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，c
t
代表当第t个时段卷积层的实际输出，o
t
代表第t个时段输出层输出，w
o
和b
o
为输出层中各神经元的权值系数和偏置系
数，h
t
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，x
test
表示测试集中网络的输入变量，y
test
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：c
all
＝∑c
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，c
all
表示...
【专利技术属性】
技术研发人员：肖浩，裴玮，周毅斌，浦骁威，孔力，
申请(专利权)人：中国科学院电工研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。