【技术实现步骤摘要】
本专利技术属于虚拟电厂领域，尤其涉及一种基于数据价值阈值的虚拟电厂并行控制方法。
技术介绍
1、能源数据涉及电力、煤炭、石油等不同领域的数据，普遍存在的问题是能源机构将自身拥有的数据作为战略性资源，企业不愿进行数据共享与交易，能源数据停留在拥有者内部，能源数据的数据共享可具有一定障碍。隐私计算技术为能源数据企业协作开辟了新的模式，相比传统的数据协作方式，隐私计算可以使能源数据可用不可见，在保护数据隐私及安全的同时，为机器学习等数据与知识价值发现创造更好的数据环境。
2、但隐私计算作为一种密码学、数论、博弈论和计算机科学等涉及多学科交叉融合和衍生的方法与技术，在新型电力系统的实际应用中存在一定的困难。
3、在当前新型电力系统的实际应用中，虚拟电厂对规模化分布式资源进行聚合，是提高新型电力系统灵活运行性能与新能源消纳能力的重要技术手段。在配电网络中，由于通信手段的限制，大量的分布式机组聚合到同一虚拟电厂会造成信息拥堵，调控困难等情况，从而虚拟电厂通常以集群形式出现，因此对虚拟电厂集群中各虚拟电厂的并行协调控制是一个需要解决的重要问题，在现有的虚拟电厂的能源调度领域，还没有有效通过隐私计算保护企业数据同时基于虚拟电厂的能源数据做出决策，对虚拟电厂进行调度控制的方法。
技术实现思路
1、鉴于上述的分析，本专利技术旨在提供一种基于数据价值阈值的虚拟电厂并行控制方法，将虚拟电厂并行控制中心作为联邦学习的服务器、将多个虚拟电厂代理商分别作为联邦学习的客户端进行模型迭代训练
2、各所述代理商分别将能源数据作为输入、将相应的灵活性需求作为收敛目标，基于各客户端模型参数初始值进行训练得到各客户端模型参数和预测的灵活性调节能力；
3、各所述代理商将所述预测的灵活性调节能力和所述模型参数上传给所述控制中心；
4、所述控制中心对各所述模型参数进行加权聚合计算得到全局梯度作为新一轮迭代的各客户端模型参数初始值下发给各所述代理商；
5、所述控制中心基于各所述预测的灵活性调节能力和相应的能源数据计算数据资产价值，基于所述数据资产价值和资产价值阈值判断是否满足迭代终止条件，若是，则终止，若否，则重新开始下一轮迭代。
6、进一步的，所述客户端模型采用lstm模型，采用改进的adam算法对所述客户端模型进行训练。
7、进一步的，所述改进的adam算法包括对二阶动量项进行改进，所述对二阶动量项进行改进包括：基于上一轮迭代的二阶动量值、二阶矩估计的指数衰减率、一次动量项和交叉熵梯度值得到改进的二阶动量项，计算方法为：
8、；
9、其中，为第次迭代的改进的二阶动量项；角标表示迭代次数；表示adam算法中二阶矩估计的指数衰减率；表示第次迭代的一次动量项；表示第次迭代的二阶动量项；为第次迭代的交叉熵梯度值。
10、进一步的，所述各所述代理商将所述预测的灵活性调节能力和所述模型参数上传给所述控制中心包括：使用差分隐私对所述模型参数加噪得到带噪声参数后上传给所述控制中心；
11、所述控制中心对各所述模型参数进行加权聚合计算包括所述控制中心对各所述带噪声参数进行加权聚合计算。
12、进一步的，所述对各所述带噪声参数进行加权聚合计算包括：
13、基于各所述带噪声参数计算各所述代理商的参数相似度值；
14、基于各所述代理商的所述预测的灵活性调节能力和实际的灵活性调节能力计算各所述代理商的模型准确性值；
15、基于各所述参数相似度值和各所述模型准确度值进行加权聚合计算，得到全局梯度。
16、进一步的，所述加权聚合计算的公式为：
17、；
18、其中，表示全局梯度；n为所述代理商即客户端的个数；表示第i个所述代理商的所述带噪声参数；表示第i个所述代理商的参数相似度值；表示第i个所述代理商的模型准确性值；表示第i个所述代理商本地训练数据集规模；m表示所属有所述代理商本地训练数据集规模之和。
19、进一步的，所述相似度值的计算方法为：
20、。
21、进一步的，所述控制中心基于各所述预测的灵活性调节能力和相应的能源数据计算数据价值，基于所述数据价值和价值阈值判断是否满足迭代终止条件包括：
22、所述控制中心基于各所述预测的灵活性调节能力和相应的能源数据计算所有虚拟电厂的成本和收益；
23、基于所述成本和收益计算所述数据资产价值；
24、基于所述数据资产价值和资产价值阈值判断是否满足终止条件：如果所述数据资产价值大于等于所述资产价值阈值，则满足终止条件，否则不满足。
25、进一步的，所述基于所述成本和收益计算所述数据资产价值表示为：
26、；
27、其中，和分别为所述成本和收益，和分别为成本和收益的权重系数，k为数据质量系数。
28、进一步的，所述基于训练结果对各所述虚拟电厂代理商进行调节控制包括：
29、基于训练终止时各所述虚拟电厂代理商的灵活性调节能力，对各所述虚拟电厂代理商进行调节控制。
30、本专利技术至少可以实现下述之一的有益效果：
31、通过对于虚拟电厂并行控制中心和多个虚拟电厂代理商进行联邦学习的迭代训练，基于各虚拟电厂的能源数据和各个虚拟电厂能够提供的调节能力计算出所有虚拟电厂的成本和收益，进而计算出数据资产价值，经过多次迭代训练计算出满足收敛条件的较优数据资产价值，最终得到优化的全局模型和各个虚拟电厂能够提供的灵活性调节能力，基于各虚拟电厂的灵活性调节能力并对各虚拟电厂进行并行控制，实现在保证收益情况下的电力系统的能源优化调节。本专利技术方法在传统的联邦学习基础上进行改进，通过数据聚合得到的数据资产价值，最终得到调节控制方案，能够提高企业的决策效率，实现企业对于大数据资产的价值评价能力和企业进行大数据交易和大数据投资时的经济性，提升能源数据聚合效率。
32、通过改进adam算法的二阶动量项，在客户端的模型训练时使用改进的adam算法进行蓄积能量，能够解决adam算法在训练时收敛速度慢的问题，提升客户端模型训练效率，增强了算法在复杂环境下的鲁棒性能。
33、通过采用差分隐私技术对客户端共享参数添加噪声进行加密，不仅能够量化隐私保护的强度，还将添加噪声的过程分布在每个虚拟电厂代理商设备上，使虚拟电厂代理商设备能够单独对隐私信息进行噪声注入，而无需依赖可信的第三方；基于差分隐私本身具有的顺序合成性与平行合成性的特点，将本地化差分隐私应用于能源大数据聚合过程中；可以在不损失模型训练精度的情况下确保共享模型的安全性和隐私性提升效率，为虚拟电厂优化调度提供隐私保护。
34、本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目本文档来自技高网...
【技术保护点】
1.一种基于数据价值阈值的虚拟电厂并行控制方法，其特征在于，将虚拟电厂并行控制中心作为联邦学习的服务器、将多个虚拟电厂代理商分别作为联邦学习的客户端进行模型迭代训练，基于训练结果对各所述虚拟电厂代理商进行并行调节控制，在每一轮迭代中包括如下步骤：
2.根据权利要求1所述的并行控制方法，其特征在于，所述客户端模型采用LSTM模型，采用改进的Adam算法对所述客户端模型进行训练。
3.根据权利要求2所述的并行控制方法，其特征在于，所述改进的Adam算法包括对二阶动量项进行改进，所述对二阶动量项进行改进包括：基于上一轮迭代的二阶动量值、二阶矩估计的指数衰减率、一次动量项和交叉熵梯度值得到改进的二阶动量项，计算方法为：
4.根据权利要求1-3任一项所述的并行控制方法，其特征在于，所述各所述代理商将所述预测的灵活性调节能力和所述模型参数上传给所述控制中心包括：使用差分隐私对所述模型参数加噪得到带噪声参数后上传给所述控制中心；
5.根据权利要求4所述的并行控制方法，其特征在于，所述对各所述带噪声参数进行加权聚合计算包括：
6.根据权
7.根据权利要求6所述的并行控制方法，其特征在于，所述相似度值的计算方法为：
8.根据权利要求6所述的并行控制方法，其特征在于，所述控制中心基于各所述预测的灵活性调节能力和相应的能源数据计算数据价值，基于所述数据价值和价值阈值判断是否满足迭代终止条件包括：
9.根据权利要求8所述的并行控制方法，其特征在于，所述基于所述成本和收益计算所述数据资产价值表示为：
10.根据权利要求1所述的并行控制方法，其特征在于，所述基于训练结果对各所述虚拟电厂代理商进行调节控制包括：
...【技术特征摘要】
1.一种基于数据价值阈值的虚拟电厂并行控制方法，其特征在于，将虚拟电厂并行控制中心作为联邦学习的服务器、将多个虚拟电厂代理商分别作为联邦学习的客户端进行模型迭代训练，基于训练结果对各所述虚拟电厂代理商进行并行调节控制，在每一轮迭代中包括如下步骤：
2.根据权利要求1所述的并行控制方法，其特征在于，所述客户端模型采用lstm模型，采用改进的adam算法对所述客户端模型进行训练。
3.根据权利要求2所述的并行控制方法，其特征在于，所述改进的adam算法包括对二阶动量项进行改进，所述对二阶动量项进行改进包括：基于上一轮迭代的二阶动量值、二阶矩估计的指数衰减率、一次动量项和交叉熵梯度值得到改进的二阶动量项，计算方法为：
4.根据权利要求1-3任一项所述的并行控制方法，其特征在于，所述各所述代理商将所述预测的灵活性调节能力和所述模型参数上传给所述控制中心...
【专利技术属性】
技术研发人员：鞠立伟，齐鑫，王世谦，韩丁，汪鹏，华远鹏，姬哲，王圆圆，张伟剑，狄立，卜飞飞，王涵，李秋燕，贾一博，宋大为，
申请(专利权)人：华北电力大学，
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。