买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院电工研究所

摘要：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。

主权项：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；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，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＝∑ci4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-11Nrn+k-1N5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*＝argmincallp，s6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；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。

全文数据：

权利要求：

百度查询： 中国科学院电工研究所 一种基于联邦学习的微电网群运行策略进化方法