基于纵向联邦学习的微电网群协同优化运行与策略进化
针对分属不同利益主体的微电网构成的微电网群在隐私保护下的协同优化运行问题,提出了一种基于联邦学习的多主体微电网群协同优化运行与策略进化方法.首先,各个微电网在本地训练自身的等值封装模型并上传至云端.然后,云端汇集各微电网的等值封装模型,进行场景推演和全局策略搜索,并下发策略至各微电网.最后,各微电网通过分布式联合训练纵向联邦神经网络学习新策略,实现在隐私保护下的微电网群协同优化运行与策略进化.不同规模微电网群协同运行的仿真结果表明,该方法实现了多主体微电网群在隐私保护下的协同优化运行,相较于独立运行、非合作博弈以及多智能体深度强化学习方法,提升了微电网群整体的经济效益,并保证了各参与方利益的合理分配.
微电网群、多主体、联邦学习、协同优化
47
TP309;TP183;TN929.5
国家自然科学基金;中国科学院电工研究所科研基金;中国科学院青年创新促进会项目;国家自然科学基金;国家自然科学基金;中国科学院洁净能源创新研究院合作基金
2023-06-27(万方平台首次上网日期,不代表论文的发表时间)
共12页
121-132