(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111199048.6 (22)申请日 2021.10.14 (71)申请人 中国科学院电工 研究所 地址 100190 北京市海淀区中关村北二条6 号 (72)发明人 肖浩　裴玮　周毅斌　浦骁威　 孔力　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 代理人 江亚平 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 3/12(2006.01) G06F 111/08(2020.01) G06F 113/04(2020.01) (54)发明名称 一种基于联邦学习的微电网群运行策略进 化方法 (57)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。 权利要求书3页 说明书7页 附图1页 CN 113887141 A 2022.01.04 CN 113887141 A 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； 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权　利　要　求　书 1/3 页 2 CN 113887141 A 2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。 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： call＝∑ci           (4) 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‑1((1/N)rn+(k‑1)/N)            (5) 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*＝argmin(call(p， s))             (6) 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。 4.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(3)包括以下步骤： 步骤(3‑1)： 确定纵向联邦学习共享模型的输入变量与输出变量， 输入变量选择状态变 量， 输出变量选择 策略变量， 建立状态变量到策略变量之间的映射： p＝federal_net(s)             (8) 上式中， federal_net表示联邦学习网络， 策略p和状态s在网络训练时从数据集Dp中获 得； 步骤(3‑2)： 对于云端纵 向联邦学习的数据进行预处理， 主要包括： 数据标幺化、 训练集 与测试集分割 、 客户端及云端的网络分割；权　利　要　求　书 2/3 页 3 CN 113887141 A 3