CN119539424A 面向园区级可调负荷的资源调控方法、装置、设备及介质 (国网北京市电力公司)_第1页
CN119539424A 面向园区级可调负荷的资源调控方法、装置、设备及介质 (国网北京市电力公司)_第2页
CN119539424A 面向园区级可调负荷的资源调控方法、装置、设备及介质 (国网北京市电力公司)_第3页
CN119539424A 面向园区级可调负荷的资源调控方法、装置、设备及介质 (国网北京市电力公司)_第4页
CN119539424A 面向园区级可调负荷的资源调控方法、装置、设备及介质 (国网北京市电力公司)_第5页
已阅读5页,还剩23页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

号面向园区级可调负荷的资源调控方法、装2获取园区内多个用能单元的历史用能数据和实时用能数据,所述用能单元包括建筑、根据预测的用能需求,结合园区内分布式能源的出力特性和电网实时监测各用能单元执行负荷调控指令后的用度学习算法构建用能预测模型,所述深度学习算法包括长短期记忆网络和注意力机制包对园区用能数据进行预处理,将原始时间戳转换为周期性特征并进将解码器输出送入多头注意力层,该多头注意力层包含多个注在卷积层、长短期记忆网络层和注意力层后添加残差连接,并在每采用包含均方根误差和L1正则化项的损失函数,结合Adam构建多目标优化模型,将运营成本最小化、可再生3设计改进的多目标粒子群优化算法,该算法包含自适应惯性权重、拥挤集成深度学习用能需求预测模型和可再生能源出力预测对每个代表性调度方案进行蒙特卡洛模拟,计算方案在不同基于敏感性分析结果,选择最优的初始能源调度方案,该方案能够用强化学习算法训练负荷调控策略模型,所述强化学习算法包括深度Q网络和策略梯度方设计多智能体协同学习框架,为每个可调节用能单元分配一个独立的深度Q网络智能构建双重深度Q网络结构,包括用于选择动作和更新的集成ActorCritic架构,其中Actor网络输出动作概率分布,Critic网络估计状态价设计优先级经验回放机制,包括基于时序差分误差的优先级计算、实现多智能体间的通信机制,使用注意力机制聚合其他采用课程学习策略,将训练过程分为单个用能单元负荷调控、多个同定期评估模型性能,包括累积奖励、能源成本节约率、用户舒4利用压缩后的模型,根据实时园区状态生成负荷调初始化全局模型参数和加密密钥,其中所述全局模型参数包括用所述中央服务器计算每个所述用能单元的贡献度权重,所述贡献度权构建知识蒸馏模型,将所述更新后的全局模型参每个所述用能单元计算本地数据分布与全局分布的相似度;每个所述中央服务器在验证数据集上评估更新后的所述全局模型参8.一种面向园区级可调负荷的资源调控装置,用于实现权利要求1~7任一项所述的资第一单元,用于获取园区内多个用能单元的历史用能数据和第二单元,用于根据预测的用能需求,结合园区内分布5第三单元,用于实时监测各用能单元执行负荷调控指令后的储的计算机程序以实现如权利要求1至7中任意一项所述6[0003]数据获取与隐私保护:全面获取园区内各用能单元的详细用能数据往往困难重7述深度学习算法包括长短期记忆网络和注意对园区用能数据进行预处理,将原始时间戳转换为周期性特征并进行独热编码,对所述帕累托最优解集进行聚类分析,选取每个类的中心解作为代表性调度方8设计多智能体协同学习框架,为每个可调节用能单元分配一个独立的深度Q网络协同调控和全园区多类型用能单元综合调控9所述中央服务器在验证数据集上评估更新后的所述全局模型参型参数加密后上传至中央服务器进行聚合;迭代优化所述能源调度方案和负荷调控指令,行存储器中存储的计算机程序以实现如上述的资对园区用能数据进行预处理,将原始时间戳转换为周期性特征并进行独热编码,对所述帕累托最优解集进行聚类分析,选取每个类的中心解作为代表性调度方设计多智能体协同学习框架,为每个可调节用能单元分配一个独立的深度Q网络协同调控和全园区多类型用能单元综合调控所述中央服务器在验证数据集上评估更新后的所述全局模型参[0043]图2为本发明实施例面向园区级可调负荷的资源挖掘与调控系统的结构示意图,型参数加密后上传至中央服务器进

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论