一种基于联邦学习的跨区域热网协同优化方法和系统与流程
本发明涉及跨区域热网优化,特别是涉及一种基于联邦学习的跨区域热网协同优化方法和系统。
背景技术:
1、当前跨区域热网协同优化领域已形成以集中式数据平台为核心的传统技术框架,通过部署区域级热网监控系统实现热源站、换热站及用户端数据的采集与整合。随着物联网与大数据技术的发展,部分研究开始探索分布式计算在热网协同中的应用,例如采用边缘计算节点进行局部数据预处理,或通过简单模型聚合实现跨区域热负荷预测。然而,现有技术多聚焦于单一区域热网的静态优化,跨区域协同仍高度依赖人工经验或固定规则调度,缺乏动态适应各区域数据质量差异与实时运行状态变化的能力。
技术实现思路
1、本发明旨在至少解决现有技术中存在缺乏动态适应各区域数据质量差异与实时运行状态变化的能力的需求技术问题,特别创新地提出了一种基于联邦学习的跨区域热网协同优化方法和系统。
2、为了实现本发明的上述目的,本发明提供了一种基于联邦学习的跨区域热网协同优化方法,所述方法包括:
3、s1、采集区域热网运行数据,在各区域热网部署边缘服务器利用区域热网运行数据进行本地模型训练,通过云端协调器采用改进的fedavg算法聚合模型本地模型参数,获得全局模型,所述改进的fedavg算法基于ts-si指数动态分配聚合权重以适配各区域热网运行数据质量差异;
4、s2、建立区块链智能合约激励机制,通过预奖励阶段量化所述区域热网运行数据质量与计算资源贡献生成初始token,基于所述初始token经利润分享阶段采用shapley值算法计算各区域对所述全局模型的边际贡献值进行利润分配,获得利润分配结果;
5、s3、边缘服务器执行ddp-adapt算法,实时采集区域热网实时运行数据,利用区域热网实时运行数据检测热负荷数据漂移;当热负荷数据漂移超过预设阈值时,动态调整本地模型的更新频率;
6、s4、基于所述利润分配结果和本地模型的更新频率构建多目标联邦强化学习框架,所述多目标联邦强化学习框架用于优化区域热网的能源分配与协同控制,通过联邦强化学习动态调整聚合权重、本地模型的更新频率及利润分配策略,输出跨区域热网调度指令。
7、在另一方面,本发明还提供一种基于联邦学习的跨区域热网协同优化系统,包括:
8、处理器;
9、用于存储处理器可执行指令的存储器;
10、其中,处理器被配置为执行可执行指令时实现的基于联邦学习的跨区域热网协同优化方法。
11、本发明的有益效果:本发明依托ts-si指数动态适配各区域数据质量差异的聚合权重分配机制,突破了传统集中式模型受限于局部数据质量的局限,实现隐私保护下的全局协同优化;通过ddp-adapt算法实时检测热负荷数据漂移并动态调整模型更新频率,显著提升了系统对气象突变、用户行为异常等实时运行状态变化的适应能力,避免了静态参数配置导致的调度失效;结合区块链智能合约的token预奖励与shapley值边际贡献分配机制,构建了基于数据质量、计算资源贡献的量化激励体系,有效激发了高贡献区域的参与积极性,最终通过多目标联邦强化学习框架实现能源分配、协同控制与利润分配的联合动态优化,全面提升了跨区域热网的协同效率与运行稳定性。
12、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
1.一种基于联邦学习的跨区域热网协同优化方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于联邦学习的跨区域热网协同优化方法,其特征在于,在步骤s1中获得全局模型包括:
3.如权利要求2所述的基于联邦学习的跨区域热网协同优化方法,其特征在于,改进的fedavg算法的表达式为:
4.如权利要求1所述的基于联邦学习的跨区域热网协同优化方法,其特征在于,在步骤s2中获得利润分配结果包括:
5.如权利要求4所述的基于联邦学习的跨区域热网协同优化方法,其特征在于,计算各区域热网对全局模型性能提升的边际贡献值的表达式为:
6.如权利要求1所述的基于联邦学习的跨区域热网协同优化方法,其特征在于,在步骤s3中动态调整本地模型的更新频率包括:
7.如权利要求6所述的基于联邦学习的跨区域热网协同优化方法,其特征在于,所述ddp-adapt算法的表达式为:
8.如权利要求1所述的基于联邦学习的跨区域热网协同优化方法,其特征在于,在步骤s4中输出跨区域热网调度指令包括:
9.如权利要求8所述的基于联邦学习的跨区域热网协同优化方法,其特征在于,联邦q-learning算法的表达式为:
10.一种基于联邦学习的跨区域热网协同优化系统,其特征在于,所述系统包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com