储能变流器集群模型迭代优化方法、装置、设备及介质与流程

摘要: 本技术涉及电力系统储能变流器集群控制,尤其涉及一种储能变流器集群模型迭代优化方法、装置、设备及介质。背景技术:1、储能变流器作为储能系统的核心功率变换设备,广泛...
储能变流器集群模型迭代优化方法、装置、设备及介质与流程

本技术涉及电力系统储能变流器集群控制,尤其涉及一种储能变流器集群模型迭代优化方法、装置、设备及介质。

背景技术:

1、储能变流器作为储能系统的核心功率变换设备,广泛应用于工商业集装箱储能电站、户用多机并联储能系统及大规模集群储能场站。多台储能变流器并联运行时,需要利用现场真实工况数据协同迭代优化孤岛检测、谐波识别、弱电网锁相等人工智能模型。

2、现有技术中,储能变流器集群的人工智能模型协同训练主要采用集中式云端训练或端云两级联邦学习。集中式云端训练将各储能变流器采集的原始电压电流波形上传至云端服务器,由云端汇集全部原始数据完成模型训练。端云两级联邦学习由各储能变流器直接与云端交互,将本地训练得到的模型梯度或参数上传云端聚合。此外,通用分层联邦学习通常由客户端、边缘节点和云端构成,边缘节点进行局部聚合后上传云端。

3、然而,现有技术中,储能变流器集群的人工智能模型协同训练在通信受限和算力异构条件下,模型迭代的连续性与收敛稳定性难以保证。因此,如何在通信受限和算力异构条件下,保证储能变流器集群模型迭代的连续性与收敛稳定性,成为亟待解决的技术问题。

技术实现思路

1、本技术提供一种储能变流器集群模型迭代优化方法、装置、设备及介质,用以解决上述技术问题。该方案面向储能变流器集群的模型训练与更新场景,围绕集群内各储能变流器的算力差异、局部训练协同、异常更新抑制以及云边网络状态变化等因素,对集群模型的迭代流程进行优化,以提升在通信受限条件下的训练连续性、聚合效率与模型稳定性。

2、第一方面,本技术提供一种储能变流器集群模型迭代优化方法,应用于边缘网关,包括:

3、根据各所述储能变流器上报的算力参数,确定各所述储能变流器的局部训练迭代次数,所述算力参数包括数字信号处理器占用率、内存负载和训练耗时中的至少一项;

4、将所述算力参数中的各项指标分别与对应的预设算力基准阈值进行比对,将存在至少一项指标超过对应预设算力基准阈值的储能变流器,确定为资源匮乏节点;为所述资源匮乏节点分配少于其他储能变流器的局部训练迭代次数;对于所述算力参数中的至少一项指标超过对应的预设零轮次阈值的储能变流器,确定其局部训练迭代次数为零,以使其仅进行推理而不参与本轮局部训练;其中,所述预设零轮次阈值大于所述预设算力基准阈值;对于除所述资源匮乏节点外的其他储能变流器,分配预设的正常局部训练迭代次数,并将所述局部训练迭代次数下发至各所述储能变流器;

5、接收本电站集群内各储能变流器上传的模型参数增量,所述模型参数增量由各所述储能变流器在所述局部训练迭代次数的约束下,基于本地原始电压电流采样波形对所述边缘网关上一轮下发的模型进行局部训练得到,所述原始电压电流采样波形仅保存在各所述储能变流器本地;

6、计算各所述储能变流器上传的模型参数增量的向量模长;

7、确定所述模型参数增量的中位向量,并计算各所述模型参数增量与所述中位向量的余弦相似度;

8、接收各所述储能变流器上报的本地训练损失值的变化趋势;

9、根据所述向量模长、所述余弦相似度和所述变化趋势进行交叉验证,确定异常的模型参数增量;

10、剔除所述异常的模型参数增量,对剩余的模型参数增量进行聚合,得到聚合模型参数增量;

11、当所述边缘网关与云端之间的网络连通时,将所述聚合模型参数增量上传至所述云端,以进行模型全局更新;将所述云端下发的更新后的全局模型下发至本电站集群内各所述储能变流器,以使各所述储能变流器对所述更新后的全局模型进行下一轮局部训练;

12、当所述边缘网关与所述云端之间的网络断开时,基于所述聚合模型参数增量对上一轮下发的模型进行更新,得到本地集群聚合模型,并将所述本地集群聚合模型下发至本电站集群内各所述储能变流器,以使各所述储能变流器对所述本地集群聚合模型进行下一轮局部训练。

13、在一个可能的实施例中,所述方法还包括:

14、为下发给各所述储能变流器的模型分配版本号;

15、在下发模型时,将所述版本号一并下发至各所述储能变流器;

16、接收各所述储能变流器上传的模型参数增量及本地模型版本号,所述本地模型版本号为各所述储能变流器根据接收到的版本号确定的版本号;

17、当所述本地模型版本号与所述版本号不一致时,降低对应模型参数增量的聚合权重,或剔除对应模型参数增量。

18、第二方面,本技术提供一种储能变流器集群模型迭代优化方法,应用于储能变流器,包括:

19、向边缘网关上报算力参数,并接收所述边缘网关根据所述算力参数确定并下发的局部训练迭代次数;

20、接收所述边缘网关下发的模型及对应的版本号,并将接收到的版本号作为本地模型版本号;

21、采集原始电压电流采样波形并保存在本地,并在所述局部训练迭代次数的约束下,基于本地原始电压电流采样波形对所述下发的模型进行局部训练,生成模型参数增量;

22、将所述模型参数增量及所述本地模型版本号上传至所述边缘网关。

23、第三方面,本技术提供一种储能变流器集群模型迭代优化方法,应用于云端,包括:

24、接收多个边缘网关上传的聚合模型参数增量及本地模型版本号;所述本地模型版本号为各所述边缘网关根据其当前维护的模型确定的版本号;

25、将所述本地模型版本号与当前全局模型的版本号进行比对,得到版本差异;当所述版本差异超过预设版本差异阈值时,降低对应聚合模型参数增量的聚合权重,或舍弃对应聚合模型参数增量;

26、根据各所述聚合模型参数增量对应的聚合权重,对未舍弃的所述聚合模型参数增量进行聚合,得到全局模型参数增量;

27、基于所述全局模型参数增量对当前全局模型进行更新,得到更新后的全局模型;

28、将所述更新后的全局模型下发至各所述边缘网关。

29、在一个可能的实施例中,所述方法还包括:

30、当所述边缘网关与所述云端之间的网络恢复连通时,接收各所述边缘网关上报的断网时长;

31、根据所述断网时长确定时间衰减系数,所述断网时长越长,所述时间衰减系数越小;

32、将所述时间衰减系数乘以对应聚合模型参数增量,参与所述全局模型参数增量的聚合。

33、第四方面,本技术提供一种储能变流器集群模型迭代优化装置,应用于边缘网关,包括:

34、处理模块,用于根据各所述储能变流器上报的算力参数,确定各所述储能变流器的局部训练迭代次数,所述算力参数包括数字信号处理器占用率、内存负载和训练耗时中的至少一项;

35、所述处理模块,还用于将所述算力参数中的各项指标分别与对应的预设算力基准阈值进行比对,将存在至少一项指标超过对应预设算力基准阈值的储能变流器,确定为资源匮乏节点;为所述资源匮乏节点分配少于其他储能变流器的局部训练迭代次数;对于所述算力参数中的至少一项指标超过对应的预设零轮次阈值的储能变流器,确定其局部训练迭代次数为零,以使其仅进行推理而不参与本轮局部训练;其中,所述预设零轮次阈值大于所述预设算力基准阈值;对于除所述资源匮乏节点外的其他储能变流器,分配预设的正常局部训练迭代次数,并将所述局部训练迭代次数下发至各所述储能变流器;

36、收发模块,用于接收本电站集群内各储能变流器上传的模型参数增量,所述模型参数增量由各所述储能变流器在所述局部训练迭代次数的约束下,基于本地原始电压电流采样波形对所述边缘网关上一轮下发的模型进行局部训练得到,所述原始电压电流采样波形仅保存在各所述储能变流器本地;

37、计算模块,用于计算各所述储能变流器上传的模型参数增量的向量模长;

38、所述计算模块,还用于确定所述模型参数增量的中位向量,并计算各所述模型参数增量与所述中位向量的余弦相似度;

39、所述收发模块,还用于接收各所述储能变流器上报的本地训练损失值的变化趋势;

40、所述处理模块,还用于根据所述向量模长、所述余弦相似度和所述变化趋势进行交叉验证,确定异常的模型参数增量;

41、所述处理模块,还用于剔除所述异常的模型参数增量,对剩余的模型参数增量进行聚合,得到聚合模型参数增量;

42、所述处理模块,还用于当所述边缘网关与云端之间的网络连通时,将所述聚合模型参数增量上传至所述云端,以进行模型全局更新;将所述云端下发的更新后的全局模型下发至本电站集群内各所述储能变流器,以使各所述储能变流器对所述更新后的全局模型进行下一轮局部训练;

43、所述处理模块,还用于当所述边缘网关与所述云端之间的网络断开时,基于所述聚合模型参数增量对上一轮下发的模型进行更新,得到本地集群聚合模型,并将所述本地集群聚合模型下发至本电站集群内各所述储能变流器,以使各所述储能变流器对所述本地集群聚合模型进行下一轮局部训练。

44、在一个可能的实施例中,所述处理模块,还用于为下发给各所述储能变流器的模型分配版本号;

45、所述处理模块,还用于在下发模型时,将所述版本号一并下发至各所述储能变流器;

46、所述处理模块,还用于接收各所述储能变流器上传的模型参数增量及本地模型版本号,所述本地模型版本号为各所述储能变流器根据接收到的版本号确定的版本号;

47、所述处理模块,还用于当所述本地模型版本号与所述版本号不一致时,降低对应模型参数增量的聚合权重,或剔除对应模型参数增量。

48、第五方面,本技术提供一种储能变流器集群模型迭代优化装置,应用于储能变流器,包括:

49、收发模块,用于向边缘网关上报算力参数,并接收所述边缘网关根据所述算力参数确定并下发的局部训练迭代次数;

50、所述收发模块,还用于接收所述边缘网关下发的模型及对应的版本号;

51、处理模块,用于将接收到的版本号作为本地模型版本号;

52、所述处理模块,还用于采集原始电压电流采样波形并保存在本地,并在所述局部训练迭代次数的约束下,基于本地原始电压电流采样波形对所述下发的模型进行局部训练,生成模型参数增量;

53、所述处理模块,还用于将所述模型参数增量及所述本地模型版本号上传至所述边缘网关。

54、第六方面,本技术提供一种储能变流器集群模型迭代优化装置,应用于云端,包括:

55、收发模块,用于接收多个边缘网关上传的聚合模型参数增量及本地模型版本号;所述本地模型版本号为各所述边缘网关根据其当前维护的模型确定的版本号;

56、处理模块,用于将所述本地模型版本号与当前全局模型的版本号进行比对,得到版本差异;当所述版本差异超过预设版本差异阈值时,降低对应聚合模型参数增量的聚合权重,或舍弃对应聚合模型参数增量;

57、所述处理模块,还用于根据各所述聚合模型参数增量对应的聚合权重,对未舍弃的所述聚合模型参数增量进行聚合,得到全局模型参数增量;

58、所述处理模块,还用于基于所述全局模型参数增量对当前全局模型进行更新,得到更新后的全局模型;

59、所述处理模块,还用于将所述更新后的全局模型下发至各所述边缘网关。

60、在一个可能的实施例中,所述处理模块,还用于当所述边缘网关与所述云端之间的网络恢复连通时,接收各所述边缘网关上报的断网时长;

61、所述处理模块,还用于根据所述断网时长确定时间衰减系数,所述断网时长越长,所述时间衰减系数越小;

62、所述处理模块,还用于将所述时间衰减系数乘以对应聚合模型参数增量,参与所述全局模型参数增量的聚合。

63、第七方面,本技术提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;

64、所述存储器存储计算机执行指令;

65、所述处理器执行所述存储器存储的计算机执行指令,以用于实现如上述提供的方法。

66、第八方面,本技术提供一种计算机可读存储介质,其上存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上述提供的方法。

67、第九方面,本技术提供一种程序产品,包括计算机程序,所述计算机程序被处理器执行时用于实现如上述提供的方法。

68、本技术提供的储能变流器集群模型迭代优化方法、装置、设备及介质,该方法通过根据各储能变流器上报的算力参数确定对应的局部训练迭代次数,能够使不同算力条件下的储能变流器参与协同训练时更加匹配各自计算能力,进而提高集群训练的整体协调性;通过接收各储能变流器上传的模型参数增量并对其进行异常检测与剔除,能够减少异常更新对聚合结果的干扰,进而提升聚合模型的稳定性与可靠性;通过在边缘网关与云端连通时进行云端全局更新、在断开时基于聚合模型参数增量进行本地集群更新,能够保持模型迭代在不同网络状态下连续进行,进而降低对持续网络传输的依赖,提高弱网或断网条件下的训练鲁棒性。