一种虚拟电厂通信孤岛的边缘协同控制方法

摘要: 本发明涉及虚拟电厂信息物理系统安全防护与分布式机器学习,具体涉及一种面向虚拟电厂边缘节点的通信孤岛自主检测、本地自治控制与隐私保护联邦协同更新的综合方法。背景技...
一种虚拟电厂通信孤岛的边缘协同控制方法

本发明涉及虚拟电厂信息物理系统安全防护与分布式机器学习,具体涉及一种面向虚拟电厂边缘节点的通信孤岛自主检测、本地自治控制与隐私保护联邦协同更新的综合方法。

背景技术:

1、虚拟电厂通过云网边端架构将分布式光伏、储能系统及柔性负荷聚合为具有规模效应的调控整体,在促进新能源消纳和削峰填谷中发挥关键作用。然而,虚拟电厂的物理层运行高度依赖信息层的指令传输,这种深度信息物理系统耦合既带来了高效性,也引入了显著的脆弱性。在极端天气导致网络中断或遭受分布式拒绝服务攻击等恶意网络入侵时,边缘节点与云中心的通信链路将被切断形成通信孤岛,传统集中式调度指令无法下达,边缘节点若仅依靠本地下垂控制,在面对高比例光伏剧烈波动时极易引发区域电压越限甚至系统崩溃。同时,为实现精准的源荷预测,云中心需要收集各区域海量历史运行数据,但受商业机密与用户隐私保护法规限制,工业园区、商业区和居民区的数据难以物理集中,且不同区域数据呈现极强的时间与空间异构性,传统数据聚合方法难以兼顾隐私保护与模型精度。

2、现有研究在虚拟电厂鲁棒调度、电压安全支撑、网络风险量化以及基于联邦学习的隐私保护等单一领域虽已取得显著进展,但往往将物理层的应急安全控制、信息层的网络攻击防御与数据层的隐私协同割裂探讨。具体而言,针对通信中断后的边缘节点自治控制缺乏轻量化预测与滚动优化相结合的有效手段;针对多区域高度异构数据的联邦学习聚合缺乏动态质量评估与可信度校正机制;针对持续攻击掉线节点缺乏有效的模型补偿策略。整体上,面对极端网络攻击导致通信孤岛且多区域数据呈现高度异构的复杂工况,当前仍缺乏一种能将底层物理自治与上层隐私协同深度融合的边缘计算统一框架。

3、因此,亟需构建一种集通信孤岛快速识别、边缘侧预测自治控制、差分隐私联邦学习与离线节点补偿于一体的综合防护方法,以应对虚拟电厂在极端通信中断与数据异构双重挑战下的安全稳定运行需求。

技术实现思路

1、针对现有虚拟电厂在通信孤岛状态下物理层缺乏有效自治控制手段、数据层缺乏隐私保护协同机制的技术问题,本发明提供一种虚拟电厂通信孤岛的边缘协同检测与隐私保护联邦学习方法,通过三级孤岛判别实现断联快速识别,通过时间卷积网络与模型预测控制结合的双层架构实现边缘节点自主电压频率支撑,通过差分隐私联邦自适应学习实现多区域异构数据的安全协同建模。

2、本发明为实现上述目的所采用的技术方案是:

3、一种虚拟电厂通信孤岛的边缘协同控制方法,包括以下步骤:

4、构建虚拟电厂边缘计算分层架构,并通过三级孤岛判别机制识别通信孤岛,判断边缘节点是否进行自主控制;

5、当边缘节点进行自主控制时,通过时间卷积网络轻量化预测模型预测未来的功率,并通过双层模型预测控制架构基于预测功率得到最终的调度计划;

6、当通信恢复后,各边缘层节点进行差分隐私联邦自适应学习,计算各自的加噪梯度,云层节点对其进行加权聚合,并更新全局模型,对全局模型参数施加额外高斯噪声后,将其下发至边缘节点。

7、所述三级孤岛判别机制具体为:

8、第一级为心跳检测,边缘节点以周期

t

hb向云层发送心跳包,若连续

n1个周期内未收到应答则触发第二级判断;

9、第二级为通信质量综合评估,计算当前通信质量指标

q

i(

t),将往返时延、丢包率与信号强度分别映射至[0,1]区间,并加权计算,得到,其中,权重系数,当且持续时间超过时触发第三级判断;

10、第三级为攻击行为辅助判断,结合边缘计算网关中的攻击检测模块输出,若检测到针对本节点通信链路的攻击行为则将孤岛置信度置为高置信,立即切入自主控制模式,否则保持观测状态等待通信自动恢复。

11、所述时间卷积网络轻量化预测模型的输入特征向量为,其中,

k为历史窗口长度,为节点i在t-1时刻的净功率,为时刻t在一天24小时周期内对应的正弦-余弦编码值,为节点类型编码,为节点容量特征,所述时间卷积网络采用扩张率不同的4层扩张因果卷积,每层后接批归一化与relu激活,并通过残差连接,输出层为全连接层,输出未来

h步的功率预测序列,,所述时间卷积网络轻量化预测模型的全局版本由云层维护并用于联邦聚合,各边缘节点部署该模型的本地实例用于自主预测,其中,边缘层的本地模型参数初始化为云层的联邦学习全局模型参数,并在本地数据上持续微调。

12、所述双层模型预测控制架构的上层为分钟级滚动时域优化,以时间卷积网络预测结果为前馈信息,在每个控制步求解滚动优化问题,求解的决策变量为储能充放电功率与可调负荷调节量,并将其作为调度计划,目标函数为最小化节点净功率偏差与储能soc偏差的二次型,约束包括功率平衡约束、储能运行约束与节点电压安全约束,该优化问题为凸二次规划,采用内点法求解;下层为毫秒级事件触发频率调节,当系统频率偏差超过阈值时触发快速频率响应,基于一次调频下垂控制原理调整储能出力,其中,为下垂系数,同时引入注意力机制对边缘节点本地实时采集的各负荷支路电气数据进行加权识别。

13、所述点净功率偏差与储能soc偏差通过分布式资源模型计算,所述分布式资源模型为:

14、

15、其中,为光伏出力,为光电转换效率,

a为光伏面板面积,光伏功率受辐照度,为温度系数,

t(

t)为温度,为参考温度;

16、储能系统的荷电状态动态方程为:

17、

18、其中,为储能系统的荷电状态,为储能额定容量,为时间步长,为储能充电功率,为储能放电功率,为储能放电效率,为储能额定容量,储能运行约束包括:,,以及充放电互斥约束;

19、节点

i的净功率为:

20、

21、其中,为节点i的风电出力,为为储能放电功率,节点i的负荷功率。

22、所述双层模型预测控制架构通过双层架构协同机制进行优化,即:上层通过设定的时间段更新功率调度计划,将下层计算的储能出力叠加在上层输出的储能功率计划值上,下层事件触发控制在毫秒级响应频率扰动。

23、所述边缘层节点进行差分隐私联邦自适应学习,具体为:

24、各边缘节点基于孤岛期间本地采集存储的历史运行数据构建的数据集

d

i,该数据集中的训练样本由输入特征向量

x

i(

t)及对应的实际功率标签构成,利用数据集

d

i执行多轮本地训练,计算本地梯度,并对梯度进行裁剪,,对裁剪后的梯度添加高斯噪声,其中,为本地损失函数,θ为当前模型参数,c为梯度裁剪阈值,σ为噪声强度参数。

25、所述云层节点对边缘节点进行加权聚合,具体为:

26、云层收集各节点加噪梯度后,利用聚合权重进行加权聚合更新全局模型,并更新后的全局模型通过安全信道下发至各边缘节点,作为下一次孤岛运行的预训练初始化模型,其中,为节点数据质量评分,为节点可信度评分,

r为联邦学习轮次,为全局学习率,为系统中边缘节点的总数量。

27、若边缘节点在联邦自适应学习过程中,发现离线节点,则对其进行代理梯度补偿,具体为:

28、在联邦聚合轮次

r中,若节点

v

i持续未上报梯度超过预设轮次数

r

miss,则将其标记为离线节点,对于离线节点,基于可观测正常节点的梯度信息进行代理梯度估计,计算代理梯度估计值,并将其用于离线节点的模型更新,当离线节点恢复通信后,将该节点的本地模型与全局模型进行加权融合,当节点重新参与联邦学习后,基于其恢复后提交梯度与代理梯度的一致性程度更新该节点的可信度评分,其中,为代理系数,为正常参与节点集合,为融合系数。

29、一种虚拟电厂通信孤岛的边缘协同控制系统,包括:

30、通信孤岛识别模块模块,用于构建虚拟电厂边缘计算分层架构,并通过三级孤岛判别机制识别通信孤岛,判断边缘节点是否进行自主控制;

31、孤岛节点调度计划预测模块,用于当边缘节点进行自主控制时,通过时间卷积网络轻量化预测模型预测未来的功率,并通过双层模型预测控制架构基于预测功率得到最终的调度计划;

32、模型参数更新模块,用于当通信恢复后,各边缘层节点进行差分隐私联邦自适应学习,计算各自的加噪梯度,云层节点对其进行加权聚合,并更新全局模型,对全局模型参数施加额外高斯噪声后,将其下发至边缘节点。

33、本发明具有以下有益效果及优点:

34、1.本发明通过三级孤岛判别机制,结合心跳检测、通信质量综合评估与攻击行为辅助判断,能够在网络攻击导致的通信中断发生后10秒内精准识别孤岛状态并触发边缘自治,有效克服了传统单一阈值法受网络拥塞干扰产生的误判缺陷,同时避免正常通信抖动引起的误触发。

35、2.本发明在边缘节点部署时间卷积网络轻量化预测模型与双层模型预测控制架构,上层分钟级滚动优化借助预测前馈实现储能与负荷的预先调度,下层毫秒级事件触发频率调节快速抑制频率波动,两者协同作用使系统在长达两小时通信中断且伴随剧烈光伏及负荷波动的极端场景下,电压始终维持在安全范围内,频率跌幅得到有效抑制,显著提升了孤岛配网的运行韧性。

36、3.本发明设计的差分隐私联邦自适应学习算法,通过动态数据质量评估与可信度加权聚合,有效屏蔽了低质量节点和潜在拜占庭节点的干扰,使全局模型在高度异构的多区域数据上收敛平稳,预测精度较纯本地训练大幅提升,同时以可控的极小精度损失换取了严格的数据安全保障,实现了数据可用不可见。

37、4.本发明提出的离线节点代理梯度补偿机制,基于地理位置、负荷类型与历史行为相似度为持续掉线节点计算代理梯度,有效避免了因节点缺失导致的全局模型偏差,保障了离线节点恢复通信后与全局模型的一致性,增强了联邦学习框架在极端工况下的鲁棒性