[發(fā)明專利]一種微網(wǎng)群邊緣調(diào)度與智能體輕量化裁剪方法

在審

• 申請?zhí)枺?/td>: 202210549822.X
• 申請日: 2022-05-20
• 公開（公告）號: CN114936078A
• 公開（公告）日: 2022-08-23
• 發(fā)明（設計）人: 王曉飛;喬雨菲;王新迎;陳盛;武國良;祖光鑫
• 申請（專利權）人: 天津大學;中國電力科學研究院有限公司;國網(wǎng)黑龍江省電力有限公司電力科學研究院
• 主分類號: G06F9/48
• 分類號: G06F9/48;G06F9/50;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 深圳眾邦專利代理有限公司 44545
• 代理人: 丁曹凱

本發(fā)明公開了一種微網(wǎng)群邊緣調(diào)度與智能體輕量化裁剪方法，包括：構建包括電力終端和邊緣設備的微網(wǎng)群，計算能力最強的邊緣設備k中設有任務分配模型；設置總訓練輪次、初始訓練輪數(shù)，初始化每個電力終端的本地訓練模型、稀疏度范圍、本地訓練模型的聚合權重、經(jīng)驗重放內(nèi)存；電力終端基于深度強化學習方法對任務分配模型進行訓練，并基于模型剪裁對本地訓練模型進行剪裁，邊緣設備k對訓練后的模型進行聚合并更新任務分配模型；根據(jù)更新后的任務分配模型，并以最大化長期效益期望為目標預測資源分配策略；電力終端根據(jù)資源分配策略執(zhí)行任務。本發(fā)明可以在保證決策準確高效的同時避免大量原始數(shù)據(jù)的傳輸、降低模型訓練時傳輸?shù)臄?shù)據(jù)量和傳輸時延。

技術領域

本發(fā)明屬于計算機網(wǎng)絡技術領域，具體涉及一種微網(wǎng)群邊緣調(diào)度與智能體輕量化裁剪方法。

背景技術

隨著社會經(jīng)濟的快速發(fā)展和人口的增長，能源供應問題越來越突出。為實現(xiàn)社會可持續(xù)發(fā)展的需求，分布于用戶附近的分布式能源和可再生能源逐漸成為能源技術領域關注的研究熱點。分布式發(fā)電以光伏系統(tǒng)和風力發(fā)電為代表，由于其經(jīng)濟、環(huán)保、靈活等優(yōu)點，近年來得到了廣泛的應用。但是，分布式發(fā)電輸出是間歇性的、隨機的，大規(guī)模的分布式發(fā)電滲透會對電力系統(tǒng)的安全和穩(wěn)定造成不利影響，如電力質(zhì)量問題，給電力系統(tǒng)的穩(wěn)定運行和安全控制帶來前所未有的挑戰(zhàn)。為了協(xié)調(diào)分布式發(fā)電與大電網(wǎng)之間的矛盾，降低分布式發(fā)電的棄電率，提高供電可靠性和電能質(zhì)量，提出了微網(wǎng)群的概念。然而即使是微網(wǎng)群，要完全消納并充分利用大規(guī)模可再生能源也依然存在障礙，在該模式下如何在邊緣構建高效完善的計算資源動態(tài)遷移體系，如何進一步輕量化邊緣智能體成為一個急需解決的問題。

發(fā)明內(nèi)容

針對以上技術問題，本發(fā)明提出了一種微網(wǎng)群邊緣調(diào)度與智能體輕量化裁剪方法，通過支持在微網(wǎng)群場景中應用邊緣智能體微型智能算法輕量化剪裁技術，可以實現(xiàn)微網(wǎng)群運行計算資源的動態(tài)遷移調(diào)度，并進一步對邊緣智能體進行輕量化剪裁設計。為解決以上技術問題，本發(fā)明所采用的技術方案如下：

一種微網(wǎng)群邊緣調(diào)度與智能體輕量化裁剪方法，包括如下步驟：

S1，構建包括電力終端和邊緣設備的微網(wǎng)群，且邊緣設備k中設有任務分配模型；

S2，設置總訓練輪次T、初始訓練輪數(shù)t＝0，初始化每個電力終端的本地訓練模型、稀疏度范圍、本地訓練模型的聚合權重、電力終端的經(jīng)驗重放內(nèi)存；

S3，電力終端基于深度強化學習方法對任務分配模型進行訓練，并基于模型剪裁的方法對本地訓練模型進行剪裁，邊緣設備k對訓練后的模型進行聚合并更新任務分配模型；

S4，根據(jù)更新后的任務分配模型，并以最大化長期效益期望為目標預測資源分配策略，所述資源分配策略包括任務卸載決策和能量分配決策；

S5，電力終端根據(jù)步驟S4所預測的資源分配策略執(zhí)行任務。

所述步驟S3包括如下步驟：

S3.1，執(zhí)行t＝t+1，將M個電力終端的隨機集合賦值到集合S_t；

S3.2，集合S_t中的每個電力終端分別從邊緣設備k中下載任務分配模型，并將其賦值給電力終端的本地訓練模型；

S3.3，電力終端對經(jīng)驗重放內(nèi)存進行感知并更新；

S3.4，電力終端對利用深度強化學習的方法對本地訓練模型進行訓練，并基于模型剪裁的方法對訓練出的模型參數(shù)進行剪裁；

S3.5，將步驟S3.4剪裁后的本地訓練模型的參數(shù)和電力終端進行本地訓練的次數(shù)上傳到邊緣設備k；

S3.6，邊緣設備k對每個電力終端的本地訓練次數(shù)分別進行統(tǒng)計；

S3.7，邊緣設備k根據(jù)統(tǒng)計后的本地訓練次數(shù)對接收到的模型參數(shù)進行聚合；