微电网的能量管理与优化调度作为构建新型电力系统的重要环节,提高其可再生能源的消纳水平、降低源荷不确定性风险以及优化系统运行成本具有重要意义。因此,文中提出一种基于信息间隙决策理论(information gap decision theory,IGDT)的...微电网的能量管理与优化调度作为构建新型电力系统的重要环节,提高其可再生能源的消纳水平、降低源荷不确定性风险以及优化系统运行成本具有重要意义。因此,文中提出一种基于信息间隙决策理论(information gap decision theory,IGDT)的含广义储能的独立直流微电网日前优化调度模型。首先,构建含超级电容的混合储能系统,以降低蓄电池运行成本,将具备虚拟储能特性的柔性负荷与混合储能相结合,形成广义储能,充分发挥微电网系统内灵活性资源特性;其次,考虑系统风光荷不确定性,引入IGDT模型,在确定性模型基础上建立风险规避策略下的鲁棒模型和风险投机策略下的机会模型,从2种决策角度追求降低风险与最大化收益;最后,基于算例仿真分析,证明该调度策略在降低微电网运行成本的基础上可量化不确定性因素对系统调度决策的影响,验证了模型的有效性和可参考性。展开更多
车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决...车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案.然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布(non-independent and identically distributed,non-IID)数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢.针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO.第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.展开更多
文摘微电网的能量管理与优化调度作为构建新型电力系统的重要环节,提高其可再生能源的消纳水平、降低源荷不确定性风险以及优化系统运行成本具有重要意义。因此,文中提出一种基于信息间隙决策理论(information gap decision theory,IGDT)的含广义储能的独立直流微电网日前优化调度模型。首先,构建含超级电容的混合储能系统,以降低蓄电池运行成本,将具备虚拟储能特性的柔性负荷与混合储能相结合,形成广义储能,充分发挥微电网系统内灵活性资源特性;其次,考虑系统风光荷不确定性,引入IGDT模型,在确定性模型基础上建立风险规避策略下的鲁棒模型和风险投机策略下的机会模型,从2种决策角度追求降低风险与最大化收益;最后,基于算例仿真分析,证明该调度策略在降低微电网运行成本的基础上可量化不确定性因素对系统调度决策的影响,验证了模型的有效性和可参考性。
文摘车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案.然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布(non-independent and identically distributed,non-IID)数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢.针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO.第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.