我本次组会汇报的内容是《基于深度强化学习的微电网能源管理》，我将从科研背景、科研问题、科研目的、研究内容等方面进行介绍。

科研背景

1，2020年9月22日，国家主席习近平在第七十五届联合国大会上宣布，中国力争2030年前二氧化碳排放达到峰值，努力争取2060年前实现碳中和目标，大力发展应用可再生能源成为重点趋势。
2，作为一种小型发配电系统，微电网能够有效整合分布式电源、用电负载和储能系统，实现可再生能源的就地消纳。
3，据瑞信预计，到2030年，中国新能源汽车销量的十年年均复合增速有望达到25%，新能源汽车渗透率将提高至43%，电动汽车的数量暴增使得V2G技术能够得到更好地利用。V2G核心思想在于电动汽车和电网的互动，利用大量电动汽车的储能作为电网和可再生能源的的缓冲。对于电动汽车的用户来说，当用电负荷过高时由电动汽车向电网馈电；而当用电负荷低时将电网过剩的电力存储在电动汽车里。
4，负荷预测：电力系统负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提，是电网调度部门和规划部门所必须具有的基本信息。准确的负荷预测有助于提高系统的安全性和稳定性，能够减少发电成本。随着电力市场的建立和发展，短期负荷预测技术已成为电力系统EMS系统中必不可少的部分。

科研问题

 1，微电网的状态变量存在复杂性和多变性，传统的基于模型的方法难以很好地处理微电网的能源管理问题。
2，新能源电动汽车数量的剧增，将电动汽车作为移动电源参与供电成为可能，如何更好地进行能源管理是一个问题。

科研目的

根据短期负荷预测的结果，调度适量的电动汽车作为电源参与微电网能源管理，并提出一种基于深度强化学习的微电网能源管理方法，面向非线性、复杂的微电网系统，对储能以及发电设施进行管理，然后在保证系统稳定运行的前提下，通过实时能源管理降低系统运行成本并提升系统平衡因子。

研究内容

具体内容将在组会中进行详细介绍。

我本次组会的汇报题目是《基于V2G技术的微电网电动汽车充放电调度策略研究》，我将从科研背景，科研问题，科研目的，研究内容等方面进行介绍。

科研背景

• 近年来，电动汽车(EV)的大规模部署，已经被认为是减少碳排放的有效途径。另一方面，根据国际能源机构2022年的分析，在大型经济体中，仅电动汽车就约占本国总电力消耗的5%，如此规模的电动汽车进行不受控制的充电可能会引发电力系统负担过重的风险。
• 相较于传统的不受控充电和“单向有序的充电服务”(V1G)，车辆对电网(V2G)技术通过与电网进行交互，鼓励EV作为灵活的储能设备来调整充放电行为。当电网负荷压力较高时，将电力放回电网，这一过程不但可以缓解功率峰值负荷，而且为用户带来一定的经济效益。因此，V2G技术是目前解决新型电力系统能源供应安全风险的有效方案之一。

科研问题

• 由于可再生能源具有间歇性和波动性，会影响微电网系统保持高效稳定的运行，而电动汽车集群作为一种灵活部署且能源清洁的储能设备，引入V2G技术为微电网充分利用分布式可再生能源提供了一种有效的途径。
• 随着微电网中设备部件的增加，越来越多的数据需要处理和计算。同时分时电价和充电用户的随机行为也为充放电策略的制定带来了不确定性。

科研目的

提出一种基于DRL的电动汽车充放电调度策略，在一个配备V2G停车场，用电负载和多个分布式能源的混合微电网系统中，降低运行成本，提高用户满意度。

问题建模

针对该问题，具体的系统框架和数学建模将在组会中进行详细介绍。

基于智能合约的多方安全联邦生成模型研究

科研背景

1.近年来，机器学习、深度学习等技术快速发展并被广泛应用。数据的丰富程度和质量对深度学习模型的性能有着显著影响。但是，一方面数据主体担心自己的商业秘密和用户隐私泄露，不愿交付数据。另一方面，日益严格的数据安全法规对数据的流通和使用提出了诸多限制。这都导致数据共享成为问题，也缺乏数据使深度学习等技术在各个领域无法研究。 2。联邦学习的兴起使分布式用户无须传输本地数据即可实现联合建模，成为数据共享应用和人工智能方法获取标注数据以落地的新范式。

科研目的

构建基于智能合约的多方安全联邦生成模型，安全地生成合成数据，代替多方原始敏感数据进行自由的共享应用和流通。1.构建异构型的分布式联邦GAN。在联邦中心保留生成器G，在联邦网络中的边缘客户端各自保留一个判别器D。由多个客户端联邦训练GAN模型，生成合成数据。2.通过区块链和安全多方计算解决分布式联邦GAN的信任和安全问题。由区块链提供一个信任交互平台，联邦中心和边缘客户端都是其中平等的用户节点。区块链智能合约负责执行具体的多方安全计算，安全完成生成器和客户端判别器之间的训练参数聚合和交互工作。提升了联邦GAN模型的隐私保护能力。

研究内容

此次汇报内容是《智能电网场景下的分布式在线学习电力数据异常检测》相关内容，我将从科研背景、科研问题、科研目的、研究内容等几个方面汇报。

研究内容

此次汇报的内容为最近的研究《边缘计算中基于区块链和DRL的可信任务调度框架》的相关内容，将从科研背景、科研问题、科研目的、研究内容等几个方面展开。

科研背景

1.任务调度是边缘计算的一个关键环节，是将任务映射到合适的资源池上执行的过程。而在边缘计算中，这些资源具有动态性、异构性的特点, 边缘计算往往缺乏像云计算集中控制的安全机制。因此在边缘服务器处理任务之前，任务的所有者关心服务器是否值得信任，信任在边缘计算中被归类为必要的安全需求

2.在边缘计算任务调度方法的相关研究中，启发式算法目前研究广泛。这类算法可在约束条件下寻找到符合条件的可行解，但是收敛速度比较慢，在求解过程中往往陷入局部最优解，较难满足低时延的任务要求

科研问题

1.存在恶意服务器，拖延或破坏任务完成，并返回虚假的执行结果，为了评估边缘服务器是否可信，需要建立一个客观、公正、可信的信任管理方案。目前信任管理的相关研究多采用集中式的架构存储和更新信任信息，但不存在绝对可信的第三方，同时单点故障的风险始终存在

2.启发式算法难以满足边缘计算中任务对于网络延迟的需求，不适用于实时的调度问题。同时考虑任务调度方法如何有效结合信任管理，利用信任信息进行任务调度，保证可信的任务调度

科研目的

1.提出基于区块链的信任管理方案，利用区块链以去中心化的方式存储、传播和更新信任信息

2.提出基于DQN的智能调度算法实时地根据服务器信任值的变化进行任务调度，选择可信的服务器执行任务，从而保证可信可靠的任务调度

研究内容——系统架构

具体内容将会在组会上进行介绍

本次汇报对分布式储能网络化运营能量需求预测研究的研究进展进行介绍，主要从科研背景、科研问题、科研目的、研究进展几个方面展开。

科研背景:

储能是通过特定的装置或物理介质将不同形式的能量通过不同方式储存起来，以便以后在需要时利用的技术。 当前，我国经济结构和能源体系正经历革命性变化。分布式能源在提升能源利用效率、优化能源供给结构、缓解能源供需地域不平衡等方面发挥了重要作用，是现代能源系统不可或缺的重要组成部分，其应用场景包含用户侧、分布式电源侧和配网侧等三个方面。

科研问题：目前的研究中，分布式储能节点负荷的不确定性与随机性更强，存在数据稀疏性与不稳定性问题，难以精准预测分布式储能能量需求。

科研目的：结合多储能单元历史负荷数据来预测各储能单元的电力负荷，通过图卷积神经网络，引入不同储能单元时空信息、储能数据信息，挖掘不同时间、地点分布式单元间负荷需求的内在相关性，提升预测模型对单一储能单元能量需求预测的精准性。

研究场景：

本次汇报对基于深度强化学习的高效云工作流调度研究的研究进展进行介绍，主要从科研背景、科研问题、科研目的、研究进展几个方面展开。

科研背景：
云计算是一种采用虚拟化技术通过网络为用户提供各类计算资源，平台化服务，应用程序服务的一种分布式计算服务框架，能够根据用户的需求为用户提供各种配置类型的服务实例，这些服务实例具有按需服务，动态伸缩，成本低的特点，使越来越多领域的应用程序，特别是需要大规模计算的应用，如天气预报、地震预测等正在迁移至云环境，这些应用程序通常一系列数据依赖的任务组成，也就是工作流。
工作流是由一组之间具有数据或功能依赖的任务组成的作业，在云环境中执行时，由于工作流中的任务必须等待前置任务的完成才能执行，不可避免的造成了大量的空隙时间，导致服务实例的空闲，降低了云环境的处理效率。过往研究大多仍集中于云中单个或多个工作流的静态规划，并且没有考虑任务在实例中执行时间的不确定性。同时，对于实时工作流调度的研究还很少，并且集中于使用基于先验专家知识设计的调度算法，在动态、复杂、多样的云环境中存在局限性。

科研问题：
1.受依赖关系限制，工作流在云环境中的执行效率低。
2.受云环境动态变化性质的影响，工作流任务在云服务实例中的执行时间和数据传输时间具有不确定性。
3.实时工作流的结构，任务数量等具有不确定性，传统静态工作流调度方法无法直接应用，基于专家经验的启发式实时调度方法无法在动态不确定的云环境中实现最优调度。

科研目地：
提出一种面向不确定云环境的实时云工作流在线调度方法，通过深度强化学习（DRL）智能体，将实时到达的具有截止时间期限的工作流在线调度到任务执行情况不确定的云环境中执行。具体来说，在每个工作流到达时，将子任务进行拆分，通过计算每个子任务的最晚开始时间和最晚结束时间确定子任务的响应时间范围，不断将无前置任务或前置任务执行结束的就绪任务通过DQN智能体调度到云虚拟机中执行，通过智能体不断离线学习调度经验，在虚拟机子任务执行时间和数据传输时间不确定的云环境中实现满足工作流截止时间期限约束下低成本的工作流调度。

研究内容：

此次汇报主要是汇报分布式储能网络化运营体系中数据安全与隐私保护问题研究中针对《基于联邦学习的云储能平台参与者选择机制研究》的研究进展，主要从科研背景、科研问题、科研目的、研究进展几个方面展开。

科研背景：
（1）目前基于分布式储能的研究场景中，更多聚焦于用户或者能源提供商效益的研究，对于分布式储能平台管理功能需要更进一步；
（2）基于储能管理系统中，在聚合管理过程中参与节点可能不会诚实地共享训练参数，因此协同训练数据信息具有不确定性、模糊性等特征，选择较好节点可以提高整体的运营效率。
（3）缺乏必要的竞争机制来提升平台运行效率，目前的效益分配方案多采用贡献度固定的分面机制，会使用户在平台上的自主性不高，没有起到激励作用，不利于参与主体通过提升竞争力提高整体的经济效益。

科研问题：单位系统数据样本有限，而利用联邦学习进行分布式预测存在协作训练中不诚实节点影响全局模型精度。

科研目的：构建基于联邦学习的分布式节点选择方法
构建科学的信誉评估机制选择贡献较大节点进行模型的聚合训练
对于贡献越高的节点，其得到的本地模型质量也越高

研究进展