提出了一种考虑人员占用影响的集成楼宇暖通空调(heating,ventilation and air conditioning,HVAC)负荷群配电电网优化方法。首先,依据建筑围护热阻热容网络和配电网支路潮流方程构建了集成暖通空调负荷群配电网数学模型。其次,利用梯...提出了一种考虑人员占用影响的集成楼宇暖通空调(heating,ventilation and air conditioning,HVAC)负荷群配电电网优化方法。首先,依据建筑围护热阻热容网络和配电网支路潮流方程构建了集成暖通空调负荷群配电网数学模型。其次,利用梯形隶属度函数模糊化占用人数并考虑其对暖通空调负荷温度调控的影响,形成包含占用松弛函数约束的暖通空调负荷群与配电网联合优化方法。最后,通过模型预测控制方法实现了集成楼宇暖通空调负荷群配电网的滚动优化控制。改进的IEEE33节点配电网系统仿真结果表明,所提出的计及占用影响的联合优化模型,在楼宇侧能够满足人员热舒适性,同时减少楼宇暖通空调负荷能耗,在电网侧则减少配电网线路损耗和节点电压的波动,有效提高楼宇侧和电网侧整体的节能水平。展开更多
微调后的大语言模型(Large language models,LLMs)在多任务中表现出色,但集中式训练存在用户隐私泄漏的风险。联邦学习(Federated learning,FL)通过本地训练避免了数据共享,但LLMs庞大的参数量对资源受限的设备和通信带宽构成挑战,导致...微调后的大语言模型(Large language models,LLMs)在多任务中表现出色,但集中式训练存在用户隐私泄漏的风险。联邦学习(Federated learning,FL)通过本地训练避免了数据共享,但LLMs庞大的参数量对资源受限的设备和通信带宽构成挑战,导致在边缘网络中部署困难。结合分割学习(Split learning,SL),联邦分割学习可以有效解决这一问题。基于模型深层权重的影响更为显著,以及对部分层的训练准确率略低于整体模型训练的发现,本文按照Transformer层对模型进行分割,同时引入低秩适应(Low⁃rank adaption,LoRA)进一步降低资源开销和提升安全性。因此,在设备端,仅对最后几层进行低秩适应和训练,然后上传至服务器进行聚合。为了降低开销并保证模型性能,本文提出了基于联邦分割学习与LoRA的RoBERTa预训练模型微调方法。通过联合优化边缘设备的计算频率和模型微调的秩,在资源受限的情况下最大化秩,提高模型的准确率。仿真结果显示,仅训练LLMs最后3层的情况下,在一定范围内(1~32)增加秩的取值可以提高模型的准确率。同时,增大模型每轮的容忍时延和设备的能量阈值可以进一步提升模型的准确率。展开更多
文摘提出了一种考虑人员占用影响的集成楼宇暖通空调(heating,ventilation and air conditioning,HVAC)负荷群配电电网优化方法。首先,依据建筑围护热阻热容网络和配电网支路潮流方程构建了集成暖通空调负荷群配电网数学模型。其次,利用梯形隶属度函数模糊化占用人数并考虑其对暖通空调负荷温度调控的影响,形成包含占用松弛函数约束的暖通空调负荷群与配电网联合优化方法。最后,通过模型预测控制方法实现了集成楼宇暖通空调负荷群配电网的滚动优化控制。改进的IEEE33节点配电网系统仿真结果表明,所提出的计及占用影响的联合优化模型,在楼宇侧能够满足人员热舒适性,同时减少楼宇暖通空调负荷能耗,在电网侧则减少配电网线路损耗和节点电压的波动,有效提高楼宇侧和电网侧整体的节能水平。
