[发明专利]一种负荷预测方法及系统

说明书

本发明提供一种负荷预测方法及系统，该方法包括：101，根据当前联邦学习最优分组匹配策略，每个边缘服务器将对应分组的本地模型进行聚合，得到每个边缘服务器的全局模型；102，用户终端通过各自用电负荷数据，对接收到的全局模型进行本地训练，得到每个用户终端在当前联邦学习的本地模型；103，根据全局模型和每个本地模型间的模型相似度，以及每个用户终端完成本地训练所需时延，获取下一联邦学习最优分组匹配策略；104，重复101至103，得到目标分组匹配策略和不同分组负荷预测模型；105，基于目标分组匹配策略，通过每个分组负荷预测模型，对各自组内用户终端进行负荷预测。本发明提升负荷预测精度，减少模型训练时间。

技术领域

本发明涉及电力负荷技术领域，尤其涉及一种负荷预测方法及系统。

背景技术

越来越多可再生能源的加入，给电网带来很大的波动性和不确定性，虚拟电厂(Virtual Power Plants，简称VPP)则可以通过聚合分布式发电、柔性负荷和储能等分布式能源参与电力市场运行，促进供需互动，减少可再生能源随机性和波动性对电力系统的影响。要想实现这个目标，其中最关键的一步则是精准及时的预测单个用户的用电需求，使得VPP提前知道不同用户所需电量是实现其灵活性电力调度的前提与关键所在。

现有研究表明，使用深度神经网络进行负荷预测的性能优于其他预测方法，如自回归综合移动平均(Auto Regressive Integrated Moving Average，简称ARIMA)和支持向量回归(Support Vector Regression，简称SVR)方法。尤其是作为时间序列模型的循环神经网络(Recurrent Neural Networks，简称RNNs)，该神经网络可以根据t时刻之前的数据，预测t时刻即将产生的数据，这一特点非常适用于单个用户的负荷预测问题。然而，现有的基于RNN的负荷预测框架，都是假设将所有数据传输到云服务器上进行模型训练，负荷数据中包含了很多敏感信息，如用电设备使用情况、家庭居住情况和电费账单等，通过网络将这些数据传输出去，会使其面临恶意拦截和滥用，从而导致隐私安全无法被保证。

联邦学习(Federated Learning，简称FL)作为保护用户隐私安全的有效手段最近被广泛关注，最新的研究也提出了基于FL的负荷预测方法，该方法不需要传输原始的用电数据，而只需要传输训练出来的模型参数即可。中心服务器首先将初始化模型参数下发给客户端，客户端进行本地模型训练后，将本地模型上传到中心服务器，中心服务器将所有客户端的本地模型进行聚合再下发给客户端，如此循环下去，直到满足收敛条件为止。该方法是通过聚合用户的模型参数来获取所有用户共享的负荷规律，最终得到的是一个全局的负荷预测模型。然而，从信息的角度来看，VPP中不同的用户设备之间具有很大的异质性，会对FL训练效率带来很大的影响；从能源的角度来看，不同用户的用电行为和规律存在差异化，因此使用FL得到的全局模型对所有的用户进行负荷预测时，会导致负荷预测准确率下降的问题。因此，现在亟需一种负荷预测方法及系统来解决上述问题。

发明内容

针对现有技术存在的问题，本发明提供一种负荷预测方法及系统。

本发明提供一种负荷预测方法，包括：

101，根据当前轮次联邦学习的最优分组匹配策略，每个边缘服务器将对应分组内上一轮次联邦学习得到的本地模型进行聚合，得到每个边缘服务器在当前轮次联邦学习的全局模型，并将各自当前轮次联邦学习的全局模型发送到对应分组的用户终端；

102，每个用户终端通过各自的用电负荷数据，对接收到的当前轮次联邦学习的全局模型进行本地训练，得到每个用户终端在当前轮次联邦学习的本地模型；

103，根据当前轮次联邦学习得到的全局模型和当前轮次联邦学习得到的每个本地模型之间的模型相似度，以及当前轮次联邦学习的每个用户终端完成本地训练所需的时延，获取下一轮次联邦学习的最优分组匹配策略；