一种负荷预测方法及系统技术方案

本发明专利技术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。本发明专利技术提升负荷预测精度，减少模型训练时间。减少模型训练时间。减少模型训练时间。

【技术实现步骤摘要】
一种负荷预测方法及系统


[0001]本专利技术涉及电力负荷
，尤其涉及一种负荷预测方法及系统。

技术介绍

[0002]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。
[0003]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时刻之前的数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种负荷预测方法，其特征在于，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；104，重复步骤101至步骤103，若满足预设训练条件，得到多组训练好的负荷预测模型，并将训练结束时最后一轮次联邦学习得到的最优分组匹配策略作为目标分组匹配策略；105，基于所述目标分组匹配策略，通过每组训练好的负荷预测模型，对各自组内的用户终端进行负荷预测，得到每个用户终端的负荷预测结果。2.根据权利要求1所述的负荷预测方法，其特征在于，所述方法还包括：在第一轮联邦学习过程中，通过边缘服务器向每个用户终端发送初始全局模型，所述初始全局模型是由边缘服务器从中心服务器获取得到的；每个用户终端通过各自的用电负荷数据，对接收到的所述初始全局模型进行本地训练，得到每个用户终端的初始本地模型；根据所述初始全局模型和每个初始本地模型之间的模型相似度，以及每个用户终端完成本地训练所需的时延，将每个用户终端划分到对应的边缘服务器，得到后续联邦学习过程中用户终端和边缘服务器之间的初始分组匹配策略。3.根据权利要求1所述的负荷预测方法，其特征在于，所述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，包括：在当前轮次联邦学习过程中，以最小化每个边缘服务器的全局模型和每个用户终端的本地模型之间的模型相似度距离，最小化每个用户终端的计算时延和模型参数上传通信时延为优化目标，构建分组匹配策略优化问题，并对所述分组匹配策略优化问题进行求解，得到下一轮次联邦学习的最优分组匹配策略。4.根据权利要求3所述的负荷预测方法，其特征在于，所述分组匹配策略优化问题的公式为：s.t.s.t.
其中，r
ik
表示第i个用户终端是否属于第k个边缘服务器，r
ik
取值为1或0；表示本地模型W
i
和边缘服务...

【专利技术属性】
技术研发人员：王宣元，王莉，徐连明，费爱国，闫敏，刘蓁，
申请(专利权)人：国网冀北电力有限公司，
类型：发明
国别省市：