本技术涉及负荷预估，尤其涉及一种客户基线负荷预估方法、系统、设备及介质。
背景技术：
1、随着电力系统的发展，虚拟电厂（virtual power plant, vpp）作为一种集成多种分布式能源资源的管理系统，越来越受到关注。为了优化电力资源的利用和管理，准确预测客户基线负荷（baseline load）变得尤为重要。基线负荷预测是指在没有需求响应（demandresponse, dr）事件的情况下，预测客户的典型负荷曲线。这对于评估dr活动的有效性、制定电力市场策略和优化电力调度都至关重要。
2、虚拟电厂客户基线负荷预估计现有方法主要有传统时间序列预测方法、集中式深度学习模型、传统联邦学习方法。其中，传统时间序列预测方法，处理长时间依赖的能力不足，传统统计模型在处理长时间依赖关系时表现较差，难以捕捉负荷数据中的季节性和周期性变化；且灵活性不够，这些模型通常需要预先设定参数和假设，不易适应不同客户的个性化需求；以及预测精度有限，面对复杂多变的客户负荷模式，传统模型的预测精度不够高。集中式深度学习模型，存在数据隐私问题，集中式模型需要收集大量客户数据进行训练，可能引发客户隐私泄露和数据安全问题。且计算资源需求高，训练深度学习模型需要大量计算资源，尤其是在处理大规模客户数据时，可能导致高昂的计算成本。传统联邦学习方法的模型个性化不足，传统联邦学习框架通常采用全局统一的模型参数，无法充分适应每个客户的个性化需求，可能导致预测精度下降。且通信开销大，频繁的模型参数更新和传输会带来较大的通信开销，影响系统效率。
3、因此，亟需设计一种预测准确性和数据隐私度较高、且通信开销较低的客户基线负荷预估方法。
技术实现思路
1、本技术提供了一种客户基线负荷预估方法、系统、设备及介质，用于解决现有技术预测准确性和数据隐私度较低、且通信开销较高的问题。
2、有鉴于此，本技术第一方面提供了一种客户基线负荷预估方法，所述方法包括：
3、s1、各客户节点定期获取其历史负荷数据并进行预处理得到本地数据集；
4、s2、在服务器端初始化transformer模型得到全局模型参数，并将所述全局模型参数分发至各客户节点；
5、s3、客户节点基于全局模型参数并根据所述本地数据集进行模型训练，同时对自注意层的参数进行更新，并对除自注意层的其他层的参数通过联邦平均算法进行更新；
6、s4、服务器端对来自各客户节点的自注意层的参数进行联邦平均，生成新的全局模型参数并分发至各客户节点，从而利用超网络生成每个客户节点的个性化自注意力层参数；
7、s5、各客户节点基于新的所述全局模型参数进行训练，返回步骤s3，直至达到预置训练轮数，得到训练好的个性化transformer模型；
8、s6、基于所述个性化transformer模型进行基线负荷预测。
9、可选地，所述客户节点基于全局模型参数并根据所述本地数据集进行模型训练，具体包括：
10、设定训练轮数和每轮的本地训练步数；
11、每个客户节点执行步本地训练，优化自注意力层参数和其他层的参数；
12、将所述自注意力层参数保留在本地，将所述其他层的参数汇总到服务器端。
13、可选地，服务器端对来自各客户节点的自注意层的参数进行联邦平均，包括：
14、服务器端基于联邦平均的算法公式，对来自各客户节点的自注意层的参数进行联邦平均；
15、其中，所述联邦平均的算法公式为：
16、；
17、式中，是聚合后的全局模型参数，是客户节点的数，是第个客户节点的所述其他层的参数。
18、可选地，所述进行预处理，具体包括：
19、对获取得到的历史负荷数据进行清洗处理，其中，所述清洗处理包括：剔除噪声、异常值和缺失值；对完成清洗处理的历史负荷数据进行标准化处理。
20、可选地，所述标准化处理为均值-方差标准化方法，均值-方差标准化方法的公式为：
21、；
22、式中，为标准化后的数据，为标准化前的数据，是均值，是标准差。
23、可选地，步骤s6之后，还包括：
24、通过基线负荷预测值与实际值之间的误差，对所述个性化transformer模型进行预测性能评估。
25、可选地，所述通过基线负荷预测值与实际值之间的误差，对所述个性化transformer模型进行预测性能评估，具体包括：
26、基于均方误差的计算公式，计算基线负荷预测值与实际值之间的误差，对所述个性化transformer模型进行预测性能评估；
27、其中，所述均方误差的计算公式为：
28、；
29、式中，为实际值，为预测值，为样本数量。
30、本技术第二方面提供一种客户基线负荷预估系统，所述系统包括：
31、获取单元，用于各客户节点定期获取其历史负荷数据并进行预处理得到本地数据集；
32、初始化单元，用于在服务器端初始化transformer模型得到全局模型参数，并将所述全局模型参数分发至各客户节点；
33、第一训练单元，用于客户节点基于全局模型参数并根据所述本地数据集进行模型训练，同时对自注意层的参数进行更新，并对除自注意层的其他层的参数通过联邦平均算法进行更新；
34、更新单元，用于服务器端对来自各客户节点的自注意层的参数进行联邦平均，生成新的全局模型参数并分发至各客户节点，从而利用超网络生成每个客户节点的个性化自注意力层参数；
35、第二训练单元，用于各客户节点基于新的所述全局模型参数进行训练，并触发第一训练单元，直至达到预置训练轮数，得到训练好的个性化transformer模型；
36、预测单元，用于基于所述个性化transformer模型进行基线负荷预测。
37、本技术第三方面提供一种客户基线负荷预估设备，所述设备包括处理器以及存储器：
38、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
39、所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的客户基线负荷预估方法的步骤。
40、本技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的客户基线负荷预估方法。
41、从以上技术方案可以看出，本技术具有以下优点：
42、1、处理长时间依赖关系：传统时间序列模型（如arima）和某些深度学习模型（如lstm）在处理长时间依赖关系时存在性能瓶颈，难以捕捉复杂的时间依赖性。而本技术的transformer模型通过自注意力机制能够有效捕捉时间序列数据中的长时间依赖关系和重要时间点。
43、2、个性化模型：传统联邦学习方法采用统一的全局模型，无法充分适应每个客户的个性化需求，导致预测精度不高。本技术在每个客户节点上训练个性化的transformer模型，自注意力层参数本地更新，适应不同客户的独特负荷模式，从而提高预测精度。
44、3、数据隐私保护：集中式深度学习方法需要收集和存储大量客户数据，存在数据隐私泄露的风险。本技术的联邦学习框架，本地训练模型参数，只传输模型更新而不传输原始数据，确保数据隐私和安全。
45、4、高效的通信和计算：传统联邦学习方法在频繁的模型更新过程中，通信开销较大，且计算资源需求高，影响系统效率。本技术通过自适应学习率和超网络生成个性化嵌入，减少了参数传输的频率和通信开销，提高了训练效率和系统性能。
46、5、鲁棒性和泛化能力：传统方法在处理数据异质性和分布差异时，模型鲁棒性和泛化能力不足，容易导致性能下降。本技术超网络生成个性化嵌入，增强了模型在不同客户数据上的鲁棒性和泛化能力，提高了模型在面对数据异质性时的性能。
1.一种客户基线负荷预估方法，其特征在于，包括：
2.根据权利要求1所述的客户基线负荷预估方法，其特征在于，所述客户节点基于全局模型参数并根据所述本地数据集进行模型训练，具体包括：
3.根据权利要求1所述的客户基线负荷预估方法，其特征在于，所述服务器端对来自各客户节点的自注意层的参数进行联邦平均，包括：
4.根据权利要求1所述的客户基线负荷预估方法，其特征在于，所述进行预处理，具体包括：
5.根据权利要求4所述的客户基线负荷预估方法，其特征在于，所述标准化处理为均值-方差标准化方法，均值-方差标准化方法的公式为：
6.根据权利要求1所述的客户基线负荷预估方法，其特征在于，步骤s6之后，还包括：
7.根据权利要求6所述的客户基线负荷预估方法，其特征在于，所述通过基线负荷预测值与实际值之间的误差，对所述个性化transformer模型进行预测性能评估，具体包括：
8.一种客户基线负荷预估系统，其特征在于，包括：
9.一种客户基线负荷预估设备，其特征在于，所述设备包括处理器以及存储器：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的客户基线负荷预估方法。
