一种多智能体协同的配电网负荷预测方法及系统与流程

本技术涉及配电网负荷预测，具体涉及一种多智能体协同的配电网负荷预测方法及系统。

背景技术：

1、现有配电网负荷预测技术正逐步从传统的集中式架构向分布式协同架构演进。随着智能电网建设的推进，分布式深度学习与多智能体系统被广泛应用于边缘侧，各节点智能体利用本地量测数据训练局部模型，并通过与邻居节点交互模型参数或梯度信息，实现全局知识的共享与协同更新。这种方式有效避免了原始敏感数据的直接上传，在一定程度上保护了用户隐私，并减轻了中心服务器的计算压力，成为当前提升低压配电网负荷预测精度的主流技术路线。

2、然而，尽管分布式架构在数据隐私保护方面具有优势，但其在实际应用中仍面临严峻的通信瓶颈。在节点数量庞大的低压配电网中，为了保证预测模型的收敛性和准确性，各智能体往往需要高频次地交换高维度的梯度或参数信息。这种频繁的通信交互会占用大量的通信带宽资源，导致网络拥塞、传输延迟增加，甚至造成数据包丢失。特别是在通信条件受限的边缘环境下，高昂的通信开销不仅降低了系统的实时响应能力，还可能因通信阻塞导致协同预测失败，严重制约了分布式负荷预测技术的规模化部署与应用。

技术实现思路

1、鉴于以上内容，有必要提供一种多智能体协同的配电网负荷预测方法及系统，解决上述问题。

2、本技术第一方面提供一种多智能体协同的配电网负荷预测方法，所述方法包括：

3、基于本地模型梯度的变化量及事件触发阈值获取通信频率指标；基于梯度稀疏化比例及量化位宽获取通信数据量指标；基于所述通信数据量指标及预先获取的网络状态参量获取通信时延指标；基于数据压缩步骤的算法复杂度获取节点计算能耗指标；

4、建立包含所述通信频率指标、通信数据量指标、节点计算能耗指标及预测精度指标的联合目标函数，并将所述通信时延指标作为硬约束条件引入所述联合目标函数；利用交替方向乘子法对所述联合目标函数进行分布式求解，获取各节点智能体的最优通信频率、最优数据压缩策略及最优计算资源配置；

5、各节点智能体根据所述最优通信频率及最优数据压缩策略，利用本地深度学习模型进行负荷预测，并基于所述最优计算资源配置更新本地模型参数，输出协同预测结果。

6、优选的，所述基于本地模型梯度的变化量及事件触发阈值获取通信频率指标，具体包括：

7、获取本地深度学习模型在当前时刻与上一次触发通信时刻的模型参数的变化幅度；将所述变化幅度与所述事件触发阈值进行比对，若所述变化幅度大于或等于所述事件触发阈值，则将当前时刻的触发状态记为活跃，否则记为静默；

8、统计预设时间周期内处于活跃状态的次数，得到所述通信频率指标。

9、优选的，所述基于梯度稀疏化比例及量化位宽获取通信数据量指标，具体包括：

10、获取模型待传输参数的总维度；根据所述梯度稀疏化比例，计算未丢弃的梯度比例；基于所述量化位宽，确定单次通信数据包的压缩数据位大小；将所述总维度、未丢弃的梯度比例及量化位宽相乘，得到所述通信数据量指标。

11、优选的，所述基于所述通信数据量指标及预先获取的网络状态参量获取通信时延指标，具体包括：

12、获取传输时延、传播时延、处理时延及排队时延；

13、其中，所述传输时延由所述通信数据量指标与网络带宽相除得到，所述网络带宽和排队时延为由配电网聚合节点在上一通信周期测量并下发的先验常量；

14、将所述传输时延、传播时延、处理时延及排队时延相加，得到所述通信时延指标。

15、优选的，所述基于数据压缩步骤的算法复杂度获取节点计算能耗指标，具体为：

16、确定数据压缩步骤的计算复杂度，所述计算复杂度包括预设的基础算力代价项、第一动态算力代价项和第二动态算力代价项；

17、其中，所述第一动态算力代价项与未丢弃梯度的比例成反比，所述第二动态算力代价项与所述量化位宽成反比；

18、基于智能体的硬件环境参数及各个计算步骤的计算复杂度，计算得到节点执行计算任务的动态能耗；将所述动态能耗与节点的基础空闲能耗相加，得到所述节点计算能耗指标。

19、优选的，所述联合目标函数的具体公式为：

20、

21、表示最小值函数；表示整个多智能体协同预测系统的总优化目标值；表示通信频率指标；表示通信数据量指标；表示通信资源权重系数；为全局预测误差的近似替代；为精度权重系数；为节点计算能耗指标，为能耗权重系数；其中均为归一化权重系数，满足。

22、优选的，所述目标函数的约束条件为通信时延指标小于等于配电网控制业务允许的最大时延阈值。

23、优选的，所述利用交替方向乘子法对所述联合目标函数进行分布式求解，具体包括：

24、构建增广拉格朗日函数，引入拉格朗日乘子及惩罚参数；

25、各节点智能体交替更新局部变量，所述局部变量的更新包括对通信与压缩子问题、以及计算与预测子问题的求解；

26、通过交换局部变量更新拉格朗日乘子直至收敛，获取最优事件触发阈值及最优数据压缩策略。

27、优选的，对通信与压缩子问题的求解，具体包括：

28、将统计周期内的通信频率指标转化为关于事件触发阈值的连续递减拟合函数；

29、在固定计算能耗指标和拉格朗日乘子的条件下，通过优化所述事件触发阈值，获取使通信总开销最小的期望通信频率指标。

30、第二方面，本技术实施例还提供了一种多智能体协同的配电网负荷预测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

31、本技术至少具有以下有益效果：

32、本技术引入了通信频率指标（基于事件触发机制）和通信数据量指标（基于自适应梯度压缩）。相比于传统的固定周期通信，本技术仅在本地模型参数变化显著时触发通信，并通过动态调整稀疏化比例和量化位宽剔除冗余数据。这从源头上减少了无效数据包的发送数量和体积，有效缓解了低压配电网边缘侧的带宽压力，降低了因数据包堆积导致的网络丢包率。

33、将通信时延指标（包含传输、传播、处理及排队时延）作为目标函数的硬约束条件，而非简单的惩罚项。利用admm算法中的拉格朗日乘子反馈机制，系统能实时感知网络拥塞状态：当排队时延因高频率通信呈指数级激增时，算法会强制降低通信频率。这确保了关键的负荷预测指令和控制数据始终在安全时延范围内传输，避免了因通信滞后引发的系统震荡，极大提升了配电网运行的稳定性。

34、构建了包含通信开销、预测精度和计算能耗的多维联合目标函数。通过引入权重系数，系统能够在“降低通信开销”与“增加计算复杂度”之间寻找最佳平衡点，从而避免了单纯为了省通信而压榨边缘设备算力，或为了高精度而盲目全量传输的弊端，实现了全局资源的最优配置。

35、引入了基于半导体动态功耗模型重构的节点计算能耗指标。通过量化数据压缩算法复杂度带来的物理能耗代价，系统能够指导边缘节点在满足通信需求的前提下，选择计算代价最小的压缩策略；有效降低了边缘设备的cpu负载和发热量，延长了电池供电设备的使用寿命，特别适合大规模部署的配电网物联网场景。

36、本技术建立了“预测-评估-重触发”的动态闭环反馈机制。当配电网负荷发生剧烈波动（如新能源并网导致功率突变）时，系统能自动检测预测误差并触发新一轮admm协同优化。这种机制使得系统能够实时适应配电网复杂的时变环境，始终保持高精度的预测能力，解决了传统静态配置方法无法适应动态网络环境的缺陷。