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；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。
2.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。
3.根据权利要求2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.其中，r i k 表示第i个用户终端是否属于第k个边缘服务器，r i k 取值为1或0；Dist(W i ,W k )表示本地模型W i 和边缘服务器上全局模型W K 之间的模型相似度距离， 表示在第i个用户终端上进行本地训练所需要的计算时延， 表示第i个用户终端和第k个边缘服务器之间的模型参数上传通信时延，T max 表示最大时延阈值。
4.根据权利要求3所述的负荷预测方法，其特征在于，所述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，包括：基于Kuhn-Munkres匹配算法，对分组匹配策略优化问题进行求解，得到最优分组匹配策略。
5.根据权利要求3所述的负荷预测方法，其特征在于，所述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，还包括：基于盖尔-沙普利匹配算法，对分组匹配策略优化问题进行求解，得到最优分组匹配策略。
6.根据权利要求1所述的负荷预测方法，其特征在于，所述训练好的负荷预测模型是由长短期记忆网络构建得到的。
7.一种负荷预测系统，其特征在于，包括：组内全局模型发送模块，用于执行步骤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；组内本地训练模块，用于执行步骤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；最优分组匹配策略计算模块，用于执行步骤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；循环训练模块，用于执行步骤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；多分组负荷预测模块，用于执行步骤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；所述系统还用于：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。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述负荷预测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述负荷预测方法的步骤。
