1.不同时间尺度下多节点多元负荷联邦协同预测方法，其特征在于，包括以下步骤：

步骤1：使用样条插值法对时间尺度较大的负荷数据进行插值，统一各节点负荷数据的时间尺度；

考虑n个拥有m种能源的节点，由于数据采集设备或频率不同，这些能源的历史负荷数据具有不同的时间尺度，设它们拥有的时间尺度集合为{c1，c2，c3...cd}，其中，c1＜c2＜c3...＜cd；

以第i个节点内m种不同类型的负荷数据{Xi1，Xi2，......Xim}为例，设它们共有{c2，c3...cd}时间尺度数据；对时间尺度为{c2，c3...cd}的负荷数据，在原有的时间戳基础上使用三次插值法产生缺失数据，分别将它们统一至c1尺度；

步骤2：在每个节点内部，利用自身同时间尺度的负荷数据，建立本地多元负荷预测模型；

采用基于隐藏层稀疏共享的LSTM模型，在神经网络层级之间利用Dropout技术将上一层的神经网络部分丢弃后传至下一层；以第i个节点为例，基于该节点内统一时间尺度后的用能数据{X′ia，X′ib，......X′im}，建立它的初始多元预测模型；

步骤3：通过参数共享的联邦学习机制在节点之间共享模型参数，使用联邦学习对各节点进行融合训练，并利用自身数据对分发后的模型进行微调，建立最终的联邦预测模型；

针对不同节点上同种负荷在相同尺度下建立的本地预测模型，提出一种节点间同尺度联邦学习模型，有效集成这些模型的参数；

以任意一种负荷为例，假设在n个节点上使用c1尺度数据建立的负荷预测模型分为{M(1，c1)，M(2，c1)，...，M(n，c1)}，首先采用参数共享联邦学习机制联合训练这些模型的参数，接着使用Fine‑tune技术微调每个节点上自身模型的参数；

步骤4：结果预测；使用当前节点内自身数据，对更新后的预测模型进行微调；每个节点使用最终微调得到的联邦预测模型，在本地进行多元负荷预测。

2.如权利要求1所述的不同时间尺度下多节点多元负荷联邦协同预测方法，其特征在于：以第1个节点为例，参数共享联邦学习机制的具体执行方法如下：首先第一个节点将预测模型M(1，c1)参数传递给第2个节点，第2个节点接受这些参数后，利用自身数据更新模型M(2，c1)，并将更新后的模型参数传递给第3个节点；以此类推，在最后一个节点结束本地训练后，将更新后的模型参数重新反馈给节点1；其它节点也采用类似过程更新它的本地预测模型；

随后，每个参与方利用自身拥有的用能数据，采用Fine‑tune技术微调本地模型，冻结每个模型前n‑1层的参数，仅使用节点本地数据重新训练初始模型最后一层的参数进而得到其最终的该尺度下的负荷预测模型。