论文部分内容阅读
电力负荷预测是目前我国电力行业统筹发展的一项关键性任务,随着国家经济的迅速进步以及环保战略的进一步推动,负荷体现出增速减缓的波动走向,负荷的剧烈改变会导致负荷预测变得困难,造成负荷发生变动的源头是经济、资产、环保等策略的改变。由于政策的改变,导致影响负荷发生波动的因素增加,各种因素彼此间联系与使负荷发生变化的因素很难量化,所以要了解清楚在政策的基础下那些要素会造成负荷发生波动,并研究造成负荷波动的因素,之后构建负荷预测模型并根据历史数据对其进行预测,这样可以给出合理分配电能的计划,从而达到电网供求均衡,这对电网规划起着关键的作用,同时负荷预测也会对系统运行方式和设备检修产生影响。本文的主要内容如下:1.本文根据负荷的特征,提出了一种基于卷积神经网络（convolutional neural network,CNN）、联邦学习（federated learning,FL）、门控循环单元（gated recurrent unit,GRU）相结合的短期电力负荷预测模型。本文模型的输入为实际数据、气候、时间以及经济等因素。2.CNN可以更深入找出信息的各种特征,而且可以在特征里面找出有用的特征叙述,它是一种精确且高效的特征提取方法。GRU可以用来训练模型,之后对CNN的输出结果进行学习,主要是为了学习负荷向量在时间序列里的变化规律,这样可以提高预测的精度,因此在第四章中提出了CNN与GRU相结合的网络模型。其模型的步骤是先应用CNN获得输入特征并将其构造为时序性的向量,之后把CNN输出作为GRU的输入,最后在GRU里实行训练并输出结果。通过实验验证,预测精度和预测速度都取得了不错的效果。3.由于CNN-GRU的预测方法需要在售电公司和各行业之间频繁的共享数据,从而会导致各行业通信开销的泄漏,造成极大的隐私安全问题。为了解决这一问题,本文提出了联邦卷积神经网络（federated convolutional neural network,FC）与门控循环单元（GRU）相结合的混合网络,该方法允许各行业在不揭示真实数据集的情况下共享数据。通过实验验证,基于联邦卷积神经网络与门控循环单元相结合的预测模型,成功地避免了此类安全隐患,同时其精度和速度均近一步得到了提升。