CN111177127A - 一种基于bp神经网络的光伏电站出力数据修复方法 - Google Patents
一种基于bp神经网络的光伏电站出力数据修复方法 Download PDFInfo
- Publication number
- CN111177127A CN111177127A CN201911252627.5A CN201911252627A CN111177127A CN 111177127 A CN111177127 A CN 111177127A CN 201911252627 A CN201911252627 A CN 201911252627A CN 111177127 A CN111177127 A CN 111177127A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic power
- power station
- neural network
- output data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 230000008439 repair process Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000010521 absorption reaction Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000013523 data management Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明属于电力系统技术领域，涉及光伏发电运行监测方法，具体涉及一种基于BP神经网络的光伏电站出力数据修复方法。本发明将异常数据分为局部异常型数据和连续异常型数据，对局部局部异常型数据利用多项式插值法修复，对连续异常型数据利用BP神经网络修复，修复相应数据，并以试验机组为基准，基于Cholesky分解得到其他机组出力数据。本发明提高了能资源富集地区的发电数据质量和数据管理水平，为弃光评价以及光伏消纳预警提供了数据分析基础。
Description
技术领域
本发明属于电力系统技术领域，涉及光伏发电运行监测方法，具体涉及一种基于BP神经网络的光伏电站出力数据修复方法。
背景技术
当前数据修复的方法和工具有很多，比如数据处理软件，包括SAS、SPSS、S-PLUS、MICE等。数据修复方法包括多重插值法、马尔可夫链蒙特卡洛法、时间序列法、回归法(高斯迭代、牛顿迭代法)等。在这些数据修复方法中，多重插值算法适合处理一些多维非线性的缺失数据，需要做大量的工作来创建插补集并进行结果分析，无论是何种情况下的多重插补，其处理过程都是比较复杂的。时间序列法主要是从序列自相关的角度揭示时间序列的发展规律，目前已广泛应用于自然科学和社会科学的各个领域，适合利用现有数据估计预测未来数据。回归法可以进行非线性曲线拟合，非线性曲线拟合技术在图像处理、逆向工程以及测试数据的处理等领域中的应用越来越广泛。
目前国内外针对光伏电站出力数据修复的方法较少，也尚无对光伏电站出力数据有针对性的修复软件。在国内，仅有个别学者针对光伏数据进行了异常数据筛选的研究，然后采用SAS对数据进行修复和分析，数据修复方法对新能源出力数据修复仍不具有实际参考意义。
光伏电站的出力数据往往会出现数据缺失或者无效数据，如何在大量的数据中捕捉出力数据的特征，甄别无效数据，并利用插值法或利用时间序列预测的方法对出力数据进行修复是研究光伏电站出力相关性和进行生产模拟的基础，所以出力数据的修复方法是本专利解决的一大技术问题。
另外，如何排除无效数据的干扰，并对出力数据的数字特征进行捕捉，以及如何有效修复原本具有高随机性的出力数据也是本专利解决的另一技术问题。
发明内容
本发明提供了一种基于BP神经网络的光伏电站出力数据修复方法，对异常数据中的局部异常型数据和连续异常型数据分别采用利用多项式插值法修复，对连续异常型数据利用BP神经网络修复，本发明提高了能资源富集地区的发电数据质量和数据管理水平，为弃光评价以及光伏消纳预警提供了数据分析基础。
为实现上述目的，本发明采用的技术方案如下所述：
一种基于BP神经网络的光伏电站出力数据修复方法，包括以下步骤：
步骤1、检验光伏电站某一机组天气信息与光伏电站出力数据的相关性，筛选出力数据相关数据项；
步骤2、利用已知天气信息和已知光伏电站出力数据训练BP神经网络；
步骤3、将光伏电站出力数据从第一组到第K组依次筛选得到数据中的异常数据，并将数据分为局部异常型数据和连续异常型数据；
步骤4、对局部局部异常型数据利用多项式插值法修复，对连续异常型数据利用BP神经网络修复；
步骤5、判断所有异常数据组是否全部修复完成，确定修复完成后，在数据库中修复相应数据，输出修复报告；
步骤6、以已修复机组为基准，基于Cholesky分解得到其他机组出力数据。
所述筛选异常数据时，需计算数据纪录的精度和误差，计算方式为：当开机容量为Pon时，将光伏电站出力在[-αPon,(1+α)Pon]区间时未超出光伏电站开机容量，α为0.03～0.1之间数值。
所述连续异常型数据利用BP神经网络修复包括以下步骤：
S1、将相应时刻天气信息输入到BP神经网络，得到太阳光照强度和温度；
S2、抽样得到各时刻的光伏电站开机容量；
S3、计算得到光伏电站出力作为修复的数据。
本发明的有益效果为：本专利提升了光伏发电及运行数据的结构完备性，分析出了不同时空及类别数据源的相互关联影响及典型特征，通过基于BP神经网络的光伏电站出力数据修复方法，提光能资源富集地区的发电数据质量和数据管理水平，为弃光评价以及光伏消纳预警提供了数据分析基础。
附图说明
图1是修复光伏电站出力数据流程图；
图2是错误数据的分类图；
图3是多项式差值修复法原理图。
具体实施方式
下面结合附图并通过具体的实施例进一步的说明本发明的技术方案：
实施例1
本发明所针对的光伏电站错误数据主要包含重复数据、缺失数据和不合理数据三种。如图1所示，重复数据是指某一时刻所对应多条不同的光伏电站出力数据记录；缺失数据是指某一时刻对应的不完备的新能源出力数据记录，此处“不完备”是指出力数据记录中存有的各数据项不足以由彼此之间的物理意义相互推导；不合理数据是指不符合物理实际的出力数据记录，如光伏电站夜间有功出力不为零。
如图2所示，依次查找和筛选三类异常数据：
①查找相同时间点对应多条数据出力的数据记录，这些数据记录为重复数据；
②查找数据修复时间窗口内无出力数据的时间点，这些时间点所对应的为缺失数据；
③筛选新能源出力数据中连续4个时间点以上数据相同的数据记录、出力数据大于开机容量的数据记录和夜间出力为零的数据记录，这些数据记录为不合理数据。
在筛选不合理数据时，应该考虑数据纪录的精度和误差。当开机容量为Pon时，可以将光伏电站出力在[-αPon,(1+α)Pon]区间时未超出光伏电站开机容量，α可根据数据质量可选0.03～0.1的数值。
局部异常型数据和连续异常型数据的性质不同，前者所对应的时间间隔较短，气象数据在此时间间隔内的变化并不明显，此时影响新能源出力的主要因素为局部区域的特性，不需要利用气象数据进行修复。所以，本专利对于局部异常型数据和连续异常型数据采用不同的修复方法。对于局部异常型数据，直接利用图3所示；对于连续型异常数据，光伏电站出力数据采用图1所述流程进行修复。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
多项式插值法是通过多项式对给定数据集的插值，通过的给定一些点，找到一个正好穿过这些点的多项式，从而对确实的点进行插值。
基于上述思想，光伏电站出力数据修复方法具体包括以下步骤：
步骤1、检验光伏电站某一机组天气信息与光伏电站出力数据的相关性，筛选出力数据相关数据项；
步骤2、利用已知天气信息和已知光伏电站出力数据训练BP神经网络；
步骤3、将光伏电站出力数据从第一组到第K组依次筛选得到数据中的异常数据，并将数据分为局部异常型数据和连续异常型数据；
步骤4、对局部局部异常型数据利用多项式插值法修复，对连续异常型数据利用BP神经网络修复；
步骤5、判断所有异常数据组是否全部修复完成，确定修复完成后，在数据库中修复相应数据，输出修复报告；
步骤6、以已修复机组为基准，基于Cholesky分解得到其他机组出力数据。
在筛选异常数据时，需计算数据纪录的精度和误差，计算方式为：当开机容量为Pon时，将光伏电站出力在[-αPon,(1+α)Pon]区间时未超出光伏电站开机容量，α为0.03～0.1之间数值。
连续异常型数据利用BP神经网络修复包括以下步骤：
S1、将相应时刻天气信息输入到BP神经网络，得到太阳光照强度和温度；
S2、抽样得到各时刻的光伏电站开机容量；
S3、计算得到光伏电站出力作为修复的数据。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于BP神经网络的光伏电站出力数据修复方法，其特征在于，包括以下步骤：
步骤1、检验光伏电站某一机组天气信息与光伏电站出力数据的相关性，筛选出力数据相关数据项；
步骤2、利用已知天气信息和已知光伏电站出力数据训练BP神经网络；
步骤3、将光伏电站出力数据从第一组到第K组依次筛选得到数据中的异常数据，并将数据分为局部异常型数据和连续异常型数据；
步骤4、对局部局部异常型数据利用多项式插值法修复，对连续异常型数据利用BP神经网络修复；
步骤5、判断所有异常数据组是否全部修复完成，确定修复完成后，在数据库中修复相应数据，输出修复报告；
步骤6、以上述机组为基准，基于Cholesky分解得到其他机组出力数据。
2.根据权利要求1所述的一种基于BP神经网络的光伏电站出力数据修复方法，其特征在于：所述筛选异常数据时，需计算数据纪录的精度和误差，计算方式为：当开机容量为Pon时，将光伏电站出力在[-αPon,(1+α)Pon]区间时未超出光伏电站开机容量，α为0.03～0.1之间数值。
3.根据权利要求1所述的一种基于BP神经网络的光伏电站出力数据修复方法，其特征在于：所述连续异常型数据利用BP神经网络修复包括以下步骤：
S1、将相应时刻天气信息输入到BP神经网络，得到太阳光照强度和温度；
S2、抽样得到各时刻的光伏电站开机容量；
S3、计算得到光伏电站出力作为修复的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911252627.5A CN111177127A (zh) | 2019-12-09 | 2019-12-09 | 一种基于bp神经网络的光伏电站出力数据修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911252627.5A CN111177127A (zh) | 2019-12-09 | 2019-12-09 | 一种基于bp神经网络的光伏电站出力数据修复方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111177127A true CN111177127A (zh) | 2020-05-19 |
Family
ID=70655410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911252627.5A Pending CN111177127A (zh) | 2019-12-09 | 2019-12-09 | 一种基于bp神经网络的光伏电站出力数据修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111177127A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200464A (zh) * | 2020-10-14 | 2021-01-08 | 国网山东省电力公司聊城供电公司 | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
| CN115587642A (zh) * | 2022-06-22 | 2023-01-10 | 大唐海南能源开发有限公司 | 一种基于bp神经网络的光伏系统故障告警方法 |
-
2019
- 2019-12-09 CN CN201911252627.5A patent/CN111177127A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200464A (zh) * | 2020-10-14 | 2021-01-08 | 国网山东省电力公司聊城供电公司 | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
| CN112200464B (zh) * | 2020-10-14 | 2023-04-28 | 国网山东省电力公司聊城供电公司 | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
| CN115587642A (zh) * | 2022-06-22 | 2023-01-10 | 大唐海南能源开发有限公司 | 一种基于bp神经网络的光伏系统故障告警方法 |
| CN115587642B (zh) * | 2022-06-22 | 2023-07-11 | 大唐海南能源开发有限公司 | 一种基于bp神经网络的光伏系统故障告警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
| CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN112684379A (zh) | 一种基于数字孪生的变压器故障诊断系统及其方法 | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN111177127A (zh) | 一种基于bp神经网络的光伏电站出力数据修复方法 | |
| CN107919983B (zh) | 一种基于数据挖掘的天基信息网络效能评估系统及方法 | |
| CN110601204A (zh) | 基于随机变量状态时序模拟的光伏并网系统概率潮流分析方法 | |
| CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
| Cheng et al. | Application of clustering analysis in the prediction of photovoltaic power generation based on neural network | |
| CN111091292B (zh) | 一种核电站实时风险动态建模分析系统 | |
| CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
| CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
| CN117439045A (zh) | 综合能源系统多元负荷预测方法 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
| CN108959719B (zh) | 交直流混合的分布式可再生能源系统测试场景模拟方法 | |
| CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
| CN111177114A (zh) | 一种基于arma模型的风电场出力数据修复方法 | |
| CN112347655A (zh) | 一种基于机组运行性能评估的风电场理论功率计算方法 | |
| Wang et al. | GWTSP: A multi-state prediction method for short-term wind turbines based on GAT and GL | |
| CN111797564A (zh) | 一种高维分布式光伏出力的相关性样本获取方法及系统 | |
| CN112669169B (zh) | 一种短期光伏功率预测装置及方法 | |
| CN109657385A (zh) | 一种适用于输电线路随机状态生成的仿真计算方法 | |
| CN117252488B (zh) | 基于大数据的产业集群能效优化方法及系统 | |
| Pamungkas et al. | Forecasting Solar Energy Production using a Hybrid GCN-BiLSTM Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |