[發明專利]基于大數據技術的風電出力異常數據重構方法

在審

• 申請號: 201710612234.5
• 申請日: 2017-07-25
• 公開（公告）號: CN107391689A
• 公開（公告）日: 2017-11-24
• 發明（設計）人: 寧文元;孫榮富;王靖然;王若陽;徐海翔;郭子明;張巖;錢蘇晉;李亮
• 申請（專利權）人: 國家電網公司;國網冀北電力有限公司;北京恒泰實達科技股份有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/08;G06Q50/06;H02J3/00
• 代理公司: 北京市盛峰律師事務所11337
• 代理人: 席小東

1.一種基于大數據技術的風電出力異常數據重構方法，其特征在于，包括以下步驟：

步驟1，將大量的風電出力原始數據分布存儲于HDFS的不同節點中；其中，所述風電出力原始數據包括數據標號、風機ID、電廠ID、區域ID、數據采集日期、數據采集時刻、實際有功功率值、采集方式、采集人員、風機風速、風機風向、空氣密度以及風機狀態；

步驟2，從HDFS中讀取需要進行數據重構的若干個風電出力原始數據；將所述若干個風電出力原始數據分割為若干個數據塊，將每個所述數據塊分配給對應的一個分布處理任務；

各個所述分布處理任務采用并行計算方式，循環處理分配給自身的數據塊中的各個風電出力原始數據，對其進行異常數據重構；

其中，對于任意的一個風電出力原始數據，對應的分布處理任務采用以下方式進行異常數據重構：

步驟2.1，所述分布處理任務識別到風機狀態；其中，所述風機狀態包括以下九種狀態：待風狀態、發電狀態、降額發電狀態、計劃停運狀態、非計劃停運狀態、調度停運狀態、通訊中斷狀態、場內受累停運狀態和場外受累停運狀態；

步驟2.2，如果識別到風機狀態為通訊中斷狀態，則不對數據進行重構，等待數據給定狀態后再進行重構；

如果識別到風機狀態為待風狀態、計劃停運狀態、非計劃停運狀態、調度停運狀態、場內受累停運狀態或場外受累停運狀態，則將風機的實際有功功率值重構為0值；

如果識別到風機狀態為發電狀態或降額發電狀態值，則執行步驟2.3；

步驟2.3，根據風機ID，調取與風機對應的訓練后的BP神經網絡模型，基于所述訓練后的BP神經網絡模型，計算得到風機理論有功功率值；

步驟2.4，如果識別到風機狀態為發電狀態，則將風機的實際有功功率值重構為風機理論有功功率值；

如果識別到風機狀態為降額發電狀態值，則進一步獲取風機功率調度值；然后，判斷風機理論有功功率值是否大于等于風機功率調度值，如果是，則將風機的實際有功功率值重構為風機功率調度值；如果否，將風機的實際有功功率值重構為風機理論有功功率值。

2.根據權利要求1所述的基于大數據技術的風電出力異常數據重構方法，其特征在于，步驟2.3中，與風機對應的訓練后的BP神經網絡模型通過以下方法獲取：

步驟2.3.1，建立BP神經網絡模型；所述BP神經網絡模型的拓撲結構包括輸入層、隱含層和輸出層；其中，輸入層的神經元個數為n，隱含層的神經元個數為l，輸出層的神經元個數為m；任意輸入層神經元為x_i，i∈(1、2…n)；任意隱含層神經元為h_j，j∈(1、2…l)；任意輸出層神經元為o_k，k∈(1、2…m)；

步驟2.3.2，初始化BP神經網絡模型的基本參數，包括：學習速率μ、輸入層到隱含層的權重w_ij、隱含層到輸出層的權重w_jk、輸入層到隱含層的偏置數a_j、隱含層到輸出層的偏置數b_k以及激勵函數t(x)；其中，輸入層到隱含層的權重w_ij、隱含層到輸出層的權重w_jk、輸入層到隱含層的偏置數a_j、隱含層到輸出層的偏置數b_k初始化值為(-1,1)內的隨機數；

其中：輸入層到隱含層的權重w_ij含義為：任意的輸入層神經元x_i到任意的隱含層神經元h_j之間的權重；隱含層到輸出層的權重w_jk含義為：任意的隱含層神經元h_j到任意的輸出層神經元o_k之間的權重；輸入層到隱含層的偏置數a_j含義為：各輸入層神經元到任意的隱含層神經元h_j的偏置數；隱含層到輸出層的偏置數b_k含義為：各隱含層神經元到任意的輸出層神經元o_k的偏置數

步驟2.3.3，獲取訓練樣本數據；其中，所述訓練樣本數據為單臺風機歷史運行狀態的三維數據，包括：風機風速、風機風向和空氣密度；

采用所述訓練樣本數據，基于步驟2.3.2中的初始化BP神經網絡模型的基本參數，對所述BP神經網絡模型進行訓練，得到訓練后的BP神經網絡模型；

其中，采用以下方法對所述BP神經網絡模型進行訓練：

步驟2.3.3.1，輸入層包括三個神經元，每個輸入層神經元分別為處于發電狀態風機的風機風速、風機風向和空氣密度；

采用以下公式計算隱含層神經元h_j的輸出值：

hj=t(Σi=1nwijxi+aj)]]>

再采用以下公式計算輸出層神經元o_k的輸出值：

ok=Σj=1lhjwjk+bk]]>

步驟2.3.3.2，定義損失函數如下：

E=12Σk=1m(yk-ok)2]]>

其中：y_k為輸出層神經元的期望輸出值，初始值為每個訓練樣本數據對應的歷史實際有功功率值；E為偏差值；

令e_k＝y_k-o_k，e_k為第k個輸出層神經元對應的偏差值；

則E可以表示為：

E=12Σk=1mek2]]>

將步驟2.3.3.2計算得到的輸出層神經元o_k的輸出值代入損失函數，計算得到偏差值E；

步驟2.3.3.3，判斷偏差值E是否滿足要求，若滿足要求，轉到步驟2.3.3.10；若不滿足要求，轉步驟2.3.3.4；

步驟2.3.3.4，采用下式計算隱含層到輸出層的權重調整量為：

Δw_jk(q+1)＝(1-γ)h_je_k+γΔw_jk(q)

其中：

γ=1,|eq||eq-1|<11-5|eq|6|eq-1|,1≤|eq||eq-1|≤20,1.2<|eq||eq-1|]]>

其中：γ為權值慣性系數，e_q和e_q-1分別為第q和q-1次訓練誤差；Δw_jk(q)為第q次訓練時隱含層神經元h_j到輸出層神經元o_k的權重調整量；Δw_jk(q+1)為第q+1次訓練時隱含層神經元h_j到輸出層神經元o_k的權重調整量；

步驟2.3.3.5，再采用下式計算輸入層到隱含層的權重調整量為：

Δwij(q+1)=(1-γ)μhj(1-hj)xiΣk=1mwjkek+γΔwij(q)]]>

其中：γ為權值慣性系數；Δw_ij(q)為第q次訓練時輸入層神經元x_i到隱含層神經元h_j的權重調整量；Δw_ij(q+1)為第q+1次訓練時輸入層神經元x_i到隱含層神經元h_j的權重調整量；

步驟2.3.3.6，采用下式計算偏置數b_k的更新值：

b_k＝b_k+μe_k

步驟2.3.3.7，采用下式計算偏置數a_k的更新值：

ak=ak+μhj(1-hj)Σk=1mwjkek]]>

步驟2.3.3.8，因此，采用步驟2.3.3.4計算得到的隱含層到輸出層的權重調整量、步驟2.3.3.5計算得到的輸入層到隱含層的權重調整量、步驟2.3.3.6計算得到的偏置數b_k的更新值以及步驟2.3.3.7計算得到的偏置數a_k的更新值優化調整前一次訓練得到的BP神經網絡模型的對應參數，由此得到更新后的BP神經網絡模型；

步驟2.3.3.9，基于步驟2.3.3.8得到的更新后的BP神經網絡模型，返回步驟2.3.3.1，

步驟2.3.3.10，得到訓練后的BP神經網絡模型。