[发明专利]基于大数据技术的风电出力异常数据重构方法

权利要求书

1.一种基于大数据技术的风电出力异常数据重构方法，其特征在于，包括以下步骤：

步骤1，将大量的风电出力原始数据分布存储于HDFS的不同节点中；其中，所述风电出力原始数据包括数据标号、风机ID、电厂ID、区域ID、数据采集日期、数据采集时刻、实际有功功率值、采集方式、采集人员、风机风速、风机风向、空气密度以及风机状态；

步骤2，从HDFS中读取需要进行数据重构的若干个风电出力原始数据；将所述若干个风电出力原始数据分割为若干个数据块，将每个所述数据块分配给对应的一个分布处理任务；

各个所述分布处理任务采用并行计算方式，循环处理分配给自身的数据块中的各个风电出力原始数据，对其进行异常数据重构；

其中，对于任意的一个风电出力原始数据，对应的分布处理任务采用以下方式进行异常数据重构：

步骤2.1，所述分布处理任务识别到风机状态；其中，所述风机状态包括以下九种状态：待风状态、发电状态、降额发电状态、计划停运状态、非计划停运状态、调度停运状态、通讯中断状态、场内受累停运状态和场外受累停运状态；

步骤2.2，如果识别到风机状态为通讯中断状态，则不对数据进行重构，等待数据给定状态后再进行重构；

如果识别到风机状态为待风状态、计划停运状态、非计划停运状态、调度停运状态、场内受累停运状态或场外受累停运状态，则将风机的实际有功功率值重构为0值；

如果识别到风机状态为发电状态或降额发电状态值，则执行步骤2.3；

步骤2.3，根据风机ID，调取与风机对应的训练后的BP神经网络模型，基于所述训练后的BP神经网络模型，计算得到风机理论有功功率值；

步骤2.4，如果识别到风机状态为发电状态，则将风机的实际有功功率值重构为风机理论有功功率值；

如果识别到风机状态为降额发电状态值，则进一步获取风机功率调度值；然后，判断风机理论有功功率值是否大于等于风机功率调度值，如果是，则将风机的实际有功功率值重构为风机功率调度值；如果否，将风机的实际有功功率值重构为风机理论有功功率值。

2.根据权利要求1所述的基于大数据技术的风电出力异常数据重构方法，其特征在于，步骤2.3中，与风机对应的训练后的BP神经网络模型通过以下方法获取：

步骤2.3.1，建立BP神经网络模型；所述BP神经网络模型的拓扑结构包括输入层、隐含层和输出层；其中，输入层的神经元个数为n，隐含层的神经元个数为l，输出层的神经元个数为m；任意输入层神经元为x_i，i∈(1、2…n)；任意隐含层神经元为h_j，j∈(1、2…l)；任意输出层神经元为o_k，k∈(1、2…m)；

步骤2.3.2，初始化BP神经网络模型的基本参数，包括：学习速率μ、输入层到隐含层的权重w_ij、隐含层到输出层的权重w_jk、输入层到隐含层的偏置数a_j、隐含层到输出层的偏置数b_k以及激励函数t(x)；其中，输入层到隐含层的权重w_ij、隐含层到输出层的权重w_jk、输入层到隐含层的偏置数a_j、隐含层到输出层的偏置数b_k初始化值为(-1,1)内的随机数；

其中：输入层到隐含层的权重w_ij含义为：任意的输入层神经元x_i到任意的隐含层神经元h_j之间的权重；隐含层到输出层的权重w_jk含义为：任意的隐含层神经元h_j到任意的输出层神经元o_k之间的权重；输入层到隐含层的偏置数a_j含义为：各输入层神经元到任意的隐含层神经元h_j的偏置数；隐含层到输出层的偏置数b_k含义为：各隐含层神经元到任意的输出层神经元o_k的偏置数

步骤2.3.3，获取训练样本数据；其中，所述训练样本数据为单台风机历史运行状态的三维数据，包括：风机风速、风机风向和空气密度；

采用所述训练样本数据，基于步骤2.3.2中的初始化BP神经网络模型的基本参数，对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；

其中，采用以下方法对所述BP神经网络模型进行训练：

步骤2.3.3.1，输入层包括三个神经元，每个输入层神经元分别为处于发电状态风机的风机风速、风机风向和空气密度；

采用以下公式计算隐含层神经元h_j的输出值：

hj=t(Σi=1nwijxi+aj)]]>

再采用以下公式计算输出层神经元o_k的输出值：

ok=Σj=1lhjwjk+bk]]>

步骤2.3.3.2，定义损失函数如下：

E=12Σk=1m(yk-ok)2]]>

其中：y_k为输出层神经元的期望输出值，初始值为每个训练样本数据对应的历史实际有功功率值；E为偏差值；

令e_k＝y_k-o_k，e_k为第k个输出层神经元对应的偏差值；

则E可以表示为：

E=12Σk=1mek2]]>

将步骤2.3.3.2计算得到的输出层神经元o_k的输出值代入损失函数，计算得到偏差值E；

步骤2.3.3.3，判断偏差值E是否满足要求，若满足要求，转到步骤2.3.3.10；若不满足要求，转步骤2.3.3.4；

步骤2.3.3.4，采用下式计算隐含层到输出层的权重调整量为：

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为权值惯性系数，e_q和e_q-1分别为第q和q-1次训练误差；Δw_jk(q)为第q次训练时隐含层神经元h_j到输出层神经元o_k的权重调整量；Δw_jk(q+1)为第q+1次训练时隐含层神经元h_j到输出层神经元o_k的权重调整量；

步骤2.3.3.5，再采用下式计算输入层到隐含层的权重调整量为：

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

其中：γ为权值惯性系数；Δw_ij(q)为第q次训练时输入层神经元x_i到隐含层神经元h_j的权重调整量；Δw_ij(q+1)为第q+1次训练时输入层神经元x_i到隐含层神经元h_j的权重调整量；

步骤2.3.3.6，采用下式计算偏置数b_k的更新值：

b_k＝b_k+μe_k

步骤2.3.3.7，采用下式计算偏置数a_k的更新值：

ak=ak+μhj(1-hj)Σk=1mwjkek]]>

步骤2.3.3.8，因此，采用步骤2.3.3.4计算得到的隐含层到输出层的权重调整量、步骤2.3.3.5计算得到的输入层到隐含层的权重调整量、步骤2.3.3.6计算得到的偏置数b_k的更新值以及步骤2.3.3.7计算得到的偏置数a_k的更新值优化调整前一次训练得到的BP神经网络模型的对应参数，由此得到更新后的BP神经网络模型；

步骤2.3.3.9，基于步骤2.3.3.8得到的更新后的BP神经网络模型，返回步骤2.3.3.1，

步骤2.3.3.10，得到训练后的BP神经网络模型。