基于深度学习的新能源场站不良数据辨识与修正方法技术

本发明专利技术提出了一种基于深度学习的新能源场站不良数据辨识与修正方法，包括：获取新能源场站中辨识对象的历史运行数据，在历史运行数据中标记出历史正常数据和历史不良数据；建立辨识模型，根据历史正常数据对辨识模型进行深度学习训练；建立修正模型，将历史不良数据输入修正模型和训练好的辨识模型中，结合辨识模型的输出对修正模型进行深度学习训练；获取辨识对象的实时运行数据，通过将实时运行数据输入训练好的辨识模型中，区分出实时运行数据中的实时正常数据和实时不良数据；将实时不良数据输入训练好的修正模型中，得到实时不良数据的修正值。本发明专利技术可显著提高不良数据辨识和修正效率，保障新能源电站的实时安全稳定运行。行。行。

【技术实现步骤摘要】
基于深度学习的新能源场站不良数据辨识与修正方法


[0001]本专利技术属于能源数据管理领域，尤其涉及一种基于深度学习的新能源场站不良数据辨识与修正方法。

技术介绍

[0002]随着新能源场站建设的不断深入和推进，新能源场站数据采集呈现海量化和高维化的趋势，与此同时不良数据的问题日益突出。新能源场站实时采集数据往往出现缺失、无效、重复和错误等不良数据，不良数据通常由两种原因造成：一是新能源的电力系统故障等，如数据采集系统中某一数据通道的暂时性中断，导致数据不真实；二是由于某些大工业负荷的突发性偶然波动以及突发性不良环境等的特殊事件，使得数据会发生不规律的振荡。不良数据的存在使新能源场站的状态估计结果失真，影响电力系统运行调度和稳定运行，甚至可能会引发未知的安全后果。
[0003]新能源场站的各类型数据量巨大，且数据之间的关系繁多，场站、机组、环境等数据之间互相耦合，各自内部数据间也存在耦合关系。而随着现代信息技术的不断发展，人工智能被应用到了各个领域当中，其中深度学习在新能源模式识别、分类和负荷预测场景中得到了广泛应用。深度学习对时间序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的新能源场站不良数据辨识与修正方法，其特征在于，包括：S100：获取新能源场站中辨识对象的历史运行数据和实时运行数据，在历史运行数据中标记出历史正常数据和历史不良数据；S200：建立辨识模型，根据历史正常数据对辨识模型进行深度学习训练；S300：建立修正模型，将历史不良数据输入修正模型和训练好的辨识模型中，结合辨识模型的输出对修正模型进行深度学习训练；S400：通过将实时运行数据输入训练好的辨识模型中，区分出实时运行数据中的实时正常数据和实时不良数据；S500：将实时不良数据输入训练好的修正模型中，得到实时不良数据的修正值。2.根据权利要求1所述的一种基于深度学习的新能源场站不良数据辨识与修正方法，其特征在于，所述辨识对象包括风力发电参数、光伏发电参数以及新能源场站中机组的装机容量和有功功率；其中，所述风力发电参数包括风速、温度、风向余弦值、湿度和压强；所述光伏发电参数包括辐照强度、辐照时长和组件面积。3.根据权利要求1所述的一种基于深度学习的新能源场站不良数据辨识与修正方法，其特征在于，所述方法还包括：在S200之前对历史运行数据和实时运行数据进行预处理，包括：识别历史运行数据中的缺失值，获取与缺失值属于同一类的历史运行数据，通过计算缺失值的同类均值得到缺失值的插补值，用所述插补值替代所述缺失值，所述插补值的计算公式为：其中，为插补值，a
i
为均值系数，当第i个输入的历史运行数据或实时运行数据s
i
缺失时为0，否则为1，m为同一类的历史运行数据或实时运行数据的数据总量。4.根据权利要求1所述的一种基于深度学习的新能源场站不良数据辨识与修正方法，其特征在于，所述S200包括：S210：将历史正常数据按照时序顺序分为训练数据和测试数据，初始化辨识模型的超参数；S220：将训练数据输入辨识模型中进行训练，通过辨识模型计算辨识对象在测试数据对应时序下的预测值；S230：计算辨识模型的收敛精度是否满足预设阈值，所述收敛精度的计算公式为：其中，a为收敛精度，n为预测值的总数量，x
fi
为第i个测试数据...

【专利技术属性】
技术研发人员：陈文进，陈水耀，祁炜雯，张俊，朱峰，茹伟，范强，宋美雅，刘震，刘皓明，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，
类型：发明
国别省市：