一种新能源电站出力数据修复方法及装置

1.一种新能源电站出力数据修复方法，其特征在于，所述方法包括：获取所述新能源电站的异常出力数据；确定所述新能源电站的相似日和相关电站；根据所述新能源电站的相似日和/或相关电站对所述新能源电站的异常出力数据进行修复；所述根据所述新能源电站的相似日和/或相关电站对所述新能源电站的异常出力数据进行修复，包括：若所述新能源电站存在相似日和相关电站，则将所述新能源电站在所述相似日的出力数据和所述新能源电站的相关电站在所述相似日的出力数据作为BP神经网络训练样本，将所述新能源电站的相关电站在所述新能源电站的待修复日的出力数据作为BP神经网络输入变量，利用BP神经网络模型获取BP神经网络输出变量，即所述新能源电站在其待修复日的修复出力数据；若所述新能源电站存在相似日且不存在相关电站，则将所述新能源电站在所述相似日的出力数据和天气数据作为BP神经网络训练样本，将所述新能源电站在所述相似日的出力数据和其在待修复日的天气数据作为BP神经网络输入变量，利用BP神经网络模型获取BP神经网络输出变量，即所述新能源电站在其待修复日的修复出力数据；若所述新能源电站不存在相似日且存在相关电站，则将所述新能源电站的相关电站的历史出力数据作为BP神经网络训练样本，将所述新能源电站的相关电站在所述新能源的待修复日的出力数据作为BP神经网络输入变量，利用BP神经网络模型获取BP神经网络输出变量，即所述新能源电站在其待修复日的修复出力数据。 2.如权利要求1所述的方法，其特征在于，所述新能源电站的异常出力数据包括：丢失数据、越限数据和无效数据。 3.如权利要求2所述的方法，其特征在于，令新能源电站X的出力时序集合为(x 1 ,x 2 ...x i ...x n )，其中，x i 为新能源电站X的第i个时间点的出力，i∈n，n为新能源电站X采集出力数据的总时间点数；若 则x i 为所述丢失数据；若x i ＞x h |x i ＜x l ，则x i 为所述越限数据，其中，x h 为所述新能源电站X的出力上限值，x l 为所述新能源电站X的出力下限值；若|x i -x 0i |＞σ或x i 对应的归一化值 满足 则x i 为所述无效数据，其中，x 0i 为所述新能源电站X的第i个时间点的理论出力，σ为第一无效数据阈值， 为所述新能源电站X的相邻电站的第i个时间点的出力对应的归一化值，ε为第二无效数据阈值。 4.如权利要求3所述的方法，其特征在于，按下式(1)确定所述新能源电站X的第i个时间点的理论出力x 0i ：x 0i ＝I i ·U Di (1)式(1)中，I i 为第i时刻光伏电池输出电流，U Di 为第i时刻光伏电池接入并网点端电压；按下式(2)确定所述新能源电站X的相邻电站的第i个时间点的出力对应的归一化值 式(2)中，x Ai 为所述新能源电站X的相邻电站的第i个时间点的出力，x Amax 为所述新能源电站X的相邻电站的出力最大值，x Amin 为所述新能源电站X的相邻电站的出力最小值；按下式(3)确定所述新能源电站X的第i个时间点的出力x i 对应的归一化值 式(3)中，x Xmax 为所述新能源电站X的出力最大值，x Xmin 为所述新能源电站X的出力最小值。 5.如权利要求3所述的方法，其特征在于，所述新能源电站与其相邻电站之间的距离d满足：d≤D，其中，D为新能源电站与其相邻电站之间的最大地理距离。 6.如权利要求1所述的方法，其特征在于，所述确定所述新能源电站的相似日和相关电站包括：令新能源电站第i天的出力数据存在异常数据；获取所述新能源电站的天气数据，利用相似系数确定所述新能源电站第i天的天气数据W i 与所述新能源电站第j天的天气数据W j 的相似度 若 满足 则所述第j天为所述第i天的相似日，其中，α为相似日阈值，j∈[1,2...i-1,i+1...n]，n为正整数；若所述新能源电站存在相似日，则获取所述新能源电站在所述相似日的出力数据X及所述新能源电站的相邻新能源电站在所述相似日的出力数据Y，利用相似系数确定所述新能源电站在所述相似日的出力数据X与所述新能源电站的相邻新能源电站在所述相似日的出力数据Y的相似度r XY ，若r XY 满足r XY ≥β，则所述新能源电站的相邻新能源电站为所述新能源电站的相关电站，其中，β为相关电站阈值；若所述新能源电站不存在相似日，则获取所述新能源电站的历史出力数据A及所述新能源电站的相邻新能源电站的历史出力数据B，利用相似系数确定所述新能源电站的历史出力数据A与所述新能源电站的相邻新能源电站的历史出力数据B的相似度r AB ，若r AB 满足r AB ≥β，则所述新能源电站的相邻新能源电站为所述新能源电站的相关电站。 7.如权利要求6所述的方法，其特征在于，所述天气数据包括：季节类型、天气类型、最高气温、最低气温和平均气温信息。 8.一种新能源电站出力数据修复装置，其特征在于，所述装置包括：获取模块，用于获取所述新能源电站的异常出力数据；确定模块，用于确定所述新能源电站的相似日和相关电站；修复模块，用于根据所述新能源电站的相似日和/或相关电站对所述新能源电站的异常出力数据进行修复；所述修复模块包括：第一修复单元，用于若所述新能源电站存在相似日和相关电站，则将所述新能源电站在所述相似日的出力数据和所述新能源电站的相关电站在所述相似日的出力数据作为BP神经网络训练样本，将所述新能源电站的相关电站在所述新能源电站的待修复日的出力数据作为BP神经网络输入变量，利用BP神经网络模型获取BP神经网络输出变量，即所述新能源电站在其待修复日的修复出力数据；第二修复单元，用于若所述新能源电站存在相似日且不存在相关电站，则将所述新能源电站在所述相似日的出力数据和天气数据作为BP神经网络训练样本，将所述新能源电站在所述相似日的出力数据和其在待修复日的天气数据作为BP神经网络输入变量，利用BP神经网络模型获取BP神经网络输出变量，即所述新能源电站在其待修复日的修复出力数据；第三修复单元，用于若所述新能源电站不存在相似日且存在相关电站，则将所述新能源电站的相关电站的历史出力数据作为BP神经网络训练样本，将所述新能源电站的相关电站在所述新能源的待修复日的出力数据作为BP神经网络输入变量，利用BP神经网络模型获取BP神经网络输出变量，即所述新能源电站在其待修复日的修复出力数据。 9.如权利要求8所述的装置，其特征在于，所述新能源电站的异常出力数据包括：丢失数据、越限数据和无效数据。 10.如权利要求9所述的装置，其特征在于，令新能源电站X的出力时序集合为(x 1 ,x 2 ...x i ...x n )，其中，x i 为新能源电站X的第i个时间点的出力，i∈n，n为新能源电站X采集出力数据的总时间点数；若 则x i 为所述丢失数据；若x i ＞x h |x i ＜x l ，则x i 为所述越限数据，其中，x h 为所述新能源电站X的出力上限值，x l 为所述新能源电站X的出力下限值；若|x i -x 0i |＞σ或x i 对应的归一化值 满足 则x i 为所述无效数据，其中，x 0i 为所述新能源电站X的第i个时间点的理论出力，σ为第一无效数据阈值， 为所述新能源电站X的相邻电站的第i个时间点的出力对应的归一化值，ε为第二无效数据阈值。 11.如权利要求10所述的装置，其特征在于，按下式(1)确定所述新能源电站X的第i个时间点的理论出力x 0i ：x 0i ＝I i ·U Di (1)式(1)中，I i 为第i时刻光伏电池输出电流，U Di 为第i时刻光伏电池接入并网点端电压；按下式(2)确定所述新能源电站X的相邻电站的第i个时间点的出力对应的归一化值 式(2)中，x Ai 为所述新能源电站X的相邻电站的第i个时间点的出力，x Amax 为所述新能源电站X的相邻电站的出力最大值，x Amin 为所述新能源电站X的相邻电站的出力最小值；按下式(3)确定所述新能源电站X的第i个时间点的出力x i 对应的归一化值 式(3)中，x Xmax 为所述新能源电站X的出力最大值，x Xmin 为所述新能源电站X的出力最小值。 12.如权利要求10所述的装置，其特征在于，所述新能源电站与其相邻电站之间的距离d满足：d≤D，其中，D为新能源电站与其相邻电站之间的最大地理距离。 13.如权利要求8所述的装置，其特征在于，所述确定模块包括：第一确定单元，用于令新能源电站第i天的出力数据存在异常数据，获取所述新能源电站的天气数据，利用相似系数确定所述新能源电站第i天的天气数据W i 与所述新能源电站第j天的天气数据W j 的相似度 若 满足 则所述第j天为所述第i天的相似日，其中，α为相似日阈值，j∈[1,2...i-1,i+1...n]，n为正整数；第二确定单元，用于若所述新能源电站存在相似日，则获取所述新能源电站在所述相似日的出力数据X及所述新能源电站的相邻新能源电站在所述相似日的出力数据Y，利用相似系数确定所述新能源电站在所述相似日的出力数据X与所述新能源电站的相邻新能源电站在所述相似日的出力数据Y的相似度r XY ，若r XY 满足r XY ≥β，则所述新能源电站的相邻新能源电站为所述新能源电站的相关电站，其中，β为相关电站阈值；第三确定单元，用于若所述新能源电站不存在相似日，则获取所述新能源电站的历史出力数据A及所述新能源电站的相邻新能源电站的历史出力数据B，利用相似系数确定所述新能源电站的历史出力数据A与所述新能源电站的相邻新能源电站的历史出力数据B的相似度r AB ，若r AB 满足r AB ≥β，则所述新能源电站的相邻新能源电站为所述新能源电站的相关电站。 14.如权利要求13所述的装置，其特征在于，所述天气数据包括：季节类型、天气类型、最高气温、最低气温和平均气温信息。