电力论文哪里有？本文针对光伏电站发出有功功率中的不良数据进行了修复研究，考虑了光伏电站发电的幅度和趋势由地理位置和天气因素影响，出力受到季节变化影响的趋势，但由于时间和能力有限，本文的研究尚有不足之处，以待未来继续研究完善，具体问题如下：（1） 本文所提出的研究方法对实际光伏电站出力缺陷数据进行了修复，虽然结果良好，但是仍然与真实监测数据有误差，可以继续改进修复研究方法，得到更精准的修复结果。
1 绪论
1.2 相关研究现状
在 21 世纪，全球进入信息化时代的当下，伴随网络与计算机技术的高速发展，各行各业都深入接受了信息化办公信息化，各种数字信息资源呈指数增长，电力行业也不如信息化发展的道路，难以避免地进入到“大数据时代”。得益于云计算和大数据分析技术的高速发展，我国电力行业大数据的分析能力与分析需求也在逐渐增长。随着清洁能源投入使用的趋势日益高涨，风能、光能等难以控制发电量的清洁能源发电数据分析，在电网分析中的重要性也愈发提升。大数据可以对电力市场进行需求分析，对发电环节进行预测和修复服务等，这也成为众多大数据技术进步的重要推动力。风能和太阳能发电需要实时进行监测，在实际生产、监测、传输、存储过程中，得到的监测数据不可避免的容易出现数据丢失、偏差等情况，必须将这些数据完成修复，才能投入大数据分析，不然会严重影响分析结果，得出错误的结论，误导电力行业的信息化、智能化发展。光伏电站发电数据修复本质上是通过已知的历史数据推测得到修复数据，原理上接近于短期光伏预测研究。光伏预测的研究发展完备，领先于光伏电站发电数据修复研究，可以为修复研究的方向和思路提供借鉴和参考。
1.2.1 数据修复研究现状
随着大数据时代的到来，数据质量的下降降低了数据的可用性。大数据的可用性是当前亟待解决的难题，据国外权威统计，目前数据质量差的规模很大，因此给企业和政府机构带来了不可估量的损失，数据质量下降已成为世界范围内普遍存在的问题。保证数据的可用性是关系到大数据时代国民经济、社会稳定等重大战略任务，研究大数据的可用性，寻找科学合理的数据修复算法，这是当前我们需要解决的问题。
3 综合相似日提取研究
3.1 现有方法
在电力负荷和光伏发电短期预测领域中，相似日算法应用普遍，研究较多，相似日法也适用于光伏出力数据的修复，主要因为相似日算法具有一些特殊的显著优势：
（1）机理简单。相似日算法的数学原理较简单明了，只需要通过不需要大量复杂的数学原理，在符合条件的多个历史日中，查找出与修复日相似的数个历史日，然后通过处理分析相似日的出力数据，完成数据修复。只要了解了相似日算法简单的原理，在修复结果不能达到预期精度时，通过可观察的整个相似日提取过程，能够轻易判断出出错的地方，再加以干涉调整，即可得出正确的修复结果。
（2）算法速度快。在相似日算法的计算中，只需要通过简单的基础运算，就能提取得到相似日，其中不涉及复杂的数学计算方法，因此在光伏出力修复中应用相似日算法，其速度也非常快。
在光伏出力预测等领域中，实际应用相似日算法的过程中，也发现了相似日法的一些缺点：
（1）相似日算法没有权威表达式。在相似日法的实际应用过程中，要得到高精度的相似日，要通过历史日中影响出力的可量化天气因素计算相似度，但目前没有唯一公认有效的完美表达式。
（2）相似日数据如何进行预测修复没有标准方法。通过相似日关系表达式计算出相似度，得到相似日后，要想得到理想的修复数据，需要先对相似日的出力数据进行人工处理，在修正光伏电站出力数据时，难以确定一个适用于所有情况的标准修正方法。
4 基于门控递归单元的光伏数据修复
4.1 门控递归单元
4.1.1 门控递归单元理论基础
考虑到光伏出力数据按照时刻进行排列，是典型的时序数据，在模型出现且已经投入普遍使用，并在实际使用中验证了效果的众多神经网络中，递归神经网络（RNN）专门被设计用于处理序列预测问题的，单个数据修复是 RNN 应用中典型的的多对一预测。
1982 年，美国加州理工学院物理学家 J J hopfield 发明了一种单层反馈神经网络Hopfield network，用来解决组合优化问题,这是最早的 RNN 的雏形。1986 年，michael I.Jordan 定义了 recurrent 的概念，提出 Jordan network。1990 年, 美国认知科学家 Jeffrey L.Elman 对 jordan network 进行了简化,并采用 BP 算法进行训练，便有了如今最简单的包含单个自连接节点的 RNN 模型。但 RNN 中存在着大问题：因为 t 时刻的导数会传播到 t-1，t-2，... ，1 时刻，这样就有了连乘的系数。连乘一直带来了两个问题：梯度爆炸和梯度消失。而且，在前向过程中，开始时刻的输入对后面时刻的影响越来越小，这就是长距离依赖问题。这样一来，就失去了“记忆”的能力，要知道生物的神经元拥有对过去时序状态很强的记忆能力。由于这些问题，传统的 RNN 训练非常困难，应用非常受限。
直至 1997 年，人工智能研究所的副主任 Jurgen Schmidhuber 和 LIT 的 AI 实验室负责人 Sepp Hochreiter 提出长短期记忆（LSTM），LSTM 使用门控单元及记忆机制大大缓解了早期 RNN 训练的问题。
LSTM 是递归神经网络 RNN 的优化算法，不仅具有 RNN 的优势：唯一具有内部存储器的算法，通常具有短期记忆，当它作出决定时，会考虑当前的输入以及它从之前收到的输入中学到的内容，在连续数据中产生预测结果，是时间序列、语音、文本、财务数据、音频、视频、天气等时序数据的首选算法，适合修复光伏电站功率的连续曲线，甚至可以从头开始生成新的序列，能够修复极端情况下丢失的全天数据，而且还避免了 RNN 的大问题。
4.2 算例分析
4.2.1 数据处理
本文研究光伏电站发电功率数据中的单个不良数据修复，首先筛选出季节性相似电站，然后提取得到综合相似日，假设有 X 个相似电站，Y 个相似日，则得到的相似数据数据集，其中有 M 组数据：M=X×Y。M 组数据来自不同的光伏电站，这些光伏电站装机容量不一致，导致光伏发电数据的数量级也不同，如图 4-2 所示。
图 4-2 中，提取得到的两组相似发电数据来自两座不同装机容量的光伏电站，则数据的数量级也不同，即使数据变化趋势和幅度几乎完全相同，但不能直接将这样的原始数据用于神经网络的修复中。
5 结论与展望
5.2 展望
本文针对光伏电站发出有功功率中的不良数据进行了修复研究，考虑了光伏电站发电的幅度和趋势由地理位置和天气因素影响，出力受到季节变化影响的趋势，但由于时间和能力有限，本文的研究尚有不足之处，以待未来继续研究完善，具体问题如下：
（1） 本文所提出的研究方法对实际光伏电站出力缺陷数据进行了修复，虽然结果良好，但是仍然与真实监测数据有误差，可以继续改进修复研究方法，得到更精准的修复结果。
（2） 本文所作的修复研究只对部分不良数据继续了修复研究，在实际生产活动中，光伏电站的监测数据量巨大，缺陷和丢失的情况繁多，未必都能达到理想的修复结果。
（3） 在本文提出相似日法中选择的日特征天气向量，没有考虑到云量的变化，可以将云量变化纳入日特征天气向量的考虑中，改进相似日法的研究。
参考文献（略）
