一种光伏功率异常数据的识别方法、装置及终端设备制造方法及图纸

本发明专利技术适用于计算机领域，提供了一种光伏功率异常数据的识别方法、装置及终端设备，其中，所述方法包括：获取不同时间下光伏电站的光伏功率，得到时序功率数据集；采用K‑means聚类算法对所述时序功率数据集进行聚类，得到聚类数据集；基于所述聚类数据集，计算所述数据点和所述数据点所对应的聚类中心的偏差，得到偏差数据集；采用DBSCAN对所述偏差数据集进行聚类，得到异常数据距离阈值；基于所述聚类中心和所述异常数据距离阈值，对所述偏差数据集进行分类，得到异常数据集。本发明专利技术通过K‑means和DBSCAN二阶聚类算法对光伏功率异常数据识别，在全局维度利用数据特征提升了异常识别的灵活性和自适应性。

【技术实现步骤摘要】
一种光伏功率异常数据的识别方法、装置及终端设备
本专利技术属于计算机领域，尤其涉及一种光伏功率异常数据的识别方法、装置及终端设备。
技术介绍
在光伏电站的实际运行过程中，通信、数据采集设备故障以及人为因素均会使测量数据发生异常，不同异常诱因引起的数据异常表现不同，同时太阳辐照度、环境温湿度等气象因素也会导致光伏功率呈现出一定的波动性，异常数据和正常波动极易混淆。高质量的光伏功率数据是进行光伏研究的基础，因此须对光伏功率异常数据进行识别。对于未能实时监控太阳辐照度的光伏电站，光伏功率异常数据很难通过人工方法进行识别和清洗，同时人工辨别工作量大，易疏漏出错。工程上大多采用概率统计中的离群数据辨识方法来识别异常数据。通常，光伏功率随机性分量数据存在一定的波动范围，并且绝大部分数据分布在该波动范围之内，当某一数据出现在该波动范围之外时，则认为该数据为异常数据。但工程方法往往阈值设置单一机械，如简单设置功率偏差上下限，该类方法无法准确区分功率正常波动和异常偏差，造成识别误差大。
技术实现思路
有鉴于此，本专利技术提供了一种光伏功率异常本文档来自技高网...

【技术保护点】
1.一种光伏功率异常数据的识别方法，其特征在于，包括：/n获取不同时间下光伏电站的光伏功率，得到时序功率数据集；/n采用K-means聚类算法对所述时序功率数据集进行聚类，得到聚类数据集，所述聚类数据集包括聚类中心和各聚类中心所对应的数据点；/n基于所述聚类数据集，计算所述数据点和所述数据点所对应的聚类中心的偏差，得到偏差数据集；/n采用DBSCAN对所述偏差数据集进行聚类，得到异常数据距离阈值；/n基于所述聚类中心和所述异常数据距离阈值，对所述偏差数据集进行分类，得到异常数据集。/n

【技术特征摘要】
1.一种光伏功率异常数据的识别方法，其特征在于，包括：
获取不同时间下光伏电站的光伏功率，得到时序功率数据集；
采用K-means聚类算法对所述时序功率数据集进行聚类，得到聚类数据集，所述聚类数据集包括聚类中心和各聚类中心所对应的数据点；
基于所述聚类数据集，计算所述数据点和所述数据点所对应的聚类中心的偏差，得到偏差数据集；
采用DBSCAN对所述偏差数据集进行聚类，得到异常数据距离阈值；
基于所述聚类中心和所述异常数据距离阈值，对所述偏差数据集进行分类，得到异常数据集。


2.根据权利要求1所述的方法，其特征在于，采用K-means聚类算法对所述时序功率数据集进行聚类，得到聚类数据集，具体包括：
基于二维时序图，X轴为时间，Y轴为光伏功率，采用K-means聚类算法对所述时序功率数据集进行聚类，得到聚类数据集。


3.根据权利要求2所述的方法，其特征在于，采用K-means聚类算法对所述时序功率数据集进行聚类，得到聚类数据集，还包括：
根据当前光伏电站的太阳辐照度设置聚类时长；
设置聚类簇数K为1；
采用K-means聚类算法对所述时序功率数据集进行聚类，标记各时段聚类中心，得到聚类数据集。


4.根据权利要求1所述的方法，其特征在于，基于所述聚类数据集，计算所述数据点和所述数据点所对应的聚类中心的偏差，得到偏差数据集，具体包括：
各数据点功率减去各数据点所对应的聚类中心功率，得到各数据点所对应的偏差；
整合各数据点所对应的偏差，得到偏差数据集。


5.根据权利要求1所述的方法，其特征在于，采用DBSCAN对所述偏差数据集进行聚类，得到异常数据距离阈值，具体包括：
设置偏差数据集的半径Eps和半径区域中能够聚成一类的最少偏差个数MinPts；
使用DBSCAN算法对所述偏差数据集进行聚类，得到聚类结果；
判断聚类结果是否符合预设条件；

【专利技术属性】
技术研发人员：陈鑫，王晓晨，牛辰庚，
申请(专利权)人：新奥数能科技有限公司，
类型：发明
国别省市：北京;11