一种光伏设备异常检测方法技术

本发明专利技术提出了一种光伏设备异常检测方法，涉及光伏技术领域，该方法包括：获取经预处理的光伏样本数据；构建异常检测模型，异常检测模型包括异常检测模块

【技术实现步骤摘要】
一种光伏设备异常检测方法


[0001]本专利技术涉及光伏
，尤其涉及一种光伏设备异常检测方法
。

技术介绍

[0002]当前，过度开采与使用化石能源导致生态环境急剧恶化，严重威胁人类的生存和社会的可持续发展
。
化解能源和生态环境危机的有效方法之一就是减少对化石能源的过度依赖，积极开展可再生能源的利用，其中，光伏发电以其独特的发电特性取得了广泛地发展与应用
。
光伏电站装机容量也在不断扩大，增加了光伏厂站的运维难度，以及对光伏设备的智能化管理水平的新需求
。
[0003]然而，数据量的暴增使得仅依靠常规信息化手段已很难发现光伏板运行的状况
。
且由于光伏组件长期工作在比较恶劣的环境中，各种故障情况难以避免，使得实际使用寿命大为降低
。
一旦光伏组件发生运行故障，直接危害是损坏组件本身，降低发电效率；间接危害则是造成整个光伏发电系统不能正常运行或对电网造成影响，进而酿成重大经济损失
。
[0004]中国专利申请号为r/>2016108本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种光伏设备异常检测方法，其特征在于，包括：
S1
获取经预处理的光伏样本数据；
S2
构建异常检测模型，利用光伏样本数据对异常检测模型进行迭代训练：
S21
异常检测模型包括异常检测模块
、
异常分类模块和异常识别模块；
S22
将光伏样本数据输入异常检测模块，得到异常样本数据；
S23
确定异常样本数据的异常种类，根据异常分类模块基于异常种类对异常样本数据进行判定，得到第一类异常样本数据
、
第二类异常样本数据
、
第三类异常样本数据和第四类异常样本数据；
S24
基于异常识别模块分别对第一类异常样本数据
、
第二类异常样本数据
、
第三类异常样本数据和第四类异常样本数据进行识别，得到第一类异常样本数据
、
第二类异常样本数据
、
第三类异常样本数据和第四类异常样本数据的影响范围；
S25
重复步骤
S22
‑
S24
，对异常检测模型迭代训练，直至达到迭代停止条件，得到训练后的异常检测模型；
S3
获取新的光伏数据，利用训练后的异常检测模型对新的光伏数据进行异常检测，得到异常结果
。2.
如权利要求1所述的方法，其特征在于，步骤
S22
包括：异常检测模块包括特征提取单元
、
特征转换单元和特征分类单元；将光伏样本数据输入特征提取单元进行特征提取，得到第一时序特征；利用特征转换单元中的角场转换算法将第一时序特征转换为时序特征图；根据特征分类单元对时序图进行异常检测，基于异常检测算法得到时序特征图的异常分数，根据异常分数对时序特征图进行分类得到异常样本数据
。3.
如权利要求2所述的方法，其特征在于，角场转换算法为：记第一时序特征为
X
＝
{x1,x2,...,x
n
}
，采用归一化方法将第一时序特征归一化为
[
‑
1,1]
的特征归一值
X'
：式
(1)
中，
i∈[1,n]
，
max(X)
为第一时序特征中特征值的最大值，
min(X)
为第一时序特征中特征值的最小值；将特征归一值编码为角余弦，将时间戳编码为半径，得到用三角函数表示的第二时序特征特征式
(2)
中，
i∈[1,n]
，
t
i
为时间戳，
N
为调整极坐标跨度的常数因子，
θ
为余弦角，
r
为半径；利用格拉姆角场对第二时序特征进行映射，得到时序特征图
G
，其中，格拉姆角场为：
式
(3)
中，
I
为单位向量
[1,1,...,1]
，为的转置向量
。4.
如权利要求3所述方法，其特征在于，所述基于异常检测算法得到时序特征图的异常分数，根据异常分数对时序特征图进行分类得到异常样本数据，包括：对时序特征图按照公式
(4)
进行计算，得到第一异常分数
s1：式中，为衡量第二时序特征与第一时序特征之间相似程度的分数值，为衡量第二时序特征与第一时序特征之间差异的潜在分数值，
A
为控制两种分数值相对重要性的加权参数；对时序特征图采用孤立森林算法得到第二异常分数
s2：式中，
M
为第二时序特征的个数，为从孤立树的根节点到叶子节点所经过的边的数量，
H
为调和数，为第二时序特征在一批孤立树种的路径长度的期望；将第一异常分数和第二异常分数分别归一化为
[0,1]
的数值后取算术平均数，作为第二时序特征最终的异常分数
S
，其中，归一化公式为：式中，
j
＝
1 or 2
，为第一异常分数或第二异常分数的归一化结果，
min(s
j
)
为第二时序特征的最小的异常结果，
max(s
j
)
为第二时序特征的最大的异常结果；根据第一异常分数和第二异常分数对应的均衡分值设定目标阈值
t
，将最终的异常分数
S
与目标阈值
t
做比较，若
S≥t
，则将对应的光伏样本数据判为异常样本数据，若
S<t
，则将对应的光伏样本数据判为正常样本数据
。5.
如权利要求4所述的方法，其特征在于，目标阈值
t
的设置方法为：步骤一
、
初始设置一个阈值集合
T
＝
{t1,t2,...,t
c
}
，该阈值集合中包括
c
个阈值；步骤二
、
在阈值集合
T
中选取
t
m
作为当前阈值，
m
＝
[1,c]
，根据当前阈值将光伏样本数据进行二分类，二分类结果为每个光伏样本数据为预测异常样本或预测正常样本；步骤三
、
计算二分类结果的均衡值
F
m
：式中，
R
m
为召回率，
P
m
为精确率，其中，
TP
指的是实际为正常样本而预测也为正常样本的数量，<...

【专利技术属性】
技术研发人员：张聘亭，方荣华，田华，李晓伟，张娜玲，肖燕，
申请(专利权)人：武汉盈风能源科技有限公司，
类型：发明
国别省市：