【技术实现步骤摘要】
本专利技术属于光伏发电，尤其是一种anomaly-transformer光伏发电异常检测方法。
技术介绍
1、随着新能源在中国的大力开发与应用，分布式光伏发电站在全国各地得到了快速发展。分布式光伏发电站自身拥有小型化、分布广和多样化的特性，这给电网系统的连接与运营维护带来了新的挑战。随着分布式光伏电站运行时间的增加，光伏组件故障率逐渐上升，电能损耗增加，导致分布式光伏电站效率低下，同时运维管理也越发困难。因此，通过分布式光伏发电站检测平台获取的光伏发电数据来判断逆变器或组串的发电异常情况，运维人员根据实时异常诊断来实施运维工作可以保证分布式光伏发电站的发电效率与经济效益。
2、目前光伏异常检测主要分为图像方法、物理方法、数学方法和深度学习方法。图像方法主要有图像诊断法，通过机器视觉方法去识别光伏组件自然光照片或红外照片，来判断光伏组件是否被遮挡或产生热斑。物理方法主要是通过安装在光伏组件中的各类传感器，综合各类传感器数据来进行异常诊断。数学方法会根据电站组件布局建立光伏组件等效电路，分析不同状态下电流与电压的关系，建立用于异常检测的数学模型。深度学习方法通过采集得到的数据，将数据使用深度学习模型训练，最终得到异常检测模型。但是，上述现有的异常检测方法都是基于现有数据拥有异常标签，并且电力数据拥有较强的周期性与自相关性，上述方法对于无标签电力时间序列数据具有一定的局限性，同时检测精度也无法较好地验证。
技术实现思路
1、本专利技术的目的是解决现有技术中光伏发电异常检测时仅
2、为了实现上述目的，本专利技术采用以下技术方案：
3、一种anomaly-transformer光伏发电异常检测方法，包括如下步骤：
4、s1、获取待检测分布式光伏电站的历史数据；
5、s2、对得到的历史数据进行预处理，基于预处理后的数据构建训练数据集；
6、s3、通过孤立森林法确定训练数据集的异常值分数，基于异常值分数对历史数据标注标签；s4、通过带标签的历史数据进行模型训练和验证构建anomaly-transformer模型；
7、s5、基于anomaly-transformer模型计算实时数据的关联差异得分，基于关联差异得分评估序列存在的异常情况。
8、上述技术方案中，通过对历史数据进行预处理，有助于去除噪声、处理缺失值和标准化数据，提高了模型对输入数据的适应性和稳定性；通过采用孤立森林法进行异常值检测，能够有效地识别出光伏发电系统中的异常情况，包括可能的故障、异常气象等；通过异常值分数对历史数据进行标签标注，有助于为模型提供有监督的训练数据，提高了anomaly-transformer模型的学习效果；通过关联差异得分评估序列中的异常情况，能够实时监测光伏发电系统的运行状态，及时发现并响应异常情况，有助于提高系统的可靠性和稳定性。
9、优选的，所述s2包括如下步骤：
10、s21、通过随机森林链式方程式多重插补算法进行迭代填补历史数据的缺失数据得到完整历史数据；
11、s22、通过z-score标准化方法对完整历史数据进行标准化得到标准化历史数据；
12、s23、基于标准化后历史数据构建训练数据集。
13、上述技术方案中，通过随机森林链式方程式多重插补算法填补历史数据中的缺失值。能够更好地保留数据的多样性和复杂性，避免了传统插补方法可能引入的偏差，有助于提高数据的鲁棒性，使模型更具抗干扰性；通过迭代填补，可提高填补结果的准确性，有助于提高后续模型训练的质量；通过z-score标准化方法对历史数据集进行标准化有助于消除数据的量纲影响，使得不同特征之间具有可比性，可以提高模型的稳定性和收敛速度。
14、优选的，所述s3包括如下步骤：
15、s31、将训练数据集导入到孤立森林检测模型中；
16、s32、基于孤立森林检测模型对训练数据集进行随机抽样构建二叉树；
17、s33、通过pathlength方法计算二叉树中每个数据点从根节点到达叶子节点的路径长度；
18、s34、根据每个数据点的路径长度，通过异常分数方法计算异常分数；
19、s35、通过异常分数将数据点进行排序对历史数据进行标签。
20、上述技术方案中，通过对训练数据集进行随机抽样构建二叉树，有助于增加模型的多样性，提高异常检测的鲁棒性，能够有效地捕捉到潜在的异常模式，使得模型更适应不同情景下的异常；通过pathlength方法计算每个数据点从根节点到达叶子节点的路径长度，有助于量化数据点在孤立森林中的孤立度，可以更准确地判断数据点的异常性，使得异常检测更加可靠；基于计算的路径长度，使用异常分数方法计算每个数据点的异常分数，提供了统一的指标来量化数据点的异常程度，有助于更直观地理解哪些数据点更可能是异常的；利用计算得到的异常分数对历史数据进行排序，从而生成标签，能够提供有监督学习所需的信息，使得anomaly-transformer模型能够更好地学习和理解异常模式。
21、优选的，所述异常分数的计算公式如下：
22、h(x)＝e+c(t.size)；
23、式中：h(x)表示样本在二叉树的路径长度；e表示split次数；t.size表示样本x同在一个叶子节点样本的个数。
24、上述技术方案中，通过考虑样本在树中的路径长度，能够更好地理解样本相对于其他样本的孤立程度，有助于提高异常检测的准确性，因为异常点通常具有更短的路径长度。
25、优选的，所述s4包括如下步骤：
26、s41、设置anomaly-transformer模型的块和层，构建初始模型；
27、s42、将带标签的历史数据输入初始模型进行模型训练构建anomaly-transformer模型；
28、s43、通过验证机对anomaly-transformer模型的性能进行评估确定评估指标；
29、s44、若评估指标大于或等于评估指标阈值，则将输出anomaly-transformer模型；若评估指标小于评估指标阈值，则返回执行s41。
30、上述技术方案中，通过设置模型的块和层，构建初始的anomaly-transformer模型，有助于为异本文档来自技高网...
【技术保护点】
1.一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，所述S2包括如下步骤：
3.根据权利要求1所述的一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，所述S3包括如下步骤：
4.根据权利要求3所述的一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，所述异常分数的计算公式如下：
5.根据权利要求1所述的一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，所述S4包括如下步骤：
6.根据权利要求5所述的一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，所述评估指标包括准确率、召回率和F1分数。
7.根据权利要求5所述的一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，所述S42包括如下步骤：
8.根据权利要求7所述的一种Anomaly
9.根据权利要求7所述的一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，所述序列关联建模包括如下步骤：
10.根据权利要求1所述的一种Anomaly-Transformer光伏发电异常检测方法，其特征在于，所述S5包括如下步骤：
...【技术特征摘要】
1.一种anomaly-transformer光伏发电异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种anomaly-transformer光伏发电异常检测方法，其特征在于，所述s2包括如下步骤：
3.根据权利要求1所述的一种anomaly-transformer光伏发电异常检测方法，其特征在于，所述s3包括如下步骤：
4.根据权利要求3所述的一种anomaly-transformer光伏发电异常检测方法，其特征在于，所述异常分数的计算公式如下：
5.根据权利要求1所述的一种anomaly-transformer光伏发电异常检测方法，其特征在于，所述s4包括如下步骤：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：胡锡幸，郑伟彦，孔莹莹，苏芳，邵箭，黄迪，严性平，薛晓玮，朱超越，吴巧玲，
申请(专利权)人：浙江大有实业有限公司杭州科技发展分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。