CN117113243B - 一种光伏设备异常检测方法 - Google Patents

一种光伏设备异常检测方法 Download PDF

Info

Publication number
CN117113243B
CN117113243B CN202310773014.6A CN202310773014A CN117113243B CN 117113243 B CN117113243 B CN 117113243B CN 202310773014 A CN202310773014 A CN 202310773014A CN 117113243 B CN117113243 B CN 117113243B
Authority
CN
China
Prior art keywords
abnormal
type
sample data
data
anomaly
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310773014.6A
Other languages
English (en)
Other versions
CN117113243A (zh
Inventor
张聘亭
方荣华
田华
李晓伟
张娜玲
肖燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Yingfeng Energy Technology Co ltd
Original Assignee
Wuhan Yingfeng Energy Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Yingfeng Energy Technology Co ltd filed Critical Wuhan Yingfeng Energy Technology Co ltd
Priority to CN202310773014.6A priority Critical patent/CN117113243B/zh
Publication of CN117113243A publication Critical patent/CN117113243A/zh
Application granted granted Critical
Publication of CN117113243B publication Critical patent/CN117113243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明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、异常分类模块、异常识别模块；将光伏样本数据输入异常检测模块，得到异常样本数据；确定异常样本数据的异常种类，基于异常种类对异常样本数据进行判定；基于异常识别模块分别对异常样本数据进行识别，得到异常样本数据的影响范围；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；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。本发明提供的异常检测方法能够得到更精确的异常检测结果，以提高光伏数据的检测和应用效率。

Description

一种光伏设备异常检测方法
技术领域
本发明涉及光伏技术领域，尤其涉及一种光伏设备异常检测方法。
背景技术
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。随着国家双碳战略的逐步落实，新能源光伏在国内政策的的大力支持下迅速发展，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。
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***不能正常运行或对电网造成影响，进而酿成重大经济损失。
中国专利申请号为201610875514.0的方法公开了一种光伏电站功率异常数据辨识方法及装置，通过考虑光伏电站现场环境，结合光伏电站功率数据的影响因素对功率曲线进行聚类，以对光伏电站的异常数据进行准确的辨识。但现有技术中，仅仅是对光伏数据是否异常进行二分类的识别，而没有更深一步的对光伏数据的异常种类进行辨别和预测，即针对光伏数据的异常检测的精度还达不到需求。
发明内容
有鉴于此，本发明提出了一种光伏设备异常检测方法，通过对光伏数据进行异常判定、异常种类判定、异常影响范围标记，而得到更精确的异常检测结果，以提高光伏数据的检测和应用效率。
本发明的技术方案是这样实现的：本发明提供了一种光伏设备异常检测方法，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。
在以上技术方案的基础上，优选的，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。
在以上技术方案的基础上，优选的，角场转换算法为：
记第一时序特征为X＝{x1,x2,...,xn}，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
式(2)中，i∈[1,n]，ti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。
在以上技术方案的基础上，优选的，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＝1or 2，为第一异常分数或第二异常分数的归一化结果，min(sj)为第二时序特征的最小的异常结果，max(sj)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。
在以上技术方案的基础上，优选的，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,...,tc}，该阈值集合中包括c个阈值；
步骤二、在阈值集合T中选取tm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Fm：
式中，Rm为召回率，Pm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，FP指的是实际为异常样本而预测为正常样本的数量，FN指的是实际为正常样本而预测为异常样本的数量；
步骤四、重复步骤二和步骤三，得到阈值集合中所有阈值对应的均衡值 将c个均衡值中数值最大的阈值作为目标阈值t。
在以上技术方案的基础上，优选的，步骤S23包括：
S231异常种类包括第一类异常种类、第二类异常种类、第三类异常种类和第四类异常种类；
S232针对第一类异常种类、第二类异常种类、第三类异常种类和第四类异常种类分别设定第一类判定规则、第二类判定规则、第三类判定规则和第四类判定规则；
S233基于异常种类对异常样本数据进行判定：
根据第一类判定规则对异常样本数据进行第一类异常种类的判定，若该异常样本数据符合第一类判定规则，则将该异常样本数据纳入第一类异常样本数据；
根据第二类判定规则对异常样本数据进行第二类异常种类的判定，若该异常样本数据符合第二类判定规则，则将该异常样本数据纳入第二类异常样本数据；
根据第三类判定规则对异常样本数据进行第三类异常种类的判定，若该异常样本数据符合第三类判定规则，则将该异常样本数据纳入第三类异常样本数据；
根据第四类判定规则对异常样本数据进行第四类异常种类的判定，若该异常样本数据符合第四类判定规则，则将该异常样本数据纳入第四类异常样本数据。
在以上技术方案的基础上，优选的：
第一类异常种类指的是异常样本数据中存在预设比例的重复数据，对应的第一类判定规则为预设比例≥10％；
第二类异常种类指的是异常样本数据中存在超限的数据，对应的第二类判定规则为异常样本数据中的数据最大值大于数据上限值；
第三类异常种类指的是异常样本数据的发电效率低，对应的第三类判定规则为kmax<0.8且k95<0.8，其中，kmax＝当前异常样本数据的数据最大值/其它异常样本数据的数据最大值，k95＝当前异常样本数据的百分位数/其它异常样本数据的百分位数；
第四类异常种类指的是除去第一类异常种类、第二类异常种类和第三类异常种类后的异常样本数据的异常类别统称，对应的第四类判定规则为该异常样本数据不符合第一判定规则、不符合第二判定规则和不符合第三判定规则。
在以上技术方案的基础上，优选的，步骤S24包括：
将第一类异常样本数据的异常分数进行百分比转换，得到第一类异常样本数据的异常百分值，将第一类异常样本数据的异常百分值作为第一类异常样本的影响范围；
将第二类异常样本数据的异常分数进行百分比转换，得到第二类异常样本数据的异常百分值，将第二类异常样本数据的异常百分值作为第二类异常样本的影响范围；
将第三类异常样本数据的电流-电压关系常数、电量值和功率值分别作为表格的列数据，形成数据表格，数据表格的每一行为一个第三类异常样本数据的电流-电压关系常数、电量值和功率值，对数据表格以行为单位进行数据分析，结合第三类异常样本数据的异常分数进行百分比转换，得到第三类异常样本数据的异常百分值，将第三类异常样本数据的异常百分值作为第三类异常样本的影响范围；
将第四类异常样本数据的电流-电压关系常数、电量值和功率值分别作为表格的列数据，形成数据表格，数据表格的每一行为一个第四类异常样本数据的电流-电压关系常数、电量值和功率值，对数据表格以行为单位进行数据分析，结合第四类异常样本数据的异常分数进行百分比转换，得到第四类异常样本数据的异常百分值，将第四类异常样本数据的异常百分值作为第四类异常样本的影响范围。
在以上技术方案的基础上，优选的，步骤S25中，迭代停止条件为模型损失函数趋于平稳，其中，模型损失函数为：
Ltotal＝L1+L2+L3 (8)
式中，Ltotal为模型损失函数，L1为第一损失函数，L2为第二损失函数，L3为第三损失函数；
第一损失函数的计算公式为：
式中，E表示期望，||·||1为l1范数，||·||2为l2范数，xi为第一时序特征，为第二时序特征；
第二损失函数的计算公式为：
式中，y代表经过LogSoftMax运算后的值，c代表真实的异常种类，u表示预测的异常种类；
第三损失函数的计算公式为：
式中，z代表经过LogSoftMax运算后的值，e代表真实的影响范围，v表示预测的影响范围。
在以上技术方案的基础上，优选的，步骤S1中，光伏样本数据的预处理包括数据清洗，数据清洗包括空值处理、死数据删除、零数据删除和重复数据删除。
本发明的方法相对于现有技术具有以下有益效果：
(1)通过搭建一个集异常检测、异常分类、异常识别于一体的异常检测模型，对光伏数据进行深度的细分类，并标记异常数据的影响范围，从而提高了异常检测的准确性，并且能够辅助判断光伏数据的有效利用率。
(2)采用ConvGRU卷积操作来捕获时空特征，对于时序图像能够有更好的时序处理，所提取的第一时序特征具有更丰富的信息，从而提高异常检测的精度。(3)通过角场转换算法将原始的时间序列数据转换为沿对角线对称的第二时序特征，由于第二时序特征蕴含时间相关信息，因此根据格拉姆角场来对时间序列进行重构。根据这样的方式将光伏时序数据映射为二维图像，在利用模型对其进行异常检测时是十分有利的，将提高异常检测的准确度。
(4)通过最优化准则来寻找目标阈值t，能够找到最优的阈值，通过异常分数和目标阈值的比较来判定正常样本和异常样本，能增加异常分类的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图；
图2为本发明实施例的框架示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1和图2所示，本发明的光伏设备异常检测方法包括：
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将异常样本数据的种类及对应的影响范围作为异常样本数据的标签，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。
光伏设备包括逆变器、汇流箱等光伏管理单元，在本发明实施例中，以逆变器的光伏组串数据作为输入数据。本发明的方法包括模型搭建、模型训练、模型应用。在模型训练中，所采用的光伏样本数据为已标记数据，即可以人工对光伏样本数据进行异常判定、异常种类标记以及异常影响范围标记，或者采用相似性的计算方法来判定该光伏样本数据是否异常，之后人工来进行异常种类标记和异常影响范围标记。
其中，相似性的计算方法可以是皮尔逊相关系数法，也可以是其他相似性计算方法。
具体地，步骤S1中，预处理的过程包括数据清洗，数据清洗包括空值处理、死数据删除、零数据删除和重复数据删除。其中，空值处理指的是通过“前值”或者0值对缺失数据进行补齐；死数据删除指的是将连续且不变化的重复数据删除；零数据删除指的是将不发电数据删除，不发电数据判定方式为：同一光伏设备测试下某一时刻时具有50％以上的光伏样本数据的测点为0，则将这些测点为0的光伏样本数据作为不发电数据；重复数据删除指的是局部出现重复的正常数据，将其作为连续性重复数据删除。
在得到了经预处理后的光伏样本数据，将其输入预先搭建的异常检测模型中，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，其中，异常检测模块用于对光伏样本数据进行异常与否的判定，即可以将该模块作为一个二分类的网络模块，对光伏样本数据进行分类得到正常样本数据和异常样本数据；异常分类模块是根据预先设置好的四个异常种类，按照判定规则将异常样本数据做细分类，即对异常样本数据进行种类划分，得到四类异常样本数据；异常识别模块根据四个异常种类各自的特点设计了不同的百分比转换规则，计算出每类异常样本数据的异常影响范围。
具体地，本发明实施例中，异常检测模型的训练过程为：
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；
具体地，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。
以一个具体的实施例子对步骤S22进行说明：
本实施例中，异常检测模块采用一个深度学习神经网络，具体包括编码器、解码器和鉴别器，即特征提取单元为一编码器、特征转换单元为一解码器、特征分类单元为一鉴别器。
编码器包括ConvGRU神经网络、BN层、Sigmoid激活函数，先将光伏样本数据输入编码器，利用ConvGRU神经网络进行时序特征的提取，并通过BN和激活函数层将时序特征压缩成第一时序特征。
其中，ConvGRU的计算公式为：
zt＝σ(Wz*xt+Uz*ht-1)
rt＝σ(Wt*xt+Ut*ht-1)
式中，z为更新门，决定有多少迁移一层的状态要更新当前神经元中；r是输出门，控制当前输出有多大程度取决于当前的存储单元；为隐含层候选值；°表示Hadamard运算；*表示卷积运算；σ代表激活函数；xt为输入张量；ht为隐藏状态张量；Wt和Wz分别是输入和更新状态的二维卷积核；Ut和Uz分别是输入和更新状态的存储单元张量。
本发明实施例采用ConvGRU卷积操作来捕获时空特征，对于时序图像能够有更好的时序处理，所提取的第一时序特征具有更丰富的信息，从而提高异常检测的精度。
之后根据解码器进行重构特征图像，解码器包括卷积转置层、ReLU激活函数、BN和tanh层，采用角场转换算法对时序特征进行转置，并根据拉格姆角场进行映射重构，得到时序特征图。
其中，角场转换算法为：
记第一时序特征为X＝{x1,x2,...,xn}，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
式(2)中，i∈[1,n]，ti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。
需要说明的是，光伏数据通常为时间序列数据，通过角场转换算法可以将原始的时间序列数据转换为沿对角线对称的第二时序特征，由于第二时序特征蕴含时间相关信息，因此可以根据格拉姆角场来对时间序列进行重构。根据这样的方式将光伏时序数据映射为二维图像，在利用模型对其进行异常检测时是十分有利的，将提高异常检测的准确度。
对重构的时序特征图进行鉴别，判定其是否异常，具体还引入异常分数，包括第一异常分数和第二异常分数，根据最优化准则选择目标阈值t，将光伏样本数据分类为正常样本数据和异常样本数据。
具体过程包括：
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；具体地，在一个实施例中，A可以取值为0.9。
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＝1or 2，为第一异常分数或第二异常分数的归一化结果，min(sj)为第二时序特征的最小的异常结果，max(sj)为第二时序特征的最大的异常结果。
本发明的实施例通过设置第一异常分数和第二异常分数来对不同侧重点的数据异常度进行打分，其中，第一异常分数是根据时序特征在重构时的精确度分数，以及潜在的误差分数来对光伏样本数据进行异常评估，由于异常检测模块的网络对于正常样本的重构能力更强，在对异常样本进行重构时，总会有或多或少的误差，因此从重构误差的方向设计第一异常分数来评估样本的异常度。第二异常分数是根据孤立森林算法来进行异常评估，这是从时序特征的特征点离散程度来进行评估的，依赖的是异常样本的特征与正常样本的特征在孤立树上的时空距离。
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。
目标阈值t的最优化准则的设置方法为：
步骤一、初始设置一个阈值集合T＝{t1,t2,...,tc}，该阈值集合中包括c个阈值；
步骤二、在阈值集合T中选取tm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Fm：
式中，Rm为召回率，Pm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，FP指的是实际为异常样本而预测为正常样本的数量，FN指的是实际为正常样本而预测为异常样本的数量；
步骤四、重复步骤二和步骤三，得到阈值集合中所有阈值对应的均衡值 将c个均衡值中数值最大的阈值作为目标阈值t。
需要说明的是，本发明实施例通过最优化准则来寻找目标阈值t，能够找到最优的阈值，通过异常分数和目标阈值的比较来判定正常样本和异常样本，能增加异常分类的准确性。
具体地，本实施例中，步骤S23包括：
S231异常种类包括第一类异常种类、第二类异常种类、第三类异常种类和第四类异常种类；
S232针对第一类异常种类、第二类异常种类、第三类异常种类和第四类异常种类分别设定第一类判定规则、第二类判定规则、第三类判定规则和第四类判定规则；
S233基于异常种类对异常样本数据进行判定：
根据第一类判定规则对异常样本数据进行第一类异常种类的判定，若该异常样本数据符合第一类判定规则，则将该异常样本数据纳入第一类异常样本数据；
根据第二类判定规则对异常样本数据进行第二类异常种类的判定，若该异常样本数据符合第二类判定规则，则将该异常样本数据纳入第二类异常样本数据；
根据第三类判定规则对异常样本数据进行第三类异常种类的判定，若该异常样本数据符合第三类判定规则，则将该异常样本数据纳入第三类异常样本数据；
根据第四类判定规则对异常样本数据进行第四类异常种类的判定，若该异常样本数据符合第四类判定规则，则将该异常样本数据纳入第四类异常样本数据。
其中：
第一类异常种类指的是异常样本数据中存在预设比例的重复数据，对应的第一类判定规则为预设比例≥10％。即第一类异常种类代表的是异常样本数据中存在数据异常的表现形式，即该异常样本数据内存在一部分不变的死数据，当死数据的比例达到一定程度，则该异常样本数据将被标记为第一类异常种类。
第二类异常种类指的是异常样本数据中存在超限的数据，对应的第二类判定规则为异常样本数据中的数据最大值大于数据上限值。每个异常样本数据均包括其测点的上限值，该上限值指的是光伏数据正常工作的数据值上限，将异常样本数据中的数据最大值与上限值来进行比较，当数据最大值超过上限值，则将该异常样本数据标记为第二类异常种类。
第三类异常种类指的是异常样本数据的发电效率低，对应的第三类判定规则为kmax<0.8且k95<0.8，其中，kmax＝当前异常样本数据的数据最大值/其它异常样本数据的数据最大值，k95＝当前异常样本数据的百分位数/其它异常样本数据的百分位数。数据最大值可通过在一天中最强光照辐射下的发电数据内得到。
第四类异常种类指的是除去第一类异常种类、第二类异常种类和第三类异常种类后的异常样本数据的异常类别统称，对应的第四类判定规则为该异常样本数据不符合第一判定规则、不符合第二判定规则和不符合第三判定规则。具体地，第四类异常种类的情况包括光伏设备的组件被局部或全部遮挡、组件工作温度过高等。
需要说明的是，当异常样本数据经过第一类、第二类、第三类的判定之后均不符合，才会被归入第四类异常种类。而在进行判定时，按照异常程度来对前三类异常种类进行排序：第三类异常种类>第二类异常种类>第一类异常种类。例如，有异常样本数据在判定时，既归入了第一类异常种类，又归入了第三类异常种类，则将该异常样本数据的第一类异常种类的标记去除，仅保留第三类异常种类的标记。再例如，若有异常样本数据在判定时，既归入了第一类异常种类，又归入了第二类异常种类，还归入了第三类异常种类，则将该异常样本数据的第一类异常种类、第二类异常种类的标记均去除，仅保留第三类异常种类。
具体地，步骤S24包括：
将第一类异常样本数据的异常分数进行百分比转换，得到第一类异常样本数据的异常百分值，将第一类异常样本数据的异常百分值作为第一类异常样本的影响范围；
将第二类异常样本数据的异常分数进行百分比转换，得到第二类异常样本数据的异常百分值，将第二类异常样本数据的异常百分值作为第二类异常样本的影响范围；
将第三类异常样本数据的电流-电压关系常数、电量值、功率值分别作为表格的列数据，形成数据表格，数据表格的每一行为一个第三类异常样本数据的电流-电压关系常数、电量值、功率值，对数据表格以行为单位进行数据分析，结合第三类异常样本数据的异常分数进行百分比转换，得到第三类异常样本数据的异常百分值，将第三类异常样本数据的异常百分值作为第三类异常样本的影响范围；
将第四类异常样本数据的电流-电压关系常数、电量值、功率值分别作为表格的列数据，形成数据表格，数据表格的每一行为一个第四类异常样本数据的电流-电压关系常数、电量值、功率值，对数据表格以行为单位进行数据分析，结合第四类异常样本数据的异常分数进行百分比转换，得到第四类异常样本数据的异常百分值，将第四类异常样本数据的异常百分值作为第四类异常样本的影响范围。
例如，当一个异常样本数据的异常种类为第二类时，其异常分数为0.6，则直接将0.6进行百分制的变换，得到60％的结果，即该异常样本数据的影响范围即该数据内占比60％。
本实施例中，第二类异常样本数据的异常百分值的计算方式与第一类异常样本数据相同，在此不再赘述。
再例如，将异常样本数据中被标记为第三类异常种类的数据归入目标数据集，获取目标数据集中每个异常样本数据在获取时的测点电压、电流、电量值、输出功率值，并根据IV关系计算得到电流-电压关系常数，建立表格，表格的每一行为目标数据集中的一个异常样本数据的相关内容，表格的列数据为电流-电压关系常数、电量值、功率值。对整个表格的数据进行分析，确定电流-电压关系常数的权重为w1，电量值的权重为w2，功率值的权重为w3，将电流-电压关系常数、电量值、功率值分别归一化至[0,1]的数值b1、b2、b3，计算电流-电流关系常数、电量值、功率值的连接函数，根据公式：D＝w1b1+w2b2+w3b3计算得到三个数值的和D，并根据目标数据集中异常样本数据的异常分数的变化曲线确定D的影响因子k1，k1＝[0,1]，将异常分数S的影响因子定为1-k1，根据公式：(k1D+(1-k1)S)*100％计算得到第三类异常样本数据的异常百分值。
本实施例中，第四类异常样本数据的异常百分值的计算方式与第三类异常样本数据相同，在此不再赘述。
具体地，步骤S25中，迭代停止条件为模型损失函数趋于平稳，其中，模型损失函数为：
Ltotal＝L1+L2+L3 (8)
式中，Ltotal为模型损失函数，L1为第一损失函数，L2为第二损失函数，L3为第三损失函数；
第一损失函数的计算公式为：
式中，E表示期望，||·||1为l1范数，||·||2为l2范数，xi为第一时序特征，为第二时序特征；
第二损失函数的计算公式为：
式中，y代表经过LogSoftMax运算后的值，c代表真实的异常种类，u表示预测的异常种类；
第三损失函数的计算公式为：
式中，z代表经过LogSoftMax运算后的值，e代表真实的影响范围，v表示预测的影响范围。
在对异常检测模型的训练结束后，利用训练好的异常检测模型即可对新的光伏数据进行异常检测，得到其异常与否、异常种类、异常的影响范围。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

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；
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；
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＝1or 2，为第一异常分数或第二异常分数的归一化结果，min(sj)为第二时序特征的最小的异常结果，max(sj)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；
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，角场转换算法为：
记第一时序特征为X＝{x1,x2,...,xn}，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
式(2)中，i∈[1,n]，ti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。
3.如权利要求1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,...,tc}，该阈值集合中包括c个阈值；
步骤二、在阈值集合T中选取tm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Fm：
式中，Rm为召回率，Pm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，FP指的是实际为异常样本而预测为正常样本的数量，FN指的是实际为正常样本而预测为异常样本的数量；
步骤四、重复步骤二和步骤三，得到阈值集合中所有阈值对应的均衡值 将c个均衡值中数值最大的阈值作为目标阈值t。
4.如权利要求2所述的方法，其特征在于，步骤S23包括：
S231异常种类包括第一类异常种类、第二类异常种类、第三类异常种类、第四类异常种类；
S232针对第一类异常种类、第二类异常种类、第三类异常种类、第四类异常种类分别设定第一类判定规则、第二类判定规则、第三类判定规则和第四类判定规则；
S233基于异常种类对异常样本数据进行判定：
根据第一类判定规则对异常样本数据进行第一类异常种类的判定，若该异常样本数据符合第一类判定规则，则将该异常样本数据纳入第一类异常样本数据；
根据第二类判定规则对异常样本数据进行第二类异常种类的判定，若该异常样本数据符合第二类判定规则，则将该异常样本数据纳入第二类异常样本数据；
根据第三类判定规则对异常样本数据进行第三类异常种类的判定，若该异常样本数据符合第三类判定规则，则将该异常样本数据纳入第三类异常样本数据；
根据第四类判定规则对异常样本数据进行第四类异常种类的判定，若该异常样本数据符合第四类判定规则，则将该异常样本数据纳入第四类异常样本数据。
5.如权利要求4所述的方法，其特征在于：
第一类异常种类指的是异常样本数据中存在预设比例的重复数据，对应的第一类判定规则为预设比例≥10％；
第二类异常种类指的是异常样本数据中存在超限的数据，对应的第二类判定规则为异常样本数据中的数据最大值大于数据上限值；
第三类异常种类指的是异常样本数据的发电效率低，对应的第三类判定规则为kmax<0.8且k95<0.8，其中，kmax＝当前异常样本数据的数据最大值/其它异常样本数据的数据最大值，k95＝当前异常样本数据的百分位数/其它异常样本数据的百分位数；
第四类异常种类指的是除去第一类异常种类、第二类异常种类和第三类异常种类后的异常样本数据的异常类别统称，对应的第四类判定规则为该异常样本数据不符合第一判定规则、不符合第二判定规则和不符合第三判定规则。
6.如权利要求5所述的方法，其特征在于，步骤S24包括：
将第一类异常样本数据的异常分数进行百分比转换，得到第一类异常样本数据的异常百分值，将第一类异常样本数据的异常百分值作为第一类异常样本的影响范围；
将第二类异常样本数据的异常分数进行百分比转换，得到第二类异常样本数据的异常百分值，将第二类异常样本数据的异常百分值作为第二类异常样本的影响范围；
将第三类异常样本数据的电流-电压关系常数、电量值和功率值分别作为表格的列数据，形成数据表格，数据表格的每一行为一个第三类异常样本数据的电流-电压关系常数、电量值和功率值，对数据表格以行为单位进行数据分析，结合第三类异常样本数据的异常分数进行百分比转换，得到第三类异常样本数据的异常百分值，将第三类异常样本数据的异常百分值作为第三类异常样本的影响范围；
将第四类异常样本数据的电流-电压关系常数、电量值和功率值分别作为表格的列数据，形成数据表格，数据表格的每一行为一个第四类异常样本数据的电流-电压关系常数、电量值和功率值，对数据表格以行为单位进行数据分析，结合第四类异常样本数据的异常分数进行百分比转换，得到第四类异常样本数据的异常百分值，将第四类异常样本数据的异常百分值作为第四类异常样本的影响范围。
7.如权利要求1所述的方法，其特征在于，步骤S25中，迭代停止条件为模型损失函数趋于平稳，其中，模型损失函数为：
Ltotal＝L1+L2+L3 (8)
式中，Ltotal为模型损失函数，L1为第一损失函数，L2为第二损失函数，L3为第三损失函数；
第一损失函数的计算公式为：
式中，E表示期望，||·||1为l1范数，||·||2为l2范数，xi为第一时序特征，为第二时序特征；
第二损失函数的计算公式为：
式中，y代表经过LogSoftMax运算后的值，c代表真实的异常种类，u表示预测的异常种类；
第三损失函数的计算公式为：
式中，z代表经过LogSoftMax运算后的值，e代表真实的影响范围，v表示预测的影响范围。
8.如权利要求1所述的方法，其特征在于，步骤S1中，光伏样本数据的预处理包括数据清洗，数据清洗包括空值处理、死数据删除、零数据删除和重复数据删除。
CN202310773014.6A 2023-06-28 2023-06-28 一种光伏设备异常检测方法 Active CN117113243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310773014.6A CN117113243B (zh) 2023-06-28 2023-06-28 一种光伏设备异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310773014.6A CN117113243B (zh) 2023-06-28 2023-06-28 一种光伏设备异常检测方法

Publications (2)

Publication Number Publication Date
CN117113243A CN117113243A (zh) 2023-11-24
CN117113243B true CN117113243B (zh) 2024-01-26

Family

ID=88793628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310773014.6A Active CN117113243B (zh) 2023-06-28 2023-06-28 一种光伏设备异常检测方法

Country Status (1)

Country Link
CN (1) CN117113243B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117539223B (zh) * 2023-11-30 2024-06-04 西安好博士医疗科技有限公司 一种用于恒温箱的智能电加热控制***及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076975A (zh) * 2021-03-17 2021-07-06 长江水利委员会长江科学院 一种基于无监督学习的大坝安全监测数据异常检测方法
WO2022141871A1 (zh) * 2020-12-31 2022-07-07 平安科技（深圳）有限公司 时序数据异常检测方法、装置、设备及存储介质
CN115187832A (zh) * 2022-06-24 2022-10-14 同济大学 一种基于深度学习与格拉姆角场图像的能源***故障诊断方法
CN116205508A (zh) * 2022-07-21 2023-06-02 国网福建省电力有限公司营销服务中心 一种分布式光伏发电异常诊断方法和***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022141871A1 (zh) * 2020-12-31 2022-07-07 平安科技（深圳）有限公司 时序数据异常检测方法、装置、设备及存储介质
CN113076975A (zh) * 2021-03-17 2021-07-06 长江水利委员会长江科学院 一种基于无监督学习的大坝安全监测数据异常检测方法
CN115187832A (zh) * 2022-06-24 2022-10-14 同济大学 一种基于深度学习与格拉姆角场图像的能源***故障诊断方法
CN116205508A (zh) * 2022-07-21 2023-06-02 国网福建省电力有限公司营销服务中心 一种分布式光伏发电异常诊断方法和***

Also Published As

Publication number Publication date
CN117113243A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN112461537B (zh) 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
Li et al. A new flood forecasting model based on SVM and boosting learning algorithms
Yang et al. Combined wireless network intrusion detection model based on deep learning
CN114755745A (zh) 基于多通道深度残差收缩网络的冰雹天气识别与分类方法
CN117113243B (zh) 一种光伏设备异常检测方法
CN111369045A (zh) 一种短期光伏发电功率预测的方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN111598166A (zh) 基于主分量分析和Softmax函数的单相接地故障分类方法和***
CN112285376A (zh) 一种基于cnn-lstm的风速预测方法
CN116679211B (zh) 一种锂电池健康状态的预测方法
CN113723669A (zh) 一种基于Informer模型的输电线路覆冰预测方法
CN110726898A (zh) 一种配电网故障类型识别方法
CN111723876A (zh) 一种考虑双尺度相似性的负荷曲线集成谱聚类算法
CN111461921A (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111539657A (zh) 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法
CN111898729A (zh) 一种输电线路故障原因识别方法及***
CN115099296A (zh) 基于深度学习算法的海浪高度预测方法
CN115905904A (zh) 一种配电网馈线的线损异常评估方法及装置
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN115017828A (zh) 基于双向长短时记忆网络的电力电缆故障识别方法及***
CN115660182A (zh) 基于最大期望样本加权神经网络模型的光伏出力预测方法
CN111428772A (zh) 基于k-近邻自适应投票的光伏***深度异常检测方法
CN114648076A (zh) 一种无监督学习的电池生产工艺异常波动检测方法
CN117094754B (zh) 一种结合宏观微观的中长期电量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant