[發明專利]基于機器學習的光伏運行異常檢測方法及系統

在審

• 申請號: 202310124025.1
• 申請日: 2023-02-16
• 公開（公告）號: CN116383743A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 閆計棟;張勤;吉云;劉曙元;吳娜;孫娜;谷薇
• 申請（專利權）人: 國能信控互聯技術有限公司
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06F18/22;G06F18/23213;G06Q50/06;G06N20/20;H02J3/38
• 代理公司: 北京智繪未來專利代理事務所(普通合伙) 11689
• 代理人: 王萍

1.基于機器學習的光伏運行異常檢測方法，其特征在于，包括以下步驟：

步驟1，采集光伏運行測點歷史數據；

步驟2，將光伏運行測點歷史數據調整成統一格式，并對統一格式的歷史數據進行數據清洗處理，得到清洗后的光伏運行測點歷史數據；

步驟3，將清洗后的光伏運行測點歷史數據根據時間特征進行劃分；

步驟4，對劃分好的光伏運行測點歷史數據作為訓練數據集，通過K-MEANS聚類方法進行篩選，得出異常數據M和正常數據N；

步驟5，將步驟4中得到的正常數據N，采用改進的孤立森林方法進行建模，構建光伏運行異常檢測模型；

步驟6，輸入待測數據，首先和步驟4中用K-MEANS篩選的異常數據做相似度對比，超出閾值的是異常數據，沒超出閾值的數據，再采用光伏運行異常檢測模型進行檢測。

2.根據權利要求1所述的基于機器學習的光伏運行異常檢測方法，其特征在于，

步驟1中，從實時數據庫中按照時間間隔獲取光伏運行測點歷史數據，歷史數據包括：板溫，現場溫度，光照強度，轉換效率，電壓功率。

3.根據權利要求1所述的基于機器學習的光伏運行異常檢測方法，其特征在于，

步驟4具體包括：

步驟4.1，設置聚類參數k，聚類樣本個數閾值c；

步驟4.2，隨機在訓練數據集中選取k個點，作為簇質心；

步驟4.3，計算訓練數據集中每個點與質心之間的歐式距離平方和，根據最近原則將數據集中每個點分配給距離最近的質心所對應的簇中；

步驟4.4，更新簇的質心，每個簇的質心更新為該簇所有點的平均值；步驟4.5，判斷k個聚類中心是否都不再改變，如果是則算法結束，輸出聚類結果；否則，轉至步驟4.3繼續執行，直至達到算法結束條件，將聚類中樣本的值小于閾值c的視為異常類，異常類中的數據視為異常數據M，剩下的則為正常數據N。

4.根據權利要求3所述的基于機器學習的光伏運行異常檢測方法，其特征在于，

步驟4.3中，歐式距離平方和的計算表達式為：

式中，

p表示數據集中的一個數據對象；

c_i表示某一個聚類中心點；

dist(p,c_i)表示p點與聚類中心之間的歐式距離；

E表示所有累次的歐氏距離平方和。

5.根據權利要求4所述的基于機器學習的光伏運行異常檢測方法，其特征在于，

步驟4.4中，每個簇所有點的平均值m_i(c_i)的計算表達式為：

式中，

n表示所有點個數；

p_j表示某簇中某一點的值。