光伏出力异常检测方法、装置、计算机设备及存储介质

1.本发明涉及智慧能源技术领域，具体涉及光伏出力异常检测方法、装置、计算机设备及存储介质。


背景技术：

2.为了减少碳排放，缓解传统化石燃料所带来的环境污染以及能源枯竭问题，以太阳能作为来源的光伏发电，是一种模块化、寿命长、清洁的可再生能源，已经在农业、工业等领域得到广泛应用。由于光伏阵列一般安装在无遮挡或者遮挡较少的室外，极易受到周围环境影响从而出现光伏组件热斑现象以及光伏逆变器的过流、过压等故障。这些故障会影响光伏电池组件的寿命以及光伏电站安全、稳定运行。为了防止因光伏阵列故障影响发电质量，需对光伏发电进行异常检测，以确保能够及时检修，保证光伏发电的稳定性、可靠性。
3.目前，针对光伏阵列的异常检测方法主要分为传统诊断法、基于机理模型的算法和智能算法三大类。传统诊断法主要依赖于仪器进行故障检测，包括红外线检测法、多传感器法、对地电容测量法等，成本较高；基于机理模型的算法是基于光伏阵列的等效电路模型进行分析，需要对电路模型参数进行估计。随着大数据技术的发展，智能算法得到了快速发展。智能算法分为监督学习、半监督学习以及无监督学习，监督学习和半监督学习都需要构建特征和故障一一对应的数据模型，在此基础上进行分类。但在实际应用场景中，故障的发生概率和频次很低，难以采集到较为完备的故障发生相关数据。因此如何基于正常光伏出力数据检测异常出力成为有待解决的难题。


技术实现要素：

4.有鉴于此，本发明提供了一种光伏出力异常检测方法、装置、计算机设备及存储介质，以解决在实际应用场景中，故障的发生概率和频次很低，难以采集到较为完备的故障发生相关数据，需要基于正常光伏出力数据检测异常出力的问题。
5.第一方面，本发明提供了一种光伏出力异常检测方法，所述方法包括获取目标时段的实测气象数据；将所述实测气象数据输入至预设的气象光伏预测模型，得到所述目标时段的光伏出力预测值，所述预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的；获取所述目标时段的光伏出力实际值；基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；所述预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。
6.本实施例提供的光伏出力异常检测方法，首先，选取目标时段内云的运动引起的光伏出力波动小的天气条件下的气象数据作为实测气象数据，提高光伏出力预测精度；然后，基于历史气象数据和历史光伏出力值训练预设的气象光伏预测模型，为光伏出力异常检测奠定基础；随后，基于历史气象数据和历史光伏出力值训练得到异常检测模型，规避了难以采集到较为完备的故障发生相关数据的技术难点。
7.在一种可选的实施方式中，所述获取目标时段的实测气象数据，包括：获取所述目标时段的气象数据，判断所述气象数据是否存在缺失值；若存在，对所述缺失值进行平均值填充处理，得到第一气象数据；判断所述第一气象数据是否存在异常值；若存在，对所述异常值进行向前填充处理，得到第二气象数据；基于光伏电站的开机容量对所述第二气象数据进行归一化处理，得到所述实测气象数据。
8.本实施例提供的光伏出力异常检测方法，通过对目标时段的气象数据进行缺失值处理、异常值处理和归一化处理，提高了数据质量，降低了预测结果的不确定性。
9.在一种可选的实施方式中，所述气象光伏预测模型包括第一模型和第二模型，训练得到所述预设的气象光伏预测模型的步骤包括：获取多个训练时段的历史气象数据和历史光伏出力值；将所述历史气象数据作为所述第一模型的输入，将所述历史光伏出力值作为第一模型的输出，基于所述历史气象数据和所述历史光伏出力值的映射关系，调整第一模型的参数，得到训练后的第一模型；将所述历史气象数据作为训练后的第一模型的输入，得到训练后的第一模型输出的第一历史光伏出力预测值；将所述第一历史光伏出力预测值、所述历史气象数据作为所述第二模型的输入，将历史光伏出力值作为所述第二模型的输出，基于所述历史光伏出力预测值、所述历史气象数据和所述历史光伏出力值的第一映射关系，调整第二模型的参数，得到训练后的第二模型；将所述第一历史光伏出力预测值和所述历史气象数据输入训练后的第二模型，得到第二历史光伏出力预测值；基于训练后的第一模型和第二模型，得到预设的气象光伏预测模型。
10.本实施例提供的光伏出力异常检测方法，通过混合模型将单个模型的优点集成起来，获得比单一模型更好的性能，本实施例利用第一模型和第二模型的混合模型，提升光伏出力预测结果的精度。
11.在一种可选的实施方式中，训练得到所述预设的光伏出力异常检测模型的步骤包括：基于所述第二历史光伏出力预测值和所述历史光伏出力值的差值，得到训练误差集合；将所述训练误差集合作为第三模型的输入，将表征通过的检测结果作为第三模型的输出，基于所述训练误差集合和所述表征通过的检测结果的第二映射关系调整第三模型的参数，得到训练后的第三模型；将训练后的第三模型作为所述预设的光伏出力异常检测模型。
12.在一种可选的实施方式中，所述基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果，包括：确定所述光伏出力预测值和所述光伏出力实际值的差值，得到目标误差值；将所述目标误差值输入所述预设的光伏出力异常检测模型，基于所述第二映射关系得到所述光伏出力异常检测模型输出的检测结果；若所述检测结果为表征通过的检测结果，得到异常检测结果为预测正常；若所述检测结果为表征不通过的检测结果，得到异常检测结果为预测异常。
13.本实施例提供的光伏出力异常检测方法，通过无监督学习的思想，对误差样本数据进行训练，通过决策边界判断新的样本是否为离群点，如果是离群点，表示该输入误差不是预测误差，而是出力异常误差，从而检测出光伏出力异常，从而避免了气象光伏预测模型的预测误差对光伏出力异常检测的干扰，提高了光伏出力异常检测的准确性。
14.在一种可选的实施方式中，所述实测气象数据包括晴天气象数据，所述晴天气象数据为散射辐照度与全局辐照度的比值符合第一阈值要求的日期的气象数据。
15.本实施例提供的光伏出力异常检测方法通过选取云的运动引起的光伏出力波动小的天气条件下的气象数据为实测气象数据，提高光伏出力预测精度。
16.在一种可选的实施方式中，所述方法还包括：设置更新周期及更新数据长度；基于所述更新周期及所述更新数据长度，定期对气象光伏预测模型和光伏出力异常检测模型进行更新。
17.本实施例提供的光伏出力异常检测方法，通过利用近期数据对气象光伏预测模型和光伏出力异常检测模型进行定期更新，使模型随时间更新光伏电站数据的统计信息，保证气象光伏预测模型和光伏出力异常检测模型的实时检测性能。
18.第二方面，本发明提供了一种光伏出力异常检测装置，所述装置包括：第一获取模块，用于获取目标时段的实测气象数据；第一输入模块，用于将所述实测气象数据输入至预设的气象光伏预测模型，得到所述目标时段的光伏出力预测值，所述预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的；第二获取模块，用于获取所述目标时段的光伏出力实际值；第二输入模块，用于基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；所述预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。
19.第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的光伏出力异常检测方法。
20.第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的光伏出力异常检测方法。
附图说明
21.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
22.图1是根据本发明实施例的光伏出力异常检测方法的流程示意图；
23.图2是根据本发明实施例的另一光伏出力异常检测方法的流程示意图；
24.图3是根据本发明实施例的光伏出力异常检测方法的训练得到所述预设的气象光伏预测模型流程示意图；
25.图4是根据本发明实施例的光伏出力异常检测方法的xgboost-rf模型结构示意图；
26.图5是根据本发明实施例的又一光伏出力异常检测方法的流程示意图；
27.图6是根据本发明实施例的光伏出力异常检测方法的训练得到所述预设的光伏出力异常检测模型流程示意图；
28.图7是根据本发明实施例的光伏出力异常检测装置的结构框图；
29.图8是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
30.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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例，都属于本发明保护的范围。
31.光伏发电是一种利用太阳能将光能直接转化为电能的技术。经过多年的发展，光伏发电已成为清洁、可持续并且具有较高效率的能源生产方式之一。光伏板是太阳能电池组成的，当太阳光照射到太阳能电池上时，光子会被吸收，并通过光生伏打效应转化为电子，进而生成电能。光伏出力表示光伏板发电功率，通常以千瓦为单位。光伏出力的大小取决于太阳能电池的类型、太阳辐射的强度和光伏电站的建设技术，可以根据现场情况进行调整。光伏出力的大小对光伏电站的发电效率和经济效益有着至关重要的影响。在实际应用中，光伏电站的出力与气候因素有着密切的联系。例如，在光照充足的晴天，光伏电站的出力通常会比在阴雨天气时更高。
32.光伏出力预测是指在确定的时间内，预测太阳能电池发电量的大小。由于光伏电站的发电量会受到气象条件、电站设备运行状况等因素的影响，因此准确的光伏出力预测可以帮助电站管理者制定更加精确的出力计划，从而提高电站的发电效率。针对光伏阵列的异常检测方法主要分为传统诊断法、基于机理模型的算法和智能算法三大类。智能算法分为监督学习、半监督学习以及无监督学习，监督学习和半监督学习都需要构建特征和故障一一对应的数据模型，在此基础上进行分类。但在实际应用场景中，故障的发生概率和频次很低，难以采集到较为完备的故障发生相关数据。
33.本实施例提供的光伏出力异常检测方法，首先，选取目标时段内云的运动引起的光伏出力波动小的天气条件下的气象数据作为实测气象数据，提高光伏出力预测精度；然后，基于历史气象数据和历史光伏出力值训练预设的气象光伏预测模型，为光伏出力异常检测奠定基础；随后，基于历史气象数据和历史光伏出力值训练得到异常检测模型，规避了难以采集到较为完备的故障发生相关数据的技术难点。
34.根据本发明实施例，提供了一种光伏出力异常检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
35.在本实施例中提供了一种光伏出力异常检测方法，图1是根据本发明实施例的光伏出力异常检测方法的流程图，如图1所示，该流程包括如下步骤：
36.步骤s101，获取目标时段的实测气象数据。
37.具体地，目标时段为已经过去的时段，实测气象数据是基于气象数据进行处理得到的，例如，在2023年10月1日，可以获取2023年9月1日至2023年9月30日的气象数据，对2023年9月1日至2023年9月30日的气象数据进行处理，得到2023年9月1日至2023年9月30日的实测气象数据。所述气象数据包括：大气温度、相对湿度、全局辐射、散射辐射、倾角全局辐射、倾角散射辐射。
38.本实施例提供的光伏出力异常检测方法选取的实测气象数据并不是目标时段内所有的气象数据，不同的天气条件下云的运动引起的光伏出力波动不同，导致光伏出力预
测精度不同，本实施例提供的光伏出力异常检测方法选取的实测气象数据为云的运动引起的光伏出力波动小的天气条件下的气象数据，如晴天天气。
39.步骤s102，将所述实测气象数据输入至预设的气象光伏预测模型，得到所述目标时段的光伏出力预测值，所述预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的。
40.具体地，所述预设的气象光伏预测模型包括第一模型和第二模型。作为示例，本实施例提供的光伏出力异常检测方法可以选取xgboost模型为第一模型，选取rf模型为第二模型。气象光伏预测模型中的xgboost模型和rf模型通过训练获得。历史气象数据包括大气温度、相对湿度、全局辐射、散射辐射、倾角全局辐射、倾角散射辐射。基于归一化处理之后的历史气象数据以及历史光伏出力值构造样本，作为训练的输入数据，训练得到xgboost模型和rf模型，最终得到气象光伏预测模型。
41.这里，xgboost是一种基于决策树的集成学习模型，它是一种高效、可扩展性强的机器学习算法，在各类数据挖掘比赛和应用中取得了许多优异表现。与传统的决策树模型不同，xgboost采用boosting的策略来生成多个决策树模型。boosting的过程中，xgboost将先构建一棵树，在此基础上加入每一棵新树，使得误差不断减小。同时，xgboost还会使用正则化方法(如l1和l2正则化)来防止过拟合。在模型训练完毕后，xgboost会根据各个特征在模型中的重要性，对特征进行排序。xgboost优化了传统梯度提升算法(gradient boosting)的计算和速度，使用特殊的并行处理算法加速模型训练、建模和预测推理，并且支持分布式计算，可运行在多台服务器上。基于boost策略的极端梯度提升树(extreme gradient boosting，xgboost)模型，通过减小偏差提升模型的性能。rf指的是random forest(随机森林)，是一种由多个决策树构成的集成学习模型。rf模型基于随机采样的方法，从原始训练集中随机有放回地选取一定数量的样本和特征作为新的训练集，进而训练多个独立的决策树模型。在模型预测时，通过投票的方式综合多个决策树的结果，以此来提高模型的准确度和泛化性能。相较于单个决策树模型，rf模型具有更快的训练速度和更好的鲁棒性和泛化能力，能够有效地处理高维度、大规模的数据集。并且rf模型可以通过调整树的数量和深度、特征抽取方法等参数，来优化模型的性能和效果。基于bagging的随机森林(random forecast，rf)模型，训练多个弱学习器，对多个弱学习器进行加权平均，通过减小方差提升模型的性能。
42.步骤s103，获取所述目标时段的光伏出力实际值。
43.具体地，获取所述目标时段的光伏出力实际值可通过直流电压、直流电流、直流功率和电量计量等检测方法实际检测得到。
44.步骤s104，基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；所述预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。
45.具体地，光伏出力异常检测模型对光伏出力的预测值和真实值的误差进行分析，从而判断光伏出力是否出现异常。作为示例，基于oneclasssvm的出力异常检测模型基于正常运行时光伏出力预测值与真实值的误差信息构建样本，进行训练，得到oneclasssvm模型，用以检测光伏出力是否异常。这里，oneclasssvm(单类支持向量机)是一种基于支持向量机(svm)的异常检测算法，它适用于只有一种类型数据的情况。它首先根据正常数据的特
征，学习建立一个分类器(svm)，然后将新的数据样本投影到该分类器中进行判断，如果样本点远离分类器，则被认为是异常点。oneclasssvm具有比较好的鲁棒性能，适合处理高维数据和大规模数据集，因此在异常检测、物体检测等领域得到广泛应用。
46.本实施例提供的光伏出力异常检测方法，首先，选取目标时段内云的运动引起的光伏出力波动小的天气条件下的气象数据作为实测气象数据，提高光伏出力预测精度；然后，基于历史气象数据和历史光伏出力值训练预设的气象光伏预测模型，为光伏出力异常检测奠定基础；随后，基于历史气象数据和历史光伏出力值训练得到异常检测模型，规避了难以采集到较为完备的故障发生相关数据的技术难点。
47.在本实施例中提供了一种光伏出力异常检测方法，图2是根据本发明实施例的光伏出力异常检测方法的流程图，如图2所示，该流程包括如下步骤：
48.步骤s201，获取目标时段的实测气象数据。
49.具体地，上述步骤s201包括：
50.步骤s2011，获取所述目标时段的气象数据，判断所述气象数据是否存在缺失值。
51.具体地，气象数据的缺失值可以通过直接查看数据、描述性统计分析、热力图可视化分析和机器学习模型预测等方法进行判断。
52.步骤s2012，若存在，对所述缺失值进行平均值填充处理，得到第一气象数据。
53.具体地，缺失值采用平均值方式进行填充。如下：
54.xi＝(x
i-1
+x
i+1
)/2
55.式中xi为第i个数据，x
i-1
为第i-1个数据，x
i+1
为第i+1个数据。
56.步骤s2013，判断所述第一气象数据是否存在异常值。
57.具体地，异常值采用孤立森林的方法进行检测，孤立森林(isolation forest)是一种基于树的无监督异常检测算法，可以很好地识别出数据中的异常值。孤立森林利用随机森林的思路，通过构建多个随机树对数据进行拆分，最终得到每个数据点的平均深度作为异常程度的评价指标。具体操作步骤如下：
58.a1：设定阈值：首先需要根据实际情况设定一个合适的阈值，用来判断哪些数据点是异常值。
59.a2：随机选择特征：从所有的特征中随机选择一个特征，并随机生成一个分割点用来将数据集分成两部分。
60.a3：构建决策树：将数据集按照选定的特征和分割点分成左右两部分，然后再对左右两部分分别进行a2和a3的操作，直到节点中只有一个数据点或者超过了设定的树的高度上限。
61.a4：计算深度得分：通过对所有树进行上述拆分操作，得到每个数据点在每棵树上的路径长度，取平均数作为深度得分。
62.a5：判断异常值：将深度得分与设定的阈值进行比较，如果深度得分小于阈值，则表示该数据点为异常值，否则不是异常值。
63.步骤s2014，若存在，对所述异常值进行向前填充处理，得到第二气象数据。
64.具体地，当检测到异常值的时候，采用前向填充的方式进行处理。当检测到第i个值为异常值时，填充方式如下：
65.xi＝x
i-1
66.式中xi为第i个数据，x
i-1
为第i-1个数据。
67.步骤s2015，基于光伏电站的开机容量对所述第二气象数据进行归一化处理，得到所述实测气象数据。
68.具体地，在训练气象光伏预测模型时，考虑新数据对于训练数据的相对变化率，因此需要训练归一化的最大值最小值参数进行保存，对数据进行归一化。
69.本实施例提供的光伏出力异常检测方法，通过对目标时段的气象数据进行缺失值处理、异常值处理和归一化处理，提高了数据质量，降低预测结果的不确定性。
70.在一些实施例的可选方式中，本实施例提供的光伏出力异常检测方法选取的实测气象数据为云的运动引起的光伏出力波动小的天气条件下的气象数据，如晴天天气。所述晴天气象数据为散射辐照度与全局辐照度的比值符合第一阈值要求的日期的气象数据。作为示例，晴天天气类型通过散射辐照度与全局辐照度的比值：
[0071][0072]
式中i表示一天中的小时数，dhri表示第i个散射辐照度，ghri表示第i个全局辐照度，当0≤kd≤0.15时，天气类型为晴天。
[0073]
步骤s202，将所述实测气象数据输入至预设的气象光伏预测模型，得到所述目标时段的光伏出力预测值，所述预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的。
[0074]
具体地，需要对历史气象数据和光伏出力值进行归一化处理。由于基于数据驱动的方法仅依赖于电站的历史数据，因此所提方法不受空间的限制，适用于不同地点的光伏电站。光伏电站的开机容量是指光伏组件或太阳能电池板的额定输出功率以及其他辅助设备共同构成的系统的总体容量表征。在相同辐照度条件下，开机容量越大，光伏出力越多，为了避免开机容量不同造成的误差，本发明采用开机容量对光伏出力数据进行归一化，采用的方法如下：
[0075][0076]
式中pi表示特征第i个值，p
min
表示样本中所对应特征的最小值，p
max
表示特征的最大值，当pi为光伏出力时，p
max
表示光伏的开机容量，pi′
表示第i个归一化后的值。
[0077]
本实施例提供的光伏出力异常检测方法通过选取云的运动引起的光伏出力波动小的天气条件下的气象数据为实测气象数据，提高光伏出力预测精度。
[0078]
图3是根据本发明实施例的光伏出力异常检测方法的训练得到所述预设的气象光伏预测模型流程示意图，所述气象光伏预测模型包括第一模型和第二模型，训练得到所述预设的气象光伏预测模型的步骤包括：
[0079]
步骤s301，获取多个训练时段的历史气象数据和历史光伏出力值。
[0080]
步骤s302，将所述历史气象数据作为所述第一模型的输入，将所述历史光伏出力值作为第一模型的输出，基于所述历史气象数据和所述历史光伏出力值的映射关系，调整第一模型的参数，得到训练后的第一模型。
[0081]
步骤s303，将所述历史气象数据作为训练后的第一模型的输入，得到训练后的第
一模型输出的第一历史光伏出力预测值。
[0082]
步骤s304，将所述第一历史光伏出力预测值、所述历史气象数据作为所述第二模型的输入，将历史光伏出力值作为所述第二模型的输出，基于所述历史光伏出力预测值、所述历史气象数据和所述历史光伏出力值的第一映射关系，调整第二模型的参数，得到训练后的第二模型。
[0083]
步骤s305，将所述第一历史光伏出力预测值和所述历史气象数据输入训练后的第二模型，得到第二历史光伏出力预测值.
[0084]
步骤s306，基于训练后的第一模型和第二模型，得到预设的气象光伏预测模型。
[0085]
作为示例，采用xgboost-rf算法建立晴天光伏出力预测模型，通过该模型得到气象数据与光伏出力的第一映射关系。xgboost-rf模型结构如图4所示，xgboost-rf模型由xgboost模型和rf模型组成。
[0086]
基于boosting策略的xgboost模型，是基于前一次预测的误差基础上进行改进提升，最后将这些预测结果集成在一起，xgboost的模型表示为：
[0087][0088]
表示k棵树对第i个光伏出力的预测值，fk(xi)表示通过第k棵树对第i个光伏出力进行预测。将这些树的预测值累加到一起，则得到光伏出力预测值
[0089]
xgboost的目标函数表示为：
[0090][0091]
ω(fk)表示为第k棵树的复杂度。通过最小化目标函数找到偏差最小的模型，xgboost模型的输入为历史气象数据：大气温度、相对湿度、全局辐射、散射辐射、倾角全局辐射、倾角散射辐射，输出为第一历史光伏出力预测值。将得到的第一历史光伏出力预测值以及历史气象数据作为rf的输入。
[0092]
rf模型是基于bagging策略的模型，通过训练多个弱学习器，各自独立地学习和做出预测，最后将多个弱学习器的结果进行加权平均，得到最终的光伏出力预测结果。集合模型的结果优于任何一个弱学习器的预测结果。
[0093]
rf模型表示为:
[0094][0095]
式中，m为树的个数。x是rf模型的输入，为历史气象数据，包括：大气温度、相对湿度、全局辐射、散射辐射、倾角全局辐射、倾角散射辐射和xgboost模型输出的第一历史光伏出力预测值f(x)为rf模型输出的第二历史光伏出力预测值，得到训练好的rf模型。xgboost-rf模型通过在减小预测结果偏差基础上进一步减小方差，得到预设的气象光伏预
测模型。
[0096]
步骤s203，获取所述目标时段的光伏出力实际值。详细请参见图1所示实施例的步骤s103，在此不再赘述。
[0097]
步骤s204，基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；所述预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。详细请参见图1所示实施例的步骤s104，在此不再赘述。
[0098]
本实施例提供的光伏出力异常检测方法，通过混合模型将单个模型的优点集成起来，获得比单一模型更好的性能，基于boost策略的极端梯度提升xgboost模型通过减小偏差提升模型的性能，基于bagging的随机森林rf模型通过训练多个弱学习器，最后对多个弱学习器进行加权平均，通过减小方差提升模型的性能，本实施例利用xgboost模型和rf模型的混合模型，提升光伏出力预测结果的精度。
[0099]
在本实施例中提供了一种光伏出力异常检测方法，图5是根据本发明实施例的又一光伏出力异常检测方法的流程示意图，如图5所示，该流程包括如下步骤：
[0100]
步骤s501，获取目标时段的实测气象数据。详细请参见图1所示实施例的步骤s101，在此不再赘述。
[0101]
步骤s502，将所述实测气象数据输入至预设的气象光伏预测模型，得到所述目标时段的光伏出力预测值，所述预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的。详细请参见图1所示实施例的步骤s102，在此不再赘述。
[0102]
步骤s503，获取所述目标时段的光伏出力实际值。详细请参见图1所示实施例的步骤s103，在此不再赘述。
[0103]
步骤s504，基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；所述预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。
[0104]
图6是根据本发明实施例的光伏出力异常检测方法的训练得到所述预设的光伏出力异常检测模型流程示意图，训练得到所述预设的光伏出力异常检测模型的步骤包括：
[0105]
步骤s601，基于所述第二历史光伏出力预测值和所述历史光伏出力值的差值，得到训练误差集合。
[0106]
步骤s602，将所述训练误差集合作为第三模型的输入，将表征通过的检测结果作为第三模型的输出，基于所述训练误差集合和所述表征通过的检测结果的第二映射关系调整第三模型的参数，得到训练后的第三模型。
[0107]
步骤s603，将训练后的第三模型作为所述预设的光伏出力异常检测模型。
[0108]
作为示例，通过oneclasssvm算法建立第二映射关系，oneclasssvm(单类支持向量机)是一种基于支持向量机(svm)的异常检测算法，适用于只有一种类型数据的情况。首先根据正常数据的特征，学习建立一个分类器(svm)，然后将新的数据样本投影到该分类器中进行判断，如果样本点远离分类器，则被认为是异常点。训练过程如下：
[0109]
b1：对光伏出力异常检测模型的输入样本进行构建；对于每一时刻的光伏出力，将该时刻的第二历史光伏出力预测值与历史光伏出力值相减，得到该时刻的训练误差，t时刻训练误差e(t)表示为：
[0110]
e(t)＝|y(t)-p(t)|
[0111]
式中y(t)为真实光伏出力值，p(t)为晴天模型光伏出力预测值。
[0112]
b2：对于给定第k个时刻，基于第二历史光伏出力预测值与历史光伏出力值，取前k-1个时刻的误差与第k个时刻的误差，共同组成一个训练误差集合。
[0113]
b3：oneclasssvm算法在特征空间中获得数据周围的球形边界，假设产生的超球体参数为中心ο和对应的超球体半径r》0，超球体体积v(r)被最小化，中心ο是支持向量的线性组合，构造一个惩罚系数为c的松弛变量ζi，oneclasssvm算法如下：
[0114][0115]
||x
i-ο||2≤r+ζi,i＝1,2,3
…m[0116]
ζi≥0,i＝1,2,3
…m[0117]
采用拉格朗日对偶求解之后，可以判断误差点是否在超球体内，如果误差点到中心的距离小于或者等于半径超球体r，则不是异常点，如果误差点到中心的距离大于半径超球体r，则是异常点。
[0118]
具体地，上述步骤s504包括：
[0119]
步骤s5041，确定所述光伏出力预测值和所述光伏出力实际值的差值，得到目标误差值；
[0120]
步骤s5042，将所述目标误差值输入所述预设的光伏出力异常检测模型，基于所述第二映射关系得到所述光伏出力异常检测模型输出的检测结果；
[0121]
步骤s5043，若所述检测结果为表征通过的检测结果，得到异常检测结果为预测正常；
[0122]
步骤s5044，若所述检测结果为表征不通过的检测结果，得到异常检测结果为预测异常。
[0123]
本实施例提供的光伏出力异常检测方法，通过无监督学习的思想，采用oneclasssvm，对误差样本数据进行训练，通过决策边界判断新的样本是否为离群点，如果是离群点，表示该输入误差不是随机误差，而是出力异常误差，从而检测出光伏出力异常，从而避免了气象光伏预测模型的预测误差对光伏出力异常检测的干扰，提高了光伏出力异常检测的准确性。
[0124]
在一些实施例的可选方式中，本实施例提供的光伏出力异常检测方法还包括：设置更新周期及更新数据长度；基于所述更新周期及所述更新数据长度，定期对气象光伏预测模型和光伏出力异常检测模型进行更新。
[0125]
具体地，由于光伏板受环境影响较大，因此在运行一段时间后，需要对气象光伏预测模型和光伏出力异常检测模型进行更新，更新过程如下：
[0126]
c1:第一模型更新。选取近期的预设时间长度的实测气象数据为更新气象数据，将更新气象数据作为第一模型的输入，获取对应时间段的光伏出力实际值为更新光伏出力实际值，将更新光伏出力实际值作为第一模型的输出，训练得到第一模型。将更新气象数据输入到训练好的第一模型中，得到第一更新光伏出力预测值。
[0127]
c2:rf训练。将更新气象数据和第一更新光伏出力预测值，作为第二模型的输入，
更新光伏出力实际值作为输出，得到训练好的第二模型。将更新气象数据输入到训练好的第二模型中，得到第二更新光伏出力预测值。
[0128]
以选取xgboost模型为第一模型、选取rf模型为第二模型为例，表2为xgboost-rf模型、xgboost模型和rf模型的光伏出力预测模型评价指标表，从表中可以看出xgboost-rf模型预测结果的rmse和mae均优于xgboost模型的预测结果和rf模型的预测结果。
[0129][0130]
表1
[0131]
其中，mae代表了预测值偏离实际值的平均值。mse代表预测值偏离真实值的误差的平方的均值。由于引入平方，其量纲发生变化，当偏差较大时，mse会因为平方作用而放大。为了消除量纲影响，将mse开平方值作为rmse。上述两种误差评价指标公式如下:
[0132][0133][0134]
其中，n表示预测的数据点数，yi表示实际光伏出力值，yi′
表示模型预测光伏出力值。
[0135]
c3:更新光伏出力异常检测模型，基于气象光伏预测模型输出的第二更新光伏出力预测值与更新光伏出力实际值计算得到光伏出力误差结果，选取k个误差组成的序列作为oneclasssvm算法的输入，进行光伏出力异常检测模型的更新，考虑到故障检测的及时性，k应该尽量取小，较优的取值范围为2-6，本实施例选取k＝3。
[0136]
本实施例提供的光伏出力异常检测方法与以往采用机理模型的方法比较，本发明仅依赖于电站运行中光伏出力历史信息和气象数据信息；与现有智能算法相比较，本发明无需故障数据样本，从而克服了故障数据难以采集的困难。从技术上讲，目前晴天天气模型精度高，采用晴天模型作为基准模型，可有效区分出力异常与随机预测误差。采用k个误差时序信号作为异常检测模型的输入，可有效融合一段时间内的误差信息，而不是一个点的误差信息，进行判定出力异常的发生，具有先进性。如表1所示，通过光伏出力预测结果，得出本发明提出的光伏出力预测方法可以准确预测晴天光伏出力，从而为光伏出力异常检测奠定基础。
[0137]
表2为一次实验中，光伏出力异常检测模型更新前后的测试数据，可以看出，更新模型之后mae提升了35.5％，rmse提升了42.2％。
[0138][0139]
表2
[0140]
本实施例提供的光伏出力异常检测方法，通过利用近期数据对气象光伏预测模型和光伏出力异常检测模型进行定期更新，使模型随时间更新光伏电站数据的统计信息，保证气象光伏预测模型和光伏出力异常检测模型的实时检测性能。
[0141]
在本实施例中还提供了一种光伏出力异常检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0142]
本实施例提供一种光伏出力异常检测装置，如图7所示，包括：
[0143]
第一获取模块701，用于获取目标时段的实测气象数据；
[0144]
第一输入模块702，用于将所述实测气象数据输入至预设的气象光伏预测模型，得到所述目标时段的光伏出力预测值，所述预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的；
[0145]
第二获取模块703，用于获取所述目标时段的光伏出力实际值；
[0146]
第二输入模块704，用于基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；所述预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。
[0147]
本实施例提供的光伏出力异常检测装置，首先，选取目标时段内云的运动引起的光伏出力波动小的天气条件下的气象数据作为实测气象数据，提高光伏出力预测精度；然后，基于历史气象数据和历史光伏出力值训练预设的气象光伏预测模型，为光伏出力异常检测奠定基础；随后，基于历史气象数据和历史光伏出力值训练得到异常检测模型，规避了难以采集到较为完备的故障发生相关数据的技术难点。
[0148]
在一些可选的实施方式中，第一获取模块701包括：
[0149]
缺失值判断单元，用于获取所述目标时段的气象数据，判断所述气象数据是否存在缺失值。
[0150]
平均值填充处理单元，用于若存在，对所述缺失值进行平均值填充处理，得到第一气象数据。
[0151]
异常值判断单元，用于判断所述第一气象数据是否存在异常值。
[0152]
向前填充处理单元，用于若存在，对所述异常值进行向前填充处理，得到第二气象数据。
[0153]
归一化处理单元，用于基于光伏电站的开机容量对所述第二气象数据进行归一化处理，得到所述实测气象数据。
[0154]
本实施例提供的光伏出力异常检测装置，通过对目标时段的气象数据进行缺失值
处理、异常值处理和归一化处理，提高了数据准确性，为后续的数据处理提高精度。
[0155]
在一些可选的实施方式中，光伏出力异常检测装置包括：
[0156]
历史数据获取单元，用于获取多个训练时段的历史气象数据和历史光伏出力值。
[0157]
第一模型调参单元，用于将所述历史气象数据作为所述第一模型的输入，将所述历史光伏出力值作为第一模型的输出，基于所述历史气象数据和所述历史光伏出力值的映射关系，调整第一模型的参数，得到训练后的第一模型。
[0158]
第一模型输入单元，用于将所述历史气象数据作为训练后的第一模型的输入，得到训练后的第一模型输出的第一历史光伏出力预测值。
[0159]
第二模型调参单元，用于将所述第一历史光伏出力预测值、所述历史气象数据作为所述第二模型的输入，将历史光伏出力值作为所述第二模型的输出，基于所述历史光伏出力预测值、所述历史气象数据和所述历史光伏出力值的第一映射关系，调整第二模型的参数，得到训练后的第二模型。
[0160]
第二模型输入单元，用于将所述第一历史光伏出力预测值和所述历史气象数据输入训练后的第二模型，得到第二历史光伏出力预测值。
[0161]
预设气象光伏预测模型单元，用于基于训练后的第一模型和第二模型，得到预设的气象光伏预测模型。
[0162]
本实施例提供的光伏出力异常检测系统，通过混合模型将单个模型的优点集成起来，获得比单一模型更好的性能，本实施例利用第一模型和第二模型的混合模型，提升光伏出力预测结果的精度。
[0163]
在一些可选的实施方式中，光伏出力异常检测装置包括：
[0164]
训练误差集合单元，用于基于所述第二历史光伏出力预测值和所述历史光伏出力值的差值，得到训练误差集合。
[0165]
第三模型调参单元，用于将所述训练误差集合作为第三模型的输入，将表征通过的检测结果作为第三模型的输出，基于所述训练误差集合和所述表征通过的检测结果的第二映射关系调整第三模型的参数，得到训练后的第三模型。
[0166]
预设光伏出力异常检测模型单元，用于将训练后的第三模型作为所述预设的光伏出力异常检测模型。
[0167]
本实施例提供的光伏出力异常检测系统，通过无监督学习的思想，对误差样本数据进行训练，通过决策边界判断新的样本是否为离群点，如果是离群点，表示该输入误差不是预测误差，而是出力异常误差，从而检测出光伏出力异常，从而避免了气象光伏预测模型的预测误差对光伏出力异常检测的干扰，提高了光伏出力异常检测的准确性。
[0168]
在一些可选的实施方式中，第一获取模块701包括：
[0169]
目标误差值单元，用于确定所述光伏出力预测值和所述光伏出力实际值的差值，得到目标误差值。
[0170]
目标误差值输入单元，用于将所述目标误差值输入所述预设的光伏出力异常检测模型，基于所述第二映射关系得到所述光伏出力异常检测模型输出的检测结果。
[0171]
异常检测结果单元，用于若所述检测结果为表征通过的检测结果，得到异常检测结果为预测正常。
[0172]
预测异常单元，用于若所述检测结果为表征不通过的检测结果，得到异常检测结
果为预测异常。
[0173]
在一些可选的实施方式中，所述实测气象数据包括晴天气象数据，所述晴天气象数据为散射辐照度与全局辐照度的比值符合第一阈值要求的日期的气象数据。
[0174]
本实施例提供的光伏出力异常检测系统，通过选取云的运动引起的光伏出力波动小的天气条件下的气象数据为实测气象数据，提高光伏出力预测精度。
[0175]
在一些可选的实施方式中，光伏出力异常检测装置包括：更新模块，用于设置更新周期及更新数据长度；基于所述更新周期及所述更新数据长度，定期对气象光伏预测模型和光伏出力异常检测模型进行更新。
[0176]
本实施例提供的光伏出力异常检测系统，通过利用近期数据对气象光伏预测模型和光伏出力异常检测模型进行定期更新，使模型随时间更新光伏电站数据的统计信息，保证气象光伏预测模型和光伏出力异常检测模型的实时检测性能。
[0177]
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
[0178]
本实施例中的光伏出力异常检测装置是以功能单元的形式来呈现，这里的单元是指asic(application specific integrated circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
[0179]
本发明实施例还提供一种计算机设备，具有上述图7所示的光伏出力异常检测装置。
[0180]
请参阅图8，图8是本发明可选实施例提供的一种计算机设备的结构示意图，如图8所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器10为例。
[0181]
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
[0182]
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
[0183]
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其
组合。
[0184]
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
[0185]
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
[0186]
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
[0187]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

技术特征：
1.一种光伏出力异常检测方法，其特征在于，所述方法包括：获取目标时段的实测气象数据；将所述实测气象数据输入至预设的气象光伏预测模型，得到所述目标时段的光伏出力预测值，所述预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的；获取所述目标时段的光伏出力实际值；基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；所述预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。2.根据权利要求1所述的方法，其特征在于，所述获取目标时段的实测气象数据，包括：获取所述目标时段的气象数据，判断所述气象数据是否存在缺失值；若存在，对所述缺失值进行平均值填充处理，得到第一气象数据；判断所述第一气象数据是否存在异常值；若存在，对所述异常值进行向前填充处理，得到第二气象数据；基于光伏电站的开机容量对所述第二气象数据进行归一化处理，得到所述实测气象数据。3.根据权利要求1所述的方法，其特征在于，所述气象光伏预测模型包括第一模型和第二模型，训练得到所述预设的气象光伏预测模型的步骤包括：获取多个训练时段的历史气象数据和历史光伏出力值；将所述历史气象数据作为所述第一模型的输入，将所述历史光伏出力值作为第一模型的输出，基于所述历史气象数据和所述历史光伏出力值的映射关系，调整第一模型的参数，得到训练后的第一模型；将所述历史气象数据作为训练后的第一模型的输入，得到训练后的第一模型输出的第一历史光伏出力预测值；将所述第一历史光伏出力预测值、所述历史气象数据作为所述第二模型的输入，将历史光伏出力值作为所述第二模型的输出，基于所述历史光伏出力预测值、所述历史气象数据和所述历史光伏出力值的第一映射关系，调整第二模型的参数，得到训练后的第二模型；将所述第一历史光伏出力预测值和所述历史气象数据输入训练后的第二模型，得到第二历史光伏出力预测值；基于训练后的第一模型和第二模型，得到预设的气象光伏预测模型。4.根据权利要求3所述的方法，其特征在于，训练得到所述预设的光伏出力异常检测模型的步骤包括：基于所述第二历史光伏出力预测值和所述历史光伏出力值的差值，得到训练误差集合；将所述训练误差集合作为第三模型的输入，将表征通过的检测结果作为第三模型的输出，基于所述训练误差集合和所述表征通过的检测结果的第二映射关系调整第三模型的参数，得到训练后的第三模型；将训练后的第三模型作为所述预设的光伏出力异常检测模型。5.根据权利要求4所述的方法，其特征在于，所述基于所述光伏出力预测值和所述光伏
出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果，包括：确定所述光伏出力预测值和所述光伏出力实际值的差值，得到目标误差值；将所述目标误差值输入所述预设的光伏出力异常检测模型，基于所述第二映射关系得到所述光伏出力异常检测模型输出的检测结果；若所述检测结果为表征通过的检测结果，得到异常检测结果为预测正常；若所述检测结果为表征不通过的检测结果，得到异常检测结果为预测异常。6.根据权利要求1所述的方法，其特征在于，所述实测气象数据包括晴天气象数据，所述晴天气象数据为散射辐照度与全局辐照度的比值符合第一阈值要求的日期的气象数据。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：设置更新周期及更新数据长度；基于所述更新周期及所述更新数据长度，定期对气象光伏预测模型和光伏出力异常检测模型进行更新。8.一种光伏出力异常检测装置，其特征在于，所述装置包括：第一获取模块，用于获取目标时段的实测气象数据；第一输入模块，用于将所述实测气象数据输入至预设的气象光伏预测模型，得到所述目标时段的光伏出力预测值，所述预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的；第二获取模块，用于获取所述目标时段的光伏出力实际值；第二输入模块，用于基于所述光伏出力预测值和所述光伏出力实际值得到目标误差值，将所述目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；所述预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。9.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至7中任一项所述的光伏出力异常检测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的光伏出力异常检测方法。

技术总结
本发明涉及光伏出力异常检测技术领域，公开了光伏出力异常检测方法、装置、计算机设备及存储介质，本光伏出力异常检测方法包括：获取目标时段的实测气象数据；将实测气象数据输入至预设的气象光伏预测模型，得到目标时段的光伏出力预测值，预设的气象光伏预测模型是基于历史气象数据和历史光伏出力值进行训练得到的；获取目标时段的光伏出力实际值；基于光伏出力预测值和光伏出力实际值得到目标误差值，将目标误差值输入至预设的光伏出力异常检测模型，得到异常检测结果；预设的光伏出力异常检测模型是基于历史气象数据和历史光伏出力值训练得到的。本实施例提供的光伏出力异常检测方法规避了难以采集到较为完备的故障发生相关数据的技术难点。生相关数据的技术难点。生相关数据的技术难点。


技术研发人员：李佳瑞 张克刚 杨彦茹 温治胜 汤效平 陈爽 舒少龙
受保护的技术使用者：神木县隆德矿业有限责任公司 同济大学
技术研发日：2023.06.26
技术公布日：2023/9/9