【技术实现步骤摘要】
本专利技术涉及光伏发电运维的，特别是涉及一种分布式光伏异常数据检测方法、系统、电子设备及存储介质。
技术介绍
1、随着可再生能源的快速发展，分布式光伏电站作为一种清洁、高效的能源形式，得到了广泛的应用；然而，由于分布式光伏电站的分散性和复杂性，其运行数据的监控和管理成为了一个重要的问题；在实际运行过程中，光伏电站的出力受到多种因素的影响，如地理位置、气象条件、设备状态等；因此，如何准确地获取和分析分布式光伏电站的运行数据，及时发现异常数据，对于提高光伏电站的运行效率和稳定性具有重要意义。
2、在现有技术中，对于分布式光伏电站的异常数据检测，通常依赖于简单的阈值判断或统计方法；这些方法在应对复杂多变的光伏电站运行动态环境时检测精度有限；例如，当局部地区突然受到云层遮挡或光伏板表面被污物遮挡时，光伏电站的出力可能会骤降；在这种情况下，传统的基于阈值或统计的异常数据检测方法可能会误判这种正常的出力变化为异常数据，导致不必要的误报和误操作；这不仅增加了光伏电站的运行成本，还可能影响其稳定性和效率。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种能够有效地提高分布式光伏电站的运行效率和稳定性，降低异常数据检测的误判率的分布式光伏异常数据检测方法、系统、电子设备及存储介质。
2、第一方面，本专利技术提供了分布式光伏异常数据检测方法，所述方法包括：
3、获取分布式光伏电站的物理状态信息和气象数据信息；
4、将物理状态信息和气象数据信息输入
5、根据预先设定的采集时间点，采集分布式光伏电站的实际出力数据和电站周边动态环境数据；所述实际出力数据和电站周边动态环境数据在时间维度上一一对应；
6、将每个采集时间点的实际出力数据和电站周边动态环境数据依次输入至预先构建的分布式光伏电站出力校正模型中，获得分布式光伏电站在每个采集时间点的校正出力数据；
7、对校正出力数据进行趋势分析，获得校正出力曲线；
8、根据对分布式光伏电站异常数据检测的敏感要求，设置数据识别时间切片；
9、针对每个数据识别时间切片，对最佳出力曲线和校正出力曲线进行相似度计算，并将相似度低于预设阈值的数据识别时间切片对应的实际出力数据判定为分布式光伏电站的异常数据。
10、进一步地，所述分布式光伏电站出力预测模型的计算公式为：
11、其中，表示分布式光伏电站的预测出力，ghi表示全球水平面总辐射强度，ktropo表示大气透射率修正因子，考虑大气透明度的影响；kaero表示大气质量修正因子，考虑空气密度和海拔的影响；ktemp表示温度修正因子，考虑组件温度对效率的影响；ηcell,i表示分布式光伏电站中第i个光伏组件在给定温度和辐射强度下的光伏电池转换效率；ffi表示第i个光伏组件的填充因子；voc,i和isc,i分别表示第i个光伏组件的开路电压和短路电流；rs,i和rsh,i分别表示第i个光伏组件的串联电阻和并联电阻；n表示光伏电站中光伏组件的总数。
12、进一步地，分布式光伏电站出力校正模型包括以下结构：
13、输入层：输入层接收每个采集时间点的实际出力数据和电站周边动态环境数据，并且集成电站的历史运行数据、设备维护记录以及天气预测数据；对每个采集时间点的实际出力数据和电站周边动态环境数据进行初步整合，包括数据格式统一和数据清洗；将整合后数据与电站的历史运行数据、设备维护记录以及天气预测数据集成，并进行数据标准化或归一化，生成分布式光伏电站出力校正模型的初始输入；
14、梯度提升树集合：输入层生成的初始输入被用于构建梯度提升树集合中的每一棵决策树，其中每棵决策树均为弱预测模型，尝试预测出力数据；通过迭代的方式，每一棵新的决策树都在前一棵决策树的残差基础上进行训练，用于减少预测误差，逐步逼近真实出力曲线的过程；
15、树节点：在每一轮决策树迭代中，新决策树的每个内部节点根据预设分裂准则来划分数据集，使得每个数据子集内的数据表现出同质性；通过节点分裂，模型能够逐层细化，适应光伏电站出力受多种因素影响的复杂性，直到满足预设的停止条件；
16、叶子节点：每棵决策树的叶子节点给出该光伏电站的预测值，同时记录预测值的置信度和不确定性度量，并对叶子节点的预测值进行平滑处理；
17、输出层：所有单个决策树的预测值，通过加权求和的方式，在输出层被综合起来，形成最终的校正出力数据；其中决策树的权重反映每棵树对总预测的贡献度，是通过梯度提升过程中优化确定的；并输出经过校正的分布式光伏电站在每个采集时间点的出力数据。
18、进一步地，所所述校正出力曲线的获取方法包括：
19、通过移动平均和指数平滑技术来消除数据中的随机波动和噪声，对于缺失数据点，采用插值法进行填补；
20、识别并提取校正出力数据中的季节性成分,分离出数据中的长期趋势成分；
21、使用统计模型拟合校正出力数据的趋势,并通过交叉验证、aic准则方法选择最优模型；
22、通过比较实际校正出力数据与拟合得到的趋势值，识别出偏离趋势超过预设值的数据点，偏离趋势超过预设值的数据点表示异常情况；
23、基于趋势分析的结果，生成最终的校正出力曲线，校正出力曲线用于表示分布式光伏电站在不同时间点的出力变化趋势。
24、进一步地，所述异常数据的判定方法包括：
25、通过欧氏距离法对最佳出力曲线和校正出力曲线进行相似度计算；
26、设定预设阈值；
27、将计算得到的相似度与预设阈值进行比较；
28、若相似度低于预设阈值，则判定该时间切片对应的实际出力数据为异常数据。
29、进一步地，对最佳出力曲线和校正出力曲线进行相似度计算的方法包括：
30、使用插值技术来增加最佳出力曲线的数据点，使其与校正出力曲线的采样频率相匹配；所述插值技术包括线性插值、多项式插值和样条插值；
31、将增加数据点后的最佳出力曲线和校正出力曲线在时间轴上进行对齐；
32、计算对齐后的最佳出力曲线和校正出力曲线上所有对应点之间的距离，形成距离矩阵；
33、选择动态时间规整作为相似度度量方法，基于距离矩阵，动态时间规整算法输出相似度得分，得分越低，表示最佳出力曲线和校正出力曲线越相似；得分越高，表示最佳出力曲线和校正出力曲线差异越大。
34、进一步地，所述物理状态信息包括光伏组件状态，逆变器及附属设备状态，以及支架与接地系统状态；
35、所述气象数据信息包括太阳辐射强度数据、气温、湿度、风速和风向数据、云层覆盖数据、气溶胶光学厚度以及降水信息。
36、另一方面，本申请还提供了分布式光伏异常数据检测系统，所述系统包括：
37、数据采集模块，用于实时获取分布式光伏电站的物本文档来自技高网...
【技术保护点】
1.一种分布式光伏异常数据检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，所述分布式光伏电站出力预测模型的计算公式为：
3.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，分布式光伏电站出力校正模型包括以下结构：
4.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，所述校正出力曲线的获取方法包括：
5.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，所述异常数据的判定方法包括：
6.如权利要求5所述的分布式光伏异常数据检测方法，其特征在于，对最佳出力曲线和校正出力曲线进行相似度计算的方法包括：
7.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，所述物理状态信息包括光伏组件状态，逆变器及附属设备状态，以及支架与接地系统状态；
8.一种分布式光伏异常数据检测系统，其特征在于，所述系统包括：
9.一种分布式光伏异常数据检测电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
...【技术特征摘要】
1.一种分布式光伏异常数据检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，所述分布式光伏电站出力预测模型的计算公式为：
3.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，分布式光伏电站出力校正模型包括以下结构：
4.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，所述校正出力曲线的获取方法包括：
5.如权利要求1所述的分布式光伏异常数据检测方法，其特征在于，所述异常数据的判定方法包括：
6.如权利要求5所述的分布式光伏异常数据检测方法，其特征在于，对最佳出力曲线和校正出力曲线进行相似度计算的方法包括：
...
【专利技术属性】
技术研发人员：王玮，王璐，尹聪聪，项中明，潘杰锋，张娟，李康平，肖春，赵金，王大治，张雨前，陈少鹏，何杲杳，黄贤斌，孙昌雯，武晓俊，田赟，丛林，吴明锋，夏燕慧，张光炜，侯焱伦，赵丽，张乐桢，杨廷东，李伟伟，李重香，张汉瑞，韩炜，郑勇，药炜，李冉，
申请(专利权)人：国网山西省电力公司太原供电公司，
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。