科研動(dòng)態(tài)
基于A(yíng)IoT和序列學(xué)習(xí)的光伏時(shí)序數(shù)據(jù)可視化異常檢測(cè)方法
中文題目：基于AIoT和序列學(xué)習(xí)的光伏時(shí)序數(shù)據(jù)可視化異常檢測(cè)方法
論文題目：AIoT-Based Visual Anomaly Detection in Photovoltaic Sequence Data via Sequence Learning
錄用期刊：Energies (中科院大類(lèi) 4區(qū))
原文DOI：https://doi.org/10.3390/en17215369
原文鏈接：https://www.mdpi.com/1996-1073/17/21/5369
錄用/見(jiàn)刊時(shí)間：2024.10.18 / 2024.10.29
作者列表：
1） 衛(wèi) 乾 中國(guó)石油大學(xué)（北京）人工智能學(xué)院/能源動(dòng)力專(zhuān)業(yè) 博 22
2） 孫紅軍 中國(guó)石油大學(xué)（北京）人工智能學(xué)院/智能科學(xué)與技術(shù)系 教師
3） 樊晶晶 昆侖數(shù)智科技有限責(zé)任公司 北京
4） 李國(guó)俊 杭州電子科技大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院 博士
5） 周志光 杭州電子科技大學(xué) 媒體與設(shè)計(jì)學(xué)院 教授
摘要:
本文提出一種采用序列學(xué)習(xí)算法實(shí)現(xiàn)光伏發(fā)電數(shù)據(jù)的異常檢測(cè)和可視化分析方法，基于自動(dòng)編碼器的無(wú)監(jiān)督異常檢測(cè)算法（LSTM-AE模型）將時(shí)序數(shù)據(jù)與其重建進(jìn)行比較，以識(shí)別異常，同時(shí)，融合了智能物聯(lián)網(wǎng)技術(shù)，采用嚴(yán)格的時(shí)間戳對(duì)齊算法實(shí)現(xiàn)光伏時(shí)序數(shù)據(jù)預(yù)處理的準(zhǔn)確性。此外，通過(guò)可視化界面識(shí)別異常特征，探討潛在的關(guān)鍵影響因素和異常原因，并圍繞光伏發(fā)電站案例驗(yàn)證了異常檢測(cè)識(shí)別和可視化分析的實(shí)用性。
背景與動(dòng)機(jī):
隨著全球?qū)稍偕茉葱枨蟮牟粩嘣鲩L(zhǎng)，光伏發(fā)電作為綠色、清潔、無(wú)污染和可持續(xù)的能源形式受到了廣泛關(guān)注。目前，光伏發(fā)電系統(tǒng)的運(yùn)行和維護(hù)管理面臨諸多挑戰(zhàn)，尤其是在光伏時(shí)序數(shù)據(jù)異常檢測(cè)方面。由于光照強(qiáng)度、溫度等客觀(guān)因素的影響，光伏電站輸出的時(shí)序數(shù)據(jù)存在較大的不確定性和波動(dòng)性，異常數(shù)據(jù)將嚴(yán)重影響了發(fā)電設(shè)備的管理規(guī)劃和電網(wǎng)系統(tǒng)的穩(wěn)定運(yùn)行，如果不及時(shí)發(fā)現(xiàn)和處理，可能會(huì)導(dǎo)致光伏設(shè)備或系統(tǒng)性能下降甚至停機(jī)，進(jìn)而影響電力供應(yīng)的穩(wěn)定性和經(jīng)濟(jì)效益。
設(shè)計(jì)與實(shí)現(xiàn):
1、光伏時(shí)序數(shù)據(jù)準(zhǔn)備
光伏時(shí)序數(shù)據(jù)包括光伏陣列運(yùn)行數(shù)據(jù)和氣象數(shù)據(jù)兩類(lèi)。其中，光伏陣列運(yùn)行數(shù)據(jù)是在逆變器級(jí)別獲取，氣象數(shù)據(jù)來(lái)自于環(huán)境傳感器，數(shù)據(jù)實(shí)時(shí)匯聚到AIoT系統(tǒng)統(tǒng)一存儲(chǔ)。
2、異常檢測(cè)需求收集
光伏陣列發(fā)電量受氣候、天氣和地理位置等客觀(guān)環(huán)境因素影響，具有高度的日變化性，并且容易波動(dòng)。圍繞光伏發(fā)電站管理人員的異常排查、對(duì)比分析和故障根因探索的業(yè)務(wù)活動(dòng)，梳理其關(guān)鍵需求包括：光伏數(shù)據(jù)異常檢測(cè)模型、原因診斷和可視化分析系統(tǒng)。
3、可視化系統(tǒng)框架
圖 1 基于A(yíng)IoT的光伏時(shí)序數(shù)據(jù)異常檢測(cè)可視化系統(tǒng)框架
4、LSTM-AE模型
為應(yīng)對(duì)復(fù)雜結(jié)構(gòu)特征下的獲取異常事件標(biāo)簽的問(wèn)題，主要采用LSTM-AE模型實(shí)現(xiàn)光伏時(shí)序數(shù)據(jù)的異常檢測(cè)，具體步驟如下：
圖 2 基于LSTM-AE模型的光伏時(shí)序數(shù)據(jù)異常檢測(cè)處理流程
5、可視化界面設(shè)計(jì)
隨著光伏時(shí)序數(shù)據(jù)量的指數(shù)級(jí)增長(zhǎng)，構(gòu)建并融入直觀(guān)的可視化元素和交互操作界面，輔助專(zhuān)家進(jìn)行異常識(shí)別、分析和解釋。
圖 3 光伏時(shí)序數(shù)據(jù)異常檢測(cè)可視化設(shè)計(jì)
實(shí)驗(yàn)結(jié)果及分析:
案例1. 異常檢測(cè)可視化識(shí)別
我們選取了某光伏發(fā)電站全天的數(shù)據(jù)進(jìn)行驗(yàn)證，當(dāng)天大量的嚴(yán)重異常集中在中午12:00至下午3:00。實(shí)驗(yàn)結(jié)果證明了我們?cè)谧R(shí)別光伏時(shí)序數(shù)據(jù)異常方面的有效性。
圖 4 光伏時(shí)序數(shù)據(jù)(序列A和B)異常檢測(cè)示意圖
案例2. 異常原因可視化分析
光伏時(shí)序數(shù)據(jù)異常大多取決于光伏陣列設(shè)備的故障程度，也會(huì)受到環(huán)境因素的影響，我們選擇了三個(gè)最具影響的環(huán)境變量(輻照度、模塊溫度和環(huán)境溫度)分析具體異常原因。
圖 5 光伏時(shí)序數(shù)據(jù)異常檢測(cè)原因分析示意圖
結(jié)論:
本文提出一種基于AIoT和序列學(xué)習(xí)的光伏時(shí)序數(shù)據(jù)異常檢測(cè)方法和可視化系統(tǒng)，并基于兩個(gè)光伏發(fā)電站數(shù)據(jù)集進(jìn)行了案例驗(yàn)證。主要?jiǎng)?chuàng)新點(diǎn)包括：
(1) 采用嚴(yán)格的時(shí)間戳對(duì)齊算法的AIoT系統(tǒng)，實(shí)時(shí)采集和監(jiān)控光伏發(fā)電站時(shí)序數(shù)據(jù)；
(2) 利用LSTM-AE模型，有效處理復(fù)雜數(shù)據(jù)結(jié)構(gòu)且缺乏異常標(biāo)簽的光伏時(shí)序數(shù)據(jù)檢測(cè)；
(3) 構(gòu)建面向光伏發(fā)電數(shù)據(jù)異常檢測(cè)的可視化界面，使得異常數(shù)據(jù)識(shí)別更直觀(guān)、可解釋。
作者簡(jiǎn)介:
孫紅軍,1994年和1997年在中國(guó)石油大學(xué)（北京）陸續(xù)獲得石油地質(zhì)與勘探專(zhuān)業(yè)的碩士和博士學(xué)位。目前作為中國(guó)石油大學(xué)（北京）人工智能學(xué)院的研究員和博士生導(dǎo)師。他在石油信息技術(shù)領(lǐng)域擁有超過(guò)30年的工作經(jīng)驗(yàn)，主要研究領(lǐng)域包括：企業(yè)架構(gòu)、能源工業(yè)互聯(lián)網(wǎng)、智能油氣田。