本發(fā)明屬于光伏電站，具體涉及基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法。

背景技術：

1、傳統(tǒng)的光伏電站異常檢測主要基于電氣參數(shù)、圖像檢測、紅外檢測水汽通過率、天氣狀態(tài)故障感知，通過常規(guī)的電氣參數(shù)進行監(jiān)控、圖像采集設備大量巡檢拍攝圖像檢測、紅外檢測模塊檢測水汽通過率、以晴天數(shù)據(jù)為基準進行故障感知。

2、這些傳統(tǒng)的異常檢測方法往往依靠大量的硬件設備、特定的天氣狀態(tài)或?qū)﹄姎鈪?shù)使用傳統(tǒng)的機器學習方法(如支持向量機、循環(huán)神經(jīng)網(wǎng)絡、圖神經(jīng)網(wǎng)絡)來分析光伏組件的異常情況。但這些方法對于部署成本、外部環(huán)境變化、邊緣端部署、參數(shù)的時間信息等方面都存在明顯的局限性。盡管近年來基于深度學習的異常檢測技術發(fā)展迅速，但針對大規(guī)模光伏電站環(huán)境中的實時檢測研究較少。尤其是面對現(xiàn)有技術在面對大規(guī)模光伏電站的復雜環(huán)境時仍存在眾多問題：

3、成本極高：不論是圖像檢測還是水汽通過率檢測都依靠大量硬件設備的部署，這使得對大規(guī)模的光伏組件運行參數(shù)進行異常檢測成本極高。

4、邊緣端部署困難：pv系統(tǒng)邊緣端的資源環(huán)境受限，設備其本身性能本就不高，大體量的模型難以部署。

5、對環(huán)境的嚴格要求：通過圖像檢測及天氣狀態(tài)故障故障時，須確保檢測時段的太陽輻照度、空氣能見度等符合檢測要求。

6、檢測準確性較低：通過常規(guī)的電流、電壓方法監(jiān)控異常時，難以全面捕捉到光伏組件的多種故障特征，尤其是在面對復雜環(huán)境時(如風沙、遮擋等)。

7、異常難以區(qū)分：一些現(xiàn)有方法側(cè)重通過精心設計的循環(huán)網(wǎng)絡學習點表示，并通過重建或自回歸任務進行自我監(jiān)督，然而異常很少見，逐點表示對于復雜的時間模式來說信息量較少，還可能以正常時間點為主，使得異常難以區(qū)分。

8、實時性不高：現(xiàn)有的基于電氣參數(shù)檢測的方法，都是對固定單位時間內(nèi)的電氣參數(shù)與其估計值進行對比檢測，學習到的信息仍然僅限于單個時間點且實時性不高。

9、效率低下：近年一些基于transformer的大模型在時間序列異常檢測方法取得了常規(guī)，但在處理長時間序列時存在效率低下的問題，在遠程時序依賴特征提取方面也有明顯不足。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，通過處理光伏的多維度運行參數(shù)，設計極小極大策略來放大正常與異常的可區(qū)分性，以實現(xiàn)對光伏組件運行參數(shù)異常的高效檢測。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，具體步驟包括：

3、s1：數(shù)據(jù)采集：

4、從光伏電站的各個組件收集實時運行數(shù)據(jù)，數(shù)據(jù)通過傳感器或監(jiān)控系統(tǒng)實時上傳至中央控制平臺，構(gòu)成數(shù)據(jù)集供后續(xù)分析使用；

5、s2：數(shù)據(jù)預處理：

6、針對在采集過程中，數(shù)據(jù)出現(xiàn)缺失、噪聲或不一致的情況，需要對數(shù)據(jù)進行清洗和預處理，通過插值法和均值填充來填補數(shù)據(jù)中的缺失部分，使用濾波算法去除數(shù)據(jù)中的噪聲，保證數(shù)據(jù)的平穩(wěn)性和準確性；最后為確保各個特征在同一個尺度進行比較，對數(shù)據(jù)進行歸一化處理；

7、s3：特征提?。?/p>

8、從大量原始數(shù)據(jù)中提取有助于異常檢測的特征；特征包括與組件輸出功率相關的指標，以及環(huán)境參數(shù)；

9、s4：無監(jiān)督異常檢測：

10、將時間序列通過light-anomaly模型進行無監(jiān)督異常檢測訓練；該模型通過極小極大策略來放大關聯(lián)異常與正常情況的可區(qū)分性，且通過gated-ssm?block模塊能夠捕捉信息的長程依賴性；

11、s5：量化感知蒸餾：

12、將之前訓練好的無監(jiān)督異常檢測模型進行onebit量化；

13、s6：邊緣端部署：

14、經(jīng)量化感知蒸餾后的輕量化模型在部署前轉(zhuǎn)換為適合邊緣設備的pytorchmobile格式，與光伏系統(tǒng)的其他組件進行集成，確保模型能夠在邊緣設備上對實時數(shù)據(jù)進行異常檢測；

15、s7：參數(shù)異常檢測：

16、在光伏系統(tǒng)邊緣端部署完量化感知后的輕量化模型后，對實時數(shù)據(jù)進行異常檢測，一旦檢測到異常邊緣設備立即采取響應措施，發(fā)送異常通知提醒運維人員。

17、優(yōu)選的，所述s1中，所述數(shù)據(jù)包括光伏組件的電氣特性運行參數(shù)以及環(huán)境信息，電氣特性運行參數(shù)包括電壓、電流和功率；環(huán)境信息包括溫度、風速和輻射。

18、優(yōu)選的，所述s3中，與組件輸出功率相關的指標包括但不限于輸出功率與預期功率的比值、功率波動幅度以及功率穩(wěn)定性。

19、優(yōu)選的，所述s3中，環(huán)境參數(shù)包括但不限于溫度對光伏組件效率的影響、輻射強度變化導致的輸出功率波動。

20、優(yōu)選的，所述s6中，其他組件包括但不限于發(fā)電監(jiān)控系統(tǒng)、控制系統(tǒng)。

21、優(yōu)選的，所述s5中，是以1bit來量化模型的權(quán)重參數(shù)，減少模型的內(nèi)存占用和算力消耗；然后通過量化感知知識蒸餾，將基礎模型的知識傳遞到1bit量化后的模型，使其可應用到光伏系統(tǒng)邊緣端的資源受限環(huán)境，并保障模型在時空效率以及檢測性能之間的平衡。

22、現(xiàn)有技術相比，本發(fā)明的有益效果是：

23、采用本發(fā)明的方法，具有如下優(yōu)點：更輕量化的邊緣端部署：針對大規(guī)模光伏系統(tǒng)，通過量化感知知識機制對模型進行輕量化處理，使其適應邊緣端的資源受限環(huán)境。

24、檢測準確率顯著提升：通過多維特征融合并結(jié)合時間關聯(lián)性，本發(fā)明在處理光伏電站組件運行參數(shù)時，能夠顯著提高異常檢測的準確率。

25、高效的異常區(qū)分：由于異常非常罕見，且異常的關聯(lián)主要集中在其相鄰的時間點上，使得其難以識別；本發(fā)明設計了極小極大策略來放大關聯(lián)異常與正常情況的可區(qū)分性，使得其在無監(jiān)督時間序列異常檢測基準上取得先進的結(jié)果。

26、計算效率高：相較于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(rnn)和卷積神經(jīng)網(wǎng)絡(cnn)方法，本發(fā)明設計的light-anomaly具有線性時間復雜度，減少了計算資源的占用，能夠保持較低的計算成本。

27、可擴展性和適應性：隨著光伏電站規(guī)模的擴大，監(jiān)測的參數(shù)和環(huán)境數(shù)據(jù)的維度也會增加。通過融合多個數(shù)據(jù)源，系統(tǒng)能夠更容易地處理更大規(guī)模的電站，同時對不同規(guī)模、不同環(huán)境條件的電站具有更強的適應性。融合模型能夠在多種環(huán)境下進行有效部署，提升了系統(tǒng)的可擴展性。

28、節(jié)省運維成本：通過更精確的異常檢測和故障診斷，系統(tǒng)能夠減少因誤報或漏報造成的無效檢修；同時，提前發(fā)現(xiàn)潛在故障進行預防性維護，降低了維修成本，延長設備使用壽命。

技術特征：

1.基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，其特征在于：具體步驟包括：

2.根據(jù)權(quán)利要求1所述的基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，其特征在于：所述s1中，所述數(shù)據(jù)包括光伏組件的電氣特性運行參數(shù)，以及環(huán)境信息，電氣特性運行參數(shù)包括電壓、電流和功率；環(huán)境信息包括溫度、風速和輻射。

3.根據(jù)權(quán)利要求1所述的基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，其特征在于：所述s3中，與組件輸出功率相關的指標包括但不限于輸出功率與預期功率的比值、功率波動幅度以及功率穩(wěn)定性。

4.根據(jù)權(quán)利要求1所述的基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，其特征在于：所述s3中，環(huán)境參數(shù)包括但不限于溫度對光伏組件效率的影響、輻射強度變化導致的輸出功率波動。

5.根據(jù)權(quán)利要求1所述的基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，其特征在于：所述s6中，其他組件包括但不限于發(fā)電監(jiān)控系統(tǒng)、控制系統(tǒng)。

6.根據(jù)權(quán)利要求1所述的基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，其特征在于：所述s5中，是以1bit來量化模型的權(quán)重參數(shù)，減少模型的內(nèi)存占用和算力消耗；然后通過量化感知知識蒸餾，將基礎模型的知識傳遞到1bit量化后的模型，使其可應用到光伏系統(tǒng)邊緣端的資源受限環(huán)境，并保障模型在時空效率以及檢測性能之間的平衡。

技術總結(jié)
本發(fā)明公開了基于邊緣端的光伏電站光伏組件運行參數(shù)異常檢測方法，具體步驟包括：S1：數(shù)據(jù)采集；S2：數(shù)據(jù)預處理；S3：特征提?。簭拇罅吭紨?shù)據(jù)中提取有助于異常檢測的特征；特征包括與組件輸出功率相關的指標，以及環(huán)境參數(shù)；S4：無監(jiān)督異常檢測；S5：量化感知蒸餾；更輕量化的邊緣端部署：針對大規(guī)模光伏系統(tǒng)，通過量化感知知識機制對模型進行輕量化處理，使其適應邊緣端的資源受限環(huán)境；檢測準確率顯著提升：通過多維特征融合并結(jié)合時間關聯(lián)性，本發(fā)明在處理光伏電站組件運行參數(shù)時，能夠顯著提高異常檢測的準確率；本發(fā)明設計了極小極大策略來放大關聯(lián)異常與正常情況的可區(qū)分性，使得其在無監(jiān)督時間序列異常檢測基準上取得先進的結(jié)果。

技術研發(fā)人員：陳旺虎,張文成,李龍,袁適
受保護的技術使用者：西北師范大學
技術研發(fā)日：
技術公布日：2025/5/15