一种光伏系统出力异常检测方法、系统、设备及介质
本发明属于工业异常检测,更具体的说是涉及一种光伏系统出力异常检测方法、系统、设备及介质。
背景技术:
1、光伏发电作为可再生能源的重要组成部分,在全球能源结构转型中扮演着日益关键的角色。随着光伏装机容量的持续增长,光伏系统的运行安全与稳定性问题受到广泛关注。光伏电站通常部署于复杂的户外环境,易受温度变化、辐照度波动、阴影遮挡等因素影响,同时光伏组件会随运行时间发生老化和性能衰减,导致多种类型的故障发生。这些故障不仅会降低发电效率,还可能引发电气安全事故,对电网的稳定运行构成严重威胁。因此,发展高效准确的光伏系统异常检测方法具有重要的理论价值和工程意义。
2、当前,主流的光伏异常自动检测方法包括基于电气时序数据驱动的检测模型和基于视觉图像数据驱动的红外热成像检测技术。基于图像的异常检测算法虽能有效识别组件层面的物理缺陷,但对检测设备性能要求较高,不易实现大规模光伏电站的部署和实时检测,且在处理多故障耦合及复杂环境条件时存在局限性。随着人工智能和神经网络算法的发展,基于电气参数的时序数据驱动方法因其实时性、自动化和低维护成本优势,依旧是光伏异常检测领域的研究热点。脉冲神经网络作为第三代神经网络,以其事件驱动特性和低功耗优势受到广泛关注,特别适合部署于边缘计算设备实现实时监测。然而,现有脉冲神经网络模型在光伏异常检测应用中仍存在多方面缺陷,具体表现在以下几个方面:
3、其一,现有方法多采用浅层网络结构和局部无监督学习规则,全局寻优能力弱于基于反向传播的端到端监督学习,且若为捕捉长时序依赖而增加网络深度或时间步长,传统迭代式神经元模型将导致计算图加深、训练速度显著下降;其二,现有方法主要通过膜电位衰减和循环连接隐式捕捉时序依赖,缺乏显式设计的多尺度特征提取机制,难以并行捕获光伏系统中快速瞬变故障与长期退化趋势等多尺度异常模式;其三,浅层架构限制了其对复杂故障的表征能力,若尝试增加网络深度则会面临脉冲神经网络固有的梯度退化、原始特征在深层网络中易丢失的问题,而现有技术并未提供解决上述深层网络训练困难的有效方案。
4、综上所述,现有基于脉冲神经网络的光伏异常检测方法普遍存在多尺度故障特征提取困难、长时序任务训练效率低下以及深层网络特征遗忘等缺陷,难以同时满足光伏异常检测对高精度、实时性和多类型故障适配性的要求。
技术实现思路
1、针对以上问题,本发明的目的在于提供一种光伏系统出力异常检测方法、系统、设备及介质,结合仿生学设计了一种残差改进的脉冲神经网络模型,通过双层向量化可学习脉冲神经元、多尺度时序感知注意力与全局残差跳跃连接的融合架构,显著提升了复杂运行环境下对多类型故障的检测精度与边缘部署适用性。
2、本发明为实现上述目的,通过以下技术方案实现:
3、第一方面,本技术实施例提供一种光伏系统出力异常检测方法,所述方法采用基于残差改进脉冲神经网络构建的ri-snn模型,ri-snn模型包括双层向量化可学习脉冲神经元、多尺度时序感知注意力模块以及全局残差跳跃连接和mlp分类器模块;
4、所述方法包括如下步骤:
5、s1:获取光伏系统的多变量原始运行数据,多变量原始运行数据包括直流电压、辐照度和组件温度;基于多变量原始运行数据构造多种衍生特征;将多变量原始运行数据与衍生特征组合为多维特征向量,经标准化处理后构成输入序列张量;
6、s2:将输入序列张量输入至双层向量化可学习脉冲神经元的第一层向量化可学习脉冲神经元,对输入序列张量执行空间线性映射以及基于可学习衰减率和可学习复位尺度的脉冲动力学变换,生成脉冲张量;将脉冲张量输入至双层向量化可学习脉冲神经元的第二层向量化可学习脉冲神经元,对脉冲张量执行空间线性映射以及基于可学习衰减率和可学习复位尺度的脉冲动力学变换,生成膜电位张量;
7、s3:将膜电位张量分别输入多尺度时序感知注意力模块的多尺度卷积分支;利用多尺度卷积分支通过多个不同尺度的卷积操作提取多尺度局部特征,并采用注意力机制对各尺度特征进行动态加权融合,得到多尺度特征;利用多头自注意力分支通过自注意力机制提取膜电位张量的全局时序依赖关系,并对时间维度进行聚合,得到全局注意力特征;将多尺度特征与全局注意力特征融合,得到时序特征;
8、s4:将输入序列张量和时序特征输入全局残差跳跃连接和mlp分类器模块;对输入序列张量在时间维度上进行聚合操作,得到整体统计特征,并经线性投影层映射为残差特征;将时序特征与残差特征逐元素相加,得到融合特征;将融合特征输入多层感知机分类器,经柔性最大值函数计算得到异常概率;
9、s5:将异常概率与预设的最优阈值进行比较;若异常概率大于或等于所述最优阈值,则判定当前光伏系统出力为异常;否则判定为正常。
10、在一个可选的实施方式中,所述步骤s1包括:
11、获取光伏系统的直流电压、辐照度和组件温度;
12、基于直流电压、辐照度和组件温度计算出五种衍生特征,包括电压与辐照度比值、电压变化率、辐照度变化率、等效功率以及温度与辐照度比值;
13、电压与辐照度比值的计算公式为:
14、
15、其中,为直流电压,为辐照度;
16、电压变化率δv的计算公式为:
17、
18、其中,为当前时间步的直流电压,为前一时间步的直流电压;
19、辐照度变化率的计算公式为:
20、
21、其中,为当前时间步的辐照度,为前一时间步的辐照度;
22、等效功率的计算公式为:
23、
24、其中,为直流电压,为辐照度;
25、温度与辐照度比值的计算公式为:
26、
27、其中,为组件温度,为辐照度;
28、将直流电压、辐照度、组件温度与所述五种衍生特征组合为八维特征向量,并采用z-score标准化对每一维特征向量进行标准化处理;
29、按时间顺序将标准化后的八维特征向量构成长度为的输入序列张量,其中为输入序列的时间步数。
30、在一个可选的实施方式中,所述步骤s2包括:
31、将所述输入序列张量输入至第一层向量化可学习脉冲神经元,执行以下操作:
32、利用公式进行一次性空间线性映射;其中,,为批次大小,为原始特征维度;为可学习权重矩阵,为隐藏层维度;为可学习偏置向量;
33、在每个时间步,根据公式按照加权平均形式更新膜电位;其中,为第时间步的膜电位,为可学习膜电位衰减率,表示哈达玛乘积,为输入张量在时间步的切片;
34、利用可微替代激活函数计算当前时间步的脉冲发放概率,记为当前时间步的输出脉冲强度;其中,为sigmoid函数,为神经元发放阈值,为平滑因子;
35、采用自适应软复位机制,根据当前时间步的输出脉冲更新膜电位,为下一时间步做准备,具体公式如下:
36、
37、其中,为可学习的复位尺度向量;
38、将所有时间步计算得到的输出脉冲沿时间维度堆叠,构成第一层输出的脉冲张量,记为;
39、对第一层输出的脉冲张量施加丢弃率为0.3的dropout正则化,随机丢弃部分神经元的脉冲输出,以防止模型过拟合;
40、将所述正则化后的脉冲张量作为输入,送入第二层向量化可学习脉冲神经元,执行以下操作:
41、利用公式进行一次性空间线性映射;其中,为第二层的可学习权重矩阵,为第二层的可学习偏置向量;
42、在每个时间步,根据公式按照加权平均形式更新膜电位;其中,为第二层的可学习膜电位衰减率;
43、利用可微替代激活函数计算当前时间步的脉冲发放概率:
44、采用自适应软复位机制,根据当前时间步的脉冲对膜电位进行软复位更新,具体公式如下:
45、
46、其中,为第二层的可学习复位尺度向量;
47、将所有时间步软复位后的膜电位沿时间维度堆叠,构成第二层输出的膜电位张量,记为,对其施加丢弃率为0.3的dropout正则化后进行下一步骤。
48、在一个可选的实施方式中,所述步骤s3包括:
49、将所述正则化后的膜电位张量同时分别送入并行的多尺度卷积分支和多头自注意力分支:
50、通过多尺度卷积分支执行如下处理流程:
51、采用四个不同卷积核尺寸的一维深度卷积并行提取多尺度局部特征,卷积核尺寸集合为;对每个卷积核尺寸提取的特征图依次经relu激活函数和全局平均池化,得到各尺度特征向量:
52、
53、其中,为所述膜电位张量,表示将膜电位张量保持批次维度不变,将时间维度与特征维度进行轴交换后的张量,形状变换为;为深度卷积,分组数等于;为全局平均池化;
54、将四个尺度特征向量沿特征维度拼接,并依次输入注意力评分网络:先经全连接层和relu激活,再经dropout层(丢弃概率0.1),再经全连接层,最后经softmax归一化得到各尺度的动态权重,具体公式如下:
55、
56、通过如下公式将各尺度特征按动态权重加权求和得到多尺度特征:
57、
58、通过多头自注意力分支执行如下处理流程:
59、将所述膜电位张量作为查询、键、值输入多头自注意力模块,得到注意力加权后的特征张量:
60、
61、利用如下公式对特征张量在时间维度上进行平均池化得到全局注意力特征:
62、
63、其中,表示注意力输出张量在固定时间步的切片;
64、利用公式计算出时序特征。
65、在一个可选的实施方式中,所述步骤s4包括:
66、通过以下公式对所述输入序列张量在时间维度上进行均值池化,得到整体统计特征,并通过可学习线性投影层映射为残差特征:
67、
68、其中,为可学习权重矩阵,维度为;为输入序列张量固定时间步的切片;为可学习偏置向量;
69、将所述时序特征与所述残差特征逐元素相加得到融合特征:
70、
71、将所述融合特征输入多层感知机分类器,所述多层感知机分类器包含两层全连接层,通过第一层将输入变换为64维隐藏表示并施加relu激活函数和丢弃率为0.15的dropout正则化,通过第二层将隐藏表示映射为二维向量;利用如下softmax函数计算出异常概率:
72、
73、其中,和分别为正常类和异常类的未归一化得分。
74、在一个可选的实施方式中,所述最优阈值的预设过程如下:
75、将预设验证集输入所述ri-snn模型,计算得到每个验证集样本对应的异常概率,记第个验证集样本的异常概率为;
76、在阈值搜索范围0.2至0.8内,以步长0.05设定多个候选阈值;对于每个候选阈值,将验证集样本的异常概率与该候选阈值进行比较:若大于或等于该候选阈值,则预测为异常类,否则预测为正常类;根据预测结果与真实标签计算对应的f1分数;
77、选取使f1分数最大的候选阈值作为最优阈值;
78、当多个候选阈值取得相同最大f1分数时,选取其中召回率最高的最小阈值作为最优阈值。
79、在一个可选的实施方式中,所述ri-snn模型的训练过程如下:
80、采用焦点损失函数作为优化目标;其中为样本总数,表示样本的真实类别且取值为正常类或异常类,当真实类别为异常类时类别权重因子,当真实类别为正常类时,为模型预测第个样本属于真实类别的概率,为调制系数;
81、在反向传播获得所有参数的梯度向量后,执行梯度范数裁剪,其中为梯度向量的欧几里得范数,为裁剪阈值;
82、采用分层差异化学习率策略,将脉冲动力学参数中的可学习膜电位衰减率和可学习复位尺度向量的学习率设为,其他参数的学习率设为,其中初始学习率,分层衰减因子;
83、采用带预热的余弦退火学习率调度策略,在前10个训练轮次中,对于脉冲动力学参数,学习率从线性增长至,对于其他参数,学习率从线性增长至,此后所有参数的学习率均按余弦函数衰减至;
84、使用adamw优化器在每个训练轮次中根据当前学习率更新模型参数,并将脉冲动力学参数对权重衰减系数设置为,将其他参数的权重衰减系数设置为。
85、第二方面,本技术实施例还提供了一种光伏系统出力异常检测系统,包括:
86、输入序列构建模块,用于获取光伏系统的多变量原始运行数据,多变量原始运行数据包括直流电压、辐照度和组件温度;基于多变量原始运行数据构造多种衍生特征;将多变量原始运行数据与衍生特征组合为多维特征向量,经标准化处理后构成输入序列张量;
87、脉冲特征提取模块,用于将输入序列张量输入至双层向量化可学习脉冲神经元的第一层向量化可学习脉冲神经元,对输入序列张量执行空间线性映射以及基于可学习衰减率和可学习复位尺度的脉冲动力学变换,生成脉冲张量;将脉冲张量输入至双层向量化可学习脉冲神经元的第二层向量化可学习脉冲神经元,对脉冲张量执行空间线性映射以及基于可学习衰减率和可学习复位尺度的脉冲动力学变换,生成膜电位张量;
88、时序特征增强模块,用于将膜电位张量分别输入多尺度时序感知注意力模块的多尺度卷积分支;利用多尺度卷积分支通过多个不同尺度的卷积操作提取多尺度局部特征,并采用注意力机制对各尺度特征进行动态加权融合,得到多尺度特征;利用多头自注意力分支通过自注意力机制提取膜电位张量的全局时序依赖关系,并对时间维度进行聚合,得到全局注意力特征;将多尺度特征与全局注意力特征融合,得到时序特征;
89、残差融合分类模块,用于将输入序列张量和时序特征输入全局残差跳跃连接和mlp分类器模块;对输入序列张量在时间维度上进行聚合操作,得到整体统计特征,并经线性投影层映射为残差特征;将时序特征与残差特征逐元素相加,得到融合特征;将融合特征输入多层感知机分类器,经柔性最大值函数计算得到异常概率;
90、异常判定模块,用于将异常概率与预设的最优阈值进行比较;若异常概率大于或等于所述最优阈值,则判定当前光伏系统出力为异常;否则判定为正常。
91、第三方面,本技术实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上文任一项所述光伏系统出力异常检测方法的步骤。
92、第四方面,本技术实施例还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一项所述光伏系统出力异常检测方法的步骤。
93、从以上技术方案可以看出,本发明具有以下优点:
94、本技术提供的光伏系统出力异常检测方法中,其核心在于构建了一种基于残差改进脉冲神经网络的ri-snn模型,该模型包括双层向量化可学习脉冲神经元(v-lif)、多尺度时序感知注意力模块(ms-pta)以及全局残差跳跃连接和mlp分类器模块。该方法首先通过双层v-lif模块将输入光伏时序数据转化为脉冲特征,利用一次性空间线性映射解耦时间动力学与空间映射,显著降低了传统脉冲神经网络的时间步迭代计算负担;然后通过ms-pta模块中的多尺度卷积分支与多头自注意力分支并行提取并融合不同时间尺度的局部特征与全局时序依赖关系,实现了对快速瞬变故障与长期退化趋势的联合表征;最后通过全局残差跳跃连接将原始输入的整体统计特征直接传递至分类器前,与深度挖掘后的时序特征相融合,有效避免了深层网络中的特征丢失与梯度退化。由此,本技术同时解决了现有技术训练效率低下、多尺度故障刻画能力不足以及深层网络训练困难三大技术问题,实现了对光伏系统出力异常的高精度、高效率、端到端实时检测,并具备良好的类别不平衡处理能力和低计算开销优势,适用于光伏电站的在线监测与预警。
95、本技术提出的v-lif神经元通过向量化计算解耦了时空特征,实现了全序列一次性并行映射,训练效率远超vsnn中逐时间步迭代的lif模型。更关键的是,v-lif引入了可学习的膜电位衰减率和复位尺度,并结合反向传播进行端到端的监督学习,在保留生物可解释性的同时,显著提升脉冲神经网络在长时序任务中的训练效率与表征能力;相较于vsnn采用的局部、无监督stdp规则,对检测多种光伏故障复杂任务的拟合能力和检测精度更强。
96、本技术独创的ms-pta模块,通过多组不同感受野的深度卷积,并行提取瞬态、渐变、长期退化等不同时间尺度下的局部时序特征;同时通过自适应权重学习实现多尺度特征的动态融合,并结合多头自注意力机制捕捉全局长程特征,解决了传统模型难以适配光伏数据中多类型故障特征的问题,大幅提升了弱异常特征的捕捉能力。相比之下,vsnn仅依赖神经元的内部动力学隐式捕捉时序依赖,在处理光伏系统复杂的多尺度异常模式时能力明显不足。
97、本技术针对传统深度snn梯度退化、端到端训练稳定性差、工业弱异常特征易丢失的痛点,构建了轻量化双层v-lif主干架构,同时融合全局残差跳跃连接互补机制进行改进,既缓解梯度退化问题,又实现原始有效特征的全链路复用;配套焦点损失函数训练优化、梯度裁剪与分层差异化学习率策略,大幅提升脉冲网络的训练稳定性、收敛效率与弱异常捕捉能力。vsnn作为浅层网络,未涉及也未能提供解决此类问题的方案。
98、本技术的ri-snn模型在保持snn低功耗特性的同时,实现了比vsnn更高的检测精度和更低的误报率,模型不仅输出概率,还包含一个自适应最佳判定阈值的搜索模块。这对减少光伏电站运维人员不必要的现场巡检、节省运维成本具有重大实际意义。进一步地,本发明的ri-snn模型总参数量相较于主流深度学习模型具有数量级上的优势。轻量化的架构不仅降低了模型的存储开销,更减少了推理时的计算量,使其可直接运行于光伏电站现有的边缘网关或嵌入式控制器上,无需依赖高性能服务器,有效降低了系统部署和运维成本。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com