基于异构图卷积网络的光伏数据插补与动态清洗决策方法与流程

本发明涉及新能源发电与智能运维，具体涉及一种结合异构图卷积神经网络与深度时序预测的光伏阵列数据插补与动态清洗调度方法。

背景技术：

1、在全球能源结构加速转型和双碳目标持续推进的背景下，光伏发电因其清洁、可再生和部署灵活等优势，已成为新能源发电的重要组成部分。随着光伏并网规模的不断扩大，光伏电站的精细化数字化运维管理日益受到重视，其运维质量直接关系到电站全生命周期的综合经济收益。然而，在实际运行中，受限于恶劣的户外环境、通信网络不稳定以及传感器故障等不可控因素，光伏运维系统采集到的多源时序数据（如发电功率、气象参数等）常出现大面积、连续的缺失。高质量、完整的数据是开展光伏出力精确预测、设备健康状态评估及电网优化调度的基础前提。因此，开展光伏阵列的高精度时空数据重构与插补，对于提升电站数字化管理水平和保障系统稳定运行具有重要实践意义。

2、在数据监测与修复方面，早期的典型方案主要依赖于传统的统计学插值或浅层机器学习方法。统计学插值技术（如线性插值、三次样条插值、移动平均法或自回归模型等）主要基于时间序列的局部平滑性与连续性假设，通过构建简单的数学拟合曲线来估算并填补缺失数据；浅层机器学习方法（如k-近邻算法(knn)、支持向量回归(svr)或随机森林等）则侧重于将各个时间点的数据视为独立样本，试图从历史观测记录中提取表层统计规律，进而建立输入特征与发电功率之间的局部映射关系。然而，这些方法通常将各个光伏组件视为孤立节点，完全割裂了电站内部设备间的空间物理拓扑关联，在面对由通信基站断联导致的全站性连续块缺失时，缺乏空间深度关联的浅层方法插补精度十分有限。

3、随着深度学习的广泛应用，以长短期记忆网络（lstm）、双向长短期记忆网络（bilstm）及生成对抗网络（gan）为代表的深度序列模型被引入电力数据修复任务。例如，余晓霞等人提出了基于多头注意力双向长短时记忆网络（bilstm）的风电机组缺失数据修复方法，周秋阳等人利用gan数据增强与改进bi-lstm相结合进行数据重构，liu等人提出了基于lstm-wgan的光伏数据插补方法。尽管此类方法有效提升了单节点时序维度的拟合精度，但其本质上仍侧重于挖掘单个光伏组件内部的历史特征演变规律，将各节点作为独立序列进行处理，未能有效建模光伏阵列中多组件间的物理拓扑约束与空间耦合关系。当大面积并发缺失发生时，纯时序模型因缺乏空间维度的信息补偿，重构误差仍显著偏高。

4、为深度挖掘数据的空间依赖关系，近期研究进一步引入了图卷积神经网络（gcn）、图注意力网络（gat）等图神经网络，构建空间图卷积+时序网络的联合架构。fan等人提出了基于时空去噪图自编码器的光伏缺失数据插补方法，余思杪等人设计了基于时空卷积-注意力网络的分布式光伏缺失数据插补方法，sivaramkrishnan等人优化了多视图图插补框架。此类方案通常将每个光伏组件定义为图网络中的一个节点，利用节点间的物理空间距离构建静态拓扑结构，通过图卷积算子聚合邻域特征以补全缺失值。研究表明，基于时空融合架构的方法在重构精度上显著优于单一维度的方法。

5、然而，当前基于时空融合架构的光伏数据插补模型仍面临两大关键挑战：首先是静态关联信息的干扰。现有模型多依赖设备间的静态物理空间距离构建拓扑，难以刻画实际工业现场中因局部遮挡、地形起伏及气象异质性导致的非线性动态演变差异，极易引入错误的拓扑关联信息。其次是同构机制引发的异常噪声扩散。主流的时空重构机制通常将光伏阵列视为同构网络进行同级的特征聚合，局部设备大面积失效产生的离群异常数据会随着图卷积的聚合操作沿着拓扑图盲目扩散给周围的健康节点，破坏健康节点自身的平稳特征，从而引发全站重构误差增大。

6、在清洗决策与调度方面，现有的主流方案仍处于计划性维护阶段。绝大多数光伏组件的清洗调度依然依赖人工经验，或采用粗放的静态固定周期，或基于简单的发电效率跌幅阈值。这种模式虽然管理简便，但完全割裂了组件积尘与外界复杂气象的动态联系。为改善这一现状，部分研究尝试利用人工神经网络模型（ann）或多元线性回归等机器学习算法建立环境参数与转换效率损耗之间的映射，或通过引入温湿度、风速以及降水量等动态天气参数构建组件表面的积灰量演化模型。然而，这些方案大多仍局限于静态的损耗预测或局部的积灰物理建模，往往将灰尘的累积过程简化为理想的线性衰减，或假设组件在清洁状态下的理论输出功率为固定常数，难以有效捕捉复杂气象波动带来的随机扰动。更重要的是，现有研究普遍缺乏对未来中长期气象预报与动态经济损耗的综合考量，无法在复杂的工业现场实现净收益最大化的滚动寻优。

7、综上所述，现有光伏运维技术存在以下不足：（1）基于同构静态拓扑的时空融合插补模型在面对大面积并发缺失时，易受静态关联信息干扰和异常噪声扩散影响，重构精度受限；（2）清洗决策缺乏对气象与积灰动态衰减的感知，决策滞后且经济效益低下。

技术实现思路

1、一、技术问题

2、本发明所要解决的技术问题包括：

3、（1）现有光伏时序数据修复方法忽略物理拓扑关联，或仅依赖静态拓扑构建同构网络，导致连续缺失数据重构误差大，且大面积失效节点的异常噪声沿拓扑盲目扩散；

4、（2）传统光伏清洗策略缺乏对气象与积灰动态衰减的感知，采用固定周期或事后响应模式，导致决策滞后与经济效益低下。

5、二、技术方案

6、为了解决上述技术问题，本发明提供一种基于异构图卷积网络的光伏数据插补与动态清洗决策方法，包括以下步骤：

7、步骤1：获取光伏电站采集的包含缺失状态的多源时序数据，采用自相关函数（acf）提取光伏发电序列的主导物理周期特征，并将该显式周期信息嵌入至原始时序特征中，得到融合周期信息的节点特征序列；

8、步骤2：将光伏阵列中的不同设备视为独立的图节点，计算带有时间延迟特征的节点动态依赖矩阵，并依据节点间信息传播影响得分，将光伏阵列节点划分为关键节点子集与普通节点子集；

9、步骤3：对所述关键节点子集，利用带有时间延迟的有向图卷积网络提取深层空间拓扑特征；对所述普通节点子集，使用多层感知机（mlp）在各节点自身的特征通道维度上进行独立的非线性映射；

10、步骤4：设计双层点卷积特征融合模块，将关键节点与普通节点输出的特征进行拼接，在局部交互矩阵的引导下通过通道降维与升维对齐，实现局部时空耦合关系的精准重构，输出插补完整的光伏阵列时序数据；

11、步骤5：基于所述插补完整的时序数据构建光伏组件积灰物理演化与直接经济损失累积模型，计算自上次清洗以来的累积发电损失，当累积电费损失首次达到预设的单次综合清洗成本时，将该时间跨度确立为当前环境下的最优静态基准清洗周期；

12、步骤6：以所述静态基准清洗周期为基础构建弹性调节时间窗口，利用预先训练的深度时序预测网络获取未来多尺度（短临与中长期）的发电功率预测值，并结合历史沉没成本计算综合权重决策值（dv）；

13、步骤7：在所述弹性时间窗口内每日滚动监测综合权重决策值（dv）曲线，当dv触发预设的全局最优解临界点时，系统自适应下发提前或延后清洗的调度指令。

14、优选地，步骤1中，所述多源时序数据包括光伏逆变器实际发电功率、电压、电流以及环境温湿度、风速、太阳辐照度等气象数据。

15、优选地，步骤1中，利用自相关函数（acf）计算序列自身在不同滞后阶数下的相关程度，选取相关系数出现显著局部峰值对应的滞后阶数作为主导物理周期长度t；构建一个维度与物理周期长度t及特征通道数相匹配的可学习参数矩阵，对输入序列的时间步进行取模操作以检索对应的周期特征向量，并将周期特征向量与原始时序特征在通道维度上拼接融合。

16、优选地，步骤2中，通过计算当前时刻节点i与延迟τ个时刻前节点j之间的特征相似度构建带有时间延迟特征的节点动态依赖矩阵，相似度越高表明节点j对节点i的信息传播影响越大；对每个节点计算其与其他所有节点的双向传播相似度之和得出该节点的信息传播影响得分，按降序排列选取得分最高的前k个节点构成关键节点集合，剩余节点归为普通节点集合。

17、优选地，在步骤3中，对关键节点采用所述动态依赖矩阵刻画其非对称空间流动拓扑，利用带有时间延迟的有向图卷积网络提取深层空间拓扑特征；对普通节点则切断其图卷积聚合通路，使用多层感知机在各节点自身的特征通道维度上进行独立的非线性映射。

18、优选地，步骤4中，以局部交互矩阵为拓扑指引约束信息仅在具有强物理关联的节点间流动，所述局部交互矩阵由动态依赖矩阵阈值化生成；利用第一层逐点卷积对拼接后的高维特征进行通道维度的压缩与降维，第二层逐点卷积完成特征解码并重新升维至原始高维表征空间；同时引入残差连接机制，将多尺度网络提取的特征进行跨层越级聚合，以防止深层网络中高频动态细节的丢失。

19、优选地，步骤5中，利用物理公式模拟灰尘累积过程，结合环境极值与衰减速率计算当前时刻的灰尘累计量；计算理论发电量与实际发电量之间的差值，并结合当前电网电费单价，利用积分模型滚动计算从上一清洗点至当前时刻由积灰遮挡带来的累计直接经济亏损；当累积电费损失首次达到单次综合清洗成本时，将该时间跨度确立为当前环境下的最优静态基准清洗周期；其中，所述单次综合清洗成本涵盖人工费用、设备折旧费以及清洗资源消耗费用。

20、优选地，步骤6中，设定所述静态基准清洗周期的kn倍（如kn=1.1）作为弹性决策时间窗口的总时长；利用预先训练的深度时序预测网络获取未来短期和中长期的发电功率折损预期值；引入时间演进比例ρ = t / t_base，计算自适应演化的权重系数，其中t为当前时刻距上次清洗的时间跨度，t_base为静态基准清洗周期。

21、优选地，步骤6中，所述综合权重决策值dv的计算公式为：dv(t) = normalize(c_real(t)) · w_history(t) + normalize(e_short(t)) · w_short(t) + normalize(e_mid(t)) · w_mid(t) + prpdv；式中，dv(t)为在弹性调节时间窗口内每日滚动演算得出的综合权重决策值，c_real(t)为历史累计真实电费损失值，e_short(t)为未来短期积灰电量折损预期值，e_mid(t)为未来中长期发电量折损预判值，normalize(·)为规范化处理操作，w_history(t)、w_short(t)、w_mid(t)分别为历史真实损失项、短期预期项及中长期预期项的权重系数，prpdv为管理者主观运维风险偏好修正参数；所述中长期折损预期权重w_mid(t)采用指数衰减函数，考虑到气象预测步长越长误差越大，模型对其置信度随时间推移而降低；所述历史累计真实损失权重w_history(t)采用基于sigmoid函数的s型平滑增长模型，在靠近基准周期一半时历史真实损失的权重加速上升，从而强制约束清洗临界点的到来；所述短期折损预期权重w_short(t)利用单位1减去历史累计真实损失权重与中长期折损预期权重动态获取，通过限制初始中长期权重设定值与历史权重最大上界限制参数的取值范围，确保在整个弹性时间窗口内短期折损预期权重始终保持在有效正值区间。

22、优选地，步骤7中，在所述弹性时间窗口内每日滚动计算dv值并绘制连续敏感性曲线，当dv值触及使得全生命周期单位面积综合经济损失达到全局最低的临界点时，触发系统告警并自动生成最终的清洗日期排期指令。

23、三、有益效果

24、本发明技术方案带来的有益效果包括：

25、（1）在数据插补阶段，本发明利用带有时间延迟的有向图卷积网络与多层感知机构建异构特征提取分支，并结合双层点卷积进行特征融合，使其能够在通信故障导致大面积数据缺失时，高精度地捕捉和重构光伏阵列中具有高度时空耦合性的关键物理拓扑特征，同时有效切断无关节点间的噪声扩散，提升极端故障下数据重构的鲁棒性。

26、（2）在清洗决策阶段，本发明打破了传统固定周期清洗模式，创新性地融合未来多尺度功率预测结果与历史沉没成本，在弹性时间窗口内通过综合权重决策值（dv）进行滚动寻优。dv值精准量化了积灰物理演化过程中的关键经济边界信息，使得清洗调度决策能够自适应判断并调整最佳清洗时机，最大化光伏电站全生命周期净收益。

27、（3）两个阶段的有机结合——数据插补为清洗决策提供高质量完整数据输入，清洗决策通过经济效益反馈指导运维节奏——构成了完整的智能运维闭环，增强了运维系统对极端情况的捕捉和理解能力，完美平衡单次清洗成本与电量非线性折损。