中文題目：基于AIoT和序列學習的光伏時序數據可視化異常檢測方法

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 4區)

原文DOI：https://doi.org/10.3390/en17215369

原文鏈接：https://www.mdpi.com/1996-1073/17/21/5369

錄用/見刊時間：2024.10.18 / 2024.10.29

作者列表：

1） 衛   乾 中國石油大學（北京）人工智能學院/能源動力專業 博 22

2） 孫紅軍 中國石油大學（北京）人工智能學院/智能科學與技術系 教師

3） 樊晶晶 昆侖數智科技有限責任公司 北京

4） 李國俊 杭州電子科技大學 計算機科學學院 博士

5） 周志光 杭州電子科技大學 媒體與設計學院 教授

 

摘要:

本文提出一種采用序列學習算法實現光伏發電數據的異常檢測和可視化分析方法，基于自動編碼器的無監督異常檢測算法（LSTM-AE模型）將時序數據與其重建進行比較，以識別異常，同時，融合了智能物聯網技術，采用嚴格的時間戳對齊算法實現光伏時序數據預處理的準確性。此外，通過可視化界面識別異常特征，探討潛在的關鍵影響因素和異常原因，并圍繞光伏發電站案例驗證了異常檢測識別和可視化分析的實用性。

背景與動機:

隨著全球對可再生能源需求的不斷增長，光伏發電作為綠色、清潔、無污染和可持續的能源形式受到了廣泛關注。目前，光伏發電系統的運行和維護管理面臨諸多挑戰，尤其是在光伏時序數據異常檢測方面。由于光照強度、溫度等客觀因素的影響，光伏電站輸出的時序數據存在較大的不確定性和波動性，異常數據將嚴重影響了發電設備的管理規劃和電網系統的穩定運行，如果不及時發現和處理，可能會導致光伏設備或系統性能下降甚至停機，進而影響電力供應的穩定性和經濟效益。

設計與實現:

1、光伏時序數據準備

光伏時序數據包括光伏陣列運行數據和氣象數據兩類。其中，光伏陣列運行數據是在逆變器級別獲取，氣象數據來自于環境傳感器，數據實時匯聚到AIoT系統統一存儲。

2、異常檢測需求收集

光伏陣列發電量受氣候、天氣和地理位置等客觀環境因素影響，具有高度的日變化性，并且容易波動。圍繞光伏發電站管理人員的異常排查、對比分析和故障根因探索的業務活動，梳理其關鍵需求包括：光伏數據異常檢測模型、原因診斷和可視化分析系統。

3、可視化系統框架

 

圖 1 基于AIoT的光伏時序數據異常檢測可視化系統框架

4、LSTM-AE模型

為應對復雜結構特征下的獲取異常事件標簽的問題，主要采用LSTM-AE模型實現光伏時序數據的異常檢測，具體步驟如下：

 

圖 2 基于LSTM-AE模型的光伏時序數據異常檢測處理流程

5、可視化界面設計

隨著光伏時序數據量的指數級增長，構建并融入直觀的可視化元素和交互操作界面，輔助專家進行異常識別、分析和解釋。

 

圖 3 光伏時序數據異常檢測可視化設計

實驗結果及分析:

案例1. 異常檢測可視化識別

我們選取了某光伏發電站全天的數據進行驗證，當天大量的嚴重異常集中在中午12:00至下午3:00。實驗結果證明了我們在識別光伏時序數據異常方面的有效性。

 

圖 4 光伏時序數據(序列A和B)異常檢測示意圖

案例2. 異常原因可視化分析

光伏時序數據異常大多取決于光伏陣列設備的故障程度，也會受到環境因素的影響，我們選擇了三個最具影響的環境變量(輻照度、模塊溫度和環境溫度)分析具體異常原因。

 

圖 5 光伏時序數據異常檢測原因分析示意圖

結論:

本文提出一種基于AIoT和序列學習的光伏時序數據異常檢測方法和可視化系統，并基于兩個光伏發電站數據集進行了案例驗證。主要創新點包括：

(1) 采用嚴格的時間戳對齊算法的AIoT系統，實時采集和監控光伏發電站時序數據；

(2) 利用LSTM-AE模型，有效處理復雜數據結構且缺乏異常標簽的光伏時序數據檢測；

(3) 構建面向光伏發電數據異常檢測的可視化界面，使得異常數據識別更直觀、可解釋。

作者簡介: 

孫紅軍,1994年和1997年在中國石油大學（北京）陸續獲得石油地質與勘探專業的碩士和博士學位。目前作為中國石油大學（北京）人工智能學院的研究員和博士生導師。他在石油信息技術領域擁有超過30年的工作經驗，主要研究領域包括：企業架構、能源工業互聯網、智能油氣田。