基于暫態負載大數據的光伏并網異常智能告警算法

摘要：光伏并網異常智能告警目前受限于靜態數據，導致告警準確性低。為此，文章提出基于暫態負載大數據的異常智能告警算法。該算法通過構建暫態負載監測數據采集模型，提取中心權重向量并描述電力負荷變化，采用自回歸過濾和時序特征子序列變換（Time Series Shapelet Transform，Shapelet，TSSTS）處理數據，提取時序軌跡特征，并基于卷積神經網絡構建異常分級告警結構，實現深度學習并準確輸出告警結果。實驗結果顯示，該算法的曲線下面積（Area Under the Curve，AUC）值高達0.96，滿足光伏并網異常檢測要求。

關鍵詞：暫態負載；大數據；光伏并網；特征提取；異常狀態；智能告警

中圖分類號：TP391" 文獻標志碼：A

作者簡介：楊燕偉（1988—），男，工程師，學士；研究方向：新能源開發建設與電力系統。

0" 引言

光伏發電作為可再生能源技術發展的重要一環，已成為全球能源結構轉型的關鍵［1］。然而，在實際運行過程中，光伏并網系統可能會因為設備故障、環境變化或操作失誤等因素產生異常狀態［2］。如果這些異常狀態無法被及時發現和處理，可能會對電力系統的穩定運行構成威脅。因此，為光伏并網異常提供智能告警的新解決方案，對于確保電力系統的安全性和可靠性至關重要。閆炯程等［3］建立基于源荷不確定性的光伏電網異常滾動預警模型，但預警準確性受限。周洋等［4］使用反向傳播神經網絡（Back Propagation，BP）處理電網運行數據特征實現異常告警，但新異常模式適應性差。晏鵬等［5］結合自然語言處理和深度學習模型構建電網異常智能告警結構，但復雜場景下的告警類型識別存在挑戰。Takiddin等［6］利用長短期存儲器和深度自動編碼器構建網絡模型進行異常告警，但面臨計算復雜度挑戰，影響實時性。

暫態負載大數據包含了系統運行過程中的豐富信息，對于異常檢測具有重要的價值。基于此，本文提出基于暫態負載大數據的光伏并網異常智能告警算法，針對海量系統運行數據進行挖掘和分析，實現對異常狀態的實時監測和告警，為電力系統的穩定運行提供有力保障。

1" 基于暫態負載大數據的光伏并網異常智能告警算法設計

1.1" 暫態負載大數據中心權重向量提取

針對光伏并網系統運行大數據進行自主學習，采集目標期限內暫態負載大數據，作為異常狀態識別和智能告警分析的依據。暫態負荷數據獲取過程中，須要先考慮電網負荷數據的均衡輸出結果。

β2c=E［cTj（o）cj（o）］（1）

其中，c表示隨機負荷，o表示光伏并網線路，j表示負荷節點，T表示轉置矩陣，E表示負荷數據總量，β表示負荷數據均衡輸出。

將公式（1）計算結果代入光伏并網暫態負載大數據采集過程，并定義最高功率增益為前提，則可以得到數據采集模型為：

Kj=（|cj（o）|2-R）×β2c（2）

其中，K表示暫態負載大數據采集結果，R表示系統增益約束參數。

獲取大量暫態負載大數據后，引入公式（3）所示的非線性回歸方程，提取負荷數據曲線的中心權重向量，直觀體現光伏并網異常負載變化。

τ（t）=∑Dd=1wdKdD（3）

其中，t表示數據采樣時刻，τ表示中心負荷權重非線性回歸值，D表示暫態負載觀測點數量，d表示觀測點，w表示中心權重。

針對中心權重取值過程進一步分析，可以得到：

wd=D×γg（b′-bd）∑Dd=1γg（b′-bd）（4）

其中，γ表示狀態密度函數，g表示尺度，b′、b分別表示負荷權重和暫態負載觀測值分布位置。

根據暫態數據狀態估計結果，篩選出采集數據中包含的噪聲數據，并對其進行濾波去噪，即可得到：

φ″t+1=φt+V（Zt+1-φt+1）（5）

公式中，V表示自回歸過濾參數，Z表示數據量測值，φ″表示去噪處理后的暫態負載大數據。

1.2" 基于時序軌跡特征的告警算法

本文運用時間序列Shapelet變換方法，對去噪處理后的光伏并網暫態負載大數據進一步處理，從原始數據集中提取出具有代表性的特殊子序列段，充當數據時序軌跡特征，描述暫態復雜數據變化趨勢，構建告警算法。

H=｛S，′，S，′+1，…，S，ν，…，S，″｝（6）

其中，H表示候選Shapelet集，S表示暫態負載大數據集，表示數據維度，′、″分別表示候選Shapelet的長度下限和上限，ν表示目標抽取序列長度。

依托歐式距離度量原理，定義歐式距離推導公式為：

Φ（S，Y）=min（Φ（S，Yν，p））（Y∈S）（7）

其中，Φ表示歐式距離，Y表示完整序列，min表示最小值取值函數，p表示子序列編號。

將最終搜索出的Shapelet序列看作暫態負載大數據時序軌跡特征。該序列充分刻畫了光伏并網暫態負載軌跡形態。

為了簡化光伏并網異常判斷過程，并實現異常分級告警的智能化，本文將深度學習領域的卷積神經網絡（Convolutional Neural Network， CNN）結構應用到異常告警過程中，搭建一種特殊形式的智能告警結構。將暫態負載大數據時序軌跡特征提取結果作為輸入樣本，導入CNN異常智能告警結構，通過卷積層內的多個卷積單元進一步分析深層特征信息，該階段計算過程為：

μq=f（μq-1σq+Jq）（8）

其中，q表示卷積單元編號，μ表示卷積層輸出的特征分析結果，f表示激活函數，表示卷積運算，σ表示權值向量，J表示偏移向量。

卷積層分析結果會經由池化層完成降維處理，重復多次這2個操作步驟后，最終獲取的多尺度特征信息會統一輸入全連接層完成整合，將當前暫態負載大數據特征與異常數據特征進行區分，從而識別出光伏并網是否處于異常狀態。

在全連接層引入多個權限閾值，通過分析當前數據特征對應的閾值區間，給出其對應的預警等級。

2" 實驗

光伏并網系統運行時，實驗室內光照模擬強度和溫度分別穩定在1000 kW/m2、25℃，接入14臺光伏設備，通過人工操作使得光伏并網處于異常運行狀態，并應用基于暫態負載大數據的新算法不斷進行異常告警，對比告警結果與真實異常狀態，驗證所提算法的應用效果。

本次實驗過程中，設置閆炯程等［3］提出的異常告警方法作為第一個實驗對照組，周洋等［4］提出的告警方法作為第二個實驗對照組，與新研究方法測試結果進行對比。

控制實驗室內光伏并網系統處于運行狀態，獲取其運行過程中產生的暫態負載大數據，并利用訓練后的卷積神經網絡模型持續進行異常智能告警，最終得到大量告警信息。

充分對比不同方法智能告警結果與真實光伏并網系統運行狀態，判斷告警結果是否真實。匯總最終分析結果，繪制得到如圖1所示的受試者工作特征曲線（Receiver Operating Characteristic，ROC），獲取曲線下方面積，即可得到3種算法智能告警結果的AUC值，評估所提算法應用性能。

由圖1可以確定基于暫態負載大數據的新算法給出結果的AUC值為0.96，另外2種方法的AUC值分別為0.85和0.84。三者對比可以看出，將新研究的異常智能告警算法應用到光伏并網運維管理工作中，可以實現系統異常運行狀態的準確檢測，更好地保障光伏并網安全運行。

3" 結語

本文對基于暫態負載大數據的光伏并網異常智能告警算法進行了深入探討，探索出一條能夠實時監測和預警光伏并網異常狀態的新型算法，實現了告警準確性的大幅提升，推動了電力系統運維管理工作的開展。

參考文獻

［1］李強，張立梅，白牧可.基于多元數據特征和改進隨機森林的智能配電網異常數據辨識［J］.科學技術與工程，2023（5）：2007-2015.

［2］李勇，韓俊飛，李秀芬，等.基于深度自回歸模型的電網異常流量檢測算法［J］.沈陽工業大學學報，2024（1）：24-28.

［3］閆炯程，李常剛，劉玉田.計及源荷不確定性的交直流大電網動態安全分級滾動預警［J］.電力系統自動化，2023（1）：35-43.

［4］周洋，施正香，洪燦梅，等.基于電網跳閘數據分析的供電線路異常狀態預警方法［J］.電網與清潔能源，2023（9）：40-46.

［5］晏鵬，黃曉旭，黃玉輝，等.基于BERT-DSA-CNN和知識庫的電網調控在線告警識別［J］.電力系統保護與控制，2022（4）：129-136.

［6］TAKIDDIN A，ISMAIL M，ZAFAR U，et al.Deep autoencoder-based anomaly detection of electricity theft cyberattacks in smart grids［J］.IEEE Systems Journal，2022（3）：4106-4117.

（編輯" 王雪芬）

Intelligent alarm algorithm for abnormal photovoltaic grid connection based on transient load big data

YANG" Yanwei

（Huaneng Lancang River New Energy Co.， Ltd.， Kunming 650051， China）

Abstract：" The abnormal intelligent alarm of photovoltaic grid connection is currently limited to static data， resulting in low alarm accuracy. To this end， this paper proposes an abnormal intelligent alarm algorithm based on transient load big data. By constructing a transient load monitoring data acquisition model， the algorithm extracts the center weight vector and describes the change of power load， uses self-regression filtering and time series shapelet transform，shapelet（TSSTS） to process the data， and extracts the timing trajectory characteristics. Finally， the paper constructs an abnormal classification alarm structure based on convolutional neural network， realizes deep learning and accurately outputs alarm results. Experiments show that the area under the curve （AUC） value of the algorithm is as high as 0.96， which meets the requirements of photovoltaic grid-connected anomaly detection.

Key words： transient load; big data; photovoltaic grid connection; feature extraction; abnormal state; intelligent alarm