基于AIoT和序列学习的光伏时序数据可视化异常检测方法
中文题目：基于AIoT和序列学习的光伏时序数据可视化异常检测方法
论文题目：AIoT-Based Visual Anomaly Detection in Photovoltaic Sequence Data via Sequence Learning
录用期刊：Energies (中科院大类 4区)
原文DOI：https://doi.org/10.3390/en17215369
原文链接：https://www.mdpi.com/1996-1073/17/21/5369
录用/见刊时间：2024.10.18 / 2024.10.29
作者列表：
1） 卫 乾 中国石油大学（北京）人工智能学院/能源动力专业 博 22
2） 孙红军 中国石油大学（北京）人工智能学院/智能科学与技术系 教师
3） 樊晶晶 昆仑数智科技有限责任公司 北京
4） 李国俊 杭州电子科技大学 计算机科学学院 博士
5） 周志光 杭州电子科技大学 媒体与设计学院 教授
摘要:
本文提出一种采用序列学习算法实现光伏发电数据的异常检测和可视化分析方法，基于自动编码器的无监督异常检测算法（LSTM-AE模型）将时序数据与其重建进行比较，以识别异常，同时，融合了智能物联网技术，采用严格的时间戳对齐算法实现光伏时序数据预处理的准确性。此外，通过可视化界面识别异常特征，探讨潜在的关键影响因素和异常原因，并围绕光伏发电站案例验证了异常检测识别和可视化分析的实用性。
背景与动机:
随着全球对可再生能源需求的不断增长，光伏发电作为绿色、清洁、无污染和可持续的能源形式受到了广泛关注。目前，光伏发电系统的运行和维护管理面临诸多挑战，尤其是在光伏时序数据异常检测方面。由于光照强度、温度等客观因素的影响，光伏电站输出的时序数据存在较大的不确定性和波动性，异常数据将严重影响了发电设备的管理规划和电网系统的稳定运行，如果不及时发现和处理，可能会导致光伏设备或系统性能下降甚至停机，进而影响电力供应的稳定性和经济效益。
设计与实现:
1、光伏时序数据准备
光伏时序数据包括光伏阵列运行数据和气象数据两类。其中，光伏阵列运行数据是在逆变器级别获取，气象数据来自于环境传感器，数据实时汇聚到AIoT系统统一存储。
2、异常检测需求收集
光伏阵列发电量受气候、天气和地理位置等客观环境因素影响，具有高度的日变化性，并且容易波动。围绕光伏发电站管理人员的异常排查、对比分析和故障根因探索的业务活动，梳理其关键需求包括：光伏数据异常检测模型、原因诊断和可视化分析系统。
3、可视化系统框架
图 1 基于AIoT的光伏时序数据异常检测可视化系统框架
4、LSTM-AE模型
为应对复杂结构特征下的获取异常事件标签的问题，主要采用LSTM-AE模型实现光伏时序数据的异常检测，具体步骤如下：
图 2 基于LSTM-AE模型的光伏时序数据异常检测处理流程
5、可视化界面设计
随着光伏时序数据量的指数级增长，构建并融入直观的可视化元素和交互操作界面，辅助专家进行异常识别、分析和解释。
图 3 光伏时序数据异常检测可视化设计
实验结果及分析:
案例1. 异常检测可视化识别
我们选取了某光伏发电站全天的数据进行验证，当天大量的严重异常集中在中午12:00至下午3:00。实验结果证明了我们在识别光伏时序数据异常方面的有效性。
图 4 光伏时序数据(序列A和B)异常检测示意图
案例2. 异常原因可视化分析
光伏时序数据异常大多取决于光伏阵列设备的故障程度，也会受到环境因素的影响，我们选择了三个最具影响的环境变量(辐照度、模块温度和环境温度)分析具体异常原因。
图 5 光伏时序数据异常检测原因分析示意图
结论:
本文提出一种基于AIoT和序列学习的光伏时序数据异常检测方法和可视化系统，并基于两个光伏发电站数据集进行了案例验证。主要创新点包括：
(1) 采用严格的时间戳对齐算法的AIoT系统，实时采集和监控光伏发电站时序数据；
(2) 利用LSTM-AE模型，有效处理复杂数据结构且缺乏异常标签的光伏时序数据检测；
(3) 构建面向光伏发电数据异常检测的可视化界面，使得异常数据识别更直观、可解释。
作者简介:
孙红军,1994年和1997年在中国石油大学（北京）陆续获得石油地质与勘探专业的硕士和博士学位。目前作为中国石油大学（北京）人工智能学院的研究员和博士生导师。他在石油信息技术领域拥有超过30年的工作经验，主要研究领域包括：企业架构、能源工业互联网、智能油气田。