国网盐城市供电公司 韩庭苇/国网江苏营销服务中心 夏国芳:基于图滤波器和SVDD算法的分布式光伏集群发电异常检测研究

学术   科技   2024-08-09 17:10   北京  

祝贺《电力信息与通信技术》

蝉联中国科技核心期刊 

引文信息


韩庭苇,夏国芳.基于图滤波器和SVDD算法的分布式光伏集群发电异常检测研究[J].电力信息与通信技术,202422(3)52-57

HAN Tingwei,XIA Guofang.Research on anomaly detection of distributed photovoltaic cluster power generation based on graph filtering and SVDD algorithm[J].Electric Power Information and Communication Technology,2024,22(3):52-57(in Chinese)



01

研究背景


近年来分布式光伏发电发展迅猛,外部安装在外的光伏板容易产生积灰、热斑和破损现象,内部长时间运行的光伏发电装置也会出现各种类型的故障,光伏发电效率将随之降低,影响光电转换效率。随着电网企业用电装置数字化管理不断推进,依托计量设备巡视和运维现场移动作业端北斗定位技术,可获取分布式光伏装机经纬度位置,因此本文提出一种基于图滤波与SVDD的异常检测方法实现分布式光伏的异常数据检测功能。


02

主要创新点



1)分布式光伏集群发电的历史功率数据是典型的图数据结构,可以利用图数据结构中的边位置关系,充分考虑时空相关性,从而提高异常检测精度。在给定历史光伏功率观测值的情况下,区域内光伏电站集群的光伏功率可表示为向量PM为集群内光伏发电点的数量,T为每日观测点数,Z为观测周期数,分布式光伏集群发电图数据模型如图1所示。
图1  分布式光伏集群发电图数据模型
2)本文提出的异常检测方法的结构由数据预处理、图高通滤波器和SVDD异常检测算法3部分组成,其框架如图2所示。
图2  图高通滤波器和SVDD算法模型框架
3)为验证本文异常检测的有效性,分别建立图高通滤波器模型、SVDD算法模型、图滤波器和SVDD联合模型,其中设置核函数cg初始参数分别为8和0.5,检测精度为0.01。异常检测结果对比如图3所示。 
图3  不同模型异常检测结果对比
4)由图4可知,在阴天情况下结合SVDD算法异常检测功能将明显提升,这也验证了本文所提方法的优越性。

图4  不同天气情况下检测结果对比


03
解决的问题和意义

本文提出分布式光伏集群基于图高通滤波器和SVDD算法的异常检测模型。仿真结果表明,模型的检测结果与实际情况最接近。在今后的工作中,需要进一步综合时间顺序、气象特征等因素算法对分布式光伏发电进行精确分区,提高区域分布式光伏发电的异常检测精度。




作者介绍

韩庭苇

韩庭苇(1994),女,硕士研究生,工程师,通信作者,从事电力计量技术工作,18262393449@ 163.com。
夏国芳(1991),女,硕士研究生,高级工程师,从事电力计量技术工作。

电力信息与通信技术
发布期刊信息及论文
 最新文章