摘 要：為有效識別分布式光伏故障系統(tǒng)，提出一種基于GRU-貝葉斯神經(jīng)網(wǎng)絡的分布式光伏功率異常檢測方法。首先，選取晴天為檢測場景，降低天氣因素的干擾；然后，引入灰色絕對關聯(lián)度算法，利用同地區(qū)光伏系統(tǒng)出力的相似性，篩除不合格光伏出力數(shù)據(jù)，構建光伏用戶正常的光伏出力數(shù)據(jù)集。使用GRU-貝葉斯神經(jīng)網(wǎng)絡訓練得到用戶正常的光伏功率區(qū)間再進行檢測。最后，用實際數(shù)據(jù)進行算例分析，表明所提方法的可行性和有效性。

關鍵詞：分布式發(fā)電；光伏；貝葉斯神經(jīng)網(wǎng)絡；異常檢測；灰色關聯(lián)分析；門循環(huán)單元

中圖分類號：TM615 文獻標志碼：A

0 引 言

為滿足雙碳戰(zhàn)略目標要求，光伏發(fā)電裝機容量近年來開始快速攀升［1-2］。數(shù)量龐大的光伏陣列散布于室外惡劣環(huán)境下，光伏發(fā)電系統(tǒng)故障幾率明顯高于其他既有發(fā)電形式。因為無旋轉部件，元件故障異常時難以直觀判斷。如不能及時發(fā)現(xiàn)和修復光伏系統(tǒng)故障，易長期帶病運行［3］ 。

電力科技工作者針對性地開展一系列技術研究，提出電路結構法、特征曲線法等。電路結構法［4-5］ 在各支路加裝傳感器，監(jiān)測電壓電流的變化來識別異常。此外，還可構建光伏電路結構等效模型，利用仿真模擬值與測量真實值差分取樣，辨識異常支路［6］ 。特征曲線法［7-8］ 基于光伏逆變器直流側的I-V、P-V 曲線的特征信息檢測異常。利用同一光伏電站多個光伏組串應具有相近曲線的特點，可采用廣義局部似然比評價多組光伏串的I-V 曲線相似性、追蹤曲線異常點來識別潛在故障［9］?；诜e累的大量光伏組串故障數(shù)據(jù)，也可利用光伏P-V 特征曲線分區(qū)間取樣數(shù)據(jù)訓練神經(jīng)網(wǎng)絡［10］，利用神經(jīng)網(wǎng)絡的非線性學習能力識別光伏系統(tǒng)異常狀態(tài)。

集中式光伏電站普遍要求在站內(nèi)安裝監(jiān)測設備，并為每臺逆變器配備直流電氣量監(jiān)測等模塊，因此能根據(jù)多源數(shù)據(jù)進行異常分析。近年來得到快速發(fā)展的分布式光伏，僅通過計量系統(tǒng)報送交流側數(shù)據(jù)［11］，系統(tǒng)可觀性顯著劣于前者，前述方法適用性較低，且分布式光伏相關研究文獻較少，亟待研究適用于數(shù)據(jù)匱乏的分布式光伏系統(tǒng)的功率異常檢測方法。

分布式與集中式光伏在運維需求上存在顯著差異［12］。集中式光伏組件眾多，故障檢測的目標是鎖定故障位置和識別故障類型以提高運維效率［13］。分布式光伏電站點多、面廣但單個體量較小，運檢工作的瓶頸在于如何利用極有限的電表計量數(shù)據(jù)識別出哪些光伏電站存在功率異常需要進行現(xiàn)場巡檢，提高運檢的靶向性，具體故障原因和故障定位可由運維人員根據(jù)現(xiàn)場監(jiān)測數(shù)據(jù)診斷確定。

針對上述問題，本文利用光伏系統(tǒng)異常后發(fā)電功率下降的特點，提出一種利用上網(wǎng)計量數(shù)據(jù)識別分布式光伏發(fā)電異常的檢測思路。首先晴天狀態(tài)時光伏系統(tǒng)受干擾小，選取晴天的光伏發(fā)電數(shù)據(jù)。為確保晴天狀態(tài)的光伏發(fā)電不受移動云層干擾，利用地區(qū)光伏出力的相似性，構建用戶正常光伏出力數(shù)據(jù)集。最后得到用戶光伏正常出力區(qū)間，通過實際算例驗證該方法在分布式光伏異常檢測方面的可行性。

1 功率異常檢測流程

本文提出的檢測方法旨在利用上網(wǎng)計量數(shù)據(jù)識別光伏系統(tǒng)異常的用戶，幫助運維人員減少運維成本，提高運維效率，整體的流程如圖1 所示。

首先是晴天狀態(tài)檢測模塊，為排除陰雨天氣造成光伏出力下降的影響，通過典型晴天的特征，利用均方根誤差（rootmean square error，RMSE）數(shù)值選取符合檢測要求的晴天場景。其次，晴天狀態(tài)選取是依據(jù)地區(qū)內(nèi)某站點的輻照度數(shù)據(jù)，其余地區(qū)偶爾會出現(xiàn)移動云層短暫遮蔽光伏陣列的情況，正常出力數(shù)據(jù)篩選模塊采用灰色絕對關聯(lián)度分析法，通過標桿電站挑選同地區(qū)用戶光伏不受云層影響的出力數(shù)據(jù)，再以該數(shù)據(jù)為標準，構建用戶各自的光伏系統(tǒng)正常的出力數(shù)據(jù)集。最后，將用戶正常數(shù)據(jù)輸入GRU-貝葉斯神經(jīng)網(wǎng)絡，得到用戶晴天的光伏出力區(qū)間，以此進行發(fā)電功率異常檢測。

2 晴天狀態(tài)檢測

雨雪、多云天氣易導致光伏出力大幅波動和下降，會干擾異常檢測的結果，需要提出能表征晴朗天氣的特征數(shù)據(jù)。氣象領域?qū)⑻鞖鈩澐譃?3 種不同類型［14］，規(guī)定云量在0%～10% 為晴天；10%～30% 為少云；30%～70% 為多云；大于70%為陰天。也有部分研究將晴天大類［15］概括為“晴天”，包含晴轉多云、多云轉晴、晴間多云等等。但上述非定量描述難以滿足本文對晴天狀態(tài)的識別要求。大型分布式光伏電站根據(jù)設計要求需安裝氣象監(jiān)測裝置［16］，因此可作為用戶中的標桿電站。光伏系統(tǒng)發(fā)電功率與輻照度基本呈線性正相關［17］，其關系式如式（1）所示。

Ps =ηequ Iequ （1）

式中：Ps——發(fā)電功率；ηequ——等效轉換系數(shù)；Iequ——等效太陽輻照度。其中，等效轉換系數(shù)包含ES（標準條件下的輻照度，為1 kW/m2）、PIC（光伏系統(tǒng)的裝機容量，kW），也與太陽電池轉化效率、系統(tǒng)固定損耗等參數(shù)有關。

同一地區(qū)光伏陣列接收的太陽輻射相差較小［18］ ，因此可采用大型光伏站點的太陽輻照度數(shù)據(jù)作為判斷該地區(qū)是否為晴天狀態(tài)的基礎數(shù)據(jù)。繪制月度輻照度曲線如圖2 所示，采樣分辨率為15 min/次。典型晴天狀態(tài)時輻照度曲線光滑且呈現(xiàn)“類正弦半波”的形狀，例如第3 天和9～15 天；而非晴天狀態(tài)輻照度數(shù)據(jù)波動劇烈且幅度大，平均輻照度較低。

根據(jù)晴天狀態(tài)的太陽輻照度特性，本文提出基于均方根誤差RMSE 的典型晴天檢測方法。首先，獲取某一晴天狀態(tài)的太陽輻照度數(shù)據(jù)，作為典型晴天狀態(tài)的標準數(shù)據(jù)。通過計算該月內(nèi)每個待測日太陽輻照度數(shù)據(jù)與典型晴天的均方根誤差，其計算公式如式（2），再進行歸一化處理。

式中：yi——測試日太陽輻照度數(shù)據(jù)；f （x ） i ——典型晴天狀態(tài)的標準數(shù)據(jù)；m——每日總采樣次數(shù)。

示例選取第3 天太陽輻照度數(shù)據(jù)作為典型晴天狀態(tài)的標準數(shù)據(jù)，經(jīng)計算得到月度RMSE，結果如圖3 所示。

同為晴天狀態(tài)的太陽輻照度數(shù)據(jù)的RMSE 基本處于同一水平線，且數(shù)值接近于0，其最大值不超過0.02。而非晴天狀態(tài)下太陽輻照度數(shù)據(jù)的RMSE 分布位置不一，其數(shù)值最低為0.09，明顯區(qū)別于晴天狀態(tài)，閾值選取可參考當?shù)貙嶋H情況來決定。

3 光伏正常出力數(shù)據(jù)集構建

3.1 數(shù)據(jù)預處理

光伏系統(tǒng)發(fā)電具有強周期性，理論上夜間時段發(fā)電量為0，因此將光伏計量數(shù)據(jù)仿真測試時間段縮短為06：00—19：00，數(shù)據(jù)采樣周期為15 min，每日共計52 組數(shù)據(jù)。實驗數(shù)據(jù)采用中國南方某市建筑屋頂分布式光伏系統(tǒng)發(fā)電出力數(shù)據(jù)集，所選用戶并網(wǎng)時間集中在2020 年4 月，正值分布式光伏裝機熱潮，此外還包含廠家2022 年10 月的檢修記錄。光伏裝機容量不同會導致發(fā)電功率存在差異。考慮到實際安裝情形，即使是同等裝機容量的分布式光伏系統(tǒng)輸出功率也會存在差異，例如光伏組件材料、安裝位置、傾角朝向等因素影響，需要對光伏系統(tǒng)發(fā)電量進行歸一化處理，公式為：

e =PZ /PIC （3）

式中：PZ——測試日用戶光伏系統(tǒng)采樣時刻輸出功率；PIC——用戶側光伏系統(tǒng)裝機總容量。

3.2 空間維度相似度分析

晴天狀態(tài)的判定依據(jù)是傳感器采集的太陽輻照度數(shù)據(jù)，但分布式光伏系統(tǒng)用戶側不可能全部具備安裝氣象監(jiān)測裝置的條件。整縣市屋頂分布式光伏開發(fā)試點工作的開展，使得未來分布式光伏系統(tǒng)呈現(xiàn)集群式分布，同縣市的光伏出力特征具有強相似性［19］。晴天狀態(tài)檢測模塊采用標桿電站的太陽輻照度數(shù)據(jù)，確保該站點光伏出力為晴天正常的光伏出力，如何能保證同地區(qū)其余用戶采集到的數(shù)據(jù)也為光伏系統(tǒng)用戶正常的光伏出力數(shù)據(jù)，而非出力受到云層等干擾的數(shù)據(jù)，本文引入灰色絕對關聯(lián)度分析算法。

灰色關聯(lián)度分析能反映事物間變化趨勢的一致性，曲線幾何相似度越高，代表同步程度越高，事物間關聯(lián)性越強［20］?；诟倪M的灰色絕對關聯(lián)度能表示序列在變化勢態(tài)上的大小，算法為：

式中：Gi （ j ）——j 時刻的子序列與主序列的絕對關聯(lián)系數(shù)；j——序列時刻點；h0——時間序列中的主序列；hi——時間序列中的子序列； Ri—— 子序列與主序列的總絕對關聯(lián)相似度。

影響灰色絕對關聯(lián)度的主要分為兩類情況，一是兩序列間的數(shù)據(jù)差值，差值過大會降低關聯(lián)度；二是序列的波動量，晴天時發(fā)生光伏出力驟降的情況也會導致關聯(lián)度降低。分析用戶為避免情況一的發(fā)生，需要對光伏用戶進行分類，每個用戶具體方法如下：所有晴天日的峰時發(fā)電功率從大到小依次排序，對前15% 天的峰時功率取均值，將此均值定義為該用戶標簽em，計算結果如圖4。

由圖4 可知，測試用戶的標簽em 數(shù)值分布在0.72～0.92區(qū)間內(nèi)，整體呈正態(tài)分布態(tài)勢，證明大部分光伏系統(tǒng)在峰時發(fā)電功率能達到裝機容量的80%。少數(shù)用戶的光伏系統(tǒng)因光伏陣列材料和安裝環(huán)境無法達到最佳傾角的原因，發(fā)電功率偏低；另一部分用戶選取轉換效率高的光伏陣列，發(fā)電功率也隨之升高。用戶間光伏序列差值較大，為減小出力幅值對灰色關聯(lián)度分析的影響，需要用戶進行分段驗證，但只存在一個主序列，需要將主序列數(shù)據(jù)線性映射至各分段區(qū)間，再對各區(qū)間內(nèi)用戶做灰色絕對關聯(lián)度分析。

圖5 為參加本次測試的光伏用戶地理位置分布圖，空間維度相似性分析隨機抽取分段區(qū)間［0.80，0.84］的7 個示例用戶進行結果展示。其中菱形標識為標桿電站，其裝機容量1.664 MW，監(jiān)測設備完善，數(shù)據(jù)類型齊全。

7 個示例用戶的灰色絕對關聯(lián)度結果如表１，選擇標桿電站作為相似分析的主序列，則標桿電站與自身的灰色絕對關聯(lián)度恒為1，所抽取的7 個用戶灰色絕對關聯(lián)度數(shù)值均大于0.95，表明該晴天日示例用戶未出現(xiàn)到云層遮蔽的情況。若出現(xiàn)灰色絕對關聯(lián)度數(shù)值小于0.95 的情況，可挑選下個晴天進行測試。

3.3 時間維度相似度分析

構建分布式光伏系統(tǒng)晴天的正常出力數(shù)據(jù)集還需要考慮時間遷移對光伏出力的影響。太陽輻照度和入射角會因地球公轉而變化，太陽直射點的偏移致使光伏系統(tǒng)最早出力時刻發(fā)生改變，光伏出力時長和出力曲線均會發(fā)生變化。若將全年晴天出力數(shù)據(jù)構建成一個正常光伏出力數(shù)據(jù)集，依舊難以判斷是時間遷移還是光伏出力驟降導致灰色絕對關聯(lián)度降低。因此，需要按季節(jié)特性將時間分段來篩選晴天正常的出力曲線。將滿足空間相似度條件的用戶的光伏出力序列作為各自時間關聯(lián)相似度檢測的主序列，將該季節(jié)內(nèi)剩余晴天狀態(tài)下的光伏出力數(shù)據(jù)作為子序列，進行灰色絕對關聯(lián)度分析，圖6 為某用戶的時間維度分析結果。

由圖６可知，該季度內(nèi)共有38 個晴天，但其中3 天的出力波動較為劇烈導致相似度降低，無法滿足晴天正常的出力數(shù)據(jù)，剔除不合格數(shù)據(jù)后，將剩余日期的正常出力數(shù)據(jù)作為用戶的晴天正常出力數(shù)據(jù)集。

本節(jié)基于灰色絕對關聯(lián)改進算法對光伏出力相似性分析，以先空間維度后時間維度的順序，利用標桿電站正常光伏出力以點帶面地向同區(qū)縣內(nèi)分布式光伏系統(tǒng)延伸分析，從而排除晴天時部分用戶受到云層遮蔽光伏設備而發(fā)電出力驟降的影響。

4 GRU-貝葉斯神經(jīng)網(wǎng)絡

晴天狀態(tài)檢測能依據(jù)太陽輻照度數(shù)據(jù)判定晴天日，但受到環(huán)境因素隨機性的影響，正常出力數(shù)據(jù)集的發(fā)電數(shù)據(jù)也不能完全重合，若采用唯一確定的出力曲線表示定義該用戶正常光伏出力狀態(tài)，則會導致后續(xù)檢測時誤判率升高，增加專業(yè)運維人員檢修的工作量，造成人力資源浪費。因此，本文采用GRU-貝葉斯神經(jīng)網(wǎng)絡算法，將確定性曲線轉化為不確定性的概率分布區(qū)間［21］，深度挖掘每條歷史數(shù)據(jù)的發(fā)電特征，提高檢測方法的容錯率。

4.1 貝葉斯神經(jīng)網(wǎng)絡

貝葉斯神經(jīng)網(wǎng)絡［22］由貝葉斯定理發(fā)展而來，如式（7）所示，該公式從歷史資料或經(jīng)驗中得到的先驗信息與抽樣試驗得到的樣本信息相結合，將先驗信息修正優(yōu)化，再得到后驗信息，達到更深層次了解事件新的目的。

p（W|X，Y ）= p（W ） p（Y|X，W ）／ p（Y|X ） （7）

式中：p（W|X，Y ）—— 后驗分布，是網(wǎng)絡參數(shù)的先驗概率；（X，Y）——訓練集數(shù)據(jù)；p（Y|X，W ）——給定參數(shù)W 和X 的情況下，網(wǎng)絡輸出Y 的概率；p（Y|X ）——常數(shù)。

相較于傳統(tǒng)神經(jīng)網(wǎng)絡結構，貝葉斯神經(jīng)網(wǎng)絡不再是由權重參數(shù)和偏置參數(shù)構成的數(shù)值矩陣，而是由其參數(shù)的后驗概率分布表示，且在訓練中能依據(jù)數(shù)據(jù)樣本進行參數(shù)的實時更新，尋求最優(yōu)解，結構比較圖如圖7 所示。且依據(jù)貝葉斯定理，貝葉斯神經(jīng)網(wǎng)絡各單元的輸入輸出并不獨立，每循環(huán)訓練一次，所有子單元網(wǎng)絡均能得到優(yōu)化，多次向前傳播實現(xiàn)特征分布來源于不同子單元，降低網(wǎng)絡過擬合能力。且特殊的概率層結構使得貝葉斯神經(jīng)網(wǎng)絡擁有解釋某個變量不確定性的能力，進而能得出特定置信條件下的概率區(qū)間分布。

4.2 GRU循環(huán)神經(jīng)網(wǎng)絡

門控循環(huán)單元（gated recurrent unit， GRU）和長短期記憶網(wǎng)絡（long short-term memory， LSTM）都是為解決循環(huán)神經(jīng)網(wǎng)絡RNN（recurrent neural network）中梯度易出現(xiàn)衰減和爆炸的問題而提出的。與LSTM 相比，GRU 能以較低的計算成本得到相近的計算結果。本文利用GRU 來處理光伏系統(tǒng)出力的時間序列［23］，GRU 結構示意圖如圖8 所示，其具體原理見式（8）～式（11）。

zt = σ （Wz·[ ht - 1，xt ]） （8）

rt = σ （Wr·[ ht - 1，xt ]） （9）

h′t = tanh（W·[ rt·ht - 1，xt ]） （10）

ht =（1-zt ）·ht -1 +zt·h′t （11）

式中：zt——更新門；σ——sigmoid 激活函數(shù)；ht - 1——保存的是前一個時刻的隱層信息；xt——第t 個時間的輸入向量，即輸入序列x 的第t 個向量；rt——重置門；h′t——輸入信息xt與上一時刻隱藏層復合運算得到的記憶內(nèi)容；tanh——將變量映射在（-1， 1）的激活函數(shù)；ht——t 時刻門控循環(huán)單元的輸出信息。

4.3 GRU-貝葉斯神經(jīng)網(wǎng)絡

GRU-貝葉斯神經(jīng)網(wǎng)絡融合兩種神經(jīng)網(wǎng)絡，利用GRU 循環(huán)神經(jīng)網(wǎng)絡處理時間序列的能力，提取晴天光伏出力特征，將循環(huán)神經(jīng)隱藏層貝葉斯化，權重偏置矩陣作概率分布計算，傳統(tǒng)神經(jīng)網(wǎng)絡的權重偏置參數(shù)優(yōu)化問題轉變?yōu)楦怕屎瘮?shù)分布的優(yōu)化問題。

由于p（W|X，Y ） 后驗概率分布較為復雜，維度過高，特定網(wǎng)絡結構下難以求解。貝葉斯神經(jīng)網(wǎng)絡優(yōu)化采取變分推斷的思想，構造一個簡單分布函數(shù)（例如高斯函數(shù)）去逼近后驗分布，差異足夠小，便可進行等效替代，而簡單分布函數(shù)的特征參數(shù)需要神經(jīng)網(wǎng)絡不斷迭代更新優(yōu)化。KL 散度（Kullback-Leibler divergence）可求解兩種分布的相對熵，而相對熵可度量隨機變量的差異，表示真實概率分布與近似概率分布的對數(shù)值的期望，如式（12）所示。

式中：p（xi ）——真實數(shù)據(jù)的概率分布；q（xi ）——近似函數(shù)的概率分布。

選用以2 為底作對數(shù)運算，則KL 散度表示函數(shù)損失的二進制位數(shù)，具體公式為：

因此，通過最小化目標函數(shù)的損失值訓練貝葉斯化神經(jīng)網(wǎng)絡，迭代過程中兩種分布函數(shù)逐漸逼近，KL 散度逐漸降低，當散度值最小時，對應的近似分布即為等效真實函數(shù)分布。最終輸出層將優(yōu)化完成的結果輸出，形成晴天光伏系統(tǒng)出力的概率區(qū)間，整體結構圖如圖9 所示。

4.4 評價指標

本文評價指標分為兩部分，第一部分為擬合區(qū)間的指標評價，第二部分為異常檢測的指標評價。區(qū)間指標采用文獻［24］中的區(qū)間覆蓋率（PI coverage probability，PICP）和區(qū)間平均寬度（PI averaged width，PIAW）作為模型區(qū)間擬合優(yōu)良程度的評價指標。區(qū)間覆蓋率是指真實值落在擬合區(qū)間上下界間的比率，其具體計算公式為：

式中：N—— 一天內(nèi)光伏系統(tǒng)采集點的數(shù)量；Sn——布爾函數(shù)，取值只包含0 和1，即光伏系統(tǒng)輸出功率落在擬合區(qū)間之內(nèi)，則取1，反之取0。計算擬合得到的區(qū)間覆蓋率越高，模型擬合效果就越好。但區(qū)間覆蓋范圍越大，擬合模型便失去參考價值。因此要綜合考慮區(qū)間平均寬度指標PIAW，其表征擬合區(qū)間模型的清晰度，計算公式為：

式中：Un——光伏系統(tǒng)擬合區(qū)間的功率上限；Ln——光伏系統(tǒng)擬合區(qū)間的功率下限。在同一置信水平下，區(qū)間平均寬度PIAW 值越小，表明區(qū)間擬合寬度更窄，更加貼合原始數(shù)據(jù)，區(qū)間模型擬合越佳。

異常檢測部分選用誤報率、靈敏度、準確率作為評價指標。誤報率表示檢測為正常但實際狀態(tài)是異常占實際異常的比例；而靈敏度表示檢測為正常，實際狀態(tài)也是正常占實際正常的比例；準確率表示模型檢測結果與實際狀態(tài)相對應的數(shù)量占所有樣本數(shù)量的比例。

5 實驗驗證及分析

5.1 實驗驗證

區(qū)間擬合所需樣本數(shù)據(jù)是根據(jù)前文實驗數(shù)據(jù)篩選構建的正常出力數(shù)據(jù)，樣本數(shù)據(jù)時間段為2020 年9—11 月，驗證測試實驗數(shù)據(jù)選自2022 年10 月，廠家檢修記錄中出現(xiàn)光伏功率異常的的用戶共計31 戶。當用戶光伏出力數(shù)據(jù)持續(xù)低于正常區(qū)間，則判定為功率異常。

區(qū)間擬合算法運行環(huán)境為Python 優(yōu)先的深度學習框架Pytorch，運行平臺為處理器Intel i7-8700，內(nèi)存32 GB，NvidiaGeForce GTX 1080 的實驗室主機。為驗證本文算法模型的性能，另選取BP-貝葉斯神經(jīng)網(wǎng)絡［25］和上下界估計（lowerupper bound estimation method，LUBE）區(qū)間模型［26］做對比試驗，圖10 展示了3 種算法擬合的晴天狀態(tài)下光伏系統(tǒng)正常的出力區(qū)間，橫軸為采樣點次數(shù)，縱軸為歸一化后的發(fā)電功率值。且相對應的區(qū)間擬合指標由表2 給出。

LUBE 區(qū)間模型無需數(shù)據(jù)分布的假設，也無法通過監(jiān)督學習基于誤差損失函數(shù)和向前傳播調(diào)整網(wǎng)絡參數(shù)，因此需配合啟發(fā)式參數(shù)搜索方法進行整定，且LUBE 區(qū)間模型利用單神經(jīng)網(wǎng)絡得到上界和下界2 個輸出邊界，參數(shù)尋優(yōu)計算復雜。因此出現(xiàn)區(qū)間彎曲處平均寬度過小，導致整體區(qū)間覆蓋率降低。而BP-貝葉斯神經(jīng)網(wǎng)絡模型雖解決了區(qū)間覆蓋率過小的問題，尤其改善了曲線彎曲的部分，但也導致區(qū)間平均寬度過大。此外，BP 神經(jīng)網(wǎng)絡捕捉時序信息的能力較弱，學習效率較低，有時會出現(xiàn)陷入局部最小化問題，導致模型的區(qū)間結果不盡相同。GRU-貝葉斯神經(jīng)網(wǎng)絡模型調(diào)用GRU 循環(huán)神經(jīng)網(wǎng)絡處理時間序列特征的能力，在處理光伏出力序列時獲取信息層次深，信息范圍廣，進一步減少過擬合風險，最大程度保留光伏出力的特征信息。本文所提算法相比較于LUBE 算法與BP-貝葉斯神經(jīng)網(wǎng)絡，PICP 指標分別提高9.4%和5.3%，區(qū)域覆蓋更加精準，雖然PIAW 指標略高于LUBE算法，但考慮到PICP 優(yōu)先級高于PIAW，因此GRU-貝葉斯神經(jīng)網(wǎng)絡表現(xiàn)更為優(yōu)越。除此之外，表3 中展示的檢測結果也表明GRU-貝葉斯神經(jīng)網(wǎng)絡算法擬合的區(qū)間模型在異常檢測的過程中更具優(yōu)勢，GRU-貝葉斯神經(jīng)網(wǎng)絡相較于LUBE 模型和BP-貝葉斯神經(jīng)網(wǎng)絡，誤報率降低48.9% 和45.2%，準確率提高11.3% 和2.2%，各項指標表現(xiàn)良好。各算法檢測結果的差異性主要源于區(qū)間模型的擬合效果，GRU-貝葉斯神經(jīng)網(wǎng)絡能從歷史光伏數(shù)據(jù)獲取時序特征與出力信息，擬合程度更高，可見擬合模型的優(yōu)劣決定了異常檢測結果。

6 結 論

針對分布式光伏發(fā)展迅速而缺乏適用的檢測手段，本文提出一種基于GRU-貝葉斯神經(jīng)網(wǎng)絡構建區(qū)間模型來檢測分布式光伏系統(tǒng)功率異常狀態(tài)的方法，實現(xiàn)分布式光伏運維的低成本檢測。主要結論如下：

1）基于典型晴天識別天氣狀態(tài)時，同為晴天狀態(tài)的RMSE 基本接近0，且與非晴天狀態(tài)存在明顯的閾值分界線。

2）通過灰色絕對關聯(lián)度分析，能在晴天時將運動型云層遮蔽分布式光伏系統(tǒng)而產(chǎn)生的不合格光伏出力數(shù)據(jù)剔除，構建用戶分布式光伏正常出力數(shù)據(jù)集。

3）GRU-貝葉斯神經(jīng)網(wǎng)絡在處理晴天光伏歷史數(shù)據(jù)得到區(qū)間模型更為合理準確，進一步驗證了所提方法的有效性。

［參考文獻］

［1］ 黎博， 陳民鈾， 鐘海旺， 等. 高比例可再生能源新型電力系統(tǒng)長期規(guī)劃綜述［J］. 中國電機工程學報， 2023， 43（2）： 555-581.

LI B， CHEN M Y， ZHONG H W， et al. A review of longtermplanning of new power systems with large share ofrenewable energy［J］. Proceedings of the CSEE， 2023， 43（2）： 555-581.

［2］ 王彪， 呂洋， 陳中， 等. 考慮信息時移的分布式光伏機理-數(shù)據(jù)混合驅(qū)動短期功率預測［J］. 電力系統(tǒng)自動化，2022， 46（11）： 67-74.

WANG B， LYU Y， CHEN Z， et al. Hybrid mechanismdata-driven short-term power forecasting of distributedphotovoltaic considering information time shift ［J］.Automation of electric power systems， 2022， 46（11）： 67-74.

［3］ 徐可寒， 張哲， 劉慧媛， 等. 光伏電源故障特性研究及影響因素分析［J］. 電工技術學報， 2020， 35（2）： 359-371.

XU K H， ZHANG Z， LIU H Y， et al. Study on faultcharacteristics and its related impact factors of photovoltaicgenerator［J］. Transactions of China ElectrotechnicalSociety， 2020， 35（2）： 359-371.

［4］ BOGGARAPU P K， MANICKAM C， LEHMAN B， et al.Identification of pre-existing/undetected line-to-line faultsin PV array based on preturn on/off condition of the PVinverter［J］. IEEE transactions on power electronics，2020， 35（11）： 11865-11878.

［5］ VERGURA S， MARINO F. Quantitative and computeraidedthermography-based diagnostics for PV devices： partI：framework［J］. IEEE journal of photovoltaics， 2017， 7（3）： 822-827.

［6］ 劉強， 郭珂， 毛明軒， 等. 一種基于串聯(lián)等效電阻的光伏故障檢測方法［J］. 太陽能學報， 2020， 41（10）： 119-126.

LIU Q， GUO K， MAO M X， et al. A photovoltaic faultdetection method based on series equivalent resistance［J］.Acta energiae solaris sinica， 2020， 41（10）： 119-126.

［7］ ANSARI S， SAMET H， GHANBARI T. Fault location insolar farms［J］. IEEE systems journal， 2021， 15（3）：4003-4012.

［8］ 馬銘遙， 張志祥， 劉恒， 等. 基于I-V 特性分析的晶硅光伏組件故障診斷［J］. 太陽能學報， 2021， 42（6）： 130-137.

MA M Y， ZHANG Z X， LIU H， et al. Fault diagnosis ofcrystalline silicon photovoltaic module based on I-Vcharacteristic analysis［J］. Acta energiae solaris sinica，2021， 42（6）： 130-137.

［9］ CHEN L A， LI S， WANG X D. Quickest fault detection inphotovoltaic systems［J］. IEEE transactions on smart grid，2018， 9（3）： 1835-1847.

［10］ RAO S， MUNIRAJU G， TEPEDELENLIOGLU C， et al.Dropout and pruned neural networks for fault classificationin photovoltaic arrays［J］. IEEE access， 2021， 9： 120034-120042.

［11］ 王康達， 張保會. 遠方集中式與就地分布式光伏供電經(jīng)濟性比較［J］. 電力系統(tǒng)自動化， 2017， 41（16）： 179-186.

WANG K D， ZHANG B H. Economy comparison of distantground photovoltaic stations and distributed photovoltaicstations［J］. Automation of electric power systems， 2017，41（16）： 179-186.

［12］ 尹德?lián)P， 梅飛， 鄭建勇， 等. 分布式光伏系統(tǒng)最優(yōu)運維周期確定方法［J］. 電力自動化設備， 2022， 42（5）： 135-141.

YIN D Y， MEI F， ZHENG J Y， et al. Determinationmethod of optimal operation and maintenance cycles fordistributed photovoltaic system ［J］. Electric powerautomation equipment， 2022， 42（5）： 135-141.

［13］ 馬銘遙， 王海松， 馬文婷， 等. 基于S-V特性分析的晶硅光伏組件陰影遮擋故障診斷［J］. 太陽能學報， 2022，43（9）： 64-72.

MA M Y， WANG H S， MA W T， et al. Partial shadowfault diagnosis of crystalline silicon photovoltaic modulebased on S-V characteristic analysis［J］. Acta energiaesolaris sinica， 2022， 43（9）： 64-72.

［14］ GB/T 41734. 3—2022， 公共氣象服務， 天氣圖形符號［S］.

GB/T 41734. 3—2022， Public meteorological service，weather graphic symbols［S］.

［15］ 王飛， 米增強， 甄釗， 等. 基于天氣狀態(tài)模式識別的光伏電站發(fā)電功率分類預測方法［J］. 中國電機工程學報，2013， 33（34）： 75-82， 14.

WANG F， MI Z Q， ZHEN Z， et al. A classifiedforecasting approach of power generation for photovoltaicplants based on weather condition pattern recognition［J］.Proceedings of the CSEE， 2013， 33（34）： 75-82， 14.

［16］ 國家市場監(jiān)督管理總局， 國家標準化管理委員會. 分布式光伏發(fā)電系統(tǒng)集中運維技術規(guī)范： GB/T 38946—2020［S］. 北京： 中國標準出版社， 2020.

State Administration for Market Regulation，Standardization Administration of the People’s Republic ofChina. Specification of centralized operation andmaintenance for distributed photovoltaic power system：GB/T 38946—2020［S］. Beijing： Standards Press ofChina， 2020.

［17］ 鄭可軻， 牛玉廣. 大規(guī)模新能源發(fā)電基地出力特性研究［J］. 太陽能學報， 2018， 39（9）： 2591-2598.

ZHENG K K， NIU Y G. Research on renewable powerbasement output characteristics［J］. Acta energiae solarissinica， 2018， 39（9）： 2591-2598.

［18］ 劉曉艷， 王玨， 姚鐵錘， 等. 基于衛(wèi)星遙感的超短期分布式光伏功率預測［J］. 電工技術學報， 2022， 37（7）：1800-1809.

LIU X Y， WANG J， YAO T C， et al. Ultra short-termdistributed photovoltaic power prediction based on satelliteremote sensing［J］. Transactions of China ElectrotechnicalSociety， 2022， 37（7）： 1800-1809.

［19］ 喬穎， 孫榮富， 丁然， 等. 基于數(shù)據(jù)增強的分布式光伏電站群短期功率預測（二）： 網(wǎng)格化預測［J］. 電網(wǎng)技術，2021， 45（6）： 2210-2218.

QIAO Y， SUN R F， DING R， et al. Distributedphotovoltaic station cluster short-term power forecastingpart Ⅱ： gridding prediction［J］. Power system technology，2021， 45（6）： 2210-2218.

［20］ 丁坤， 陳富東， 翁帥， 等. 基于I-V 特性灰色關聯(lián)分析的光伏陣列健康狀態(tài)評估［J］. 電網(wǎng)技術， 2021， 45（8）：3087-3095.

DING K， CHEN F D， WENG S， et al. Health stateevaluation of photovoltaic array based on I-Vcharacteristics and grey relational analysis［J］. Powersystem technology， 2021， 45（8）： 3087-3095.

［21］ 王開艷， 杜浩東， 賈嶸， 等. 基于相似日聚類和QRCNN-BiLSTM模型的光伏功率短期區(qū)間概率預測［J］. 高電壓技術， 2022， 48（11）： 4372-4388.

WANG K Y， DU H D， JIA R， et al. Short-term intervalprobability prediction of photovoltaic power based onsimilar daily clustering and QR-CNN-BiLSTM model［J］.High voltage engineering， 2022， 48（11）： 4372-4388.

［22］ 趙康寧， 蒲天驕， 王新迎， 等. 基于改進貝葉斯神經(jīng)網(wǎng)絡的光伏出力概率預測［J］. 電網(wǎng)技術， 2019， 43（12）：4377-4386.

ZHAO K N， PU T J， WANG X Y， et al. Probabilisticforecasting for photovoltaic power based on improvedBayesian neural network［J］. Power system technology，2019， 43（12）： 4377-4386.

［23］ 王鑫， 李慧， 葉林， 等. 考慮風速波動特性的VMD-GRU短期風電功率預測［J］. 電力科學與技術學報， 2021， 36（4）： 20-28.

WANG X， LI H， YE L， et al. VMD-GRU based shorttermwind power forecast considering wind speedfluctuation characteristics［J］. Journal of electric powerscience and technology， 2021， 36（4）： 20-28.

［24］ WAN C， XU Z， PINSON P. Direct interval forecasting ofwind power［J］. IEEE transactions on power systems，2013， 28（4）： 4877-4878.

［25］ NING Y， LIU Y F， JI Q. Bayesian - BP Neural Networkbased Short-term Load Forecasting for power system［C］//2010 3rd International Conference on Advanced ComputerTheory and Engineering（ICACTE）. Chengdu， China，2010： V2-89-V2-93.

［26］ LIU F， TAO Q， YANG D C， et al. Bidirectional gatedrecurrent unit-based lower upper bound estimation methodfor wind power interval prediction［J］. IEEE transactionson artificial intelligence， 2022， 3（3）： 461-469.

基金項目：國家自然科學基金（51777015）