摘要：光伏并網(wǎng)異常智能告警目前受限于靜態(tài)數(shù)據(jù)，導致告警準確性低。為此，文章提出基于暫態(tài)負載大數(shù)據(jù)的異常智能告警算法。該算法通過構(gòu)建暫態(tài)負載監(jiān)測數(shù)據(jù)采集模型，提取中心權(quán)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(shù)據(jù)，提取時序軌跡特征，并基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建異常分級告警結(jié)構(gòu)，實現(xiàn)深度學習并準確輸出告警結(jié)果。實驗結(jié)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(wǎng)異常檢測要求。

關(guān)鍵詞：暫態(tài)負載；大數(shù)據(jù)；光伏并網(wǎng)；特征提??；異常狀態(tài)；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(fā)建設(shè)與電力系統(tǒng)。

0" 引言

光伏發(fā)電作為可再生能源技術(shù)發(fā)展的重要一環(huán)，已成為全球能源結(jié)構(gòu)轉(zhuǎn)型的關(guān)鍵［1］。然而，在實際運行過程中，光伏并網(wǎng)系統(tǒng)可能會因為設(shè)備故障、環(huán)境變化或操作失誤等因素產(chǎn)生異常狀態(tài)［2］。如果這些異常狀態(tài)無法被及時發(fā)現(xiàn)和處理，可能會對電力系統(tǒng)的穩(wěn)定運行構(gòu)成威脅。因此，為光伏并網(wǎng)異常提供智能告警的新解決方案，對于確保電力系統(tǒng)的安全性和可靠性至關(guān)重要。閆炯程等［3］建立基于源荷不確定性的光伏電網(wǎng)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(jīng)網(wǎng)絡(luò)（Back Propagation，BP）處理電網(wǎng)運行數(shù)據(jù)特征實現(xiàn)異常告警，但新異常模式適應性差。晏鵬等［5］結(jié)合自然語言處理和深度學習模型構(gòu)建電網(wǎng)異常智能告警結(jié)構(gòu)，但復雜場景下的告警類型識別存在挑戰(zhàn)。Takiddin等［6］利用長短期存儲器和深度自動編碼器構(gòu)建網(wǎng)絡(luò)模型進行異常告警，但面臨計算復雜度挑戰(zhàn)，影響實時性。

暫態(tài)負載大數(shù)據(jù)包含了系統(tǒng)運行過程中的豐富信息，對于異常檢測具有重要的價值?；诖?，本文提出基于暫態(tài)負載大數(shù)據(jù)的光伏并網(wǎng)異常智能告警算法，針對海量系統(tǒng)運行數(shù)據(jù)進行挖掘和分析，實現(xiàn)對異常狀態(tài)的實時監(jiān)測和告警，為電力系統(tǒng)的穩(wěn)定運行提供有力保障。

1" 基于暫態(tài)負載大數(shù)據(jù)的光伏并網(wǎng)異常智能告警算法設(shè)計

1.1" 暫態(tài)負載大數(shù)據(jù)中心權(quán)重向量提取

針對光伏并網(wǎng)系統(tǒng)運行大數(shù)據(jù)進行自主學習，采集目標期限內(nèi)暫態(tài)負載大數(shù)據(jù)，作為異常狀態(tài)識別和智能告警分析的依據(jù)。暫態(tài)負荷數(shù)據(jù)獲取過程中，須要先考慮電網(wǎng)負荷數(shù)據(jù)的均衡輸出結(jié)果。

β2c=E［cTj（o）cj（o）］（1）

其中，c表示隨機負荷，o表示光伏并網(wǎng)線路，j表示負荷節(jié)點，T表示轉(zhuǎn)置矩陣，E表示負荷數(shù)據(jù)總量，β表示負荷數(shù)據(jù)均衡輸出。

將公式（1）計算結(jié)果代入光伏并網(wǎng)暫態(tài)負載大數(shù)據(jù)采集過程，并定義最高功率增益為前提，則可以得到數(shù)據(jù)采集模型為：

Kj=（|cj（o）|2-R）×β2c（2）

其中，K表示暫態(tài)負載大數(shù)據(jù)采集結(jié)果，R表示系統(tǒng)增益約束參數(shù)。

獲取大量暫態(tài)負載大數(shù)據(jù)后，引入公式（3）所示的非線性回歸方程，提取負荷數(shù)據(jù)曲線的中心權(quán)重向量，直觀體現(xiàn)光伏并網(wǎng)異常負載變化。

τ（t）=∑Dd=1wdKdD（3）

其中，t表示數(shù)據(jù)采樣時刻，τ表示中心負荷權(quán)重非線性回歸值，D表示暫態(tài)負載觀測點數(shù)量，d表示觀測點，w表示中心權(quán)重。

針對中心權(quán)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(tài)密度函數(shù)，g表示尺度，b′、b分別表示負荷權(quán)重和暫態(tài)負載觀測值分布位置。

根據(jù)暫態(tài)數(shù)據(jù)狀態(tài)估計結(jié)果，篩選出采集數(shù)據(jù)中包含的噪聲數(shù)據(jù)，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(shù)，Z表示數(shù)據(jù)量測值，φ″表示去噪處理后的暫態(tài)負載大數(shù)據(jù)。

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(wǎng)暫態(tài)負載大數(shù)據(jù)進一步處理，從原始數(shù)據(jù)集中提取出具有代表性的特殊子序列段，充當數(shù)據(jù)時序軌跡特征，描述暫態(tài)復雜數(shù)據(jù)變化趨勢，構(gòu)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(tài)負載大數(shù)據(jù)集，表示數(shù)據(jù)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(shù)，p表示子序列編號。

將最終搜索出的Shapelet序列看作暫態(tài)負載大數(shù)據(jù)時序軌跡特征。該序列充分刻畫了光伏并網(wǎng)暫態(tài)負載軌跡形態(tài)。

為了簡化光伏并網(wǎng)異常判斷過程，并實現(xiàn)異常分級告警的智能化，本文將深度學習領(lǐng)域的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）結(jié)構(gòu)應用到異常告警過程中，搭建一種特殊形式的智能告警結(jié)構(gòu)。將暫態(tài)負載大數(shù)據(jù)時序軌跡特征提取結(jié)果作為輸入樣本，導入CNN異常智能告警結(jié)構(gòu)，通過卷積層內(nèi)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(jié)果，f表示激活函數(shù)，表示卷積運算，σ表示權(quán)值向量，J表示偏移向量。

卷積層分析結(jié)果會經(jīng)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(tǒng)一輸入全連接層完成整合，將當前暫態(tài)負載大數(shù)據(jù)特征與異常數(shù)據(jù)特征進行區(qū)分，從而識別出光伏并網(wǎng)是否處于異常狀態(tài)。

在全連接層引入多個權(quán)限閾值，通過分析當前數(shù)據(jù)特征對應的閾值區(qū)間，給出其對應的預警等級。

2" 實驗

光伏并網(wǎng)系統(tǒng)運行時，實驗室內(nèi)光照模擬強度和溫度分別穩(wěn)定在1000 kW/m2、25℃，接入14臺光伏設(shè)備，通過人工操作使得光伏并網(wǎng)處于異常運行狀態(tài)，并應用基于暫態(tài)負載大數(shù)據(jù)的新算法不斷進行異常告警，對比告警結(jié)果與真實異常狀態(tài)，驗證所提算法的應用效果。

本次實驗過程中，設(shè)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(jié)果進行對比。

控制實驗室內(nèi)光伏并網(wǎng)系統(tǒng)處于運行狀態(tài)，獲取其運行過程中產(chǎn)生的暫態(tài)負載大數(shù)據(jù)，并利用訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型持續(xù)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(jié)果與真實光伏并網(wǎng)系統(tǒng)運行狀態(tài)，判斷告警結(jié)果是否真實。匯總最終分析結(jié)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(jié)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(tài)負載大數(shù)據(jù)的新算法給出結(jié)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(wǎng)運維管理工作中，可以實現(xiàn)系統(tǒng)異常運行狀態(tài)的準確檢測，更好地保障光伏并網(wǎng)安全運行。

3" 結(jié)語

本文對基于暫態(tài)負載大數(shù)據(jù)的光伏并網(wǎng)異常智能告警算法進行了深入探討，探索出一條能夠?qū)崟r監(jiān)測和預警光伏并網(wǎng)異常狀態(tài)的新型算法，實現(xiàn)了告警準確性的大幅提升，推動了電力系統(tǒng)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(shù)據(jù)特征和改進隨機森林的智能配電網(wǎng)異常數(shù)據(jù)辨識［J］.科學技術(shù)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(wǎng)異常流量檢測算法［J］.沈陽工業(yè)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(wǎng)動態(tài)安全分級滾動預警［J］.電力系統(tǒng)自動化，2023（1）：35-43.

［4］周洋，施正香，洪燦梅，等.基于電網(wǎng)跳閘數(shù)據(jù)分析的供電線路異常狀態(tài)預警方法［J］.電網(wǎng)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(wǎng)調(diào)控在線告警識別［J］.電力系統(tǒng)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