文献类型：期刊文章

作　　者：赵博超[1] 马嘉骏[1] 崔磊[2] 栾文鹏[1] 朱静[2]

ZHAO Bochao;MA Jiajun;CUI Lei;LUAN Wenpeng;ZHU Jing(Key Laboratory of Smart Grid,Ministry of Education,School of Electrical and Information Engineering,Tianjin University,Tianjin 300072,China;Huaneng Jiangsu Comprehensive Energy Service Co.,Ltd.,China Huaneng Group Co.,Ltd.,Nanjing 210015,Jiangsu,China)

机构地区：[1]天津大学电气自动化与信息工程学院智能电网教育部重点实验室,天津300072 [2]中国华能集团有限公司华能江苏综合能源服务有限公司,江苏南京210015

出　　处：《计算机工程》

基　　金：国家自然科学基金智能电网联合基金(U2066207);中国华能集团有限公司总部科技项目(HNKJ22-H103)。

年　　份：2024

卷　　号：50

期　　号：3

起止页码：306-316

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、CSCD、CSCD_E2023_2024、INSPEC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：光伏发电是我国大力发展的重要新能源发电形式,其异常检测是为系统运维决策提供依据的重要环节。由组件老化、故障或不良因素造成的光伏系统运行状态异常将直接影响发电效率和能力,进而会对系统安全性和经济效益造成影响。然而,现有检测方法存在识别异常类型不全面、对标注数据数量依赖性强、更新模型成本高、对噪声和测量误差敏感等局限性以及不适合大规模推广部署的缺点。为解决这一问题,提出一种基于历史发电量以及气象监测数据的光伏发电异常检测方法。利用基于异常值去除和相关性分析的预处理步骤去除原始数据中的噪声并筛选最佳特征。通过变分模态分解(VMD)将数据分解成多个模态分量以提取光伏发电量的周期和非周期特征。构建改进VMD-XGBoost-BiLSTM组合模型,利用自适应赋权、Attention机制和改进鲸鱼优化算法的特点完成光伏发电量常态预测。在此基础上,通过与实际测量值进行对比,利用设定的规则进行异常判断。实验结果表明,该方法相较于单一BiLSTM和XGBoost模型平均误差下降幅度超过20%,其中约15.67%的性能提升得益于所提改进措施。

关 键 词：光伏发电异常检测  神经网络  变分模态分解  注意力机制  改进鲸鱼优化算法  

分 类 号：TP391]