[发明专利]一种光伏组件的异常预警方法及系统

权利要求书

1.一种光伏组件的异常预警方法，其特征在于，包括：

获取当前时刻的气象数据和上一时刻的实测功率数据；

将当前时刻的气象数据输入训练好的回归模型中，得到当前时刻的预测功率；

在有效预警时段内基于预测功率序列、实测功率序列和辐照曲线特征得到偏差特征向量，所述有效预警时段包括当前时刻以及当前时刻之前一段时间；

将所述偏差特征向量输入训练好的异常预警分类模型中，对所述偏差特征序列进行异常预警分类；

基于分类结果向监测平台发送预警信息。

2.如权利要求1所述的方法，其特征在于，所述回归模型的训练包括：

获取光伏电站的光伏数据和对应的气象数据，并对所述光伏数据和气象数据进行时间戳对齐和归一化处理，得到样本数据；

将所述样本数据分为训练集和测试集，将所述训练集输入预先构建的回归模型进行训练，得到所述回归模型各层的参数矩阵的维数和偏置向量的值；

将所述测试集输入训练后的回归模型中进行验证；

其中，所述气象数据包括：组件背板温度、太阳辐照度、空气相对湿度、风速和风向。

3.如权利要求2所述的方法，其特征在于，所述回归模型如下式所示：

H₁＝W₁X+b₁

S₁＝sigmoid(H₁)

H₂＝W₂S₁+b₂

S₂＝sigmoid(H₂)

P_predict＝W₃S₂+b₃

其中，X为模型的输入数据，W为模型各层的参数矩阵，b为偏置向量，H与S为模型中间变量，sigmoid(x)＝1/1+e^-x,为非线性激活函数，P_predict为回归模型由气象数据预测得到的预测功率值。

4.如权利要求2所述的方法，其特征在于，所述得到所述回归模型各层的参数矩阵和偏置向量的值之前，还包括：

通过格搜索法确定所述回归模型的超参数。

5.如权利要求2所述的方法，其特征在于，所述异常预警分类模型的训练包括：

将SVM分类器作为异常预警分类模型；

在有效预警时段内基于回归模型的预测功率序列、实测功率序列和辐照曲线特征得到偏差特征向量；

基于所述偏差特征向量和标记的异常分类标签，通过参数优化迭代训练，获得最优的异常预警分类模型的模型参数。

6.如权利要求5所述的方法，其特征在于，所述基于回归模型的预测功率序列、实测功率序列和辐照曲线特征得到偏差特征向量，包括：

基于预测功率序列与实测功率序列的偏差生成偏差序列；

获取所述偏差序列对应时序的辐照度序列；

基于所述辐照度序列获得辐照曲线特征；

将所述偏差序列和辐照曲线特征相融合，得到偏差特征向量；

所述辐照曲线特征包括所述时序内辐照度的最大值、最小值、平均值和标准差。

7.如权利要求1所述的方法，其特征在于，所述有效预警时段为15个采样时刻。

8.如权利要求2所述的方法，其特征在于，所述将当前时刻的气象数据输入训练好的回归模型之前，还包括：

对所述气象数据进行归一化处理。