[发明专利]基于k-近邻自适应投票的光伏系统深度异常检测方法

权利要求书

1.基于k-近邻自适应投票的光伏系统深度异常检测方法，其特征在于，包括以下步骤：

S1、数据预处理，将光伏阵列一维时序数据转换为二维频域数据，并利用外部数据生成标签，构造带标签数据集；

S2、将二维频域数据作为深度神经网络的输入，隐式抽取特征；

S3、深度异常检测，通过改进原始k-近邻算法，利用自适应权重投票法，实现实时异常检测；所述的深度异常检测，其流程包括特征抽取、投票检测和自适应权重计算；所述投票检测的具体方法如下：

通过数据预处理将一维时序数据转换为二维频域图像后，先选择在本地数据集中距离测试数据最近的m个点作为投票点并计算对应的距离d_i，然后计算每个投票点中距离其最近的n个点并计算平均距离D，最后比较d_i和D大小以判断是否发生异常，如果d_i＜D，则认为该测试数据是正常的，接受该样本，p_i＝w_i，P←a_i:p_i；否则，认为该测试数据是异常的，拒绝该样本，n_i＝w_i，N←a_i:n_i；

所述自适应权重计算的方法如下：

w_i＝-exp(-|D-d_i|)+1

利用d_i和D的距离差计算具有可解释性的动态系数，作为最终异常检测加和投票时的权重。

2.根据权利要求1所述基于k-近邻自适应投票的光伏系统深度异常检测方法，其特征在于，所述步骤S1中，所述的数据预处理，其流程包括数据转换和数据集构造。

3.根据权利要求2所述基于k-近邻自适应投票的光伏系统深度异常检测方法，其特征在于，所述数据转换的具体方法如下：

待转换的数据是光伏发电系统中的内部一维时序数据，数据转换通过将一维时序数据利用滑动窗口进行切片，再通过快速傅里叶变换抽取多维特征向量得到一张二维频域特征图。

4.根据权利要求3所述基于k-近邻自适应投票的光伏系统深度异常检测方法，其特征在于，构造的数据集中包括二维频域数据和标签，其中，二维频域数据通过一维时序数据预处理得到；标签的类别由外部数据的不同数值组合构造。

5.根据权利要求4所述基于k-近邻自适应投票的光伏系统深度异常检测方法，其特征在于，所述步骤S2中，利用计算机视觉中的深度神经网络，在构造的数据集上进行训练，以抽取光伏阵列内部数据的隐式特征，作为异常检测的输入数据。