一种用于光伏发电异常检测的时频对比聚类框架

《Renewable Energy Focus》：A time-frequency contrastive clustering framework for anomaly detection in photovoltaic power

　　

李业松|王宝

辽宁技术大学，葫芦岛125100，辽宁，中国

摘要

随着新型电力系统建设的不断推进，光伏（PV）发电作为一种可持续能源，引入了显著的随机性和波动性，从而影响了电网的整体稳定性。因此，对光伏发电中的异常检测至关重要，这有助于提高发电效率和经济回报，同时确保系统的安全运行。为了解决由于环境干扰、设备故障和人为因素导致的实际光伏功率输出中的异常数据检测问题，我们提出了一种基于时间序列的异常检测方法，称为自适应分块与对比聚类异常检测（ACLAD）。该模型首先应用傅里叶变换将时间序列数据转换为频域，然后通过数据增强来提升其时频动态特性。为了丰富数据的信息表示，我们引入了自适应分块多窗口（ACMWin）方法对时频域波形进行采样。随后，我们设计了一个时频融合编码器（TFFE）从采样数据中提取特征，从而增强模型在后续对比过程中的区分能力。最后，我们提出了分块结构损失（CSLoss）并集成多层感知器（MLP）来进行实例级和簇级的对比学习以进行异常检测。实验结果表明，所提出的模型性能优越，能够有效检测光伏发电中的异常。

引言

随着光伏发电能力的迅速扩张，光伏功率输出的波动性和随机性显著影响了电网稳定性和调度管理[1]。光伏功率的波动主要来源于外部因素，如天气变化（包括快速移动的云层导致的太阳辐射突然变化）、环境温度和湿度的变化、降雨和沙尘暴，以及由于雾霾或积雪导致的模块遮挡效应。这些因素在短时间内引发了光伏输出的剧烈波动，大大增加了运行的不确定性[2]。到2025年，当光伏发电量超过系统调度和传输能力时，多个省份经历了可再生能源发电的削减，严重影响了电网调度的灵活性和可再生能源的利用效率。这也给发电预测和异常检测带来了重大挑战[3]。此外，在澳大利亚高可再生能源的背景下，2025年前三个季度风能和太阳能发电的削减量约为3.9太瓦时，这是由于传输瓶颈和储能不足造成的。高比例的光伏发电将导致节点电压波动更加频繁，降低电网稳定性。光伏系统不仅需要具备预测能力，还需要及时识别光伏输出中的异常行为，以便采取动态响应措施。在“双碳”目标的背景下，精确的光伏发电负荷数据异常检测对于维持电网稳定性和确保新电力系统内的高效调度至关重要。这提升了能源基础设施的智能化，并推动了电力行业的改革[4]。

近年来，在光伏发电异常检测研究方面取得了显著进展。一些研究结合了回归模型来识别异常状态。Fauzan等人[5]提出了一种通过集成回归和支持向量机（SVM）模型开发的光伏异常检测系统。回归模型估计在相应太阳辐射水平下的预期发电量，然后将其作为SVM模型的输入。SVM模型随后识别光伏系统中的异常情况。Yi等人[6]提出了一种基于分位数回归循环神经网络（QRRNN）的光伏发电异常检测方法。该方法首先消除其他因素的干扰，然后利用正常输出范围内的功率阈值来识别光伏发电中的异常。同时，也探索了无监督学习方法。Miraftabzadeh等人[7]提出了一种基于深度神经网络自动编码器的有效无监督异常检测模型。该模型仅需要测量的光伏功率输出作为输入，无需额外信息，通过分析输入时间序列数据中异常部分的形状来有效定位异常段。近年来，研究人员探索了结合多种模型的混合方法。Qu等人[8]提出了一种混合方法，用于光伏故障检测，结合了小时天气状态模式识别、无监督聚类和多类GBDT-LR拟合模型，以提高光伏系统的性能评估。

传统的基于阈值的检测方法和回归模型存在固有的局限性，因为它们对噪声和测量不确定性非常敏感，这会显著降低检测精度。此外，这些方法通常依赖于额外的传感设备或大量的数据采集程序，导致光伏系统的维护复杂性和运营成本增加。相比之下，数据驱动方法利用机器学习技术从历史数据中自动提取与故障相关的特征，并且与基于物理的模型相比，显示出更高的检测精度。然而，大多数现有的数据驱动方法仍然难以有效捕捉复杂非线性关系和多模态特性，在多变的环境条件下限制了它们的鲁棒性和泛化能力。

为了解决这些挑战，我们提出了ACLAD，这是一种基于对比聚类的光伏负荷数据异常检测方法。该方法首先应用傅里叶变换分析数据的频域成分。为了减少冗余计算和降低时间复杂度，我们设计了ACMWin模块进行数据采样。然后引入TFFE提取代表性特征，接着在时频样本上进行实例级和簇级的对比学习以检测光伏负荷时间序列中的异常。这一框架确保了光伏发电系统的安全性和最佳性能。

章节摘录

光伏发电

光伏发电异常检测的研究方法可以分为统计回归驱动方法和深度学习技术[9]。在统计和回归驱动方法中，Zhang等人[10]提出了一种结合模糊信息粒度化（FIG）、改进的长短期记忆（ILSTM）网络和自回归积分移动平均（ARIMA）模型的技术。通过对光伏输出功率进行时间序列分析，

对比学习

对比学习（CL）是一种通过比较样本之间的相似性和差异来学习有效特征表示的方法，从而实现对数据结构和趋势的更准确分析。模型架构如图1所示。

对比学习（CL）通常通过随机裁剪、移位和噪声注入等方法来增强原始样本[19]。在时间域中，由于光伏功率在短时间尺度上表现出局部平稳性

提出的模型

为了减轻光伏发电系统中异常故障造成的重大经济损失和潜在的系统级损害，本研究提出了一种名为ACLAD的异常检测框架，用于及时可靠地识别故障。该方法受到传统基于阈值和数据驱动方法在噪声和动态运行条件下捕捉复杂故障模式的局限性的启发，被设计为基于对比聚类的异常检测模型。

实验数据和运行环境

为了全面验证所提出模型在实际运行环境中的有效性，本研究使用了浙江省某城市分布式光伏系统的真实运行数据。数据收集时间从2024年8月持续到2024年11月，采样间隔为一小时，共获得3,726个光伏功率输出样本。相关光伏系统主要由位于典型亚热带地区的并网分布式光伏电站组成

结论

为了解决光伏发电中异常检测的挑战，我们提出了一种基于ACLAD的异常检测方法。主要结论如下：

• (1)
  我们通过傅里叶变换生成频域数据，并在时域和频域中进行数据增强，利用光伏数据的时空动态特性进行更全面的表示。
• (2)
  ACMWin模块实现了有效的采样

CRediT作者贡献声明

李业松：验证、监督、资源管理、项目协调、资金获取、正式分析。王宝：撰写 – 审稿与编辑、撰写 – 原稿撰写、可视化、验证、方法论、数据整理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本工作部分得到了国家电网有限公司科技项目（编号5400-202319222A-1-1-ZN）和中国国家自然科学基金（编号52467024）的支持