光伏并网异常智能告警目前受限于静态数据,导致告警准确性低。为此,文章提出基于暂态负载大数据的异常智能告警算法。该算法通过构建暂态负载监测数据采集模型,提取中心权重向量并描述电力负荷变化,采用自回归过滤和时序特征子序列变换(...光伏并网异常智能告警目前受限于静态数据,导致告警准确性低。为此,文章提出基于暂态负载大数据的异常智能告警算法。该算法通过构建暂态负载监测数据采集模型,提取中心权重向量并描述电力负荷变化,采用自回归过滤和时序特征子序列变换(Time Series Shapelet Transform,Shapelet,TSSTS)处理数据,提取时序轨迹特征,并基于卷积神经网络构建异常分级告警结构,实现深度学习并准确输出告警结果。实验结果显示,该算法的曲线下面积(Area Under the Curve,AUC)值高达0.96,满足光伏并网异常检测要求。展开更多
文摘光伏并网异常智能告警目前受限于静态数据,导致告警准确性低。为此,文章提出基于暂态负载大数据的异常智能告警算法。该算法通过构建暂态负载监测数据采集模型,提取中心权重向量并描述电力负荷变化,采用自回归过滤和时序特征子序列变换(Time Series Shapelet Transform,Shapelet,TSSTS)处理数据,提取时序轨迹特征,并基于卷积神经网络构建异常分级告警结构,实现深度学习并准确输出告警结果。实验结果显示,该算法的曲线下面积(Area Under the Curve,AUC)值高达0.96,满足光伏并网异常检测要求。
