分布式光伏发电系统一般不配备多种类的传感器和监测设备,反映设备运行状态且可用于异常检测的数据有限。提出了基于STL-Bayesian时空模型的光伏异常状态检测方法,利用气象在时空上的传递性,挖掘光伏发电出力的关联性进而完成异常检测...分布式光伏发电系统一般不配备多种类的传感器和监测设备,反映设备运行状态且可用于异常检测的数据有限。提出了基于STL-Bayesian时空模型的光伏异常状态检测方法,利用气象在时空上的传递性,挖掘光伏发电出力的关联性进而完成异常检测。首先,用季节性分解(seasonal and trend decomposition using loess,STL)将光伏发电有功功率时序数据分解为3个分量;然后,研究不同长度数据输入对分解结果的影响和区域内分量的时空分布特性;接着,通过构建贝叶斯模型分别对趋势分量和剩余分量做短期和超短期空间插值,得到区域内光伏出力;最后,计算真实值与回归值的推土机距离(earth move's distance,EMD)用于检测异常状态。算例分析表明,所提模型在分布式光伏场景检测可逆异常和不可逆异常状态均有较高准确率。展开更多
文摘分布式光伏发电系统一般不配备多种类的传感器和监测设备,反映设备运行状态且可用于异常检测的数据有限。提出了基于STL-Bayesian时空模型的光伏异常状态检测方法,利用气象在时空上的传递性,挖掘光伏发电出力的关联性进而完成异常检测。首先,用季节性分解(seasonal and trend decomposition using loess,STL)将光伏发电有功功率时序数据分解为3个分量;然后,研究不同长度数据输入对分解结果的影响和区域内分量的时空分布特性;接着,通过构建贝叶斯模型分别对趋势分量和剩余分量做短期和超短期空间插值,得到区域内光伏出力;最后,计算真实值与回归值的推土机距离(earth move's distance,EMD)用于检测异常状态。算例分析表明,所提模型在分布式光伏场景检测可逆异常和不可逆异常状态均有较高准确率。
