基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測方法

蘇雍賀，左 穎，靳 健，張 賀，謝祥穎，任天翔

(1.北京航空航天大學(xué) 自動(dòng)化科學(xué)與電氣工程學(xué)院，北京 100191； 2.北京航空航天大學(xué) 前沿科學(xué)技術(shù)創(chuàng)新研究院，北京 100191; 3.北京師范大學(xué) 政府管理學(xué)院，北京 100875; 4.國網(wǎng)電子商務(wù)有限公司 光伏云事業(yè)部，北京 100053)

0 引言

隨著碳中和日漸深入人心，以分布式光伏為代表的新能源蓬勃發(fā)展[1-3]。由于分布式光伏發(fā)電站運(yùn)行于惡劣的室外環(huán)境，頻發(fā)的支路異常導(dǎo)致其發(fā)電效能損失巨大[4]?！笆逡?guī)劃”期間，分布式光伏站點(diǎn)大量建設(shè)，如何精準(zhǔn)和便捷地檢測分布式光伏多站支路異常，已成為新能源行業(yè)關(guān)注的焦點(diǎn)[5-6]。

近年來，由于信息技術(shù)不斷發(fā)展，基于人工智能的分布式光伏異常檢測已成為行業(yè)共識(shí)[7]。當(dāng)前的分布式光伏支路異常檢測方法可分為兩類：①利用每個(gè)站點(diǎn)支路異常辨識(shí)性特征的差異表示，構(gòu)建異常檢測模型[8-10]；②采用多個(gè)站點(diǎn)支路異常辨識(shí)性特征的相似表示，實(shí)現(xiàn)異常檢測[11-12]。然而，這些研究均未從多站支路異常辨識(shí)性特征的相似和差異表示方面來考慮分布式光伏多站支路異常檢測。這一構(gòu)想可能是提升多站支路異常檢測精度的有效方法。本文通過分析人工智能技術(shù)，采用基于多站支路運(yùn)行數(shù)據(jù)聯(lián)合學(xué)習(xí)(Joint Learning, JL)[13]的方法實(shí)現(xiàn)該構(gòu)想。

為實(shí)現(xiàn)設(shè)計(jì)的方法，本文利用收集的多站支路功率數(shù)據(jù)開展了以下研究工作。首先，通過設(shè)計(jì)的多尺度卷積神經(jīng)網(wǎng)絡(luò)有效捕捉了多站支路功率中存在的多時(shí)間尺度特征；利用輔助任務(wù)優(yōu)化構(gòu)建了聯(lián)合學(xué)習(xí)模型，從而充分學(xué)習(xí)支路異常辨識(shí)特征的相似表示；采用多階段訓(xùn)練的策略，并于第二階段訓(xùn)練中舍棄了輔助學(xué)習(xí)任務(wù)，從而減少了輔助任務(wù)對多站支路異常檢測主任務(wù)的消極影響。最后，通過以上技術(shù)實(shí)現(xiàn)基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測方法。此外，通過與當(dāng)前研究方法進(jìn)行對比，證明本文所提方法在檢測分布式光伏多站支路異常時(shí)具有更高的精度和更好的建模便捷性。

1 分布式光伏支路異常檢測研究現(xiàn)狀

1.1 分布式光伏支路異常的檢測數(shù)據(jù)形式研究現(xiàn)狀

隨著物聯(lián)網(wǎng)技術(shù)逐漸應(yīng)用于分布式光伏站點(diǎn)的建設(shè)，已存在大量通過采集數(shù)據(jù)檢測分布式光伏異常的研究。根據(jù)數(shù)據(jù)形式的差異，當(dāng)前分布式光伏多站支路異常檢測研究可分為：①基于一維信號(hào)的支路異常檢測數(shù)據(jù)形式,例如，AMMICHE等[14]提出一種利用一維功率數(shù)據(jù)進(jìn)行分布式光伏異常檢測的方法,BAKDI等[10]利用主成分分析法提取電流、電壓和功率等多種一維信號(hào)數(shù)據(jù)的特征，并設(shè)計(jì)了可檢測支路異常的方法;②基于轉(zhuǎn)化二維圖像的支路異常檢測數(shù)據(jù)形式,如，AZIZ等[15]利用太陽輻照度、溫度、電流和功率等支路數(shù)據(jù)轉(zhuǎn)化的二維圖像，對支路異常狀態(tài)進(jìn)行了辨識(shí),CHEN等[16]采用溫度、輻照度、單流和電壓四種支路異常相關(guān)數(shù)據(jù)生成的二維圖像，判斷支路是否處于異常狀態(tài),LU等[17]使用電壓和電流兩種支路采集數(shù)據(jù)轉(zhuǎn)化的二維圖像，實(shí)現(xiàn)了支路異常檢測。

由上述內(nèi)容可知，一維信號(hào)和轉(zhuǎn)化的二維圖像是光伏支路異常檢測領(lǐng)域廣泛使用的數(shù)據(jù)形式。兩者相比，轉(zhuǎn)化后的二維圖像具有更多的局部特征，可為異常檢測提供更具辨識(shí)性的特征，從而使得基于轉(zhuǎn)化二維圖像的異常檢測方法效果更好[16-19]。鑒于此，本文采用基于轉(zhuǎn)化的二維圖像樣本實(shí)現(xiàn)支路異常檢測方法。

1.2 分布式光伏支路異常的檢測方法研究現(xiàn)狀

目前，許多專家學(xué)者針對分布式光伏支路異常檢測方法開展了大量研究，其方法主要可分為以下兩種：①根據(jù)單個(gè)站點(diǎn)支路異常辨識(shí)性特征的差異表示，實(shí)現(xiàn)其異常檢測。例如，PILLAI等[8]利用不同陰影遮擋下的多類型站點(diǎn)支路異常特征的差異表示，提出了一種支路異常檢測方法；PLATON等[9]利用不同光伏站點(diǎn)中的差異性支路運(yùn)行異常數(shù)據(jù)，設(shè)計(jì)了一種低復(fù)雜度的異常檢測方法；BAKDI等[10]對薄膜、單晶和多晶等多個(gè)類型光伏電站異常數(shù)據(jù)進(jìn)行了分析，根據(jù)其異常的差異性表示提出了支路異常檢測方法。②使用多個(gè)站點(diǎn)支路異常辨識(shí)性特征的相似表示，實(shí)現(xiàn)其異常檢測。例如，SHI等[11]對不同容量的多個(gè)分布式光伏站的異常情況進(jìn)行了分析，并根據(jù)其支路電氣數(shù)據(jù)特征的相似表示，設(shè)計(jì)了一種多站支路異常檢測方法;ZHAO等[12]依據(jù)兩個(gè)不同光伏站點(diǎn)異常運(yùn)行數(shù)據(jù)之間的層次化相似性表示，提出了可用于多站支路異常檢測的方法。

由上述內(nèi)容可知，當(dāng)前研究缺乏對分布式光伏多站點(diǎn)間支路異常辨識(shí)特征的相似性和差異性表示的協(xié)同關(guān)注，而這是提升支路異常檢測的關(guān)鍵。聯(lián)合學(xué)習(xí)[13]是適合執(zhí)行這一構(gòu)想的方法，其通過多個(gè)站點(diǎn)支路異常檢測任務(wù)的同時(shí)學(xué)習(xí)即可實(shí)現(xiàn)。然而，如何基于這一方法充分學(xué)習(xí)多站點(diǎn)支路異常辨識(shí)特征的相似和差異表示，從而實(shí)現(xiàn)精準(zhǔn)的分布式光伏多站支路異常檢測，仍需進(jìn)一步探究。

1.3 分布式光伏支路異常的檢測算法研究現(xiàn)狀

在分布式光伏多站支路異常檢測領(lǐng)域，異常檢測算法是研究的熱點(diǎn)。根據(jù)檢測算法的差異，這些研究可主要分為基于統(tǒng)計(jì)分析算法、基于傳統(tǒng)機(jī)器學(xué)習(xí)算法和基于深度學(xué)習(xí)算法的分布式光伏支路異常檢測。

(1)基于統(tǒng)計(jì)分析算法的分布式光伏支路異常檢測。例如，SHI等[11]利用支路電壓、電流和功率信號(hào)，設(shè)計(jì)了基于多站點(diǎn)反距離加權(quán)的支路異常檢測分析法;BRESSAN等[20]通過對支路電壓和電流數(shù)據(jù)的標(biāo)準(zhǔn)誤差分析，提出了一種可用于檢測遮擋情況的支路異常的方法;TAGHEZOUIT等[21]提出了一種基于核密度估計(jì)算法的支路異常檢測方法，并對不同類型的支路異常進(jìn)行檢測。

(2)基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的分布式光伏支路異常檢測。例如，HARROU等[22]使用定義的支路異常特征，提出一種基于K最近鄰算法(K-Nearest Neighbor, KNN)的光伏支路異常檢測方法;ZHAO等[23]根據(jù)異常規(guī)則提取了支路異常特征，并提出一種基于決策樹(Decision Tree, DT)的光伏支路異常檢測方法，結(jié)合圖論增加了提出方法的自學(xué)習(xí)能力;LIN等[24]使用基于誤差反向轉(zhuǎn)播的人工神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)對其設(shè)計(jì)提取的光伏異常特征進(jìn)行學(xué)習(xí)，并在局部材料老化、遮擋、開路、短路等多種支路異常情況下進(jìn)行了檢測。

(3)基于深度學(xué)習(xí)算法的分布式光伏支路異常檢測。例如，AZIZ等[15]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的光伏支路異常檢測方法;CHEN等[16]利用溫度、輻照度、電流和電壓等數(shù)據(jù)對不同的光伏異常進(jìn)行了分析，提出一種基于殘差卷積神經(jīng)網(wǎng)絡(luò)(Residual Convolutional Neural Network, ResCNN)的支路異常檢測方法;LU等[17]設(shè)計(jì)了一個(gè)由9個(gè)卷積階段和1個(gè)分類階段構(gòu)成的CNN，并將其用于檢測支路異常。

由上述內(nèi)容可知，基于統(tǒng)計(jì)分析算法的支路異常檢測方法雖然可快速地檢測支路異常，但多站點(diǎn)的外界環(huán)境差異大，導(dǎo)致其支路運(yùn)行數(shù)據(jù)樣本的統(tǒng)計(jì)特性易產(chǎn)生較大差別，使得這類方法無法精準(zhǔn)檢測大數(shù)量分布式光伏站點(diǎn)的支路異常?；趥鹘y(tǒng)機(jī)器學(xué)習(xí)算法的支路異常檢測方法依賴于人工提取的特征，但由于對支路異常機(jī)理認(rèn)知的局限性，人工提取的特征無法精確體現(xiàn)原始支路運(yùn)行數(shù)據(jù)的辨識(shí)性異常特性。因此，這類方法難以準(zhǔn)確判斷分布式光伏多站支路異常。基于深度學(xué)習(xí)的方法普遍使用CNN直接從二維圖像中自動(dòng)提取特征，進(jìn)而實(shí)現(xiàn)分布式光伏支路異常檢測。與其他算法相比，基于CNN的支路異常檢測精度較高。然而，如何利用CNN構(gòu)建和訓(xùn)練提出的基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測方法的模型，是需要關(guān)注的問題。

2 基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測問題定義

(1)

(2)

(3)

(4)

與fp相同的是，fq也被用來學(xué)習(xí)分布式光伏多站支路的相似性特征，但它從全部站點(diǎn)支路異常檢測的角度考慮。fq幫助學(xué)習(xí)該任務(wù)的標(biāo)簽yi,q={0,1}，其中0和1分別代表支路功率樣本的正常和異常類。因此，fq的支路異常檢測作用可表示為：

(5)

(6)

fp和fq學(xué)習(xí)的相似性特征無法全部有助于提升f1,…,fJ的支路異常檢測效果。為了減弱fp和fq對f1,…,fJ的消極影響，本文借鑒文獻(xiàn)[26]對預(yù)訓(xùn)練的AJL模型設(shè)計(jì)了多階段的訓(xùn)練策略。在第一階段的訓(xùn)練中，將常規(guī)執(zhí)行AJL；在第二個(gè)訓(xùn)練階段，構(gòu)建的模型將舍棄fp和fq，而僅聯(lián)合執(zhí)行f1,…,fJ。本文將以上方法稱為基于多階段訓(xùn)練策略優(yōu)化的AJL模型，即AJL-MTS(Auxiliary Joint Learning with Multi-stage Training Strategy)。這種方法將AJL初次學(xué)習(xí)的參數(shù)Wz,bz進(jìn)行微調(diào)，然后得到新的參數(shù)Wj′,bj′,其中j′=j∈{0,…,J}。在第二個(gè)訓(xùn)練過程中，輔助任務(wù)學(xué)習(xí)的相似性特征將被模型再次進(jìn)行選擇，有利于提升分布式光伏多站異常檢測表現(xiàn)的差異性異常辨識(shí)特征表示也將予以保留。結(jié)合以上方法的損失函數(shù)LAJL-MTS，AJL-MTS的異常檢測作用可表示為：

(7)

3 基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測方法

如圖1所示，本文提出的方法主要包括基于支路功率信號(hào)的二維圖像轉(zhuǎn)化、多尺度殘差卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)、基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測模型構(gòu)建和基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測模型訓(xùn)練4個(gè)方面。

3.1 基于支路功率信號(hào)的二維圖像轉(zhuǎn)化

受限于運(yùn)維資金短缺，大部分分布式光伏站點(diǎn)僅采集了可代表支路運(yùn)行狀態(tài)的一維功率信號(hào)。借鑒文獻(xiàn)[17]中基于滑窗(Time-Window, TW)法的二維圖像轉(zhuǎn)化法，本文生成了用于檢測分布式光伏多站支路異常的數(shù)據(jù)樣本。如圖2所示，若將TW法復(fù)現(xiàn)于一維支路功率數(shù)據(jù)到二維圖像的轉(zhuǎn)化中，其方法可描述為：首先，將采集的支路功率信號(hào)于折線圖中展現(xiàn)；其次，使用一個(gè)滑窗選擇功率折線圖中m個(gè)時(shí)間點(diǎn)的功率數(shù)據(jù)；最后，滑窗中的數(shù)據(jù)被用來生成尺寸為m×m的二維圖像樣本。在本文中，所有原始收集的支路功率數(shù)據(jù)樣本的縱坐標(biāo)表示功率值，橫坐標(biāo)表示采集時(shí)間。

在本文中，通過功率信號(hào)數(shù)據(jù)轉(zhuǎn)化二維圖像樣本的規(guī)則為：在使用上述方法轉(zhuǎn)化圖像樣本時(shí)，本文將以站點(diǎn)的異常告警記錄中的異常終止時(shí)間為異常圖像樣本滑窗的最后時(shí)間點(diǎn)，并選擇此時(shí)刻前連續(xù)的m個(gè)時(shí)間點(diǎn)的支路功率數(shù)據(jù)轉(zhuǎn)化其圖像樣本；正常圖像樣本的轉(zhuǎn)化則避開異常告警記錄的時(shí)間段，僅采用正常且連續(xù)的m個(gè)功率信號(hào)數(shù)據(jù)。由于本文的支路功率數(shù)據(jù)是以12次/小時(shí)的低頻率進(jìn)行采樣的，較長的滑窗需要融入更多時(shí)間采集的數(shù)據(jù)，這導(dǎo)致早期發(fā)生的故障延遲被高延遲檢測。因此，在兩種轉(zhuǎn)化圖像方法中，與滑窗長度緊密相關(guān)的參數(shù)m被設(shè)定為24，這意味著兩小時(shí)內(nèi)的支路功率信號(hào)被轉(zhuǎn)化為二維功率圖像。

3.2 多尺度殘差卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

本節(jié)從3個(gè)方面詳細(xì)介紹MS-ResCNN的結(jié)構(gòu)：

(1)MS-ResCNN的殘差模塊設(shè)計(jì)。由于文獻(xiàn)[28]已經(jīng)驗(yàn)證了其設(shè)計(jì)的ResNet-18在檢測圖像樣本時(shí)的有效性，本文依據(jù)ResNet-18構(gòu)建MS-ResCNN。在MS-ResCNN階段1-1、2-1中的所有卷積模塊和1-2、2-2中的第二個(gè)卷積模塊，第一個(gè)卷積模塊輸出的特征直接與最后的卷積模塊建立跳接。同時(shí)，在MS-ResCNN的階段1-2和2-2的第一個(gè)卷積模塊中，第一卷積模塊輸出的特征圖經(jīng)過一個(gè)1×1卷積核后，跳接到其對應(yīng)的第二個(gè)卷積模塊中。在MS-ResCNN中，上述兩種跳接分別表示為實(shí)線跳接和虛線跳接。

(2)MS-ResCNN的多尺度卷積核設(shè)計(jì)。為了充分提取生成圖像樣本中存在的多時(shí)間尺度特征，MS-ResCNN使用多個(gè)尺度(3×3和5×5)的卷積核從同一輸入的圖像中，提取了兩種尺度的特征圖。

(3)MS-ResCNN的整體結(jié)構(gòu)設(shè)計(jì)。MS-ResCNN僅包括兩個(gè)卷積階段和一個(gè)分類階段，而這是由于轉(zhuǎn)化的圖像尺寸較小，不宜設(shè)計(jì)過多的卷積階段。輸入的轉(zhuǎn)化圖像經(jīng)兩個(gè)卷積階段的提取后，生成的特征圖尺寸為6×6，較為適合執(zhí)行特征的分類。在階段3前，階段1-2和2-2提取的兩個(gè)尺度特征圖被壓縮成為向量，并依據(jù)串聯(lián)融合策略[27]將它們進(jìn)行拼接。最后，在階段3中，全連接層和設(shè)置的損失函數(shù)對提取的特征進(jìn)行分類。

5.并購價(jià)值的效應(yīng)體現(xiàn)。一個(gè)是效益效應(yīng)，據(jù)某些資料顯示，對于雙方融資成立的新公司，首次融資已經(jīng)超33億元，融資后公司的估值可超180億元，這是全球范圍最大的私募融資之一，這有利于新企業(yè)在未來的時(shí)間內(nèi)上市。兩家的合并重構(gòu)使得用戶數(shù)量急劇上升，覆蓋的群體范圍以及地域范圍也擴(kuò)大。新公司覆蓋了超過2800個(gè)縣、市、區(qū)，日訂單量突破1000萬單，移動(dòng)端月度活躍用戶超1.5 億人，年購買用戶近2億人，2015年總交易額超過1700億元人民幣。另一個(gè)是戰(zhàn)略效應(yīng)，對于企業(yè)來說，拿下O2O市場，就有在互聯(lián)網(wǎng)領(lǐng)域的主動(dòng)權(quán)，未來發(fā)展的潛力不可限量，美團(tuán)與大眾點(diǎn)評的戰(zhàn)略整合，兩家企業(yè)優(yōu)勢互補(bǔ)，有利于公司的長遠(yuǎn)發(fā)展。

用于分布式光伏多站支路異常檢測的單一尺度殘差卷積神經(jīng)網(wǎng)絡(luò)(Single-Scale Residual Convolutional Neural Network, SS-ResCNN)與MS-ResCNN的結(jié)構(gòu)存在相似之處，但SS-ResCNN只使用一種卷積核進(jìn)行特征提取，因此不存在多個(gè)尺度特征的融合階段。如圖4所示為一種使用3×3卷積核的SS-ResCNN。

3.3 基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測模型構(gòu)建

如圖5所示，4個(gè)案例顯示了分布式光伏多站點(diǎn)收集的支路功率數(shù)據(jù)樣本。通過分析發(fā)現(xiàn)，它們之中存在一些差異和相似的特征。例如，同一地區(qū)站點(diǎn)的支路最大功率非常相似(即區(qū)域級支路異常辨識(shí)特征的相似表示)，并且不同地區(qū)不同站點(diǎn)的樣本存在近乎一致的功率變化趨勢(即全站級支路異常辨識(shí)特征的相似表示)。此外，各站在每日的功率數(shù)據(jù)分布均有差異，特別是每日的最大功率值。

由文獻(xiàn)[8-12]可知，這些相似性和差異性特征均有利于準(zhǔn)確檢測分布式光伏多站支路異常。其中的一部分研究利用每個(gè)站點(diǎn)的支路異常檢測任務(wù)，學(xué)習(xí)支路的差異性異常辨識(shí)特征表示，并稱之為DL(difference learning)[8-10]。其他研究則利用一個(gè)全站級的支路異常檢測任務(wù)，學(xué)習(xí)支路運(yùn)行數(shù)據(jù)樣本的相似性異常辨識(shí)特征表示，而這種方法被稱為SL(similarity learning)[11-12]。由于SL和DL方法均缺乏同時(shí)對多個(gè)站點(diǎn)支路運(yùn)行數(shù)據(jù)樣本的相似性和差異性異常辨識(shí)特征的關(guān)注，導(dǎo)致其檢測精度存在不足。此外，DL方法需要為每個(gè)分布式光伏站點(diǎn)建立異常檢測模型，導(dǎo)致訓(xùn)練時(shí)間成本較高。如圖6和圖7所示，本文利用設(shè)計(jì)的MS-ResCNN，對SL和DL方法的模型進(jìn)行復(fù)現(xiàn)。

3.4 基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測模型訓(xùn)練

在第3.3節(jié)提出的AJL模型基礎(chǔ)上，本節(jié)討論如何通過訓(xùn)練策略的優(yōu)化，實(shí)現(xiàn)更高精度的分布式光伏多站支路異常檢測。在AJL模型的訓(xùn)練中，{f1,…,fJ,fp,fq}是通過MS-ResCNN同時(shí)學(xué)習(xí)的。然而，這影響了本文主要關(guān)注的{f1,…,fJ}的支路異常檢測效果。鑒于此，{f1,…,fJ}也被稱為主任務(wù)。為解決此問題，本節(jié)提出了基于多階段訓(xùn)練策略(multiple-stage training strategy)的AJT-MTS模型。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)樣本描述

雖然不同站點(diǎn)的裝機(jī)功率有差異，但同站內(nèi)的各支路功率差異微乎其微。鑒于此，本文的實(shí)驗(yàn)樣本將同站不同支路的采集樣本進(jìn)行合并。同時(shí)，各實(shí)驗(yàn)使用的數(shù)據(jù)樣本均由本文介紹的圖像轉(zhuǎn)化方法生成。功率信號(hào)數(shù)據(jù)的采集周期處于2016年7月1日～2019年9月30日，每日的數(shù)據(jù)采集時(shí)間為6:00～19:00，數(shù)據(jù)收集頻率為每5分鐘記錄一次。每個(gè)站點(diǎn)的正常類支路運(yùn)行數(shù)據(jù)樣本是從各日提取的支路正常樣本中隨機(jī)抽取的100份；異常類功率圖像樣本是根據(jù)國家電網(wǎng)分布式光伏云網(wǎng)的告警記錄和分布式光伏站點(diǎn)本地端的巡檢異常記錄轉(zhuǎn)化的。實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是通過K-fold交叉驗(yàn)證方法分離的，而它們分別占總樣本數(shù)量的80%和20%。這些分布式光伏站點(diǎn)的基本信息和圖像數(shù)據(jù)樣本的統(tǒng)計(jì)信息如表1所示。

表1 分布式光伏多站支路功率數(shù)據(jù)樣本描述

續(xù)表1

4.2 實(shí)驗(yàn)算法介紹

為分析設(shè)計(jì)的MS-ResCNN的有效性，本文復(fù)現(xiàn)了多種機(jī)器學(xué)習(xí)算法。KNN是一種廣泛應(yīng)用且具有快速訓(xùn)練速度的機(jī)器學(xué)習(xí)算法[22]；DT是一種經(jīng)典的樹形分類算法[23];BPNN是一種人工神經(jīng)模型，它包括了輸入層、隱層和輸出層[24]。參照LeNet[17]和VGGNet[16]，本文還構(gòu)建了LeNet-CNN和VGG-CNN兩種CNN。LeNet-CNN對原LeNet的每個(gè)卷積層中都使用了Zero-padding填充提取特征圖的邊緣；VGG-CNN只使用了VGGNet的前兩個(gè)卷積階段。它們的分類階段的全連接層和分類器與展示的MS-ResCNN保持一致。除以上算法外，本文依靠設(shè)計(jì)的CNN復(fù)現(xiàn)了相關(guān)文獻(xiàn)中SL方法與DL方法的模型。以上描述的模型均在英特爾酷睿處理器CPU-i7-8750-2.2 GHz和英偉達(dá)顯卡GPU-1080Ti-11G的實(shí)驗(yàn)平臺(tái)中搭建，實(shí)驗(yàn)編程采用Python語言在Pytorch框架下實(shí)現(xiàn)，實(shí)驗(yàn)使用的軟件庫包括Pandas、NumPy和Scikit-learn等。

4.3 實(shí)驗(yàn)結(jié)果評價(jià)指標(biāo)

評價(jià)第j個(gè)站點(diǎn)的支路異常檢測結(jié)果的指標(biāo)是各站精確度(ypre,j)，這個(gè)指標(biāo)涉及2個(gè)測評量：真陽性(ytp,j)是支路異常功率圖像樣本數(shù)據(jù)被正確預(yù)測為異常類，假陽性(yfp,j)意味著正常功率圖像樣本被錯(cuò)誤預(yù)測到異常類。ypre,j可表示為：

(8)

為了更直觀地感受本文對分布式光伏各個(gè)站點(diǎn)支路異常檢測的綜合評價(jià)，依據(jù)ytp,j和yfp,j定義了全站精確度評價(jià)ypre

(9)

4.4 實(shí)驗(yàn)分析

4.4.1 SS-ResCNN和MS-ResCNN的參數(shù)敏感性分析

CNN的性能對卷積核的尺寸和全連接層的神經(jīng)元數(shù)都較為敏感。鑒于此，本節(jié)將在這兩個(gè)方面對SS-ResCNN和MS-ResCNN的參數(shù)進(jìn)行評估，其他參數(shù)設(shè)定按照第3.2～3.4節(jié)的描述設(shè)定。在SS-ResCNN和MS-ResCNN中，采用兩個(gè)卷積核(即3×3和5×5)建立各自的卷積階段。全連接層的神經(jīng)元數(shù)在{64，128，256}范圍內(nèi)選取。原始采集的支路功率數(shù)據(jù)已使用本文復(fù)現(xiàn)的TW方法轉(zhuǎn)化為圖像樣本，訓(xùn)練與測試集按照4.1節(jié)的描述劃分。SS-ResCNN和MS-ResCNN被用于構(gòu)建分布式光伏多站支路異常檢測的RJL模型，其實(shí)驗(yàn)結(jié)果選擇全站精確度評價(jià)，并記錄于表2和表3。

表2 SS-ResCNN的參數(shù)敏感性分析

表3 MS-ResCNN的參數(shù)敏感性分析

由以上結(jié)果可知，SS-ResCNN使用2×128的全連接層和5×5卷積核時(shí)，其異常檢測的全站精準(zhǔn)度最高。這說明多站支路功率樣本中的長時(shí)間尺度支路異常辨識(shí)特征較為顯著，SS-ResCNN的5×5大尺寸卷積核更適合提取這一特征。MS-ResCNN在全連接層為2×128時(shí)的支路異常檢測表現(xiàn)最好，這說明上述兩種CNN設(shè)置的2×128全連接層參數(shù)，適合對本文生成的小尺寸二維功率圖像樣本中的提取特征進(jìn)行分類。以上兩種網(wǎng)絡(luò)的參數(shù)將在以下的分布式光伏支路異常檢測相關(guān)實(shí)驗(yàn)中使用。

4.4.2 多種機(jī)器學(xué)習(xí)算法的多站支路異常檢測實(shí)驗(yàn)

為分析提出的SS-ResCNN和MS-ResCNN的有效性，本節(jié)的實(shí)驗(yàn)將對比不同的機(jī)器學(xué)習(xí)算法在分布式光伏多站支路異常檢測的RJL模型中的表現(xiàn)。對比算法為4.2節(jié)介紹的DT、KNN、BPNN、LeNet-CNN和VGG-CNN算法。實(shí)驗(yàn)樣本采用TW法生成的支路功率圖像，實(shí)驗(yàn)結(jié)果采用全站精確度進(jìn)行評價(jià)，并記錄于圖11。

從實(shí)驗(yàn)結(jié)果可知，在通過RJL模型檢測多站分布式光伏支路異常時(shí)，4種CNN算法的表現(xiàn)更好。這驗(yàn)證了CNN的自動(dòng)特征提取方式，可基于支路功率圖像樣本提供較全面的支路異常辨識(shí)特征。同時(shí)，SS-ResCNN和MS-ResCNN的表現(xiàn)均比其他CNN算法更有效。這說明本文設(shè)計(jì)的兩種CNN能幫助RJL模型從轉(zhuǎn)化的二維功率圖像樣本中，準(zhǔn)確提取具有辨識(shí)度的支路異常特征。此外，MS-ResCNN的全站精確度表現(xiàn)最佳。這表明MS-ResCNN的多尺度特征提取設(shè)計(jì)，可幫助RJL模型從多站功率圖像樣本中，有效學(xué)習(xí)各站不同時(shí)間尺度的支路異常辨識(shí)特征。

4.4.3 基于多站支路功率聯(lián)合學(xué)習(xí)的異常檢測模型關(guān)于多階段訓(xùn)練策略的消融性實(shí)驗(yàn)

為分析提出的多階段訓(xùn)練策略的有效性，本實(shí)驗(yàn)將比較構(gòu)建的RJL和AJL模型在多訓(xùn)練策略(Multi-stage Training Strategy，MTS)下的表現(xiàn)。由于RJL模型不存在輔助任務(wù)，MTS的第二階段訓(xùn)練策略是失效的。兩種模型均采用MS-ResCNN構(gòu)建，并使用TW方法生成輸入的功率圖像樣本。實(shí)驗(yàn)結(jié)果的評價(jià)將使用全站精準(zhǔn)度，實(shí)驗(yàn)結(jié)果如圖12所示。

通過{RJL+MS-ResCNN,AJL+MS-ResCNN}兩組實(shí)驗(yàn)的結(jié)果對比，可發(fā)現(xiàn)AJL模型的表現(xiàn)高于RJL模型。這說明AJL模型通過先驗(yàn)知識(shí)設(shè)計(jì)的兩個(gè)輔助任務(wù)，可幫助各站點(diǎn)的分布式光伏異常檢測任務(wù)學(xué)習(xí)更充分的相似性支路異常辨識(shí)特征。此外，在缺少M(fèi)TS訓(xùn)練策略的情況下，AJL+MS-ResCNN在檢測分布式各站光伏異常時(shí)的表現(xiàn)較差。這表明在MTS的第一階段訓(xùn)練中，AJL模型通過輔助任務(wù)學(xué)習(xí)的部分相似性支路異常特征存在局限性，無法有效辨識(shí)所有站點(diǎn)的支路異常。在MTS的第二階段訓(xùn)練中，AJL模型通過微調(diào)第一階段訓(xùn)練模型的參數(shù)，舍棄了輔助任務(wù)學(xué)習(xí)的多站支路異常辨識(shí)特征中存在局限性的相似表示，繼承了其他任務(wù)學(xué)習(xí)的典型支路異常辨識(shí)特征，從而進(jìn)一步提升了多站支路異常檢測的精度?？紤]到AJL+MS-ResCNN+MTS模型的表現(xiàn)最佳，后續(xù)實(shí)驗(yàn)將采取該方法構(gòu)建基于多站功率聯(lián)合學(xué)習(xí)的分布式光伏異常檢測模型。

4.4.4 多種方法的多站支路異常檢測實(shí)驗(yàn)

本節(jié)使用提出的基于多站支路功率聯(lián)合學(xué)習(xí)的異常檢測方法和復(fù)現(xiàn)的SL與DL方法，在分布式光伏各站的支路異常檢測實(shí)驗(yàn)中進(jìn)行對比?；诙嗾局饭β事?lián)合學(xué)習(xí)的異常檢測模型采用設(shè)計(jì)的AJL+MS-ResCNN+MTS，而SL和DL方法的模型已展示于第3.3節(jié)。所有模型的訓(xùn)練和測試樣本均使用TW法生成，實(shí)驗(yàn)結(jié)果采用各站精確度進(jìn)行評價(jià)，并記錄于圖13。

由實(shí)驗(yàn)結(jié)果可知，本文提出的方法和DL方法均比SL方法在實(shí)驗(yàn)中取得了更好的表現(xiàn)。這說明，不同站點(diǎn)間的支路異常辨識(shí)特征差異較大，僅學(xué)習(xí)多站點(diǎn)支路功率樣本異常辨識(shí)特征的相似表示，難以準(zhǔn)確檢測分布式多站光伏支路異常。進(jìn)一步分析提出的方法和DL方法的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，雖然DL方法在多站點(diǎn)的支路異常檢測中均有穩(wěn)定表現(xiàn)，但本文提出的方法在各站支路異常檢測中的準(zhǔn)確度更高。這揭示了采集的分布式多站光伏支路運(yùn)行數(shù)據(jù)樣本中，確實(shí)存在相似性的支路異常辨識(shí)特征，并且各站點(diǎn)的支路異常檢測可受益于這種特征。同時(shí)，提出的方法在學(xué)習(xí)各站支路異常辨識(shí)特征的相似表示外，仍保留了對各站差異化的支路異常辨識(shí)特征提取，從而提升了各站支路異常檢測的有效性。從建模數(shù)量角度看，該方法僅需建立一個(gè)模型便可對多站的支路異常實(shí)現(xiàn)檢測，比DL方法的大量建模方式更加便捷。

5 結(jié)束語

隨著新能源行業(yè)不斷發(fā)展，分布式光伏站點(diǎn)建設(shè)數(shù)量激增，當(dāng)前的支路異常檢測方法難以滿足快速增長的多站支路異常檢測需求。本文根據(jù)分布式光伏多站支路異常辨識(shí)特征的相似和差異表示，對分布式光伏支路異常檢測方法展開研究。首先，通過復(fù)現(xiàn)的TW法，將收集的支路一維功率信號(hào)轉(zhuǎn)化為二維功率圖像樣本。其次，設(shè)計(jì)了MS-ResCNN，并將其用于捕捉多站支路運(yùn)行數(shù)據(jù)樣本中的差異性異常辨識(shí)特征。此外，利用設(shè)置的輔助任務(wù)充分學(xué)習(xí)多站支路異常辨識(shí)特征中存在的相似表示。最后，對關(guān)注的各站支路異常檢測主任務(wù)和幫助其學(xué)習(xí)的輔助任務(wù)采用多階段訓(xùn)練策略，減少了輔助任務(wù)對多站支路異常檢測精度的消極影響。實(shí)驗(yàn)表明，本文提出的基于多站支路功率聯(lián)合學(xué)習(xí)的分布式光伏支路異常檢測方法效果更好，并且僅需構(gòu)建一個(gè)模型便可實(shí)現(xiàn)。在應(yīng)對大數(shù)量的分布式光伏多站支路異常檢測時(shí)，本文提出的方法在模型管理中比其他方法更加便捷。

為進(jìn)一步提升分布式光伏多站支路異常檢測精度，筆者在未來工作中將關(guān)注不同站點(diǎn)收集樣本的不平衡性。此外，隨著分布式光伏的蓬勃發(fā)展，在聯(lián)合學(xué)習(xí)模型中如何檢測新增站點(diǎn)的支路異常也是筆者重點(diǎn)關(guān)注的問題之一。