为解决光伏电站长期运行中的安全生产问题,构建了基于人工智能物联网(Artificial Intelligence of Things,AIoT)传感器网络的光伏数据异常检测框架,通过中值滤波预处理多传感器数据,提出改进孤立森林(Isolation Forest,iForest)算法。...为解决光伏电站长期运行中的安全生产问题,构建了基于人工智能物联网(Artificial Intelligence of Things,AIoT)传感器网络的光伏数据异常检测框架,通过中值滤波预处理多传感器数据,提出改进孤立森林(Isolation Forest,iForest)算法。通过左右子树高度判别系数筛选优质孤立树,并基于标准差加权提升检测鲁棒性。同时开发融合边缘计算的光伏数据异常检测可视化系统,采用Unity 3D渲染引擎实现异常数据实时展示。实验结果表明:相比传统的孤立森林、随机森林及神经网络分位数回归算法,改进孤立森林算法在202408数据集上的接收者操作特征曲线下面积(Area Under Curve,AUC)高达0.825,在202412数据集上达0.816。同时,研究开发的光伏电量异常检测可视化系统在晴空日的漏报率仅为0.53%、误报率仅为1.38%。说明所提出的改进孤立森林算法具有较高的检测精度与效率,且开发的可视化系统也具有良好的性能,有利于光伏电站的安全生产。展开更多
文摘为解决光伏电站长期运行中的安全生产问题,构建了基于人工智能物联网(Artificial Intelligence of Things,AIoT)传感器网络的光伏数据异常检测框架,通过中值滤波预处理多传感器数据,提出改进孤立森林(Isolation Forest,iForest)算法。通过左右子树高度判别系数筛选优质孤立树,并基于标准差加权提升检测鲁棒性。同时开发融合边缘计算的光伏数据异常检测可视化系统,采用Unity 3D渲染引擎实现异常数据实时展示。实验结果表明:相比传统的孤立森林、随机森林及神经网络分位数回归算法,改进孤立森林算法在202408数据集上的接收者操作特征曲线下面积(Area Under Curve,AUC)高达0.825,在202412数据集上达0.816。同时,研究开发的光伏电量异常检测可视化系统在晴空日的漏报率仅为0.53%、误报率仅为1.38%。说明所提出的改进孤立森林算法具有较高的检测精度与效率,且开发的可视化系统也具有良好的性能,有利于光伏电站的安全生产。
