1.基于k‑近邻自适应投票的光伏系统深度异常检测方法,其特征在于,包括以下步骤:S1、数据预处理,将光伏阵列一维时序数据转换为二维频域数据,并利用外部数据生成标签,构造带标签数据集;
S2、将二维频域数据作为深度神经网络的输入,隐式抽取特征;
S3、深度异常检测,通过改进原始k‑近邻算法,利用自适应权重投票法,实现实时异常检测;所述的深度异常检测,其流程包括特征抽取、投票检测和自适应权重计算;所述投票检测的具体方法如下:通过数据预处理将一维时序数据转换为二维频域图像后,先选择在本地数据集中距离测试数据最近的m个点作为投票点并计算对应的距离di,然后计算每个投票点中距离其最近的n个点并计算平均距离D,最后比较di和D大小以判断是否发生异常,如果di<D,则认为该测试数据是正常的,接受该样本,pi=wi,P←
所述自适应权重计算的方法如下:
wi=‑exp(‑|D‑di|)+1
利用di和D的距离差计算具有可解释性的动态系数,作为最终异常检测加和投票时的权重。
2.根据权利要求1所述基于k‑近邻自适应投票的光伏系统深度异常检测方法,其特征在于,所述步骤S1中,所述的数据预处理,其流程包括数据转换和数据集构造。
3.根据权利要求2所述基于k‑近邻自适应投票的光伏系统深度异常检测方法,其特征在于,所述数据转换的具体方法如下:待转换的数据是光伏发电系统中的内部一维时序数据,数据转换通过将一维时序数据利用滑动窗口进行切片,再通过快速傅里叶变换抽取多维特征向量得到一张二维频域特征图。
4.根据权利要求3所述基于k‑近邻自适应投票的光伏系统深度异常检测方法,其特征在于,构造的数据集中包括二维频域数据和标签,其中,二维频域数据通过一维时序数据预处理得到;标签的类别由外部数据的不同数值组合构造。
5.根据权利要求4所述基于k‑近邻自适应投票的光伏系统深度异常检测方法,其特征在于,所述步骤S2中,利用计算机视觉中的深度神经网络,在构造的数据集上进行训练,以抽取光伏阵列内部数据的隐式特征,作为异常检测的输入数据。