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]。“十三五規(guī)劃”期間，分布式光伏站點大量建設(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[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[7]。當(dāng)前的分布式光伏支路異常檢測方法可分為兩類：①利用每個站點支路異常辨識性特征的差異表示，構(gòu)建異常檢測模型[8-10]；②采用多個站點支路異常辨識性特征的相似表示，實現(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行數(shù)據(jù)聯(lián)合學(xué)習(xí)(Joint Learning, JL)[13]的方法實現(xiàn)該構(gòu)想。

為實現(xiàn)設(shè)計的方法，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數(shù)據(jù)的特征，并設(shè)計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,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，實現(xiàn)了支路異常檢測。

由上述內(nèi)容可知，一維信號和轉(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)單個站點支路異常辨識性特征的差異表示，實現(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]利用不同光伏站點中的差異性支路運行異常數(shù)據(jù)，設(shè)計了一種低復(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使用多個站點支路異常辨識性特征的相似表示，實現(xiàn)其異常檢測。例如，SHI等[11]對不同容量的多個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)計了一種多站支路異常檢測方法;ZHAO等[12]依據(jù)兩個不同光伏站點異常運行數(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間支路異常辨識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，其通過多個站點支路異常檢測任務(wù)的同時學(xué)習(xí)即可實現(xiàn)。然而，如何基于這一方法充分學(xué)習(xí)多站點支路異常辨識特征的相似和差異表示，從而實現(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。根據(jù)檢測算法的差異，這些研究可主要分為基于統(tǒng)計分析算法、基于傳統(tǒng)機器學(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，設(shè)計了基于多站點反距離加權(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)計了一個由9個卷積階段和1個分類階段構(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，但多站點的外界環(huán)境差異大，導(dǎo)致其支路運行數(shù)據(jù)樣本的統(tǒng)計特性易產(chǎn)生較大差別，使得這類方法無法精準(zhǔn)檢測大數(shù)量分布式光伏站點的支路異常。基于傳統(tǒng)機器學(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)原始支路運行數(shù)據(jù)的辨識性異常特性。因此，這類方法難以準(zhǔn)確判斷分布式光伏多站支路異常?；谏疃葘W(xué)習(xí)的方法普遍使用CNN直接從二維圖像中自動提取特征，進(jìn)而實現(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、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個方面。

3.1 基于支路功率信號的二維圖像轉(zhuǎn)化

受限于運維資金短缺，大部分分布式光伏站點僅采集了可代表支路運行狀態(tài)的一維功率信號。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于折線圖中展現(xiàn)；其次，使用一個滑窗選擇功率折線圖中m個時間點的功率數(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)表示采集時間。

在本文中，通過功率信號數(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，本文將以站點的異常告警記錄中的異常終止時間為異常圖像樣本滑窗的最后時間點，并選擇此時刻前連續(xù)的m個時間點的支路功率數(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間段，僅采用正常且連續(xù)的m個功率信號數(shù)據(jù)。由于本文的支路功率數(shù)據(jù)是以12次/小時的低頻率進(jìn)行采樣的，較長的滑窗需要融入更多時間采集的數(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，這意味著兩小時內(nèi)的支路功率信號被轉(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

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

(1)MS-ResCNN的殘差模塊設(shè)計。由于文獻(xiàn)[28]已經(jīng)驗證了其設(shè)計的ResNet-18在檢測圖像樣本時的有效性，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中的第二個卷積模塊，第一個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，在MS-ResCNN的階段1-2和2-2的第一個卷積模塊中，第一卷積模塊輸出的特征圖經(jīng)過一個1×1卷積核后，跳接到其對應(yīng)的第二個卷積模塊中。在MS-ResCNN中，上述兩種跳接分別表示為實線跳接和虛線跳接。

(2)MS-ResCNN的多尺度卷積核設(shè)計。為了充分提取生成圖像樣本中存在的多時間尺度特征，MS-ResCNN使用多個尺度(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。MS-ResCNN僅包括兩個卷積階段和一個分類階段，而這是由于轉(zhuǎn)化的圖像尺寸較小，不宜設(shè)計過多的卷積階段。輸入的轉(zhuǎn)化圖像經(jīng)兩個卷積階段的提取后，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.并購價值的效應(yīng)體現(xiàn)。一個是效益效應(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大。新公司覆蓋了超過2800個縣、市、區(qū)，日訂單量突破1000萬單，移動端月度活躍用戶超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)域的主動權(quán)，未來發(fā)展的潛力不可限量，美團與大眾點評的戰(zhàn)略整合，兩家企業(yè)優(yōu)勢互補，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個案例顯示了分布式光伏多站點收集的支路功率數(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)站點的支路最大功率非常相似(即區(qū)域級支路異常辨識特征的相似表示)，并且不同地區(qū)不同站點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站點的支路異常檢測任務(wù)，學(xué)習(xí)支路的差異性異常辨識特征表示，并稱之為DL(difference learning)[8-10]。其他研究則利用一個全站級的支路異常檢測任務(wù)，學(xué)習(xí)支路運行數(shù)據(jù)樣本的相似性異常辨識特征表示，而這種方法被稱為SL(similarity learning)[11-12]。由于SL和DL方法均缺乏同時對多個站點支路運行數(shù)據(jù)樣本的相似性和差異性異常辨識特征的關(guān)注，導(dǎo)致其檢測精度存在不足。此外，DL方法需要為每個分布式光伏站點建立異常檢測模型，導(dǎo)致訓(xùn)練時間成本較高。如圖6和圖7所示，本文利用設(shè)計的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 實驗與分析

4.1 實驗數(shù)據(jù)樣本描述

雖然不同站點的裝機功率有差異，但同站內(nèi)的各支路功率差異微乎其微。鑒于此，本文的實驗樣本將同站不同支路的采集樣本進(jìn)行合并。同時，各實驗使用的數(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。每個站點的正常類支路運行數(shù)據(jù)樣本是從各日提取的支路正常樣本中隨機抽取的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本地端的巡檢異常記錄轉(zhuǎn)化的。實驗的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是通過K-fold交叉驗證方法分離的，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的基本信息和圖像數(shù)據(jù)樣本的統(tǒng)計信息如表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 實驗算法介紹

為分析設(shè)計的MS-ResCNN的有效性，本文復(fù)現(xiàn)了多種機器學(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的實驗平臺中搭建，實驗編程采用Python語言在Pytorch框架下實現(xiàn)，實驗使用的軟件庫包括Pandas、NumPy和Scikit-learn等。

4.3 實驗結(jié)果評價指標(biāo)

評價第j個站點的支路異常檢測結(jié)果的指標(biāo)是各站精確度(ypre,j)，這個指標(biāo)涉及2個測評量：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站點支路異常檢測的綜合評價，依據(jù)ytp,j和yfp,j定義了全站精確度評價ypre

(9)

4.4 實驗分析

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，其實驗結(jié)果選擇全站精確度評價，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，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間尺度支路異常辨識特征較為顯著，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)實驗中使用。

4.4.2 多種機器學(xué)習(xí)算法的多站支路異常檢測實驗

為分析提出的SS-ResCNN和MS-ResCNN的有效性，本節(jié)的實驗將對比不同的機器學(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。實驗樣本采用TW法生成的支路功率圖像，實驗結(jié)果采用全站精確度進(jìn)行評價，并記錄于圖11。

從實驗結(jié)果可知，在通過RJL模型檢測多站分布式光伏支路異常時，4種CNN算法的表現(xiàn)更好。這驗證了CNN的自動特征提取方式，可基于支路功率圖像樣本提供較全面的支路異常辨識特征。同時，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，可幫助RJL模型從多站功率圖像樣本中，有效學(xué)習(xí)各站不同時間尺度的支路異常辨識特征。

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)練策略的消融性實驗

為分析提出的多階段訓(xùn)練策略的有效性，本實驗將比較構(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。實驗結(jié)果的評價將使用全站精準(zhǔn)度，實驗結(jié)果如圖12所示。

通過{RJL+MS-ResCNN,AJL+MS-ResCNN}兩組實驗的結(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模型通過先驗知識設(shè)計的兩個輔助任務(wù)，可幫助各站點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特征。此外，在缺少MTS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，無法有效辨識所有站點的支路異常。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)實驗將采取該方法構(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驗

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驗中進(jìn)行對比。基于多站支路功率聯(lián)合學(xué)習(xí)的異常檢測模型采用設(shè)計的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，實驗結(jié)果采用各站精確度進(jìn)行評價，并記錄于圖13。

由實驗結(jié)果可知，本文提出的方法和DL方法均比SL方法在實驗中取得了更好的表現(xiàn)。這說明，不同站點間的支路異常辨識特征差異較大，僅學(xué)習(xí)多站點支路功率樣本異常辨識特征的相似表示，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方法的實驗結(jié)果發(fā)現(xiàn)，雖然DL方法在多站點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行數(shù)據(jù)樣本中，確實存在相似性的支路異常辨識特征，并且各站點的支路異常檢測可受益于這種特征。同時，提出的方法在學(xué)習(xí)各站支路異常辨識特征的相似表示外，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模型便可對多站的支路異常實現(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轉(zhuǎn)化為二維功率圖像樣本。其次，設(shè)計了MS-ResCNN，并將其用于捕捉多站支路運行數(shù)據(jù)樣本中的差異性異常辨識特征。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。實驗表明，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)建一個模型便可實現(xiàn)。在應(yīng)對大數(shù)量的分布式光伏多站支路異常檢測時，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的支路異常也是筆者重點關(guān)注的問題之一。