基于FCM-BOA-TCN-GRU的分布式光伏出力异常检测方法

针对分布式光伏点多面广、传统集中式异常检测技术适用性差的问题，提出一种融合模糊C均值聚类（FCM）与贝叶斯优化算法（BOA）优化的时间卷积网络-门控循环单元（TCN-GRU）模型的异常检测方法。通过异常值处理与特征筛选后，采用基于权重的FCM-Frechet算法实现晴天、多云与阴雨三类相似日两阶段聚类划分，降低天气波动影响；结合BOA优化TCN-GRU模型提升不同天气下光伏出力预测精度，并结合设定规则进行异常判别。实例验证表明，该方法较CNN-LSTM和Transformer-BiLSTM模型准确率分别提升11.24%和3.92%，有效提升了分布式光伏异常检测性能。

针对分布式光伏点多面广、集中式光伏的异常检测技术难以在分布式光伏系统中应用等问题,该文提出一种采用模糊C均值聚类算法(FCM)和贝叶斯优化算法(BOA)优化时间卷积网络-门控循环单元神经网络(TCN-GRU)的分布式光伏发电异常检测方法.首先,对原始数据进行异常值处理和相关性分析筛选出最佳特征;其次,为了降低天气波动性对光伏出力预测结果的影响,提出一种基于权重的 FCM-Frechet算法对数据进行两阶段相似日集群划分,将其划分为晴朗、多云和阴雨相似日;然后,为了提高不同相似日下光伏常态出力预测的准确性,提出一种基于BOA优化的TCN-GRU网络模型;最后,采用实际光伏电站进行案例分析,利用设定的规则进行异常判断.结果表明,该文所提方法相较于CNN-LSTM和Transformer-BiLSTM模型的准确率分别提高了 11.24 和 3.92 个百分点,验证了所提方法在分布式光伏异常检测上的有效性.