基于Transformer的集成太阳能-风能系统异常检测方法及其性能分析

《Scientific Reports》：Transformer-based architectures for anomaly detection in solar-wind integrated energy infrastructures

　　

摘要

随着变功率太阳能和风能在电网中的不断整合，由于环境条件变化、设备退化、传感器故障及异常运行条件等因素导致的空间和时间行为复杂性，电网可靠性面临严峻挑战。为此，我们提出了一种基于Transformer的深度学习新方法，用于集成太阳能-风能系统中的异常检测，该方法使用位于印度泰米尔纳德邦Kayathar的可再生能源设施的真实多变量时间序列数据集。本文提出的框架包括数据准备与归一化、滑窗操作以构建序列集合、基于领域知识的异常数据生成、通过多头自注意力机制增强的Transformer编码器以及基于注意力机制的数据解释。该框架的有效性通过与LSTM、GRU和CNN-LSTM进行比较来评估，评估指标包括均方误差（MSE）、准确率和ROC-AUC值。结果表明，与LSTM、GRU和CNN-LSTM分别达到的0.00831、0.00859和0.00792相比，Transformer模型以最低的MSE值0.00641表现出优越性能。Transformer模型的准确率也达到95%，ROC-AUC值为0.89。然而，在默认分类阈值下，该准确率几乎完全由多数类（正常类）驱动，模型在混淆矩阵评估中未能识别出10个标记异常中的任何一个（异常类召回率=0%），反映出测试集中存在严重的18.8:1类别不平衡问题。本研究中的相关性和注意力分析表明，模型能够揭示各种环境参数与可再生能源发电率之间的显著相互依赖关系，例如太阳辐射与太阳能产出（r=0.84）以及风速与风能产出（r=0.90）。