CN112668661A - 一种光伏功率异常数据的识别方法及装置 - Google Patents

Abstract

本发明适用于计算机领域，提供了一种光伏功率异常数据的识别方法及装置，其中，所述方法包括：获取待测试时间下光伏电站的光伏功率，得到功率时间序列；将所述功率时间序列分解为长期趋势、周期趋势和残差；计算所述残差的标准差和均值；根据残差的标准差和均值对所述残差进行分类，得到异常数据集。本发明将功率时间序列分解为长期趋势、周期趋势和残差，然后根据残差的标准差和均值对光伏功率异常数据进行识别，从而解决了现有技术中基于太阳辐照度与光伏功率的关系和采用概率统计中的离群数据辨识方法来识别异常数据所导致的异常数据识别误差大的问题。

Description

一种光伏功率异常数据的识别方法及装置

技术领域

本发明属于计算机领域，尤其涉及一种光伏功率异常数据的识别方法及装置。

背景技术

在光伏电站的实际运行过程中，光伏功率在很大程度上受太阳辐照度、环境温度及湿度等气象因素影响，气象因素的不确定性往往会使光伏功率出现一定波动，进而导致光伏系统的电压、频率发生波动，最终影响并网电能质量，严重时会导致电网瘫痪。因此为了保证电网的安全、稳定，提高光伏系统发电的利用率，业内需要通过对采集到的光伏数据进行分析，从而实现对光伏功率进行预测的目的。然而在光伏站实际运行过程中，数据采集故障、环境因素变化或人为因素都会使观测到的量测数据发生异常，从而干扰光伏功率预测精度。因此，对光伏系统中异常数据的识别成为光伏功率预测任务的重要基础。

目前，工程上采用根据太阳辐照度和光伏功率之间的联系来对光伏系统中异常数据进行识别的方法，但在实际生产环境中，光伏功率变化往往与环境因素、人为因素高度相关，因此在一些环境复杂的光伏站中，该方法往往无法识别出异常数据或产生错误的识别结果。并且由于部分光伏站缺少太阳辐照度实时监控系统，因此该方法普适性较差。

此外，工程上还采用概率统计中的离群数据辨识方法来识别异常数据。通常，光伏功率随机性分量数据存在一定的波动范围，并且绝大部分数据分布在该波动范围之内，当某一数据出现在该波动范围之外时，则认为该数据为异常数据。但工程方法往往阈值设置单一机械，如简单设置功率偏差上下限，该类方法无法准确区分功率正常波动和异常偏差，造成识别误差大。

发明内容

有鉴于此，本发明提供了一种光伏功率异常数据的识别方法及装置，以解决现有技术中基于太阳辐照度与光伏功率的关系和采用概率统计中的离群数据辨识方法来识别异常数据所导致的异常数据识别误差大的问题。

本发明实施例的第一方面，提供了一种光伏功率异常数据的识别方法，包括：

获取待测试时间下光伏电站的光伏功率，得到功率时间序列；

将所述功率时间序列分解为长期趋势、周期趋势和残差；

计算所述残差的标准差和均值；

根据残差的标准差和均值对所述残差进行分类，得到异常数据集。

在一些实施例中，获取待测试时间下光伏电站的光伏功率，得到功率时间序列，具体包括：

获取待测试时间下光伏电站的光伏功率；

对所述光伏功率数据进行清洗，得到功率时间序列。

在一些实施例中，根据残差的标准差和均值对所述残差进行分类，得到异常数据集，具体包括：

判断残差数据是否属于(μ-nσ，μ+nσ)，其中，μ为残差的均值，σ为残差的标准差，n为1、2和3；

若否，则残差数据所对应的光伏功率为异常数据；

集合所有异常数据，得到异常数据集。

在一些实施例中，判断残差数据是否属于(μ-nσ，μ+nσ)之前，还包括：设定n值。

在一些实施例中，集合所有异常数据，得到异常数据集之后，还包括：

去除功率时间序列中的所有异常数据，得到正常数据集；

判断所述正常数据集是否符合预设条件；

若否，调整n值。

在一些实施例中，将所述功率时间序列分解为长期趋势、周期趋势和残差，具体包括：

利用decompose数据分解模型将所述功率时间序列分解为长期趋势、周期趋势和残差。

本发明实施例的第二方面，提供了一种光伏功率异常数据的识别装置，包括：

功率获取模块，被配置为获取待测试时间下光伏电站的光伏功率，得到功率时间序列；

分解模块，被配置为将所述功率时间序列分解为长期趋势、周期趋势和残差；

计算模块，被配置为计算所述残差的标准差和均值；

异常数据集获取模块，被配置为根据残差的标准差和均值对所述残差进行分类，得到异常数据集。

本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述光伏功率异常数据的识别方法的步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述光伏功率异常数据的识别方法的步骤。

本发明实施例提供的一种光伏功率异常数据的识别方法的有益效果至少在于：本发明实施例首先通过获取待测试时间下光伏电站的光伏功率，得到功率时间序列；其次将所述功率时间序列分解为长期趋势、周期趋势和残差；再次计算所述残差的标准差和均值；最后根据残差的标准差和均值对所述残差进行分类，得到异常数据集，从而解决了现有技术中基于太阳辐照度与光伏功率的关系和采用概率统计中的离群数据辨识方法来识别异常数据所导致的异常数据识别误差大的问题。本发明通过将光伏功率数据分解为长期趋势、周期趋势和残差，然后根据残差的标准差和均值对光伏功率异常数据进行识别，充分考虑了不同设备在不同环境下数据分布情况，并利用n sigma原则对异常数据识别，在保证普适性的前提下具有较高的识别准确度和精度；通过提高对光伏功率异常数据的识别准确度和精度，可以有效提高光伏功率预测任务的精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的光伏功率异常数据的识别方法的流程图；

图2是本发明实施例提供的根据残差的标准差和均值对所述残差进行分类，得到异常数据集的流程实现图；

图3本发明实施例提供的n值调整的流程实现图；

图4是本发明实施例提供的光伏功率异常数据的识别装置的流程图；

图5是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

第一实施例

图1是本发明在一实施例中提供的光伏功率异常数据的识别方法的流程图。

如图1所示，所述光伏功率异常数据的识别方法，包括步骤S110-S140：

S110，获取待测试时间下光伏电站的光伏功率，得到功率时间序列；

S120，将所述功率时间序列分解为长期趋势、周期趋势和残差；

S130，计算所述残差的标准差和均值；

S140，根据残差的标准差和均值对所述残差进行分类，得到异常数据集。

本发明实施例提供了一种光伏功率异常数据的识别方法，该方法首先通过获取待测试时间下光伏电站的光伏功率，得到功率时间序列；其次将所述功率时间序列分解为长期趋势、周期趋势和残差；再次计算所述残差的标准差和均值；最后根据残差的标准差和均值对所述残差进行分类，得到异常数据集，从而解决了现有技术中基于太阳辐照度与光伏功率的关系和采用概率统计中的离群数据辨识方法来识别异常数据所导致的异常数据识别误差大的问题。本发明通过将光伏功率数据分解为长期趋势、周期趋势和残差，然后根据残差的标准差和均值对光伏功率异常数据进行识别，充分考虑了不同设备在不同环境下数据分布情况，并利用n sigma原则对异常数据识别，在保证普适性的前提下具有较高的识别准确度和精度；通过提高对光伏功率异常数据的识别准确度和精度，可以有效提高光伏功率预测任务的精度。

具体地，可通过电流传感器和电压传感器采集不同时间下光伏电站的光伏电流和光伏电压，光伏电流和光伏电压相乘得到不同时间下光伏电站的光伏功率，从而得到时序功率数据集；也可直接获取设备内提供的功率数据。由于光伏站生产环境易受天气、温度或人为因素影响，因此存在采集到的光伏功率数据缺失或存在异常零值、超量程数据等情况。所以需要对采集到的光伏功率数据进行清洗。步骤S110，获取待测试时间下光伏电站的光伏功率，得到功率时间序列，包括：

获取待测试时间下光伏电站的光伏功率；

对所述光伏功率数据进行清洗，得到功率时间序列。

通过对光伏功率数据进行清洗，可以有效去除这些脏数据对后续数据分解和异常数据识别的影响，从而提高对异常数据识别的精度和准确。

具体地，步骤S120，将所述功率时间序列分解为长期趋势、周期趋势和残差。光伏功率数据为非平稳数据，因此可以采用分解趋势项别的方法对光伏功率进行分解得到长期趋势、周期趋势和残差，分解趋势项别的方法包括但不限于decompose相加模型、X11分解法(X11 decomposition)、X11分解法(X11 decomposition)、SEATS分解(SEATSdecomposition)、STL分解(STL decomposition)。在实际工程中发现采用分解趋势项别的方法对光伏功率进行分解得到长期趋势、周期趋势和残差，其中残差符合正态分布，因此可通过正态分布中的n sigma原则来判断残差项是否为异常数据，从而判断残差项所对应的光伏功率是否为异常数据。n sigma原则为大部分数据都分布在(μ-nσ，μ+nσ)范围内，则在此范围外的可以判定为异常数据，μ为残差的均值，σ为残差的标准差，n为1、2和3。特别地，根据n sigma原则来判断残差项是否为异常数据之前，需要计算残差的标准差和均值，然后再根据残差的标准差和均值对残差进行异常值判断。

具体地，根据残差的标准差和均值对所述残差进行分类，得到异常数据集的具体实现方法请参见图2，图2是本发明在一实施例中提供的根据残差的标准差和均值对所述残差进行分类，得到异常数据集的流程实现图。

如图2所示，根据残差的标准差和均值对所述残差进行分类，得到异常数据集可以包括以下步骤S210-S230：

S210，判断残差数据是否属于(μ-nσ，μ+nσ)；

S220，若否，则残差数据所对应的光伏功率为异常数据；

S230，集合所有异常数据，得到异常数据集。

具体地，在步骤S210，判断残差数据是否属于(μ-nσ，μ+nσ)中，μ为残差的均值，σ为残差的标准差，n为1、2和3。在步骤S210之前，设定n值，n值可以根据当前所采集到的光伏功率数据中异常值比例进行确定，若当前所采集到的光伏功率数据中异常值比例较高，则n可以设定为1，若当前所采集到的光伏功率数据中异常值比例较低，则n可以设定为一个较大的正整数。在实际工程中，n一般取3，采用3sigma原则对残差数据进行判断，以此来识别光伏功率异常数据，该方法对光伏功率异常数据的识别准确度和精度都较高，不需要太阳辐照度也能达到对光伏功率异常数据识别的效果，对于部分缺少太阳辐照度实时监控系统的光伏站也能适用，所以具有普适性。

具体地，采用步骤S210-S230得到异常数据集后，还需要判断异常数据集是否符合实际情况，若不符合，还需要对n值进行调整。n值调整的具体实现方法请参见图3，图3是本发明在一实施例中提供的n值调整的流程实现图。

如图3所示，n值调整可以包括以下步骤S310-S330：

S310，去除功率时间序列中的所有异常数据，得到正常数据集；

S320，判断所述正常数据集是否符合预设条件；

S330，若否，调整n值。

具体地，判断所述正常数据集是否符合预设条件，可以根据实际经验判断正常数据集中是否还有异常数据，若采用步骤S310得到的正常数据集还有异常数据，说明正常数据集不符合预设条件，需要对n值进行调整；正常数据集还有异常数据说明n值过大，需要将n值调小，从而达到提高对光伏功率异常数据的识别准确度和精度，进一步可以达到有效提高光伏功率预测任务的精度的目的。

在本实施例中，首先通过获取待测试时间下光伏电站的光伏功率，得到功率时间序列；其次将所述功率时间序列分解为长期趋势、周期趋势和残差；再次计算所述残差的标准差和均值；最后根据残差的标准差和均值对所述残差进行分类，得到异常数据集，从而解决了现有技术中基于太阳辐照度与光伏功率的关系和采用概率统计中的离群数据辨识方法来识别异常数据所导致的异常数据识别误差大的问题。本发明通过将光伏功率数据分解为长期趋势、周期趋势和残差，然后根据残差的标准差和均值对光伏功率异常数据进行识别，充分考虑了不同设备在不同环境下数据分布情况，并利用n sigma原则对异常数据识别，在保证普适性的前提下具有较高的识别准确度和精度；通过提高对光伏功率异常数据的识别准确度和精度，可以有效提高光伏功率预测任务的精度。此外，本发明还通过判断基于光伏功率数据和异常数据得到的正常数据集是否符合实际情况，来调整n值，通过设置合理的n值，从而达到提高对光伏功率异常数据的识别准确度和精度，进一步可以达到有效提高光伏功率预测任务的精度的目的。

第二实施例

基于与第一实施例中方法相同的发明构思，相应的，本实施例还提供了一种光伏功率异常数据的识别装置。

图4为本发明提供的光伏功率异常数据的识别装置的流程图。

如图4所示，所示装置4包括：41功率获取模块、42分解模块、43计算模块以及44异常数据集获取模块。

其中，功率获取模块，被配置为获取待测试时间下光伏电站的光伏功率，得到功率时间序列；

分解模块，被配置为将所述功率时间序列分解为长期趋势、周期趋势和残差；

计算模块，被配置为计算所述残差的标准差和均值；

异常数据集获取模块，被配置为根据残差的标准差和均值对所述残差进行分类，得到异常数据集。

在一些示例性实施例中，所述功率获取模块具体包括：

功率获取单元，被配置为获取待测试时间下光伏电站的光伏功率；

时间序列获取单元，被配置为对所述光伏功率数据进行清洗，得到功率时间序列。

在一些示例性实施例中，所述分解模块具体包括：

分解单元，被配置为利用decompose数据分解模型将所述功率时间序列分解为长期趋势、周期趋势和残差。

在一些示例性实施例中，所述异常距离阈值获取模块具体包括：

n值设定单元，被配置为设定n值；

判断单元，被配置为判断残差数据是否属于(μ-nσ，μ+nσ)，其中，μ为残差的均值，σ为残差的标准差，n为1、2和3；

执行单元，被配置为若否，则残差数据所对应的光伏功率为异常数据；

异常数据集获取单元，被配置为集合所有异常数据，得到异常数据集；

正常数据集获取单元，被配置为去除功率时间序列中的所有异常数据，得到正常数据集；

正常数据集判断单元，被配置为判断所述正常数据集是否符合预设条件；

n值调整单元，被配置为若否，调整n值。

第三实施例

上述方法和装置可以应用于例如桌上型计算机、笔记本、掌上电脑及云端服务器的终端设备中。

图5为本发明在一实施例中提供的可以应用上述方法和装置的终端设备的示意图，如图所示，所述设备5，包括存储器51、处理器50以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现如所述光伏功率异常数据的识别方法的步骤。例如图4所示模块41至44的功能。

所述设备5可以是云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、所述存储器51。本领域技术人员可以理解，图5仅仅是设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述设备5的内部存储单元，例如设备5的硬盘或内存。所述存储器51也可以是设备5的外部存储设备，例如所述设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：

计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述光伏功率异常数据的识别方法的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种光伏功率异常数据的识别方法，其特征在于，包括：

获取待测试时间下光伏电站的光伏功率，得到功率时间序列；

将所述功率时间序列分解为长期趋势、周期趋势和残差；

计算所述残差的标准差和均值；

根据残差的标准差和均值对所述残差进行分类，得到异常数据集。

2.根据权利要求1所述的方法，其特征在于，获取待测试时间下光伏电站的光伏功率，得到功率时间序列，具体包括：

获取待测试时间下光伏电站的光伏功率；

对所述光伏功率数据进行清洗，得到功率时间序列。

3.根据权利要求1所述的方法，其特征在于，根据残差的标准差和均值对所述残差进行分类，得到异常数据集，具体包括：

判断残差数据是否属于(μ-nσ，μ+nσ)，其中，μ为残差的均值，σ为残差的标准差，n为1、2和3；

若否，则残差数据所对应的光伏功率为异常数据；

集合所有异常数据，得到异常数据集。

4.根据权利要求3所述的方法，其特征在于，判断残差数据是否属于(μ-nσ，μ+nσ)之前，还包括：

设定n值。

5.根据权利要求3所述的方法，其特征在于，集合所有异常数据，得到异常数据集之后，还包括：

去除功率时间序列中的所有异常数据，得到正常数据集；

判断所述正常数据集是否符合预设条件；

若否，调整n值。

6.根据权利要求1所述的方法，其特征在于，将所述功率时间序列分解为长期趋势、周期趋势和残差，具体包括：

利用decompose数据分解模型将所述功率时间序列分解为长期趋势、周期趋势和残差。

7.一种光伏功率异常数据的识别装置，其特征在于，所述装置包括：

功率获取模块，被配置为获取待测试时间下光伏电站的光伏功率，得到功率时间序列；

分解模块，被配置为将所述功率时间序列分解为长期趋势、周期趋势和残差；

计算模块，被配置为计算所述残差的标准差和均值；

异常数据集获取模块，被配置为根据残差的标准差和均值对所述残差进行分类，得到异常数据集。

8.根据权利要求7所述的装置，其特征在于，异常数据集获取模块包括：

判断单元，被配置为判断残差数据是否属于(μ-nσ，μ+nσ)，其中，μ为残差的均值，σ为残差的标准差，n为1、2和3；

执行单元，被配置为若否，则残差数据所对应的光伏功率为异常数据；

异常数据集获取单元，被配置为集合所有异常数据，得到异常数据集。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。

Images