CN117371824B - 一种基于光伏数据的异常检测方法及装置 - Google Patents

Abstract

本申请公开了一种基于光伏数据的异常检测方法及装置，该方法包括：获取光伏数据；其中，光伏数据包括图像数据和电力数据，将图像数据、电力数据进行融合，以得到融合之后的待预测数据，根据待预测数据以及预设预测模型，获取预测数据，根据光伏数据以及预测数据，确定光伏数据是否异常。通过对图像数据以及电力数据进行融合，然后将其融合之后的待预测数据输入到预设预测模型中可以获取预测数据，从而根据光伏数据以及预测数据确定光伏数据是否异常，本申请采用图像数据和电力数据可以提高对光伏监测的准确度。

Description

一种基于光伏数据的异常检测方法及装置

技术领域

本申请涉及光伏技术领域，具体涉及一种基于光伏数据的异常检测方法及装置。

背景技术

近年来，随着城市化的加速推进，城市需面临人口快速增长、交通拥堵和严重的环境问题等多方面的挑战，使得市政建设愈发复杂。为了满足城市居民日益增长的需求，市政光伏电力系统成为了支撑城市运行的关键性基础设施，它不仅要确保稳定供电，还需要保障照明、通信和交通等关键领域的无缝运作，因此，推动市政光伏系统的绿色和可持续发展显得尤为重要。光伏系统利用太阳能产生电能，具备低碳和零污染的优势，它助力于减少对传统能源的依赖，而使能源获取变得更为可持续。然而，为了确保市政光伏电力系统的高效与稳定运行，对其核心组成部分——光伏阵列的实时监控与异常检测变得至关重要。

传统的监控与异常检测手段往往依赖于单一数据源，例如仅使用电力或图像数据，这种方法在准确性和效率上存在显著的缺陷。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于光伏数据的异常检测方法及装置，解决了现有技术中仅使用电力或图像数据导致对光伏监测的不准确性。

根据本申请的一个方面，提供了一种基于光伏数据的异常检测方法，包括：

获取所述光伏数据；其中，所述光伏数据包括图像数据和电力数据；

将所述图像数据、所述电力数据进行融合，以得到融合之后的待预测数据；

根据所述待预测数据以及预设预测模型，获取预测数据；

根据所述光伏数据以及所述预测数据，确定所述光伏数据是否异常。

在一实施例中，在所述获取所述光伏数据之后，基于光伏数据的异常检测方法还包括：

对所述图像数据进行预处理，以得到预处理之后的图像数据；

对所述电力数据进行预处理，以得到预处理之后的电力数据；

所述将所述图像数据、所述电力数据进行融合，以得到融合之后的待预测数据包括：

将所述预处理之后的图像数据、所述预处理之后的电力数据进行融合，以得到所述融合之后的待预测数据。

在一实施例中，所述对所述图像数据进行预处理，以得到预处理之后的图像数据包括：

提取所述图像数据中的关键字信息；

提取所述图像数据中的查询信息；

提取所述图像数据中的值信息；

将所述关键字信息以及所述查询信息转化为概率分布信息；

根据所述概率分布信息以及所述值信息，获取所述预处理之后的图像数据。

在一实施例中，所述电力数据包括电流数据和电压数据，其中，所述对所述电力数据进行预处理，以得到预处理之后的电力数据包括：

获取所述电流数据的第一关系矩阵；其中，所述第一关系矩阵表示所述电流数据内部的时空关联；

获取所述电压数据的第二关系矩阵；其中，所述第二关系矩阵表示所述电压数据内部的时空关联；

获取所述电流数据以及所述电压数据对应的第三关系矩阵；其中，所述第三关系矩阵表示所述电流数据与所述电压数据之间的相互作用；

根据所述第一关系矩阵、所述第二关系矩阵以及所述第三关系矩阵，获取预处理之后的电流数据和预处理之后的电压数据。

在一实施例中，所述获取所述电流数据的第一关系矩阵包括：

获取所述电流数据与所述电压数据的自相关特征；其中，所述自相关特征表示所述电流数据与所述电压数据内部的动态变化的稳定性；

根据所述自相关特征，计算得到所述第一关系矩阵。

在一实施例中，所述获取所述电流数据以及所述电压数据对应的第三关系矩阵包括：

获取所述电流数据与所述电压数据的交互特征；其中，所述交互特征表示所述电流数据与所述电压数据在电力系统中如何相互影响；

根据所述交互特征，计算得到所述第三关系矩阵。

在一实施例中，所述预设预测模型的建立方法包括：

获取多个融合之后的待预测数据；其中，每个所述融合之后的待预测数据为原始图像数据和原始电力数据进行融合得到的数据；

对所述多个融合之后的待预测数据进行反卷积处理，以得到多个预测数据；

根据所述多个融合之后的待预测数据以及所述多个预测数据，建立所述预设预测模型。

在一实施例中，所述根据所述光伏数据以及所述预测数据，确定所述光伏数据是否异常包括：

若所述光伏数据以及所述预测数据之间的差值大于预设差值阈值，则确定所述光伏数据异常。

在一实施例中，所述将所述预处理之后的图像数据、所述预处理之后的电力数据进行融合，以得到所述融合之后的待预测数据的计算公式为：，是所述预处理之后的图像数据、/>是所述预处理之后的电流数据以及/>是所述预处理之后的电压数据。

根据本申请的另一个方面，提供了一种基于光伏数据的异常检测装置，包括：

光伏数据获取模块，用于获取所述光伏数据；其中，所述光伏数据包括图像数据和电力数据；

融合模块，用于将所述图像数据、所述电力数据进行融合，以得到融合之后的待预测数据；

预测模块，用于根据所述待预测数据以及预设预测模型，获取预测数据；

确定模块，用于根据所述光伏数据以及所述预测数据，确定所述光伏数据是否异常。

本申请提供的基于光伏数据的异常检测方法及装置，该方法包括：获取光伏数据；其中，光伏数据包括图像数据和电力数据，将图像数据、电力数据进行融合，以得到融合之后的待预测数据，根据待预测数据以及预设预测模型，获取预测数据，根据光伏数据以及预测数据，确定光伏数据是否异常。通过对图像数据以及电力数据进行融合，可以为光伏系统的状态监测提供更为全面和细致的视角，然后将其融合之后的待预测数据输入到预设预测模型中可以获取预测数据，从而根据光伏数据以及预测数据确定光伏数据是否异常，本申请可以更加准确地反映出光伏设备的实时工作状态和潜在问题，从而有助于及时发现异常、提前进行预警和维护，降低系统故障风险，确保光伏设备的稳定运行。本申请提高了光伏监测的准确度，进一步优化了能源管理，提高了能源的利用效率。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本申请一示例性实施例提供的基于光伏数据的异常检测方法的流程示意图。

图2是本申请一示例性实施例提供的预设预测模型的建立方法的流程示意图。

图3是本申请一示例性实施例提供的基于光伏数据的异常检测装置的结构示意图。

图4是本申请另一示例性实施例提供的基于光伏数据的异常检测装置的结构示意图。

图5是本申请一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

图1是本申请一示例性实施例提供的基于光伏数据的异常检测方法的流程示意图。如图1所示，基于光伏数据的异常检测方法包括：

步骤110：获取光伏数据，其中，光伏数据包括图像数据和电力数据。

在本申请实施例中，为了可以确定光伏数据是否异常，因此需要先获取光伏数据并通过光伏数据才能判断其是否异常，其中，光伏数据包括图像数据和电力数据。

具体地，可以通过摄像头获取到图像数据，可以通过电力传感器获取到电力数据，其中，图像数据表示为，T表示时间维度，C表示图像通道数据，W表示图像的宽度，H表示图像的高度。

步骤120：将图像数据、电力数据进行融合，以得到融合之后的待预测数据。

在本申请实施例中，由于现有技术中采用的是单一的数据整合，导致对光伏数据异常的判断不准确，因此本申请采用多模态数据的整合从而提高光伏数据异常的判断的准确性。

具体地，可以将图像数据和电力数据进行拼接，这种融合方式能全面地捕捉多模态数据中蕴含的信息，为接下来的分析和决策过程提供更丰富、更多元的数据基础。确保模型能够从多个方面捕获有益的特征，进一步提升模型的预测准确性和分析深度。

另外，数据融合可以提高预测的准确性和稳定性。当使用多个数据源进行预测时，每个数据源可能包含不同的信息和误差。通过将这些数据源进行融合，可以减少各个数据源之间的误差，并综合利用它们所包含的信息，从而提高预测的准确性。

此外，数据融合还可以减少模型的过拟合风险。当使用单一数据源进行预测时，模型可能会过分依赖于该数据源的特点和样本，从而导致过拟合。而通过将多个数据源进行融合，可以综合考虑不同数据源的特点，减少模型对某一数据源的过度依赖，降低过拟合的风险，提高预测的稳定性。因此，数据融合可以提高预测的准确性和稳定性，同时降低模型的过拟合风险，使得预测结果更加可靠。

步骤130：根据待预测数据以及预设预测模型，获取预测数据。

在本申请实施例中，为了可以更加快速的获取到待预测数据对应的预测数据，因此设置预设预测模型，将待预测数据输入到预设预测模型中从而获取到预测数据。

步骤140：根据光伏数据以及预测数据，确定光伏数据是否异常。

本申请提供的基于光伏数据的异常检测方法，该方法包括：获取光伏数据，其中，光伏数据包括图像数据和电力数据，将图像数据、电力数据进行融合，以得到融合之后的待预测数据，根据待预测数据以及预设预测模型，获取预测数据，根据光伏数据以及预测数据，确定光伏数据是否异常。通过对图像数据以及电力数据进行融合，可以为光伏系统的状态监测提供更为全面和细致的视角，然后将其融合之后的待预测数据输入到预设预测模型中可以获取预测数据，从而根据光伏数据以及预测数据确定光伏数据是否异常，本申请可以更加准确地反映出光伏设备的实时工作状态和潜在问题，从而有助于及时发现异常、提前进行预警和维护，降低系统故障风险，确保光伏设备的稳定运行。本申请提高了光伏监测的准确度，进一步优化了能源管理，提高了能源的利用效率。

在一实施例中，步骤110之后，基于光伏数据的异常检测方可具体实施为：对图像数据进行预处理，以得到预处理之后的图像数据；对电力数据进行预处理，以得到预处理之后的电力数据；步骤120可具体实施为：将预处理之后的图像数据、预处理之后的电力数据进行融合，以得到融合之后的待预测数据。

在本申请实施例中，对图像数据以及电力数据进行预处理可以提高数据的质量，例如可以去除数据中的噪声、异常值和错误，从而提高数据的准确性和一致性。并且对图像数据以及电力数据进行预处理可以简化数据分析，例如可以将原始数据转换成更易于理解和使用的形式，使得数据分析变得更加简单和高效。

在一实施例中，基于光伏数据的异常检测方法可具体实施为：提取图像数据中的关键字信息；提取图像数据中的查询信息；提取图像数据中的值信息；将关键字信息以及查询信息转化为概率分布信息；根据概率分布信息以及值信息，获取预处理之后的图像数据。

在本申请实施例中，传统的数据处理方法在集成和分析多模态多特征时空数据时，常常表现出效率低和准确度不足的问题，因此本申请对图像数据进行时空变换处理，从而保证数据融合时的准确度较高。

具体地，利用自注意力机制的卷积结构来处理图像数据。这种结构使模型能够自动学习到图像中不同区域之间的依赖关系，使得模型能更好地捕获图像中的局部信息和全局依赖性，进而更加精确和灵活地表达和整合图像特征。通过Softmax激活函数实现了不同区域间的信息交流与融合。这使模型能够平衡和整合来自图像不同部分的信息，强化了模型对于图像中重要特征的识别和提取，从而更有效地进行特征学习和表达。通过Softmax激活函数实现了不同区域间的信息交流与融合。这使模型能够平衡和整合来自图像不同部分的信息，强化了模型对于图像中重要特征的识别和提取，从而更有效地进行特征学习和表达。利用关键字、查询和值的卷积操作，即、/>和/>，模型能够自适应地学习和调整对图像中不同部分的关注度和权重。这种灵活性赋予了模型强大的表达能力，使模型在处理复杂图像数据时具有更高的准确性和鲁棒性。

其中，预处理之后的图像数据的计算公式为：

（1），

为输出图像，由自注意力卷积结构处理后得到的图像数据，/>为Softmax激活函数，用于归一化输入值，将其转化为概率分布，/>为关键字卷积操作，用于提取图像数据中的关键字信息，/>为查询卷积操作，用于提取图像数据中的查询信息，/>为值卷积操作，用于提取图像数据中的值信息，/>为点乘操作，用于计算对应元素的乘积，/>为缩放操作，其中的分母是根据输入维度/>的平方根，用于调整自注意力的缩放比例，/>为输入维度，表示输入数据的长度，P为原始输入图像，未经处理的图像数据，/>表示转置，用于将矩阵的行和列互换，调整矩阵的维度以进行进一步的矩阵乘法。

在一实施例中，基于光伏数据的异常检测方法可具体实施为：获取电流数据的第一关系矩阵；其中，第一关系矩阵表示电流数据内部的时空关联；获取电压数据的第二关系矩阵；其中，第二关系矩阵表示电压数据内部的时空关联；获取电流数据以及电压数据对应的第三关系矩阵；其中，第三关系矩阵表示电流数据与电压数据之间的相互作用；根据第一关系矩阵、第二关系矩阵以及第三关系矩阵，获取预处理之后的电流数据和预处理之后的电压数据。

在本申请实施例中，传统的数据处理方法在集成和分析多模态多特征时空数据时，常常表现出效率低和准确度不足的问题，因此本申请对电力数据进行处理，从而提高数据融合的准确性。

具体地，电力数据包括电流数据和电压数据，通过关系矩阵、/>、/>，揭示了电流数据和电压数据内部以及两者之间的精确时空关联。/>和/>（自相关特征）分别揭示了电流和电压的自相关特性，映射出数据内部的动态变化和稳定性，而/>（交互特征）展现了电流和电压的交互性，帮助理解两者在电力系统中是如何相互影响的，/>表示转置，用于将矩阵的行和列互换，调整矩阵的维度以进行进一步的矩阵乘法。

然后，通过应用多层空间图卷积网络，模型实现了对电流数据和电压数据的深层特征学习和表达。每一层都对数据进行特征变换和提炼，从而使模型能够捕获和理解数据在多个抽象层级上的复杂模式和结构性信息。

最后，利用关系矩阵和权重矩阵的学习，模型展现出很强的动态性和灵活性。这使得模型能够自适应地调整对各种特征的关注度和权重分配，更精确地捕获电力数据的动态变化和复杂关系，从而更全面、更准确地揭示了电流和电压数据的内在特性和它们之间的相互影响。

其中，电力数据的第一关系矩阵表示为，电力数据的第二关系矩阵表示为/>，电力数据的第三关系矩阵表示为/>，为激活函数，增加模型非线性，将负值置为零，/>为电流数据与电压数据的嵌入向量，用于计算电流和电压的关系矩阵，/>为电流数据的第一关系矩阵，表示电流数据内部的时空关联，/>为电压数据的第二关系矩阵，表示电压数据内部的时空关联，为电流数据以及电压数据对应的第三关系矩阵，用于描述两者的相互作用，/>表示转置，用于将矩阵的行和列互换，调整矩阵的维度以进行进一步的矩阵乘法。

根据第一关系矩阵、第二关系矩阵以及第三关系矩阵，获取预处理之后的电流数据和预处理之后的电压数据，其计算公式为：

（2），

（3），

为多层空间图卷积网络处理后的电流数据（预处理之后的电流数据），/>为多层空间图卷积网络处理后的电压数据（预处理之后的电压数据），/>为空间图卷积网络中的权重矩阵，用于各层的特征变换，L为空间图卷积网络的总层数，l表示空间图卷积网络的其中某一层，/>为针对第二个维度的矩阵乘法。

在一实施例中，基于光伏数据的异常检测方法可具体实施为：获取电流数据与电压数据的自相关特征；其中，自相关特征表示电流数据与电压数据内部的动态变化的稳定性；根据自相关特征，计算得到第一关系矩阵。

在一实施例中，基于光伏数据的异常检测方法可具体实施为：获取电流数据与电压数据的交互特征；其中，交互特征表示电流数据与电压数据在电力系统中如何相互影响；根据交互特征，计算得到第三关系矩阵。

图2是本申请一示例性实施例提供的预设预测模型的建立方法的流程示意图。如图2所示，预设预测模型的建立方法可以包括：

步骤150：获取多个融合之后的待预测数据，其中，每个融合之后的待预测数据为原始图像数据和原始电力数据进行融合得到的数据。

在本申请实施例中，为了构建准确的预设预测模型，因此获取多个样本数据，即原始图像数据和原始电力数据，并将原始图像数据和原始电力数据进行融合。

步骤160：对多个融合之后的待预测数据进行反卷积处理，以得到多个预测数据。

在本申请实施例中，本申请采用反卷积算法对多个融合数据进行处理。通过利用反卷积结构，模型能够在保留核心特征的基础上，恢复原始数据的详细信息，进而实现更为精确的预测。

反卷积的计算公式为：（4），

Z为融合后的特征，代表预测的电流数据，/>代表预测的电压数据，/>为参数化的反卷积操作。

步骤170：根据多个融合之后的待预测数据以及多个预测数据，建立预设预测模型。

在一实施例中，步骤140可具体实施为：若光伏数据以及预测数据之间的差值大于预设差值阈值，则确定光伏数据异常。

在本申请实施例中，预设差值阈值并非固定值，而是基于模型计算出的损失分布。具体地，我们定义预设差值阈值（Threshold）为损失值的99分位数（将损失值按大小排序后，使得有99%的数据小于或等于这个值，而只有1%的数据大于它）。，表示损失值的99分位数。

这意味着，在模型训练过程中计算得到的损失值中，只有1%的数据点的损失大于这个阈值，并将其归类为异常点。预设差值阈值的确定主要依赖于在训练数据上得到的损失分布。也就是说，预测数据与原始数据之间的差值大于损失值的99分位数，则确定光伏数据异常。

在一实施例中，将预处理之后的图像数据、预处理之后的电力数据进行融合，以得到融合之后的待预测数据的计算公式为：，/>是预处理之后的图像数据、/>是预处理之后的电流数据以及/>是预处理之后的电压数据。

在本申请实施例中，通过这种融合策略，模型能全方位地融合多模态数据中的信息，进而形成更全面、更详尽的特征表述，增强模型的分析和预测能力。

在一实施例中，在步骤140之后，基于光伏数据的异常检测方法可具体实施为：根据光伏数据、预测数据以及实际预测数据，调整预设预测模型。

在本申请实施例中，为了避免因各维度不同而导致的损失不平衡，因此将损失函数中的每个元素的损失进行了平均，其计算公式为：

（5），

其中，T表示时间维度，N和M分别表示电流数据X和电压数据Y的空间维度，和/>分别代表预测的电流数据和预测的电压数据，X表示原始电流数据，Y表示原始电压数据。这种方式能确保在优化过程中，每个维度的损失都得到了平衡的考虑，从而更精确地定位到数据中的异常。

具体地，采用了L2范数损失来量化模型预测和实际输入之间的差异。

图3是本申请一示例性实施例提供的基于光伏数据的异常检测装置的结构示意图。如图3所示，基于光伏数据的异常检测装置20包括：光伏数据获取模块201，用于获取光伏数据；其中，光伏数据包括图像数据和电力数据；融合模块202，用于将图像数据、电力数据进行融合，以得到融合之后的待预测数据；预测模块203，用于根据待预测数据以及预设预测模型，获取重预测数据；确定模块204，用于根据光伏数据以及预测数据，确定光伏数据是否异常。

本申请提供的基于光伏数据的异常检测装置，包括：通过光伏数据获取模块获取光伏数据，其中，光伏数据包括图像数据和电力数据，融合模块将图像数据、电力数据进行融合，以得到融合之后的待预测数据，预测模块根据待预测数据以及预设预测模型，获取预测数据，确定模块根据光伏数据以及预测数据，确定光伏数据是否异常。通过对图像数据以及电力数据进行融合，可以为光伏系统的状态监测提供更为全面和细致的视角，然后将其融合之后的待预测数据输入到预设预测模型中可以获取预测数据，从而根据光伏数据以及预测数据确定光伏数据是否异常，本申请可以更加准确地反映出光伏设备的实时工作状态和潜在问题，从而有助于及时发现异常、提前进行预警和维护，降低系统故障风险，确保光伏设备的稳定运行。本申请提高了光伏监测的准确度，进一步优化了能源管理，提高了能源的利用效率。

图4是本申请另一示例性实施例提供的基于光伏数据的异常检测装置的结构示意图。如图4所示，在光伏数据获取模块201之后，基于光伏数据的异常检测装置20可具体配置为：对图像数据进行预处理，以得到预处理之后的图像数据；对电力数据进行预处理，以得到预处理之后的电力数据；融合模块202可具体配置为：将预处理之后的图像数据、预处理之后的电力数据进行融合，以得到融合之后的待预测数据。

在一实施例中，基于光伏数据的异常检测装置20可具体配置为：提取图像数据中的关键字信息；提取图像数据中的查询信息；提取图像数据中的值信息；将关键字信息以及查询信息转化为概率分布信息；根据概率分布信息以及值信息，获取预处理之后的图像数据。

在一实施例中，电力数据包括电流数据和电压数据，基于光伏数据的异常检测装置20可具体配置为：获取电流数据的第一关系矩阵；其中，第一关系矩阵表示电流数据内部的时空关联；获取电压数据的第二关系矩阵；其中，第二关系矩阵表示电压数据内部的时空关联；获取电流数据以及电压数据对应的第三关系矩阵；其中，第三关系矩阵表示电流数据与电压数据之间的相互作用；根据第一关系矩阵、第二关系矩阵以及第三关系矩阵，获取预处理之后的电流数据和预处理之后的电压数据。

在一实施例中，基于光伏数据的异常检测装置20可具体配置为：获取电流数据与电压数据的自相关特征；其中，自相关特征表示电流数据与电压数据内部的动态变化的稳定性；根据自相关特征，计算得到第一关系矩阵。

在一实施例中，基于光伏数据的异常检测装置20可具体配置为：获取电流数据与电压数据的交互特征；其中，交互特征表示电流数据与电压数据在电力系统中如何相互影响；根据交互特征，计算得到第三关系矩阵。

在一实施例中，预设预测模型的建立装置可具体配置为：获取多个融合之后的待预测数据；其中，每个融合之后的待预测数据为原始图像数据和原始电力数据进行融合得到的数据；对多个融合之后的待预测数据进行反卷积处理，以得到预测数据；根据多个融合之后的待预测数据以及多个预测数据，建立预设预测模型。

在一实施例中，确定模块204包括：确定子单元2041，用于若光伏数据以及预测数据之间的差值大于预设差值阈值，则确定光伏数据异常。

在一实施例中，将预处理之后的图像数据、预处理之后的电力数据进行融合，以得到融合之后的待预测数据的计算公式为：，/>是预处理之后的图像数据、/>是预处理之后的电流数据以及/>是预处理之后的电压数据。

图5图示了根据本申请实施例的电子设备的框图。

如图5所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于光伏数据的异常检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。

此外，该输入装置13还可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (6)

1.一种基于光伏数据的异常检测方法，其特征在于，包括：

获取所述光伏数据；其中，所述光伏数据包括图像数据和电力数据；对所述图像数据进行预处理，以得到预处理之后的图像数据；对所述电力数据进行预处理，以得到预处理之后的电力数据；

所述电力数据包括电流数据和电压数据，获取所述电流数据的第一关系矩阵；其中，所述第一关系矩阵表示所述电流数据内部的时空关联；获取所述电压数据的第二关系矩阵；其中，所述第二关系矩阵表示所述电压数据内部的时空关联；获取所述电流数据以及所述电压数据对应的第三关系矩阵；其中，所述第三关系矩阵表示所述电流数据与所述电压数据之间的相互作用；根据所述第一关系矩阵、所述第二关系矩阵以及所述第三关系矩阵，获取预处理之后的电流数据和预处理之后的电压数据；

将所述预处理之后的图像数据、所述预处理之后的电力数据进行融合，以得到所述融合之后的待预测数据，所述融合之后的待预测数据的计算公式为：，是所述预处理之后的图像数据、/>是所述预处理之后的电流数据以及/>是所述预处理之后的电压数据；

根据所述待预测数据以及预设预测模型，获取预测数据；

所述预设预测模型的建立方法包括：获取多个融合之后的待预测数据；其中，每个所述融合之后的待预测数据为原始图像数据和原始电力数据进行融合得到的数据；对所述多个融合之后的待预测数据进行反卷积处理，以得到多个预测数据；根据所述多个融合之后的待预测数据以及多个所述预测数据，建立所述预设预测模型；

根据所述光伏数据以及所述预测数据，确定所述光伏数据是否异常。

2.根据权利要求1所述的基于光伏数据的异常检测方法，其特征在于，所述对所述图像数据进行预处理，以得到预处理之后的图像数据包括：

提取所述图像数据中的关键字信息；

提取所述图像数据中的查询信息；

提取所述图像数据中的值信息；

将所述关键字信息以及所述查询信息转化为概率分布信息；

根据所述概率分布信息以及所述值信息，获取所述预处理之后的图像数据。

3.根据权利要求1所述的基于光伏数据的异常检测方法，其特征在于，所述获取所述电流数据的第一关系矩阵包括：

获取所述电流数据与所述电压数据的自相关特征；其中，所述自相关特征表示所述电流数据与所述电压数据内部的动态变化的稳定性；

根据所述自相关特征，计算得到所述第一关系矩阵。

4.根据权利要求1所述的基于光伏数据的异常检测方法，其特征在于，所述获取所述电流数据以及所述电压数据对应的第三关系矩阵包括：

获取所述电流数据与所述电压数据的交互特征；其中，所述交互特征表示所述电流数据与所述电压数据在电力系统中如何相互影响；

根据所述交互特征，计算得到所述第三关系矩阵。

5.根据权利要求1所述的基于光伏数据的异常检测方法，其特征在于，所述根据所述光伏数据以及所述预测数据，确定所述光伏数据是否异常包括：

若所述光伏数据以及所述预测数据之间的差值大于预设差值阈值，则确定所述光伏数据异常。

6.一种基于光伏数据的异常检测装置，其特征在于，包括：

光伏数据获取模块，用于获取所述光伏数据；其中，所述光伏数据包括图像数据和电力数据，对所述图像数据进行预处理，以得到预处理之后的图像数据；对所述电力数据进行预处理，以得到预处理之后的电力数据；

所述电力数据包括电流数据和电压数据，获取所述电流数据的第一关系矩阵；其中，所述第一关系矩阵表示所述电流数据内部的时空关联；获取所述电压数据的第二关系矩阵；其中，所述第二关系矩阵表示所述电压数据内部的时空关联；获取所述电流数据以及所述电压数据对应的第三关系矩阵；其中，所述第三关系矩阵表示所述电流数据与所述电压数据之间的相互作用；根据所述第一关系矩阵、所述第二关系矩阵以及所述第三关系矩阵，获取预处理之后的电流数据和预处理之后的电压数据；

融合模块，将所述预处理之后的图像数据、所述预处理之后的电力数据进行融合，以得到所述融合之后的待预测数据，所述融合之后的待预测数据的计算公式为：，是所述预处理之后的图像数据、/>是所述预处理之后的电流数据以及/>是所述预处理之后的电压数据；

预测模块，用于根据所述待预测数据以及预设预测模型，获取预测数据；所述预设预测模型的建立方法包括：获取多个融合之后的待预测数据；其中，每个所述融合之后的待预测数据为原始图像数据和原始电力数据进行融合得到的数据；对所述多个融合之后的待预测数据进行反卷积处理，以得到多个预测数据；根据所述多个融合之后的待预测数据以及多个所述预测数据，建立所述预设预测模型；

确定模块，用于根据所述光伏数据以及所述预测数据，确定所述光伏数据是否异常。