一种基于逆变器散热器温度预测的过温预警方法

1.本发明涉及电力电子技术领域，尤其涉及一种逆变器过温预警方法。


背景技术：

2.随着经济的快速发展，化石能源消耗量持续增加，全球正面临着日益严重的能源短缺和环境破坏问题。光伏发电作为环境友好型的可再生能源发电技术,是目前可再生能源中最具规模化开发条件和商业化发展前景的发电方式之一,正受到越来越多的关注。由于光伏电站常常建于戈壁、海岛等自然地理环境恶劣的偏远地区,确保核心器件光伏并网逆变器可靠稳定运行尤其重要。过温故障是逆变器经常出现的一种故障类型。引发这一故障的原因有很多，例如环境温度上升、逆变器散热风机故障、逆变器发电功率过高、逆变器老化、逆变器电流电压超限等。逆变器过温会导致发电功率降额，严重时会直接停机，造成巨大的发电经济损失。因此,快速准确地预测逆变器散热器温度，对逆变器提前发出过温预警十分必要，有助于适时调整供电计划，提升光伏电站运营的经济效益。
3.现有关于逆变器温度预测的发明主要是基于逆变器的内部物理参数进行机理建模。这类方案一般会首先建立光伏逆变器元件温度预测方程，预测方程所需的参数信息包括环境温度、散热器温升、逆变器元件温升以及逆变器元件温度。其中环境温度是利用温度传感器或气象监测仪测量得到的。接下来，此类方案会通过建立光伏逆变器散热器的热平衡状态方程，计算逆变器散热器温升。之后，利用绝缘栅双极型晶体管(insulated gate bipolar transistor，igbt)散热系数和功率消耗建立igbt在稳定状态下和散热器之间的温度差方程，也即逆变器元件温升。最后，根据建立的光伏逆变器元件温度预测方程，结合求得的环境温度、散热器温升、逆变器元件温升以及光伏逆变器元件温度，计算出光伏逆变器元件温度的预测值。
4.现有发明的另一种方案是根据大量数据通过数理统计方法建立一种气象相关的光伏组件工作温度预测方法。该方案首先建立了光伏组件工作温度与环境温度、辐射强度和风速的非线性模型。之后，根据能量守恒定律得到含参数的方程，最后，根据大量数据通过数理统计的方法进行线性拟合，最终得到线性温度预测模型。
5.现有发明中也有基于神经网络的逆变器温度预测方案。该方案首先搭建了一个用于igbt结温预测的反向传播(back propagation，bp)神经网络，其中输入层的个数为1，包括三个神经元，分别用于输入相电流峰值、开关频率和环境温度；输出层的个数为1，包括一个神经元，用于输出igbt结温。之后，采用ansys icepak软件构建逆变器的3d热仿真模型，通过改变环境信息以及其它参数信息，采集了多组igbt结温以及相应的结温特征，其中，结温特征包括：相电流峰值、开关频率和环境温度，这些数据经过预处理后被用作bp神经网络训练样本，通过划分训练集和测试集，训练得到了基于bp神经网络的igbt结温预测模型。最后，将采集到的实际结温特征输入到预训练好的igbt结温预测模型，得到待测igbt的结温。
6.现有发明方法都将逆变器的散热器温度视为已知量，或者假定这个量可以通过温度传感器测得，然而实际现场安装的逆变器出于成本考虑，很少具备散热器测温功能。同
时，现有发明方案忽略了对现场采集数据的预处理问题，例如三相电流和三相电压数据中包含有许多干扰噪声，会对预测结果的精度造成较大的影响。此外，现有基于神经网络的预测方案采用的是最基础的bp神经网络，没有考虑深度学习下多层网络预测方法，而且仅仅是针对逆变器各个时刻的温度值进行点预测，没有利用逆变器温度的后验分布信息。
7.因此，基于以上分析，在大型地面光伏电站中，亟需一种有效的数据预处理和准确的逆变器温度预测方法，最小化系统的计算成本，满足光伏传感器数据被实时存储、处理的时延要求，同时根据逆变器温度预测值及时有效地把握逆变器散热器的温度变化趋势，实现逆变器过温预警。
8.为此，本领域的技术人员致力于开发一种大型地面光伏电站中基于经验模态分解(empirical mode decomposition,emd)和贝叶斯长短时记忆网络(bayesian long short
‑
term memory，blstm)的逆变器过温预警方法，从而可以对逆变器提前发出过温预警，对于避免逆变器过温降额和停机造成巨大的发电经济损失和重大安全事故具有重要意义。


技术实现要素：

9.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何通过数据预处理以及采用多层神经网络挖掘逆变器预测数据的时序性信息和后验分布信息，快速准确地预测逆变器散热器温度，并设计逆变器过温预警机制，从而实现逆变器过温预警功能，避免大型地面光伏电站由于逆变器过温降额和停机造成的巨大发电经济损失，以及严重安全事故的发生。
10.为实现上述目的，本发明提供了一种基于逆变器散热器温度预测的过温预警方法，首先通过引入经验模态分解(empirical mode decomposition,emd)方法，去除了数据采集过程中产生的噪声；然后基于贝叶斯长短时记忆网络(bayesian long short
‑
term memory，blstm)，提出了一种逆变器散热器温度预测模型，包括：(1)构建传统的长短时记忆网络(long short
‑
term memory,lstm)，提取数据时序性特征；(2)引入贝叶斯思想，使用蒙特卡洛dropout方法来进行近似推断，通过最小化网络权重的近似分布和后验分布之间kl散度学习网络权重；(3)根据逆变器温度预测结果的分布情况，分别采用平方马氏距离和局部密度比这两种度量方式来计算模型预测值与实际值之间的偏差情况，调整网络权重。
11.进一步地，所述基于逆变器散热器温度预测的过温预警方法包括如下步骤：
12.步骤a、数据清洗，实际逆变器采集的三相电流和三相电压数据包含较多的噪声，本发明选用经验模态分解对原始数据进行清洗；
13.步骤b、数据预处理，将数据转化为神经网络可以处理的有效数据；
14.步骤c、建立lstm；
15.步骤d、建立blstm；
16.步骤e、基于变分dropout实现blstm；
17.步骤f、多步预测，对逆变器建立超短时、短时、长时等各种时间尺度下的预警机制，所设计blstm的输出维度是可调节的；
18.步骤g、量化近似后验分布；
19.步骤h、逆变器过温预警。
20.进一步地，所述步骤a还包括：
21.步骤a1、信号分解，利用所述经验模态方法将原始所述三相电流和所述三相电压数据分别分解为14个本征模函数(intrinsic mode function，imf)分量；
22.步骤a2、信号滤波，然后将分解得到的14个所述imf分量按频率从低到高排序，最后四个高频所述imf分量被视为伪分量，也即高频噪声，将其剔除；
23.步骤a3、信号重构，最后将信号滤波后所述三相电流和所述三相电压各自的10个有效所述imf分量分别叠加，得到重构后的所述三相电流和所述三相电压数据；
24.进一步地，所述步骤b还包括：
25.步骤b1、数据集划分，首先对训练集和测试集的比例划分参数进行设置，将所述逆变器历史运行数据量的70％划分为所述训练集，用于训练逆变器散热器温度预测模型，另外30％用于模型性能测试，作为所述测试集；
26.步骤b2、数据归一化，选用minmaxscaler方法对数据进行处理，数学表达式如下：
[0027][0028]
其中x
max
代表输入样本中的最大值，x
min
代表样本中的最小值，x是标准化后的结果，范围在0到1之间。
[0029]
进一步地，所述步骤c中，为了学习所述lstm网络的参数，损失函数通常选择为均方误差损失：
[0030][0031]
或者选取交叉熵损失函数：
[0032][0033]
其中θ表示所述lstm的参数集合，是网络的期望输出值；此外，本发明进一步引入l2正则化项以防止神经网络过度拟合：
[0034]
l(θ)＝j(θ)+λ(||w
f
||2+||w
i
||2+||w
c
||2+||w
o
||2)
[0035]
其中λ是正则化参数。
[0036]
进一步地，所述blstm通过整合所述lstm网络参数的统计建模，得到了一个输入输出映射的概率模型；所述概率模型求解方法包括：
[0037]
步骤1、参数ω＝{w
f
,w
i
,w
c
,w
o
,b
f
,b
y
,b
c
,b
o
}作为先验分布p(ω)的随机变量，因此，所述lstm的细胞状态和输出可以重新表示为：
[0038]
c
t
＝f
iω
(x
t
,h
t
‑1)
[0039][0040]
其中下标i和o分别表示隐藏层和输出层节点的索引，f
iω
和分别表示两种非线性算子；
[0041]
每个数据点输出的可能性为：
[0042][0043]
其中τ是反映数据固有噪声的精度参数；
[0044]
步骤2、给定一个包含x(所述逆变器的所述三相电流、所述三相电压以及所述逆变器机内空气温度、变压器温度)和y(光伏系统中所述逆变器散热器的实际温度)的训练数据集(大型地面光伏电站存储的所述逆变器历史运行数据)，在参数空间上学习需要估计后验分布p(ω∣x,y)；利用更新后的分布，通过积分得到逆变器散热器温度的预测输出y
*
的分布：
[0045]
p(y
*
∣x
*
,x,y)＝∫p(y
*
∣x
*
,ω)p(ω∣x,y)dω
[0046]
其中，x
*
表示一个新的观测值，对于先验分布，通常选择权重矩阵p(w)上的标准零均值高斯先验，预测的不确定性将直接反映在后验分布p(y
*
∣x
*
,x,y)。
[0047]
进一步地，所述步骤e中，首先用简单的参数化分布q(ω)近似难处理的后验分布p(ω∣x,y)，然后，使用所述q(ω)的蒙特卡罗(mc)积分来近似，具体包括以下步骤：
[0048]
步骤e1、通过权重矩阵分解得到近似分布，对于w
k
的每一行，变分dropout会施加一个变化分布，也即近似分布q(ω)是由两个具有小方差的高斯分布混合得到：
[0049][0050]
其中p是预先定义的dropout概率，σ2是一个小精度参数，m
k
是一个变分参数；
[0051]
步骤e2、通过最小化近似分布与后验分布之间的kl散度来学习网络的权值，使得变分推论中的近似分布q(ω)尽可能接近真实的后验分布p(ω∣x,y)，具体来说，即最小化下面的目标函数：
[0052]
kl(q(ω)||p(ω∣x,y)))
[0053]
进一步地，所述步骤f是通过调整所述步骤d中所述blstm的输出神经元个数来实现多步预测的，其中每个所述神经元对应于一个预测步长。
[0054]
进一步地，所述步骤g引入了两种方法来量化实际逆变器散热器温度值与其对应预测分布的偏差大小,具体包括：
[0055]
(1)适用于高斯预测分布的平方马氏距离方法：如果蒙特卡洛方法得到的预测分布是高斯分布，或者近似高斯分布，则可以使用平方马氏距离来表征预测值与实际值的偏差大小。首先，使用预测分布在t时刻的蒙特卡洛样本来近似样本平均值μ
t
和协方差s
t
；
[0056][0057][0058]
当观测真值x
t
可用时，平方马氏距离由下式确定：
[0059][0060]
(2)适用于非高斯分布的局部密度比方法：如果预测分布不能很好地描述为高斯
分布，那么就需要利用非参数方法来量化每个观测值的异常。针对这些情况，引入一种与局部离群因子密切相关的局部密度比(ldr)方法；ldr统计量利用其周围最近的k个邻居(k
‑
nns)观测值的密度的估计值，量化每个新观测值相于其预测分布的偏离情况；基于k
‑
nns的局部密度估计值可由下式计算：
[0061][0062]
其中，表示x周围最近的k个预测值，d(p,x)表示预测值x与另一预测值p之间的欧氏距离，
[0063]
然后，观测值x
t
的局部密度比定义为：
[0064][0065]
也即，x
t
周围最近的k个预测值的局部密度求平均值后除以x
t
的局部密度。
[0066]
进一步地，所述步骤h中，按预测温度占逆变器温度上限的比例，将逆变器过温预警分为轻度预警(70％～80％)、中度预警(80％～90％)和重度预警(90％及以上)三个等级。同时，针对不同的预警等级，本发明设计了相应的响应机制，可以分为以下几种情况处理：
[0067]
s1，出现重度预警，任何时候，当某次温度预测结果达到重度预警时，系统会立即发出过温预警，提示电站运维人员对逆变器采取相应的检修维护措施；
[0068]
s2，出现中度预警，当某次温度预测结果为中度预警时，系统并不会马上发出过温警告，而是会继续追踪未来连续2次(也即未来5分钟和10分钟)的预测结果，如果预测结果均为中度预警且呈温度上升趋势(10分钟时温度预测值高于5分钟时温度预测值)，系统才会发出过温警告。特殊的，当未来两次预测结果中出现重度预警时，会立即告警；
[0069]
s3，出现轻度预警，当某次温度预测结果为轻度预警时，系统并不会马上发出过温警告，而是会继续追踪未来连续5次(也即未来5分钟、10分钟、15分钟、20分钟和25分钟)的预测结果，如果预测结果均为轻度预警及以上且温度呈上升趋势，系统才会发出过温警告。特殊的，当未来5次预测结果中出现重度预警时，会立即告警；
[0070]
s4，出现轻度预警与中度预警跳变，当预测温度从轻度预警上升为中度预警时，温度呈上升趋势，应按照中度预警规则进行后续判断。当预测温度从中度预警降低为轻度预警，温度呈下降趋势，应按照轻度预警规则进行后续判断。特殊的，当预测结果中出现重度预警时，会立即告警。
[0071]
本发明针对大型地面光伏电站逆变器难以通过机理建模测量及预测内部模块温度、容易发生过温故障导致发电功率降额停机造成巨大发电经济损失的问题，利用emd方法有效提升了原始数据质量，基于贝叶斯长短时记忆网络实现了逆变器散热器温度的快速准确预测，有效地把握了逆变器散热器温度变化趋势，实现了逆变器过温预警。
[0072]
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以
充分地了解本发明的目的、特征和效果。
附图说明
[0073]
图1是本发明的一个较佳实施例的整体流程图；
[0074]
图2是本发明的一个较佳实施例的lstm整体运行机制；
[0075]
图3是本发明的一个较佳实施例的blstm结构图；
[0076]
图4是本发明的一个较佳实施例的基于云边协同的逆变器过温预警机制。
具体实施方式
[0077]
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
[0078]
如图4所示，本发明针对大型地面光伏电站提出了一种基于经验模态分解和贝叶斯长短时记忆网络的逆变器过温预警系统。
[0079]
系统在每个采样时刻从逆变器获取实时数据信息，利用emd方法对数据中的三相电压和三相电流数据进行清洗，剔除其中夹杂的高频噪声。之后，本地计算设备利用事先训练好的逆变器散热器温度预测模块，对清洗后的数据进行处理，输出逆变器散热器温度的预测区间和点预测值。最后，根据本发明所建立的多级过温预警机制，可以有效避免漏判和误判。
[0080]
下面结合附图1，对本发明作进一步说明。
[0081]
本发明针对大型地面光伏电站逆变器难以通过机理建模测量及预测内部模块温度、容易发生过温故障导致发电功率降额停机造成巨大发电经济损失的问题，利用emd方法有效提升了原始数据质量，基于贝叶斯长短时记忆网络实现了逆变器散热器温度的快速准确预测，有效地把握了逆变器散热器温度变化趋势，实现了逆变器过温预警，具体包括以下步骤：
[0082]
1、数据清洗：考虑到实际逆变器采集的三相电流和三相电压数据包含较多的噪声，本发明选用经验模态分解对原始数据进行清洗，提升数据质量。首先是信号分解，本发明利用emd将原始三相电流和三相电压数据分别分解为14个本征模函数(intrinsic mode function，imf)分量。其次是信号滤波，本发明分解得到的14个imf分量按频率从低到高排序，最后四个高频imf分量被视为伪分量，也即高频噪声，将其剔除。最后是信号重构，本发明将信号滤波后三相电流和三相电压各自的10个有效imf分量分别叠加，得到重构后的三相电流和三相电压数据。
[0083]
2、数据预处理：数据清洗之后，为了将数据转化为神经网络可以处理的有效数据，本发明进一步对数据进行了预处理。首先是数据集划分，本发明对训练集和测试集的比例划分参数进行设置，该参数的大小可在0～1之间(需保证大于0小于1)。本发明选取的数据集划分比例为0.7，也即将逆变器历史运行数据量的70％划分为训练集用于训练逆变器散热器温度预测模型，另外30％用于模型性能测试。之后是数据归一化，逆变器记录的历史数据包含许多不同的类型，具有不同的数据尺度，例如三相电压和三相电流的数值都在三四百，但温度数值只有几十，逆变器效率为小数，因此需要对多源异构数据进行标准化处理。
本发明选用的是minmaxscaler方法对数据进行归一化处理，数学表达式如下：
[0084][0085]
其中x
max
代表输入样本中的最大值，x
min
代表样本中的最小值，x是标准化后的结果，范围在0到1之间。
[0086]
3、建立长短时记忆网络：lstm通过精心设计的被称为“门”的结构来去除或者增加信息到细胞状态中。门是一种决定信息是否通过的方法，包含一个sigmoid神经网络层和一个按位的乘法操作。其中，sigmoid函数的数学公式为：
[0087][0088]
其中x表示输入，sigmoid函数的输出值y是一个0到1之间的数值，0代表“不许任何量通过”，1就指“允许任意量通过”。lstm拥有三个门，即输入门、遗忘门和输出门，用于保护和控制细胞状态。
[0089]
其中，遗忘门会读取细胞上一时刻的输出值h
t
‑1和当前时刻的输入值x
t
，输出一个在0到1之间的数值f
t
给细胞状态c
t
‑1。
[0090]
f
t
＝σ(w
f
×
[c
t
‑1,h
t
‑1,x
t
]+b
f
)
[0091]
其中w
f
和b
f
都是网络的权重参数，σ是sigmoid激活函数。
[0092]
输入门(input gate)用于更新细胞信息。
[0093]
i
t
＝σ(w
i
·
[h
t
‑1,x
t
]+b
i
)
[0094]
另一方面，构建一个候选值向量(cell)：之后会用输入门点乘这个候选值向量，来选出要更新的信息。
[0095][0096]
其中，w
i
、b
i
、x
c
、b
c
是网络的权重参数，tanh是激活函数。
[0097]
之后，lstm更新细胞状态c
t
‑1为c
t
，f
t
点乘c
t
‑1代表掉要丢弃遗忘的信息。点乘i
t
代表候选值向量中要更新记住的信息。
[0098][0099]
最后，lstm利用输出门决定网络的输出量h
t
，得到最终的输出值。
[0100]
o
t
＝σ(w
o
[h
t
‑1,x
t
]+b
o
)
[0101]
h
t
＝o
t
*tanh(c
t
)
[0102]
其中w
o
、b
o
是网络权重参数。
[0103]
为了优化lstm网络的参数，通常选择均方误差作为损失函数：
[0104][0105]
或者选取交叉熵损失函数：
[0106][0107]
其中θ表示lstm模型的参数集合，是网络的期望输出值，在本发明中也即训练集中的标签逆变器散热器温度值。此外，本发明进一步引入l2正则化项以防止神经网络过度拟合：
[0108]
l(θ)＝j(θ)+λ(||w
f
||2+||w
i
||2+||w
c
||2+||w
o
||2)
[0109]
其中λ是正则化参数。
[0110]
4、建立贝叶斯长短时记忆网络：将模型参数ω＝{w
f
,w
i
,w
c
,w
o
,b
f
,b
y
,b
c
,b
o
}作为先验分布p(ω)的随机变量。因此，lstm网络的细胞状态和输出可以重新表示为：
[0111]
c
t
＝f
iω
(x
t
,h
t
‑1)
[0112][0113]
其中下标i和o分别表示隐藏层和输出层节点的索引，f
iω
和分别表示两种非线性算子，。
[0114]
每个数据点输出的可能性为。
[0115][0116]
其中τ是反映数据固有噪声的精度参数，在本发明中，为了便于计算，假定似然函数满足正态分布，似然函数会通过lstm网络向前传递。
[0117]
然后，给定一个包含x(本发明中具体指逆变器的三相电流、三相电压等电气参数信息以及逆变器机内空气温度、变压器温度等环境信息)和y(本发明中具体指光伏系统中逆变器散热器的实际温度)的训练数据集(大型地面光伏电站存储的逆变器历史运行数据)，在参数空间上学习需要估计后验分布p(ω∣x,y)。利用更新后的分布，可以通过积分得到逆变器散热器温度的预测输出y
*
的分布：
[0118]
p(y
*
∣x
*
,x,y)＝∫p(y
*
∣x
*
,ω)p(ω∣x,y)dω
[0119]
其中，x
*
表示一个新的观测值，此处忽略了对精度参数、隐藏层状态和过去输入的依赖性。对于先验分布，通常选择权重矩阵p(w)上的标准零均值高斯先验，预测的不确定性将直接反映在后验分布p(y
*
∣x
*
,x,y)。
[0120]
5、引入蒙特卡洛(mc)dropout技术：本发明将变分dropout用于贝叶斯长短时记忆网络的变分推理。变分推论是一种利用简单的参数化分布q(ω)去近似难以处理的后验分布p(ω∣x,y)的技术。此时，积分项可以通过q(ω)的蒙特卡罗积分进行近似。具体而言，近似分布是通过权重矩阵分解得到的。对于w
k
的每一行，变分dropout都会施加一个变化分布，也即近似分布q(ω)可以由两个具有小方差的高斯分布整合得到：
[0121][0122]
其中p是预定义的dropout概率，σ2是小精度参数，m
k
是变分参数。为了使变分推论中的近似分布q(ω)最大程度地接近真实的后验分布p(ω∣x,y)，本发明方法通过最小化近似分布和后验分布之间的kl散度来学习网络的权值，具体来说，即最小化下面的目标函数：
[0123]
kl(q(ω)||p(ω∣x,y)))
[0124]
值得注意的是，变分长短时记忆网络在每个时间步长使用固定的dropout掩码，包括循环层。在每个时间步长随意地丢弃输入、输出和循环连接。这与现有技术形成对比，在现有技术中，不同神经网络单元会在不同的时间步长被丢弃，而且不会对全连接层进行丢弃。
[0125]
测试过程中所使用变分dropout方法可以看作是后验预测分布p(ω∣x,y)蒙特卡洛样本的近似值。给定一个新的观测值x
*
，通过n个随机模型样本前向传递，可以收集n个近似预测后验的样本后验预测平均值、标准差和协方差的相应经验估计值为：
[0126][0127][0128][0129]
其中，τ可以估计为给定一个预定义的正则化/权重衰减参数λ。
[0130]
6、多步预测：本发明考虑到实际光伏现场可能需要对逆变器建立超短时、短时、长时等各种时间尺度下的预警机制，所设计贝叶斯长短时记忆网络的输出维度是可调节的。
[0131]
本发明将逆变器实际数据的采样时间间隔视为一个步长，例如逆变器数据每5分钟采集一次，那么单步长预测就表示预测未来一次采样(5分钟后)的逆变器散热器温度，六步长预测就表示预测未来六次采样(5分钟后、10分钟后、15分钟后、20分钟后、25分钟后和30分钟后)的逆变器散热器温度。
[0132]
具体来说，本发明是通过调整步骤四中贝叶斯长短时记忆网络的输出神经元个数来实现多步预测的，其中每个神经元对应于一个预测步长。例如，单步长预测时设置网络的输出神经元个数为1，六步长时设置输出神经元个数为6。在本发明中，调整贝叶斯长短时记忆网络的输出神经元个数仅需对极少部分模型参数进行修改，之后利用历史数据对模型进行重新训练即可部署到实际应用现场，便可以高效地实现任意时间尺度下的逆变器过温预警
[0133]
7、量化近似后验分布，优化网络权重：本发明引入了两种方法来量化实际逆变器散热器温度预测值与实际值的偏差大小。
[0134]
(1)适用于高斯预测分布的平方马氏距离方法：如果预测分布是高斯分布，或者近似高斯分布，则可以使用平方马氏距离来表征预测值与实际值的偏差大小。首先，使用预测分布在t时刻的蒙特卡洛样本来近似样本平均值μ
t
和协方差s
t
。
[0135]
[0136][0137]
当观测真值x
t
可用时，平方马氏距离由下式确定：
[0138][0139]
马氏距离大表明实际观测值与预测后验分布偏差大，表明逆变器散热器温度预测模型还不够准确，模型中的参数需要进一步调整。
[0140]
(2)适用于非高斯分布的局部密度比方法：如果预测分布不能很好地描述为高斯分布，那么就利用非参数化的局部密度比(ldr)方法来量化每个观测值的异常状况。ldr统计量利用其周围最近的k个邻居(k
‑
nns)观测值的密度的估计值，量化每个新观测值相对于其预测分布的偏离情况。
[0141]
基于k
‑
nns的局部密度估计值可由下式计算：
[0142][0143]
其中，表示x周围最近的k个预测值，d(p,x)表示预测值x与另一预测值p之间的欧氏距离，
[0144]
然后，观测值x
t
的局部密度比定义为：
[0145][0146]
也即，x
t
周围最近的k个预测值的局部密度求平均值后除以x
t
的局部密度。当ldr较大时，表明后验分布与预测值的偏差大，逆变器散热器温度预测模型还不够准确，模型中的参数需要进一步调整。同时，需要选取合适的k值，较小的k会导致模型的预测值波动较大，较大的k会使得模型的预测精度降低降低。
[0147]
9、逆变器过温预警：考虑到不同光伏系统中逆变器的运行工况不同，且不同逆变器的工作温度上限不同，本发明没有基于绝对温度(比如温度超过某个具体数值就发出过温预警)设计逆变器过温预警机制，而是按温度比例设计了多级过温预警机制。
[0148]
本发明按预测温度占逆变器温度上限的比例，将逆变器过温预警分为轻度预警(70％～80％)、中度预警(80％～90％)和重度预警(90％及以上)三个等级。同时，针对不同的预警等级，本发明设计了相应的响应机制，有效避免误判和漏判。
[0149]
具体来说，可以分为以下几种情况处理：
[0150]
(1)出现重度预警的情况，任何时候，当某次温度预测结果达到重度预警时，系统会立即发出过温预警，提示电站运维人员对逆变器采取相应的检修维护措施。
[0151]
(2)出现中度预警的情况，当某次温度预测结果为中度预警时，系统并不会马上发出过温警告，而是会继续追踪未来连续2次(也即未来5分钟和10分钟)的预测结果，如果预测结果均为中度预警且呈温度上升趋势(10分钟时温度预测值高于5分钟时温度预测值)，
系统才会发出过温警告。特殊的，当未来两次预测结果中出现重度预警时，会立即告警。
[0152]
(3)出现轻度预警的情况，当某次温度预测结果为轻度预警时，系统并不会马上发出过温警告，而是会继续追踪未来连续5次(也即未来5分钟、10分钟、15分钟、20分钟和25分钟)的预测结果，如果预测结果均为轻度预警及以上且温度呈上升趋势，系统才会发出过温警告。特殊的，当未来5次预测结果中出现重度预警时，会立即告警。
[0153]
(4)出现轻度预警与中度预警跳变，当预测温度从轻度预警上升为中度预警时，温度呈上升趋势，应按照中度预警规则进行后续判断。当预测温度从中度预警降低为轻度预警，温度呈下降趋势，应按照轻度预警规则进行后续判断。特殊的，当预测结果中出现重度预警时，会立即告警。
[0154]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。