本发明涉及电网终端安全领域，具体涉及一种适用于分布式光伏聚合业务的异常行为检测方法及系统。
背景技术：
1、当前，新能源已成为全球产业变革的重要领域，随着产业的蓬勃发展，光伏行业保持了强劲的增长势头。在2023年1月至10月的统计中，我国光伏行业产量创历史新高，其中，下游制造端，如硅料、硅片、电池等产量同比增长均超过70％；光伏发电新增装机142.56gw，同比增长145％，全国新增发电机超过50％来自光伏发电；相关产品出口额约430亿美元，这些再创新高的统计结果表明了我国光伏技术在不断取得新的突破。
2、光伏发电最大的问题就是能源生产的不确定性，随着储能技术的发展，将原本较难储存的能源，以简易且成本低廉的方式储存下来，再结合充电场站这一稳定的需求场景，就形成了“光储充一体化”的能源方案。截至2022年，我国新能源公共光伏设备与车辆的比例仅为7.3：1，光伏设备增量比为8.1：1，“光储充一体化”的道路潜力巨大。
3、在这种背景下，国家陆续出台一系列政策来支持光伏设备相关技术、模式和机制创新，尤其是自2023年以来，从中央到地方纷纷加速建设“光储充一体化”充电站。但由于市场增速过快，配套并不完善，当前并没有一套针对第三方聚合平台异常行为检测的有效方法和流程，在面对异常发布的调节指令时，造成分布式光伏设备的功率被异常调节、批量启停等，不仅会加剧用电紧张，影响供电质量，还将影响低压台区重要节点电压水平，最终导致局部线路故障，严重威胁电网运行安全。因此，如何针对第三方聚合平台的用电特点，提出一种适用于分布式光伏聚合业务的异常行为检测方法是十分必要的。
技术实现思路
1、本发明中提供了一种适用于分布式光伏聚合的异常行为检测方法及系统，可有效解决背景技术中的问题。
2、为了达到上述目的，本发明所采用的技术方案是：
3、适用于分布式光伏聚合业务的异常行为检测方法，包括：
4、在电力平台用采系统和第三方聚合平台双侧分别采集光伏设备历史发电流水记录数据，确定覆盖双侧数据的数据格式；
5、根据所述数据格式，获取待监测分布式光伏设备原始的历史数据；
6、从第三方聚合平台侧提供的历史数据或专家知识库中，确定设定条数被标记为异常行为的历史采样数据，且赋予设定标签而作为负样本，以及，确定设定条数被标记为正常运行的历史采样数据，且赋予设定标签而作为正样本；
7、确定训练原始数据集，对所述训练原始数据集进行处理，且对处理完成的数据进行特征工程，得到训练数据集，通过机器学习模型进行训练，得到异常检测模型；
8、确定待检测样本，将所述待检测样本输入所述异常检测模型，通过所述异常检测模型输出异常行为的检测结果。
9、进一步地，被标记为异常行为的历史采样数据通过在所述历史数据或专家知识库中寻找得出。
10、进一步地，被标记为异常行为的历史采样数据通过历史数据或专家数据库中的数据仿真得出，包括：
11、基于所述异常行为所对应数据的特征，采用设定算法生成若干仿真负样本；
12、在所生成的仿真负样本中剔除与真实负样本存在显著差异或相似度低的部分样本。
13、进一步地，生成若干所述仿真负样本，包括：
14、在真实负样本集中，以欧式距离为标准，得到每个真实负样本x的k近邻xk，再计算出新的样本，算法如下：
15、xnew＝x+rand(0,1)×|x-xk|
16、其中，xnew代表仿真负样本，rand代表随机函数。
17、进一步地，剔除在所筛选的仿真负样本中的部分样本，采用相关性算法，包括：
18、计算每一条所述仿真负样本与真实负样本集的相关性，算法如下：
19、
20、其中，ρ代表相似度，x负仿真代表所述仿真负样本；x负真实代表所述真实负样本；cov代表协方差运算；σ代表标准差；
21、根据实际样本情况选择相似度ρ的阈值，剔除相似度低于所述阈值的所述仿真负样本。
22、进一步地，剔除在所筛选的仿真负样本中的部分样本，采用独立样本t检验，包括：
23、根据真实负样本量实际情况，可重复地采样设定数量的仿真负样本；
24、根据t值查询得到显著性情况，算法如下：
25、
26、其中，t为检验结果，代表真实负样本的均值；代表采样的仿真负样本的均值；s1、s2分别代表两组样本的标准差；n1、n2分别代表两组样本的样本量；
27、通过t值得到显著性结果，根据所述显著性结果剔除存在显著差异的所述仿真负样本。
28、进一步地，通过机器学习模型进行训练的方法采用有监督训练。
29、进一步地，对处理完成的数据进行特征工程包括：
30、针对单侧数据，抽取时序相关特性；针对双侧共有特征，抽取变化规律特性。
31、进一步地，针对单侧数据，抽取时序相关特性，包括：
32、计算时间序列数据的统计指标；
33、使用滑动窗口方法计算时间序列数据在不同时间窗口内的统计特征；
34、在所述统计特征中提取周期特征。
35、进一步地，针对双侧共有特征，抽取变化规律特性，包括：
36、使用相关性分析方法，确定双侧数据之间的线性和非线性关系；
37、和/或，使用时间序列相似性度量方法，确定双侧数据的相似性和对齐程度特征值。
38、进一步地，使用动态时间弯曲来衡量双侧数据的相似度，包括：
39、设a＝(a1，...，an)和b＝(b1，...，bm)是双侧的两个时间序列，则动态时间弯曲距离由以下递归定义：
40、d(i，j)＝d(ai，bj)+min{d(i-1，j-1),d(i-1,j),d(i，j-1)}
41、其中，d(ai，bj)是a和b对应序列数据的距离。
42、进一步地，确定异常行为的历史采样数据，包括：
43、利用电力平台用采系统中的分布式光伏地理位置属性信息，获得设定区域范围的分布式光伏子集集合；
44、对所述分布式光伏子集集合中的单个分布式光伏发电功率值，进行历史功率统计计算，计算结果包括历史功率均值和历史功率标准差；
45、对所述分布式光伏子集集合中的单个分布式光伏，将所需判定是否具有异常行为的发电功率值与所述历史功率均值进行残差计算，获得每个分布式光伏功率残差；
46、对所述分布式光伏子集集合中所有的所述分布式光伏功率残差，分别进行离群偏离度计算，离群偏离度z的计算公式如下；
47、
48、其中，代表每个分布式光伏功率残差，μ为总体平均残差值，σ是历史功率标准差；
49、根据分布式光伏聚合业务场景设定离群偏离度z绝对值的阈值，当计算获得的所述离群偏离度z大于所述阈值时，判定发电功率值具有异常行为。
50、进一步地，还包括对所述检测结果的二次确认过程，包括：
51、针对所述检测结果为异常行为的光伏设备获取前序状态，结合所述前序状态和检测结果确定异常情况。
52、进一步地，结合所述前序状态和检测结果确定异常情况，包括：
53、将所述检测结果转化为概率值，算法如下：
54、
55、其中，y代表当前的异常检测结果输出；j代表当前分布式光伏设备；k代表特征维度；代表当前分布式光伏设备的异常检测结果转化为异常概率值的结果；
56、针对所述检测结果为异常行为的光伏设备，结合当前采样时刻与前m个采样时刻的异常概率，得到当前时刻的加权预警值，算法如下：
57、
58、其中，t代表当前采样时刻；γ是系数，代表折扣率，γ的取值范围是[0，1]；m代表需要回溯的前序采样个数；
59、根据所述加权预警值确定异常情况。
60、进一步地，还包括异常行为的可视化展示，所述可视化展示在第三方聚合平台进行，可视化内容为光伏设备的警示级别，所述警示级别的确定方法包括：
61、采集所述光伏设备的历史数据及历史检测日志，根据所述历史数据和历史检测日志综合确定所述警示级别。
62、适用于分布式光伏聚合业务的异常行为检测系统，采用如上所述的适用于分布式光伏聚合业务的异常行为检测方法，包括：
63、数据采集模块，在电力平台用采系统和第三方聚合平台双侧分别采集光伏设备历史发电流水记录数据；
64、数据格式确定模块，确定覆盖双侧数据的数据格式，所述数据采集模块还根据所述数据格式，获取待监测分布式光伏设备原始的历史数据；
65、数据标记模块，从第三方聚合平台侧提供的历史数据或专家知识库中，确定设定条数被标记为异常行为的历史采样数据，且赋予负样本的对应标签，以及，确定设定条数被标记为正常运行的历史采样数据，且赋予正样本的对应标签；
66、数据处理模块，确定训练原始数据集，对所述训练原始数据集进行处理，且对处理完成的数据进行特征工程，得到训练数据集；
67、机器学习模型训练模块，通过机器学习模型进行训练，得到异常检测模型；
68、异常检测模块，实现对待检测样本的输入，并通过异常检测模型输出异常行为的检测结果。
69、通过本发明的技术方案，可实现以下技术效果：
70、本发明中不仅使用了第三方聚合平台上报的数据，同时也采集了电网平台上报的数据，相较于仅使用单侧数据，能够更好的排除干扰；数据方面，针对异常行为样本难以大量采集的问题，提出一种统计可信的负样本扩充方法；特征工程方面采用单侧抽取时序、双侧抽取规律的思路，让两种采样频率、采样时间、数值波动等存在差异的数据能够得到整合，实现了动态检测的基础；检测模型上提出了一种检测框架，可根据实际情况选择单模型预测或多模型融合的方式进行动态检测；异常预警方面采用了一种累积加权的预警指标，更全面地反应当前的风险程度。
1.适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，包括：
2.根据权利要求1所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，被标记为异常行为的历史采样数据通过在所述历史数据或专家知识库中寻找得出。
3.根据权利要求1所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，被标记为异常行为的历史采样数据通过历史数据或专家数据库中的数据仿真得出，包括：
4.根据权利要求3所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，生成若干所述仿真负样本，包括：
5.根据权利要求3或4所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，剔除在所筛选的仿真负样本中的部分样本，采用相关性算法，包括：
6.根据权利要求3或4所述的适用于分布式光伏设备的第三方聚合平台异常行为检测方法，其特征在于，剔除在所筛选的仿真负样本中的部分样本，采用独立样本t检验，包括：
7.根据权利要求1所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，通过机器学习模型进行训练的方法采用有监督训练。
8.根据权利要求1所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，对处理完成的数据进行特征工程包括：
9.根据权利要求8所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，针对单侧数据，抽取时序相关特性，包括：
10.根据权利要求8所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，针对双侧共有特征，抽取变化规律特性，包括：
11.根据权利要求10所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，使用动态时间弯曲来衡量双侧数据的相似度，包括：
12.根据权利要求1或2所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，确定异常行为的历史采样数据，包括：
13.根据权利要求1所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，还包括对所述检测结果的二次确认过程，包括：
14.根据权利要求13所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，结合所述前序状态和检测结果确定异常情况，包括：
15.根据权利要求1所述的适用于分布式光伏聚合业务的异常行为检测方法，其特征在于，还包括异常行为的可视化展示，所述可视化展示在第三方聚合平台进行，可视化内容为光伏设备的警示级别，所述警示级别的确定方法包括：
16.适用于分布式光伏聚合业务的异常行为检测系统，其特征在于，采用如权利要求1所述的适用于分布式光伏聚合业务的异常行为检测方法，包括：
