本文约2200字，建议阅读5分钟
本文介绍了智能光伏的检测。
集中式太阳能发电（CSP）厂通过将阳光聚焦到中央塔顶的太阳能接收器上的一系列镜子来加热储存介质，从而储存能量。这些接收器在高温下运行，面临着结冰、变形和腐蚀等风险，这可能导致操作失败、停机或昂贵的设备损坏。来自比利时蒙斯大学的研究者最近研究了从CSP厂收集一年的热成像序列，探索自动化的异常检测（AD）问题。这些图像是由安装在太阳能接收器上的红外摄像机在一天中从一至五分钟的不规则间隔捕获的。研究者的目标是开发一种方法，从高维热图像中提取有用的表示用于异常检测。它应该能够处理数据的时间特征，包括不规则性、图像之间的时间依赖性和由于强烈的日常季节性模式导致的非平稳性。该论文已被数据挖掘顶级学术会议 KDD 2024 收录。本文将为大家介绍。Detecting Abnormal Operations in Concentrated Solar Power Plants from Irregular Sequences of Thermal Imageshttps://arxiv.org/abs/2406.16077
https://tinyurl.com/ForecastAD随着对可再生能源的关注度增加，确保其按需发电和可调度性成为一个关键挑战。集中式太阳能发电（CSP）厂通过热能储存技术解决这一挑战，通过镜子阵列将太阳光聚焦于太阳能接收器上，加热储存介质。然而，太阳能接收器在极端温度下运行，容易受到介质结冰、热交换器管变形和腐蚀等不利影响，这可能导致操作失败、停机或设备损坏。
由于从多个传感器生成的数据量庞大，手动检测异常行为变得不切实际，因此迫切需要自动化系统来立即识别异常行为。从操作周期开始和结束时捕获的热图像中检测异常行为尤为复杂，因为这些图像可能与低温异常图像相似。为此，该论文的研究者开发了一种基于深度学习的图像异常检测方法，用于识别从运行中的CSP厂收集的热成像序列中的异常行为。他们提出了一种能够处理数据的时间特征，包括不规则性、时间依赖性和日常季节性模式引起的非平稳性的方法。研究者引入了一种基于预测的异常检测方法，该方法通过深度序列模型从过去的图像序列和时间戳预测未来的热图像。该方法能有效地区分难以检测的基于温度的异常，包括操作周期开始和结束时的低温异常。通过多个评估指标的实验证明，所提出的方法比现有的最先进方法更有效。同时，研究者还将解决方案成功部署在五个月的未见过的数据上，为CSP厂的维护提供了关键见解。该论文提出了一个基于预测的异常检测方法，称为ForecastAD，用于检测集中式太阳能发电（CSP）厂热成像序列中的异常操作。下面是该方法的具体步骤和特点：
使用红外摄像机在一天中不同时间间隔（1至5分钟）捕获太阳能接收器表面的热图像。这些图像反映了接收器在不同操作阶段的温度分布。使用预训练的编码器网络（如自编码器）从高维热图像中提取特征嵌入，将图像从高维输入空间转换到低维潜在空间。为了处理图像捕获的不规则时间间隔，使用带有正弦编码的深度序列模型来编码图像序列和它们之间的间隔时间。同时考虑了自操作开始以来的时间，提供操作周期内图像的位置信息。利用LSTM（长短期记忆网络）作为上下文编码器，将前一个时间步的隐藏状态和当前时间步的联合嵌入（包括图像嵌入、时间间隔嵌入和操作开始以来的时间嵌入）结合起来，更新上下文向量。由于LSTM能够考虑长期依赖关系，它能够处理时间序列的非平稳性，即序列的统计特性随时间变化，例如日常季节性模式。在ForecastAD模型中，LSTM能够处理图像捕获的不规则时间间隔。通过正弦编码将时间间隔嵌入到模型中，LSTM可以考虑到每个时间步之间的不同时间长度。使用解码器网络（与编码器网络一起预训练）基于上下文向量重建图像。重建误差被用作异常得分，难以重建的图像被认为是异常的。
对于一个新的数据点，其异常得分定义为原始图像和预测图像之间的重建误差。ForecastAD方法特别关注于处理时间序列数据的不规则性和时间依赖性，以及如何从高维热图像中提取有用的特征来预测和检测异常。在论文中，作者们进行了一系列实验来评估他们提出的ForecastAD方法，并与现有的最先进方法进行比较。以下是实验的具体步骤和效果：论文中使用了从CSP厂操作期间收集的一年时间序列热图像数据。数据集被分为训练集、验证集和测试集。具体划分逻辑如下图所示：研究者与多个现有的最先进异常检测方法进行比较，包括自编码器、CFlow、DRÆM、FastFlow、PaDiM、PatchCore和Reverse Distillation等。使用AUROC（Area Under the Receiver Operating Characteristics Curve）和AUPR（Area Under the Precision-Recall Curve）作为主要评估指标。如上表所示，在多个测试设置中，ForecastAD在AUROC和AUPR指标上普遍优于其他比较的基线方法。特别是在检测低温异常方面，ForecastAD显示出显著的性能提升，这是许多现有方法难以处理的问题。上图展示了在实际的CSP厂数据上的部署的效果。结果表明，ForecastAD能够为维护提供关键的见解，有助于实现设备的策略性维护。实验结果还表明，ForecastAD对于操作阶段和外部天气条件的变化具有鲁棒性。总的来说，实验表明ForecastAD方法在检测CSP厂热图像序列中的异常操作方面是有效的，并且与现有的最先进方法相比有显著的改进。此外，该方法在实际部署中也显示出了实际应用的潜力。
数据派THU作为数据科学类公众号，背靠清华大学大数据研究中心，分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识，努力建设数据人才聚集平台、打造中国大数据最强集团军。
新浪微博：@数据派THU
微信视频号：数据派THU
今日头条：数据派THU
