机器学习在光伏组串电流持续偏低故障预测过程中的应用

机器学习是人工智能的核心。机器学习数据流水线是由若干个计算阶段组成的序列，每个阶段是一个转换模块或者估计模块。这些阶段会按顺序执行，输入数据在流水线中流经每个阶段时会被处理和转换。本文描述机器学习在光伏组串电流持续偏低故障预测过程中的应用。数据流水线如下图所示：

流水线

接下来介绍每个步骤的细节。

数据采集：从不同数据源采集光伏组串电流数据。实践经验表明，光伏组串电流数据规模是GB、TB甚至PB。数据源具有分布式、异构性（包括数据格式和存储介质）、易变性等特点。

特征工程：包括以下步骤。

（1）数据预处理：主要工作是数据清洗，数据清洗是流水线中的第一步，主要是要把输入数据转换成结构化数据，以方便后续的数据处理和预测性分析。由于原始数据总会存在各种各样的问题，例如数据不完整、数据不正确或不合法等，数据清洗过程采用不同的方法，包括补全默认值、数据格式转换等，对数据完成清洗任务。

（2）特征抽取：根据模型的需要，对清洗后的数据抽取有用特征，比如光伏组串电流显著特征是随着太阳辐射强度的变化而变化。

（3）特征转换：转化数据，使之成为有效的特征。一般采用标准化、归一化、特征的离散化等。

（4）特征选择：选择最适合模型的特征，一般采用方差选择法、相关系数法等选择最适合模型的特征。

模型训练：机器学习模型包括学习算法和模型。学习算法会从训练数据中发现光伏组串电流持续偏低模式，并生成输出模型。

模型验证：该环节包括模型评估和调整，以衡量用它来预测光伏组串电流持续偏低预测的有效性。

模型选择：分析光伏组串流水线数据，使用转换器和估计器选择适合参数。

模型部署：一旦选择了合适的模型，我们就可以开始部署，输入新数据并得到预测性的分析结果。