为有效检测光伏系统发电异常，文中提出了一种融合量子粒子群优化算法（quantum particle swarm optimi⁃ zation，QPSO）与长短期记忆神经网络（long short-term memory，LSTM）的光伏功率异常检测方法。首先，进行光伏系统数据的预处理，剔除异常值以确保数据质量，运用相关性分析，确定对光伏输出功率影响显著的气象参数，并将其作为模型的输入特征；接着，采用QPSO 算法，优化LSTM 网络的超参数，构建一个高效且精准的预测模型；最后，通过实际值与模型预测值对比，检测光伏系统异常情况。实验结果表明，构建的QPSO-LSTM 模型可以增强预测的准确性，通过分析实际功率输出与模型预测值之间的差异，可以有效识别光伏系统中的发电异常情况，为系统的稳定运行提供了坚实的技术支持。
[1] 吉兴全，刘健，叶平峰，等 . 计及灵活性与可靠性的综合能源 系统优化调度[J]. 电力系统自动化，2023，47（8）∶132-144.
[2] 周勤勇，李根兆，秦晓辉，等 . 能源革命下的电力系统范式 转换分析[J]. 中国电力，2024，57（3）∶1-11.
[3] Pillai D S，Rajasekar N.A comprehensive review on protec- tion challenges and fault diagnosis in PV systems[J].Renew- able and Sustainable Energy Reviews，2018，91 ∶18-40.
[4] 梁健锋，胡振球，黄灿，等 . 基于红外热成像检测的光伏电 站异常分析[J]. 太阳能，2024（ 1）∶70-76.
[5] 林维修，李峰，王海峰，等 . 基于图像处理的光伏组件热斑缺 陷检测方法[J]. 计算技术与自动化，2024，43（3）∶121-126.
[6] Mellit A.An embedded solution for fault detection and diag- nosis of photovoltaic modules using thermographic images and deep convolutional neural networks[J].Engineering Appli- cations of Artificial Intelligence，2022，116 ∶105459.
[7] Qu J，Qian Z，Pei Y，et al. An unsupervised hourly weather status pattern recognition and blending fitting model for PV system fault detection[J].Applied Energy，2022，319 ∶119271.
[8] Li B，Delpha C，Diallo D，et al.Application of Artificial Neu- ral Networks to photovoltaic fault detection and diagnosis：A review[J]. Renewable and Sustainable Energy Reviews， 2021，138 ∶110512.
[9] Ramadan E A，Moawad N M，Abouzalm B A，et al.An inno- vative transformer neural network for fault detection and classification for photovoltaic modules[J]. Energy Conversion and Management，2024，314 ∶118718.
[10] 朱润泽，王德军 . 基于 LSTM神经网络的光伏系统功率预 测[J]. 电力科技与环保，2023，39（3）∶201-206.
[11] Satpathy P R，Aljafari B，Thanikanti S B，et al. Electrical fault tolerance of photovoltaic array configurations：Experi- mental investigation，performance analysis，monitoring and detection[J].Renewable Energy，2023，206 ∶960-981.
[12] 丛伟伦，张博，夏亚东，等 . 基于马尔可夫链的光伏电站遮 挡实时诊断算法[J]. 太阳能学报，2020，41（4）∶67-72.
[13] Harrou F，Sun Y，Taghezouit B，et al. Reliable fault detec- tion and diagnosis of photovoltaic systems based on statisti- cal monitoring approaches[J].Renewable Energy，2018，116 ∶ 22-37.
[14] Lu S D，Liu H D，Wang M H，et al.Anovel strategy for mul- titype fault diagnosis in photovoltaic systems using multi- ple regression analysis and support vector machines[J].Ener- gy Reports，2024，12 ∶2824-2844.
[15] 李斌，高鹏，郭自强 . 改进蜣螂算法优化LSTM的光伏阵列故 障诊断[J]. 电力系统及其自动化学报，2024，36（8）∶70-78.
[16] Zhou N，Shang B，Xu M，et al. Enhancing photovoltaic power prediction using a CNN-LSTM-attention hybrid model with Bayesian hyperparameter optimization[J].Global Energy In- terconnection，2024，7（5）∶667-681.
[17] 秦宇，许野，王鑫鹏，等 . 基于改进 FCM-LSTM 的光伏出 力短期预测研究[J]. 太阳能学报，2024，45（8）∶304-313.
[18] 王涛，王旭，许野，等 . 计及相似日的 LSTM光伏出力预测 模型研究[J]. 太阳能学报，2023，44（8）∶316-323.
[19] 薛阳，李金星，杨江天，等 . 基于相似日分析和改进鲸鱼算 法优化 LSTM 网络模型的光伏功率短期预测[J]. 南方电 网技术，2024，18（ 11）∶97-105.
[20] Xin-gang Z，Ze-qi Z，Yi-min X，et al. Economic-environ- mental dispatch of microgrid based on improved quantum particle swarm optimization[J]. Energy，2020，195 ∶117014.
[21]周晓东，肖正江，杨坤鹏，等 .基于改进量子粒子群算法的叶片延 长翼型厚度优化设计[J]. 节能技术，2024，42（4）∶345-352.
[22] A wind power prediction framework for distributed power grids[J].Energy Engineering，2024，121（5）∶1291-1307.
[23] 谭才兴，岳雨霏，汤赐 . 基于 QPSO-LSTM的短期风电负荷 预测模型[J]. 中阿科技论坛（中英文），2023（ 12）∶88-91.
[24] 王晓倩，周羽生，毛源军，等 . 基于神经网络分位数的分布 光伏发电功率异常识别方法[J/OL].上海交通大学学报， 2024：1-18 [2024-02-28].DOI：10. 16183/j.cnki.jsjtu.2023.412.
[25] 赵博超，马嘉骏，崔磊，等 . 基于改进 VMD-XGBoost-BiL STM 组 合 模 型 的 光 伏 发 电 异 常 检 测[J]. 计 算 机 工 程 ， 2024，50（3）∶306-316.
