光伏逆变器性能的优劣直接影响光伏电站的生产效率,利用互联网监控技术,结合大数据和数据挖掘技术可以自动且快速的发现逆变器存在的异常。随着传感器技术不断升级,逆变器采集的时序数据呈现出多维、数据量大、复杂等特点,深度学习技术被不断应用在逆变器的异常检测中。因此,本文针对逆变器异常检测做了如下工作:首先,本文利用半监督的思想,只需要逆变器正常工作下的数据建立模型,因此利用时间功率图的特性,通过一种基于密度的空间聚类算法（DBSCAN）,去除逆变器停机、维护等非正常工作状态下的数据,只保留正常工作状态下的时间序列数据。将正常时间序列利用滑动窗口的方式挖掘原始时间序列的不同变化,生成时间序列中每个向量相关联的各种统计性特征。然后,设计了一种基于长短期记忆网络的深度自编码高斯混合模型（LSTM-DAGMM）。将经过特征增强的统计性特征作为模型的输入,该模型由压缩网络和估计网络构成,压缩网络由基于LSTM的自编码器构成,通过生成的压缩特征作为估计网络的输入,估计网络输出每个压缩特征的隶属度,然后端到端的输入到高斯混合模型（GMM）,不断迭代后,将训练好的GMM通过输出能量密度概率判断逆变器异常。该模型克服了数据标签不足的问题,额外考虑了特征序列与时间轴的关系,在处理多维、复杂的时序数据和异常检测方面具有很大优势。最后,本文设计了光伏逆变器异常检测系统,以Django框架为基础,采用Spark SQL处理数据,利用Mysql数据库存储设备数据,实现了光伏逆变器异常检测的可视化网站。