(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111210412.4 (22)申请日 2021.10.18 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家未来科 技城华能人才创新创业基地实验楼A 楼 申请人 华能 （浙江） 能源开发有限公司清洁 能源分公司 (72)发明人 王振荣　曾谁飞　卢泽华　李邦兴　 冯帆　王青天　王华　赵鹏程　 王恩民　李小翔　任鑫　郑建飞　 周军军　苏人奇　刘述鹏　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 赵迪(51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种设备异常组串损失电量计算方法、 系统 及计算机设备 (57)摘要 本发明涉及一种设备异常组串损失电量计 算方法、 系统及计算机设备， 所述方法包括： 获取 光伏设备中各组串在当前日期下各时刻的电流、 电压数据和组串日异常标签； 利用光伏设备中各 组串的组串日异常标签确定当前日期对应的所 述光伏设备中异常组串和正常组串； 将当前日期 下各正常组串在各时刻 的电流同时输入所述各 异常组串对应的预先建立的全连接神经网络模 型中， 分别获得当前日期下各异常组串对应的各 时刻的预测电流； 基于所述当前日期下各异常组 串对应的各时刻 的预测电流和所述获取的异常 组串的电流、 电压数据确定光伏设备组串异常导 致的日损失电量。 本发明提供的技术方案， 可 以 量化光伏设备中异常组串造成的电量损失值， 且 准确度高。 权利要求书3页 说明书8页 附图3页 CN 114036820 A 2022.02.11 CN 114036820 A 1.一种设备异常组串损失电量计算方法， 其特 征在于， 所述方法包括： 获取光伏设备中各组串在当前日期下 各时刻的电流、 电压数据和组串日异常标签； 利用光伏设备中各组串的组串日异常标签确定当前日期对应的所述光伏设备中异常 组串和正常组串； 将当前日期下各正常组串在各时刻的电流同时输入所述各异常组串对应的预先建立 的全连接神经网络模型中， 分别获得当前日期下 各异常组串对应的各时刻的预测电流； 基于所述当前日期下各异常组串对应的各时刻的预测电流和所述获取的异常组串的 电流、 电压数据确定光伏设备组串异常导 致的日损失电量。 2.如权利要求1所述的方法， 其特征在于， 所述各异常组串对应的全连接神经网络模型 的建立过程， 包括： 步骤a： 获取光伏设备中各组串在当前日期前的预设时段内各时刻的 电流和组串日异 常标签数据； 步骤b： 基于所述日异常标签数据对获取的光伏设备中各组串在当前日期前的预设时 段内各时刻的电流数据进行清洗； 步骤c： 将所述清洗后的数据分别进行横向归一化和纵向归一化， 得到横向归一化后的 电流数据和纵向归一 化后的电流数据； 步骤d： 根据当前日期对应的所述光伏设备中各异常组串的编号分别选取建立所述各 异常组串对应的全连接神经网络模型时所需的横向归一化后的电流数据和纵向归一化后 的电流数据； 步骤e： 以建立第q个异常组串对应的建立全连接神经网络模型时所需的正常组串横向 归一化后的电流数据为输入， 以建立第q个异常组串对应的建立全连接神经网络模型时所 需的异常组串横向归一化后的电流数据为输出， 输入初始全连接神经网络模型， 得到第q个 异常组串对应的第一全连接神经网络模型； 以建立第q个异常组串对应的建立全连接神经网络模型时所需的正常组串纵向归一化 后的电流数据为输入， 以建立第q个异常组串对应的建立全连接神经网络模型时所需的异 常组串纵向归一化后的电流数据为输出， 输入初始全连接神经网络模 型， 得到第q个异常组 串对应的第二全连接神经网络模型； 步骤f： 分别计算第一全连接神经网络模型和第二全连接神经网络模型输出的预设时 段内各时刻异常组串的预测电流数据与步骤a中获取 的对应电流数据的均方误差损失值， 并判断各均方误差损失值是否小于等于预设的损失 阈值， 若是， 则结束对应模型的训练， 否 则， 通过反向传播算法和梯度下降方法对模型参数进行调整， 直到均方误差损失值小于等 于预设的损失阈值； 步骤g： 训练完成时第q个异常组串对应的第 一全连接神经网络模型和第 二全连接神经 网络模型 的均方误差损失值， 选取均方误差损失值最小的值对应的所述模型作为第q个异 常组串对应的全连接神经网络模型； 步骤h： 令q＝q+1， 返回步骤e， 直至q＝ Q,Q为当前日期下光伏设备中异常组串的总数。 3.如权利要求2所述的方法， 其特征在于， 所述基于所述日异常标签数据对获取的光伏 设备中各组串在当前日期前的预设时段内各时刻的电流数据进行清洗， 包括： 若组串的日异常标签数据显示对应日期下所述组串异常， 则将所述对应日期下所述组权　利　要　求　书 1/3 页 2 CN 114036820 A 2串的电流数据设置为空值。 4.如权利要求2所述的方法， 其特征在于， 所述横向归一化包括： 基于预设时段内每个 组串电流 值的最大最小值进行横向归一 化； 所述纵向归一 化包括： 基于每天所有组串电流 值的最大最小值进行纵向归一 化； 其中， 按下式确定第m号组串在预设时段内j时刻的电流值进行横向归一化后的电流值 Wm,j： 式中， Wm,j为第m号组串在 预设时段内j时刻的电流值， k∈h， h为预设时段内各 时刻的集 合； 按下式确定预设时段的日期d中某一设备的m号组串在预设时段内j时刻的电流值进行 纵向归一 化后的电流 值Wd m,j： 式中， 为预设时段的日期d中某一设备m号组串在预设 时段内j时刻的电流值， d∈D， D为预设时段内的日期数， t∈T， T为预设时段内一个日期中所有时刻构成的集合， n为光伏 电站中某一设备组串编号的集 合。 5.如权利要求1所述的方法， 其特征在于， 所述基于所述当前 日期下各异常组串对应的 各时刻的预测电流和所述 获取的异常组串的电流、 电压数据确定光伏设备组串异常导致的 日损失电量， 包括： 根据当前日期下所述各异常组串各时刻的电流和电压数据分别确定当前日期下各异 常组串的实 发电量； 根据当前日期下所述各异常组串各时刻的预测流量和电压数据分别确定当前日期下 各异常组串的应发电量； 基于当前日期下各异常组串的实发电量和各异常组串的应发电量确定光伏电站组串 异常日损失电量。 6.如权利要求5所述的方法， 其特征在于， 所述当前日期下第 f个异常组串的实 际发电 量Rf的计算式如下 所示： 式中， Utf为当前日期下第f个异常 组串t时刻的电压值， Itf为当前日期下第f个异常 组串 t时刻的电流 值， E为预设的时长系数； 所述当前日期下第f个异常组串的应发电量Af的计算式如下 所示： 式中， Utf为当前日期下第f个异常组串t时刻的电压 值， 为当前日期下第f个异常组串 t时刻的预测电流 值,E为预设的时长系数。权　利　要　求　书 2/3 页 3 CN 114036820 A 3