CN114036820A - 一种设备异常组串损失电量计算方法、***及计算机设备 - Google Patents
一种设备异常组串损失电量计算方法、***及计算机设备 Download PDFInfo
- Publication number
- CN114036820A CN114036820A CN202111210412.4A CN202111210412A CN114036820A CN 114036820 A CN114036820 A CN 114036820A CN 202111210412 A CN202111210412 A CN 202111210412A CN 114036820 A CN114036820 A CN 114036820A
- Authority
- CN
- China
- Prior art keywords
- string
- abnormal
- current
- group
- current date
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 46
- 238000010248 power generation Methods 0.000 claims description 29
- 230000002354 daily effect Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种设备异常组串损失电量计算方法、***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。
Description
技术领域
本发明涉及光伏设备中异常组串电量损失领域,具体涉及一种设备异常组串损失电量计算方法、***及计算机设备。
背景技术
随着光伏电站的普及,其对电站经济高效运维有强烈的需求。光伏电站通常包括组串逆变器以及多个光伏组串,每个光伏组串包括多个光伏组件。多个光伏组串接入同一组串逆变器,组串逆变器将直流电转化为交流电,从而接入电网。其中,预先识别出异常的光伏组串及计算出光伏组串异常产生的电量损失是电站经济高效运维有强烈关键。
目前仅有对所述组串的异常识别方法,并未量化组串异常造成的电量损失,使得电站不能够进行精细化管理,进而导致不能够稳定的运行。
发明内容
本申请提供一种设备异常组串损失电量计算方法、***及计算机设备,以至少解决相关技术中的异常组串的损失电量不能够量化的技术问题。
本申请第一方面实施例提出一种设备异常组串损失电量计算方法,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。
本申请第二方面实施例提出一种设备异常组串损失电量计算***,包括:
第一获取模块,用于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;
第一确定模块,用于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;
第二获取模块,用于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;
第二确定模块,用于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。
本申请第三方面实施例提出的计算机存储介质,其中,所述计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行后,能够实现如上第一方面所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
本发明提供一种设备异常组串损失电量计算方法、***及计算机设备中,先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;然后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;随后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;最后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,通过对设备中组串异常造成的电量损失进行量化,可以精细电站的管理,进而使得电网安全稳定的运行。
本申请附加的方面以及优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请一个实施例提供的设备异常组串损失电量计算方法的流程图;
图2是根据本申请一个实施例提供的设备中异常组串的日损失电量计算方法的具体流程图;
图3是根据本申请一个实施例提供的预测电流误差曲线图;
图4是根据本申请一个实施例提供的设备异常组串损失电量计算***的结构图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请提出的设备异常组串损失电量计算方法、***及计算机设备中,先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;然后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;随后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;最后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,通过对设备中组串异常造成的电量损失进行量化,可以精细电站的管理,进而使得电网安全稳定的运行。
实施例1
图1为本公开实施例提供的一种设备异常组串损失电量计算方法的流程图,如图1所示,所述方法包括:
步骤1: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;
步骤2: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;
步骤3: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;
步骤4: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。
其中,在步骤3之前还包括:
建立当前日期下各异常组串对应的全连接神经网络模型。
具体的,所述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;
示例的,获取当前日期前30天光伏设备中各组串在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;
需要说明的是,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串的电流数据设置为空值。
示例的,基于上述获取的30天内各组串的日异常标签确定30天内每天异常的组串编号,并将每天异常组串的电流数据设置为空值;
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;
需要说明的是,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:基于每天某一设备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,Im,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中某一设备的第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:
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;
需要说明的是,若当前日期下所述光伏设备中的1号组串和2号组串异常,在训练1号组串对应的全连接神经网络模型时,选取获取的30天内除2号组串对应的电流数据外的其他归一化后的数据。
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;
需要说明的是,所述初始全连接神经网络模型包含:一个输入层、一个隐藏层和一个输出层。
示例的,在当前日期下光伏设备中1号和2号组串异常时,在建立1号组串第j时刻对应的第一全连接神经网络模型时,以选取的横向归一化数据中除1号组串对应数据外的其他组串第j时刻对应的数据为输入,以选取的横向归一化后数据中1号组串第j时刻对应的数据为输出,输入初始全连接神经网络模型,得到1号组串第j时刻对应的第一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。
步骤4具体包括:
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。
其中,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,Ut f为当前日期下第f个异常组串t时刻的电压值,It f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:
所述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,包括:
获取当前日期下光伏电站中各异常光伏组串的实发电量之和与应发电量之和;
将所述应发电量之和与所述实际电量之和做差,得到当前日期下光伏电站组串异常的损失电量。
结合上述设备异常组串损失电量计算对本申请的具体方法进行举例说明:
如图2所示提供一种设备中异常组串的日损失电量计算方法的具体流程图,所述方法包括:
首先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以及当前日期前30天内各组串各时刻的电流、电压数据;其次基于所述组串日异常标签数据进行数据清洗;然后对数据进行横向归一后和纵向归一化;随后构建全连接神经网络模型并确定损失函数MSE,基于所述模型对应的损失值对模型参数进行调整获取两个全连接神经网络模型;随后择优选择一个全连接神经网络模型进行异常组串电流的预测,基于所述预测电流值计算光伏设备的日损失电量。
对上述方法进行测试,如图3所示,可以得到,训练得到的模型预测的电流与其实际电流值产生的误差极小,保证了预测的准确性。
综上所述本发明提供一种设备异常组串损失电量计算方法通过对设备中组串异常造成的电量损失进行量化,可以精细电站的管理,进而使得电网安全稳定的运行。
实施例2
图2为本公开实施例提供的一种设备异常组串损失电量计算***的结构图,如图2所示,所述***包括:
第一获取模块,用于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;
第一确定模块,用于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;
第二获取模块,用于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;
第二确定模块,用于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。
具体的,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。
在本实施例中,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串的电流数据设置为空值。
其中,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:
具体的,第二确定模块,包括:
第一确定单元,用于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;
第二确定单元,用于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;
第三确定单元,用于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。
进一步的,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,Ut f为当前日期下第f个异常组串t时刻的电压值,It f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:
在本申请中,所述第三确定单元具体用于:
获取当前日期下光伏电站中各异常光伏组串的实发电量之和与应发电量之和,将所述应发电量之和与所述实际电量之和做差,得到当前日期下光伏电站组串异常的损失电量。
综上所述本发明提供一种设备异常组串损失电量计算***通过对设备中组串异常造成的电量损失进行量化,可以精细电站的管理,进而使得电网安全稳定的运行。
实施例3
为了实现上述实施例,本公开还提出一种计算机设备。
本实施例提供的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现实施例1中的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
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:
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。
7.如权利要求6所述的方法,其特征在于,所述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,包括:
获取当前日期下光伏电站中各异常光伏组串的实发电量之和与应发电量之和;
将所述应发电量之和与所述实际电量之和做差,得到当前日期下光伏电站组串异常的损失电量。
8.一种设备异常组串损失电量计算***,其特征在于,所述***包括:
第一获取模块,用于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;
第一确定模块,用于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;
第二获取模块,用于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;
第二确定模块,用于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。
9.如权利要求8所述的***,其特征在于,所述第二确定模块包括:
第一确定单元,用于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;
第二确定单元,用于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;
第三确定单元,用于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。
10.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如权利要求1-7中任一的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111210412.4A CN114036820B (zh) | 2021-10-18 | 2021-10-18 | 一种设备异常组串损失电量计算方法、***及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111210412.4A CN114036820B (zh) | 2021-10-18 | 2021-10-18 | 一种设备异常组串损失电量计算方法、***及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114036820A true CN114036820A (zh) | 2022-02-11 |
CN114036820B CN114036820B (zh) | 2024-07-12 |
Family
ID=80135260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111210412.4A Active CN114036820B (zh) | 2021-10-18 | 2021-10-18 | 一种设备异常组串损失电量计算方法、***及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036820B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539550A (zh) * | 2020-03-13 | 2020-08-14 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN111740698A (zh) * | 2020-07-01 | 2020-10-02 | 江苏新塔物联网研究院有限公司 | 一种光伏组件参数在线监测及故障诊断*** |
CN113074773A (zh) * | 2020-01-03 | 2021-07-06 | 四方特变电工智能电气有限公司 | 一种互感器智能非电量在线监测装置及方法 |
WO2021179700A1 (zh) * | 2020-03-12 | 2021-09-16 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-10-18 CN CN202111210412.4A patent/CN114036820B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113074773A (zh) * | 2020-01-03 | 2021-07-06 | 四方特变电工智能电气有限公司 | 一种互感器智能非电量在线监测装置及方法 |
WO2021179700A1 (zh) * | 2020-03-12 | 2021-09-16 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
CN111539550A (zh) * | 2020-03-13 | 2020-08-14 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN111740698A (zh) * | 2020-07-01 | 2020-10-02 | 江苏新塔物联网研究院有限公司 | 一种光伏组件参数在线监测及故障诊断*** |
Non-Patent Citations (1)
Title |
---|
郑建飞;刘恒;王海明;郑海;: "确保地面光伏电站多发电量的实践", 水电与新能源, no. 11, 30 November 2017 (2017-11-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN114036820B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10289765B2 (en) | Fast model generating and solving method for security-constrained power system operation simulation | |
US8996185B2 (en) | Method for scheduling power generators based on optimal configurations and approximate dynamic programming | |
CN110516912A (zh) | 一种配电台区户变关系的识别方法 | |
Dehghani et al. | Adaptive network reliability analysis: Methodology and applications to power grid | |
Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
CN113159341A (zh) | 融合深度强化学习和专家经验的配电网辅助决策方法及*** | |
Yao et al. | Management of cascading outage risk based on risk gradient and Markovian tree search | |
CN106776316A (zh) | 一种电力信息软件缺陷预防方法 | |
CN115564310A (zh) | 一种基于卷积神经网络的新能源电力***可靠性评估方法 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
CN117634971A (zh) | 基于多源数据的路基施工质量控制方法及*** | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN110991729A (zh) | 一种基于迁移学习和多头注意力机制的负荷预测方法 | |
CN117557047A (zh) | 一种基于深度强化学习的配电设备运维优化方法及*** | |
CN112994011B (zh) | 考虑电压风险约束的多源电力***日前优化调度方法 | |
CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和*** | |
ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
CN109242304B (zh) | 一种电力***小概率事件可靠性评估的方法 | |
CN114036820B (zh) | 一种设备异常组串损失电量计算方法、***及计算机设备 | |
CN113128130B (zh) | 一种判断直流配电***稳定性的实时监测方法及装置 | |
CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制***、方法和介质 | |
Shan et al. | Root Cause Analysis of Failures for Power Communication Network Based on CNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |