买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉深圳市建融新能源科技有限公司申请的专利一种基于深度学习的智能光伏监测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118449451B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410542721.9，技术领域涉及：H02S50/00；该发明授权一种基于深度学习的智能光伏监测方法及系统是由刘德文;乔海祥;邓利军;李俊芳;杨春佳;曾昆;郭留雨;张致露;胡移军;盛灿文;魏江;高竟翔设计研发完成，并于2024-04-30向国家知识产权局提交的专利申请。

本一种基于深度学习的智能光伏监测方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的智能光伏监测方法及系统，包括S1：获取单位时间内的光照强度、气温以及原始光伏功率数据并进行预处理，得到预处理后的光照强度、气温以及光伏功率数据；S2：对光伏阵列进行区域划分，并使用局部离群因子法进行异常值粗检测，计算所有正常区域输出功率均值；S3：构建动态阈值训练网络，结合实时光照强度、气温和正常区域输出功率均值，训练动态阈值；S4：设定动态阈值训练网络的输入、输出和优化目标；S5：基于自适应优化算法优化动态阈值训练网络的参数。本发明解决了传统固定阈值无法自适应调整的问题，确保光伏监测系统在不同天气条件下能够准确判断光伏板的运行状态，提高了系统的稳健性和可靠性。

本发明授权一种基于深度学习的智能光伏监测方法及系统在权利要求书中公布了：1.一种基于深度学习的智能光伏监测方法，包括使用由多个光伏板通过机械和电气方式连接组成的光伏阵列收集光照强度和光伏阵列输出功率数据，其特征在于，包括以下步骤：S1：获取单位时间内的光照强度、气温以及原始光伏功率数据并进行预处理，得到预处理后的光照强度、气温以及光伏功率数据；S2：对光伏阵列进行区域划分，并使用局部离群因子法进行异常值粗检测，计算所有正常区域输出功率均值；S21：将所有的光伏阵列划分为n个光伏阵列区域，每个区域包含m个光伏阵列；S22：对于每个光伏阵列区域，采用局部离群因子法进行异常值粗检测；S23：将有包含异常值的光伏阵列区域剔除，分别计算所有正常区域输出功率均值；S3：构建动态阈值训练网络，结合实时光照强度、气温和正常区域输出功率均值，训练动态阈值；包括以下步骤：S31：构建时序权重提取器，提取光照强度、气温和正常区域输出功率均值在不同时间步时的重要性，计算方式为：Attentionht＝softmaxWatt·tanhWh·ht+bh其中，Attentionht为注意力权重，ht为基于循环神经网络的隐状态序列，softmax为softmax函数，Watt为注意力权重参数，tanh为tanh函数，Wh为映射隐状态序列的参数矩阵，bh为映射隐状态序列的偏置向量；S32：结合注意力权重修正时序序列，计算方式为： 其中，WeightedInputxt，Attentionht为经过权重修正的时序序列，xt为原始输入数据，N为时序数据的维度数量，f为时序数据索引，xt，f为带索引的原始输入数据，Attentionhtf为带索引的注意力权重；S33：构建时序特征提取器，提取光照强度、气温和正常区域输出功率均值的时序变化特征，计算方式为：Featurext＝GRUWeightedInputxt，Attentionht其中，Featurext为时序变化特征，GRU为GRU网络操作；S34：融合光照强度、气温和正常区域输出功率的时序变化特征，输出报警阈值，计算方式为：Threshold＝LinearConcatenate[Featurext1，Featurext2，Featurext3]其中，Threshold为报警阈值，Linear为神经网络线性层操作，Concatenate为拼接操作，Featurext1，Featurext2，Featurext3分别为光照强度、气温和正常区域输出功率均值的时序变化特征；S4：设定动态阈值训练网络的输入、输出和优化目标；S5：基于自适应优化算法优化动态阈值训练网络的参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人深圳市建融新能源科技有限公司，其通讯地址为：518066 广东省深圳市前海深港合作区南山街道梦海大道5035号前海华润金融中心T5写字楼3006；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。