[發明專利]一種基于NICE模型增強光伏竊電數據的方法及系統

在審

• 申請號: 202110767039.6
• 申請日: 2021-07-07
• 公開（公告）號: CN113919408A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 楊藝寧;宋如楠;王聰;楊柳;張蓬鶴;薛陽;陳昊;徐英輝;杜新綱;葛得輝;周暉
• 申請（專利權）人: 中國電力科學研究院有限公司;國家電網有限公司;國網江西省電力有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q30/00;G06Q50/06
• 代理公司: 北京工信聯合知識產權代理有限公司 11266
• 代理人: 夏德政

本發明公開了一種基于NICE模型增強光伏竊電數據的方法及系統，屬于竊電檢測技術領域。本發明發法包括：對NICE模型導入竊電的原始數據，獲取分布式光伏的功率預測值，確定分布式光伏的功率預測值和測量值的偏差，作為NICE模型和分類器的輸入變量；將分布式光伏的功率預測值和測量值的偏差輸入NICE模型，對NICE模型進行訓練，且生成NICE生成模型，截取NICE模型的解碼器生成新樣本；將新樣本及原始數據輸入分類器，進行訓練，生成CNN分類器；對生成的NICE生成模型及CNN分類器，進行性能評估；將目標分布式光伏竊電數據輸入NICE生成模型及CNN分類器，進行計算，輸出增強的光伏竊電數據。本發明可充分挖掘出竊電樣本的潛在分布特征，能夠生成更高質量的新樣本。

技術領域

本發明涉及竊電檢測技術領域，并且更具體地，涉及一種基于NICE模型增強光伏竊電數據的方法及系統。

背景技術

分布式光伏竊電指的是:用戶通過一些不正當的技術手段，惡意篡改分布式光伏的上網電量值，以騙取高額的補貼。這種竊電行為嚴重影響了新能源政策的實施，給電力公司和社會造成了巨大的經濟損失。因此，開展分布式光伏竊電檢測研究對于推動可再生能源發電行業的發展具有重要的意義。

已有的分布式光伏竊電檢測方法可以劃分成有監督分類和無監督回歸兩種類型。其中，無監督回歸法指的是：通過比對光伏發電量的實際值和預測值之間的偏差，來判定竊電現象。此方法適用于為尚未構建光伏竊電數據集時的檢測，且其存在著難以設定閾值和檢測準確率低的問題。

基于有監督分類的分布式光伏竊電檢測方法主要包括：支持向量機、多層感知機、貝葉斯網絡和極限梯度提升樹等傳統數據挖掘方法以及新興的深度學習技術，如深度置信網絡和卷積神經網絡。其中，傳統的數據挖掘方法的原理比較簡單，對于訓練集中分布式光伏竊電曲線的數據量要求不高，且應用范圍比較廣。但它們普遍存在特征提取能力低，檢測準確率有限的問題。相對而言，深度神經網絡不僅具有強大的特征提取能力，還能映射復雜的非線性關系，比傳統方法具有更高的檢測精度。

數據集中包含足夠數量的竊電功率曲線是確保深度神經網絡具有較強泛化能力的基礎。然而，由于用戶數量大、竊電方式隱蔽性強以及稽查資源有限等原因，導致反竊電工作難度大。在實際工程中，電力公司已掌握的竊電樣本個數有限，難以滿足深度神經網絡對于數據量的要求。

因此，如何利用有限的分布式光伏竊電功率曲線進行數據增強，從而提升竊電檢測的準確率，是當前亟待解決的問題。

發明內容

本發明目的在于充分利用有限的分布式光伏竊電功率曲線,對其進行數據增強，從而提升竊電檢測的準確率，而提出了一種基于NICE模型增強光伏竊電數據的方法，包括：

對NICE模型導入分布式光伏竊電的原始數據，獲取分布式光伏的功率預測值，確定分布式光伏的功率預測值和測量值的偏差，將分布式光伏的功率預測值和測量值的偏差作為NICE模型和分類器的輸入變量；

將分布式光伏的功率預測值和測量值的偏差輸入NICE模型，對NICE模型進行訓練，且生成NICE生成模型，根據NICE生成模型，截取NICE模型的解碼器生成新樣本；

將新樣本及原始數據輸入分類器，對新樣本和原始數據進行訓練，生成CNN分類器；

對生成的NICE生成模型及CNN分類器，進行性能評估；

若性能評估符合要求，將目標分布式光伏竊電數據輸入NICE生成模型及CNN分類器，進行計算，輸出增強的光伏竊電數據。

可選的，原始數據信息，包括：光照強度、溫度、相對濕度、壓強和時間。

可選的，CNN分類器運用卷積神經網絡對NICE模型生成新樣本和原始數據進行分類的訓練，通過卷積神經網絡的卷積層和池化層獲取輸入變量的特征數據信息。