CN104794544A - 基于智能算法的分布式光伏发电防窃电监测方法 - Google Patents

Abstract

本发明公开了一种基于智能算法的分布式光伏发电防窃电监测方法，其特征是，包括以下步骤：步骤一：建立分布式光伏发电数据库，数据库信息包括光伏电站历史气象资料和同期光伏发电功率数据；步骤二：以气象资料为输入量，以光伏发电功率值为输出，采用智能算法建立防窃电模型；步骤三：利用防窃电模型对光伏功率进行预测，通过光伏电站理论发电量计算模型，进而计算得到光伏电站的理论发电量；步骤四：将采集到的光伏电站实时发电量与光伏电站理论发电量输入到电量异常判定模块，可以得到光伏电站发电窃电嫌疑判定结果；本发明对光伏电量异常判定准确性高，给出窃电嫌疑系数，提高了稽查工作效率，为分布式光伏发电的有效监管提供证据。

Description

基于智能算法的分布式光伏发电防窃电监测方法

技术领域

本发明涉及一种基于智能算法的分布式光伏发电防窃电监测方法，属于光伏发电及其防窃电技术领域。

背景技术

目前国内尚没有针对分布式光伏窃电的有效防范手段，但近年来，新能源发电产业不断兴起，基于分布式光伏发电其特殊的发电方式及补贴政策，亦催生出很多新型的窃电手段，对供电企业的防窃电工作提出了更高的要求。与传统电力用户的窃电少计量用电量不同，分布式光伏发电窃电的目的在于多计量光伏的上网电量，以便于获取额外的补贴。

防窃电技术的研究对象侧重于电能计量表本体，主要针对传统用户窃电方式而开展。针对本专利所提出的分布式光伏发电防窃电技术，如何规避分布式光伏发电业主使得电表多计量发点量方面，目前国内外仍未见相关研究成果。目前对于光伏窃电的新特点，还没有实现快速准确定位窃电嫌疑用户及其窃电嫌疑系数的光伏防窃电方法。

发明内容

针对目前分布式光伏发电存在以骗取补贴为目的的窃电现象，本发明提供一种基于神经网络智能算法的防窃电监测方法，完善国网公司分布式光伏发电的计量安全能力，有利于分布式光伏发电补贴政策的实施。本发明根据窃电的多少给出不同的窃电嫌疑系数，判定准确性高。

为解决上述问题，本发明的技术方案如下：一种基于智能算法的分布式光伏发电防窃电监测方法，其特征是，包括以下步骤：

步骤一：建立分布式光伏发电数据库，数据库信息包括光伏电站历史气象资料和同期光伏发电功率数据。

步骤二：以气象资料为输入量，以光伏发电功率值为输出，采用智能算法建立防窃电模型，并进行验证。

步骤三：利用防窃电模型对光伏功率进行预测，通过光伏电站理论发电量计算模型，进而计算得到光伏电站的理论发电量。

步骤四：将采集到的光伏电站实时发电量与光伏电站理论发电量输入到电量异常判定模块，可以得到光伏电站发电窃电嫌疑判定结果，并根据不同的窃电嫌疑系数，进行相应的窃电事件告警。

优选的是，所述数据库的样本数据按照晴天、多云、阴天、雨天四种天气情况进行分类，样本数据分为训练样本和测试样本，训练样本和测试样本同时涵盖上述四种天气类型，且训练样本和测试样本占总样本的比例分别为70％和30％。

优选的是，利用建立好的BP神经网络，通过输入采集到的光伏电站辐照、温度等气象信息，便可实现光伏电站输出功率预测，由于光伏电站输出功率为随机变化量，且受辐照、温度等气象条件变化影响较大，单点不具有参考价值，为提高防窃电监测的准确性，本发明采用光伏电站发电量作为窃电与否的判别依据。由光伏电站输出功率预测值，可以计算得到光伏发电***的理论发电量。光伏发电***的理论发电量表达式为：

$W={\∫}_0^t\mathrm{Pdt}=\mathrm{Pt}$

其中，P为光伏发电功率，W为光伏发电量；即光伏发电量为光伏发电功率在时间t上的累积。考虑到光伏发电量为统计信息，光伏电量计算值与实际电量测量值之间微小的误差，在时间累积的作用下，也可能导致二者之间的偏差逐步增大，进而导致窃电误判。因而，所述光伏电站理论发电量计算模型为设定每十天为一周期，在该计算周期内，通过电量异常判定模块判定光伏电站电量是否异常，若异常进行相关告警；若正常，下一计算周期起点为光伏电站实际电量测量值，在此基础上重新计算光伏电站理论发电量。采用基于神经网络的统计学方法，避免了对光伏***逆变模型和光电转换模型的具体建模，可以减小***误差，提高光伏发电***的理论发电量计算的准确性。

优选的是，利用分布式光伏发电电量计算模型，可以计算得到光伏电站理论发电量。考虑到光伏发电量受气象条件影响较大，具有随机性和不可控的特点，为提高光伏电量异常判定的准确性，需要进行不确定分析，因此窃电嫌疑系数判定引入置信区间进行判定，置信区间上下限的计算采用样本均值和标准差计算得出或采用蒙特卡洛方法获得估计值分布，即当给出光伏电量理论值的95％置信区间为[a b]时，可以理解为我们有95％的信心保证样本的平均值介于a到b之间，而发生错误的概率为5％。

优选的是，置信区间上下限的计算采用样本均值和标准差计算得出，计算方式为：在已知样本均值(M)和标准差(ST)时，置信区间下限：a＝M-n*ST，置信区间上限：b＝M+n*ST；当求取90％置信区间时n＝1.645；当求取95％置信区间时n＝1.96；当求取99％置信区间时n＝2.576。

优选的是，光伏发电计量电表是安装在光伏逆变器出口的光伏发电量结算电表，该表上传的光伏发电量就是计量的该光伏电站的发电量，所述电量异常判定模块为根据光伏计量电量与光伏理论电量的置信区间上下限相比较判定，若光伏计量电量小于光伏理论电量的置信区间下限，则判定其发电异常，给出发电异常告警；若光伏计量电量大于光伏理论电量的置信区间上限，则判定存在窃电嫌疑。通过分布式光伏电站发电量的采集值与该置信区间上限的比较，得到不同的窃电嫌疑系数，从而提高了稽查的针对性，提高了稽查工作效率。

优选的是，所述窃电嫌疑系数为取Δ为光伏计量电量大于光伏理论电量的置信区间上限的差值占光伏理论电量的置信区间上限的百分比，即

当10％>Δ>0，窃电嫌疑系数为0.1；当20％>Δ≥10％，窃电嫌疑系数为0.2；当30％>Δ≥20％，窃电嫌疑系数为0.3；当40％>Δ≥30％，窃电嫌疑系数为0.4；当50％>Δ≥40％，窃电嫌疑系数为0.5；当60％>Δ≥50％，窃电嫌疑系数为0.6；当70％>Δ≥60％，窃电嫌疑系数为0.7；当80％>Δ≥70％，窃电嫌疑系数为0.8；当≥80％，窃电嫌疑系数为0.9。根据不同的窃电嫌疑系数，进行相应的窃电事件告警，同时窃电嫌疑系数越接近1，说明窃电可能性越大，进而可以将该月窃电嫌疑系数大的用户作为排查对象。

优选的是，所述智能算法包括BP神经网络、数据挖掘技术、支持向量机中任一种算法。

优选的是，采用BP神经网络建立防窃电模型的步骤如下：

a.根据光伏电站历史气象资料和同期光伏发电功率数据建立分布式光伏发电数据库，并将样本数据分为训练样本和测试样本；

b.建立BP神经网络，确定预测精度和网络结构，即确定输入节点数(n)、隐含层数、每个隐含层的节点数以及输出节点数(m)；

c.选择合适的算法训练网络，使之尽量拟合训练样本；

d.输入训练样本，计算各层输出及各层误差信号，若计算的误差满足要求，用测试样本验证该神经网络；

e.若误差不满足要求，需调整神经网络各层权值，重新计算各层误差信号，直至误差满足要求；

f.用测试样本数据检验训练好的网络，如果检验效果很好，就可利用训练好的网络结合新的气象信息对光伏功率进行预测，如果检验效果不好，调整网络各层权值，重复e步骤，直到得到较好的检验结果为止。

本发明所达到的有益效果：本发明所述基于智能算法的分布式光伏发电防窃电监测方法采用基于神经网络的统计学方法，光伏发电功率预测准确，避免了对光伏***逆变模型和光电转换模型的具体建模；所述基于智能算法的分布式光伏发电防窃电监测方法采用具有时间累积作用的光伏发电量作为窃电判定条件，且引入置信区间，光伏电量异常判定准确性高，窃电判定可信度高；所述基于智能算法的分布式光伏发电防窃电监测方法根据分布式光伏***逆变器出口的预测发电量与电能计量表上传的发电量进行对比判断，可以准确判断是否发生过窃电行为，以及窃电量多少的参考数据；所述基于智能算法的分布式光伏发电防窃电监测方法依据窃电诊断的结果给出窃电嫌疑系数，缩小了嫌疑范围，提高了稽查工作效率，为分布式光伏发电的有效监管提供证据。

附图说明

图1是本发明基于BP神经网络的防窃电模型流程图。

图2是本发明的原理图。

图3是本发明窃电嫌疑判定流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1至图3所示，一种基于智能算法的分布式光伏发电防窃电监测方法，其特征是，包括以下步骤：

步骤一：建立分布式光伏发电数据库，数据库信息包括光伏电站历史气象资料和同期光伏发电功率数据，所述数据库的样本数据按照晴天、多云、阴天、雨天四种天气情况进行分类，样本数据分为训练样本和测试样本，训练样本和测试样本同时涵盖上述四种天气类型，且训练样本和测试样本占总样本的比例分别为70％和30％。

步骤二：以气象资料为输入量，以光伏发电功率值为输出，采用BP神经网络建立防窃电模型，采用BP神经网络建立防窃电模型的步骤如下：

a.根据光伏电站历史气象资料和同期光伏发电功率数据建立分布式光伏发电数据库，并将样本数据分为训练样本和测试样本；

b.建立BP神经网络，确定预测精度和网络结构，即确定输入节点数(n)、隐含层数、每个隐含层的节点数以及输出节点数(m)；

c.选择合适的算法训练网络，使之尽量拟合训练样本；

d.输入训练样本，计算各层输出及各层误差信号，若计算的误差满足要求，用测试样本验证该神经网络；

e.若误差不满足要求，需调整神经网络各层权值，重新计算各层误差信号，直至误差满足要求；

f.用测试样本数据检验训练好的网络，如果检验效果很好，就可利用训练好的网络结合新的气象信息对光伏功率进行预测，如果检验效果不好，调整网络各层权值，重复e步骤，直到得到较好的检验结果为止。

步骤三：利用防窃电模型对光伏功率进行预测，通过光伏电站理论发电量计算模型，进而计算得到光伏电站的理论发电量。利用建立好的BP神经网络，通过输入采集到的光伏电站辐照、温度等气象信息，便可实现光伏电站输出功率预测，由于光伏电站输出功率为随机变化量，且受辐照、温度等气象条件变化影响较大，单点不具有参考价值，为提高防窃电监测的准确性，本发明采用光伏电站发电量作为窃电与否的判别依据。由光伏电站输出功率预测值，可以计算得到光伏发电***的理论发电量。光伏发电***的理论发电量表达式为：

$W={\∫}_0^t\mathrm{Pdt}=\mathrm{Pt}$

其中，P为光伏发电功率，W为光伏发电量；即光伏发电量为光伏发电功率在时间t上的累积。考虑到光伏发电量为统计信息，光伏电量计算值与实际电量测量值之间微小的误差，在时间累积的作用下，也可能导致二者之间的偏差逐步增大，进而导致窃电误判。因而，所述光伏电站理论发电量计算模型为设定每十天为一周期，在该计算周期内，通过电量异常判定模块判定光伏电站电量是否异常，若异常进行相关告警；若正常，下一计算周期起点为光伏电站实际电量测量值，在此基础上重新计算光伏电站理论发电量。采用基于神经网络的统计学方法，避免了对光伏***逆变模型和光电转换模型的具体建模，可以减小***误差，提高光伏发电***的理论发电量计算的准确性。

步骤四：将采集到的光伏电站实时发电量与光伏电站理论发电量输入到电量异常判定模块，可以得到光伏电站发电窃电嫌疑判定结果，并根据不同的窃电嫌疑系数，进行相应的窃电事件告警。

利用分布式光伏发电电量计算模型，可以计算得到光伏电站理论发电量。考虑到光伏发电量受气象条件影响较大，具有随机性和不可控的特点，为提高光伏电量异常判定的准确性，需要进行不确定分析，因此窃电嫌疑系数判定引入置信区间进行判定，置信区间上下限的计算采用样本均值和标准差计算得出或采用蒙特卡洛方法获得估计值分布，即当给出光伏电量理论值的95％置信区间为[a b]时，可以理解为我们有95％的信心保证样本的平均值介于a到b之间，而发生错误的概率为5％。置信区间上下限的计算采用样本均值和标准差计算得出，计算方式为：在已知样本均值(M)和标准差(ST)时，置信区间下限：a＝M-n*ST，置信区间上限：b＝M+n*ST；当求取90％置信区间时n＝1.645；当求取95％置信区间时n＝1.96；当求取99％置信区间时n＝2.576。

光伏发电计量电表是安装在光伏逆变器出口的光伏发电量结算电表，该表上传的光伏发电量就是计量的该光伏电站的发电量，所述电量异常判定模块为根据光伏计量电量与光伏理论电量的置信区间上下限相比较判定，若光伏计量电量小于光伏理论电量的置信区间下限，则判定其发电异常，给出发电异常告警；若光伏计量电量大于光伏理论电量的置信区间上限，则判定存在窃电嫌疑。通过分布式光伏电站发电量的采集值与该置信区间上限的比较，得到不同的窃电嫌疑系数，从而提高了稽查的针对性，提高了稽查工作效率。

所述窃电嫌疑系数为取Δ为光伏计量电量大于光伏理论电量的置信区间上限的差值占光伏理论电量的置信区间上限的百分比，即

当10％>Δ>0，窃电嫌疑系数为0.1；当20％>Δ≥10％，窃电嫌疑系数为0.2；当30％>Δ≥20％，窃电嫌疑系数为0.3；当40％>Δ≥30％，窃电嫌疑系数为0.4；当50％>Δ≥40％，窃电嫌疑系数为0.5；当60％>Δ≥50％，窃电嫌疑系数为0.6；当70％>Δ≥60％，窃电嫌疑系数为0.7；当80％>Δ≥70％，窃电嫌疑系数为0.8；当≥80％，窃电嫌疑系数为0.9。根据不同的窃电嫌疑系数，进行相应的窃电事件告警，同时窃电嫌疑系数越接近1，说明窃电可能性越大，进而可以将该月窃电嫌疑系数大的用户作为排查对象。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种基于智能算法的分布式光伏发电防窃电监测方法，其特征是，包括以下步骤：

步骤一：建立分布式光伏发电数据库，数据库信息包括光伏电站历史气象资料和同期光伏发电功率数据。

步骤二：以气象资料为输入量，以光伏发电功率值为输出，采用智能算法建立防窃电模型。

步骤三：利用防窃电模型对光伏功率进行预测，通过光伏电站理论发电量计算模型，进而计算得到光伏电站的理论发电量。

步骤四：将采集到的光伏电站实时发电量与光伏电站理论发电量输入到电量异常判定模块，可以得到光伏电站发电窃电嫌疑判定结果，并根据不同的窃电嫌疑系数，进行相应的窃电事件告警。

2.根据权利要求1所述的基于智能算法的分布式光伏发电防窃电监测方法，其特征是，所述数据库的样本数据按照晴天、多云、阴天、雨天四种天气情况进行分类，样本数据分为训练样本和测试样本，训练样本和测试样本同时涵盖上述四种天气类型，且训练样本和测试样本占总样本的比例分别为70％和30％。

3.根据权利要求1所述的基于智能算法的分布式光伏发电防窃电监测方法，其特征是，所述光伏电站理论发电量计算模型为设定每十天为一周期，在该计算周期内，通过电量异常判定模块判定光伏电站电量是否异常，若异常进行相关告警；若正常，下一计算周期起点为光伏电站实际电量测量值，在此基础上重新计算光伏电站理论发电量。

4.根据权利要求1所述的基于智能算法的分布式光伏发电防窃电监测方法，其特征是，窃电嫌疑系数判定引入置信区间，置信区间上下限的计算采用样本均值和标准差计算得出或采用蒙特卡洛方法获得估计值分布。

5.根据权利要求4所述的基于智能算法的分布式光伏发电防窃电监测方法，其特征是，置信区间采用样本均值和标准差计算的计算方式为：在已知样本均值和标准差时，置信区间下限：a＝M-n*ST，置信区间上限：b＝M+n*ST；当求取90％置信区间时n＝1.645；当求取95％置信区间时n＝1.96；当求取99％置信区间时n＝2.576。

6.根据权利要求1所述的基于智能算法的分布式光伏发电防窃电监测方法，其特征是，所述电量异常判定模块为根据光伏计量电量与光伏理论电量的置信区间上下限相比较判定，若光伏计量电量小于光伏理论电量的置信区间下限，则判定其发电异常，给出发电异常告警；若光伏计量电量大于光伏理论电量的置信区间上限，则判定存在窃电嫌疑。

7.根据权利要求1所述的基于智能算法的分布式光伏发电防窃电监测方法，其特征是，所述窃电嫌疑系数为取Δ为光伏计量电量大于光伏理论电量的置信区间上限的差值占光伏理论电量的置信区间上限的百分比，即

当10％>Δ>0，窃电嫌疑系数为0.1；当20％>Δ≥10％，窃电嫌疑系数为0.2；当30％>Δ≥20％，窃电嫌疑系数为0.3；当40％>Δ≥30％，窃电嫌疑系数为0.4；当50％>Δ≥40％，窃电嫌疑系数为0.5；当60％>Δ≥50％，窃电嫌疑系数为0.6；当70％>Δ≥60％，窃电嫌疑系数为0.7；当80％>Δ≥70％，窃电嫌疑系数为0.8；当≥80％，窃电嫌疑系数为0.9。

8.根据权利要求1所述的基于智能算法的分布式光伏发电防窃电监测方法，其特征是，所述智能算法包括BP神经网络、数据挖掘技术、支持向量机中任一种算法。

9.根据权利要求8所述的基于智能算法的分布式光伏发电防窃电监测方法，其特征是，采用BP神经网络建立防窃电模型的步骤如下：

a.根据光伏电站历史气象资料和同期光伏发电功率数据建立分布式光伏发电数据库，并将样本数据分为训练样本和测试样本；

b.建立BP神经网络，确定预测精度和网络结构，即确定输入节点数、隐含层数、每个隐含层的节点数以及输出节点数；

c.选择合适的算法训练网络，使之尽量拟合训练样本；

d.输入训练样本，计算各层输出及各层误差信号，若计算的误差满足要求，用测试样本验证该神经网络；

e.若误差不满足要求，需调整神经网络各层权值，重新计算各层误差信号，直至误差满足要求；

f.用测试样本数据检验训练好的网络，如果检验效果很好，就可利用训练好的网络结合新的气象信息对光伏功率进行预测，如果检验效果不好，调整网络各层权值，重复e步骤，直到得到较好的检验结果为止。