CN110969539B - 基于曲线形态分析的光伏窃电发现方法和*** - Google Patents
基于曲线形态分析的光伏窃电发现方法和*** Download PDFInfo
- Publication number
- CN110969539B CN110969539B CN201911191055.4A CN201911191055A CN110969539B CN 110969539 B CN110969539 B CN 110969539B CN 201911191055 A CN201911191055 A CN 201911191055A CN 110969539 B CN110969539 B CN 110969539B
- Authority
- CN
- China
- Prior art keywords
- output
- curve
- user set
- photovoltaic
- curves
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000630 rising effect Effects 0.000 claims abstract description 48
- 238000010248 power generation Methods 0.000 claims description 37
- 230000001174 ascending effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000418 atomic force spectrum Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 125000003275 alpha amino acid group Chemical group 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于曲线形态分析的光伏窃电发现方法和***,其中方法包括:设置正常用户集合的聚类中心、故障用户集合的聚类中心和窃电用户集合的聚类中心;计算各个聚类中心的方差;计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第一次归类;计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第二次归类;判断第二次归类后留在待考察用户集合中的用户的光伏设备的参数是否超过阈值,进行第三次归类。本发明设计了光伏窃电行为的发现算法,且充分挖掘了光伏曲线的数据信息,对设备和用户的其它信息依赖较少,具有较高的普适性。
Description
技术领域
本发明属于电力***技术领域,具体涉及一种基于基于曲线形态分析的光伏窃电发现方法和***。
背景技术
由于分布式光伏发电享受的补贴主要取决于自身发电量,某些用户在利益的驱使下通过一定的技术手段使得分布式光伏上网电表多计量发电量,进而获取高额补贴的风险,这种骗取补贴的行为称为光伏窃电行为。光伏窃电骗取补贴的行为严重影响了中国新能源扶植政策的落实,影响发电市场的公正性,用户因窃电私自改接线路给供配电带来了巨大的安全隐患,影响光伏发电行业的正常发展。
发明内容
针对现有技术的不足,本发明公开了一种基于曲线形态分析的光伏窃电发现方法和***。
本发明所采用的技术方案如下:
一种基于曲线形态分析的光伏窃电发现方法,设置正常用户集合的聚类中心、故障用户集合的聚类中心和窃电用户集合的聚类中心;计算各个聚类中心的方差;
针对所有用户的光伏设备的出力曲线,计算出力上升段中实际曲线与拟合曲线的方差,并分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第一次归类;
针对第一次归类中归入待考察用户集合中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第二次归类;
设置单位时间内光伏设备的最高发电量阈值、最低发电量阈值、出力曲线中出力上升段的傅里叶级数的一阶系数阈值和出力下降段的傅里叶级数的一阶系数阈值;判断第二次归类后留在待考察用户集合中的用户的光伏设备的参数是否超过对应阈值,如果超过,则将用户归集入窃电用户集合,剩余用户归集入正常用户集合。
其进一步的技术方案为,光伏设备的出力曲线在出力上升段的傅里叶级数的参数计算方法是:
a是出力上升段的傅里叶级数的零阶系数;b是出力上升段的傅里叶级数的一阶系数;n为采集数据时的数据编号;m0为日出时间所对应的数据编号,m1为出力值趋于稳定或者由升转降的时间所对应的数据编号;Ep(n)为在n点的单位时间发电量;Eps(n)为利用公式拟合以后所得到出力曲线;Ep(m0)为在日出时间的单位时间发电量。
其进一步的技术方案为,光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差的计算方法是:
为出力上升段的平均负荷,σ为在出力上升段实际曲线与拟合曲线的方差。
其进一步的技术方案为,光伏设备的出力曲线在出力下降段的傅里叶级数的参数计算方法是:
a′为出力下降段的傅里叶级数的零阶系数;b′为出力下降段的傅里叶级数的一阶系数;n为在出力下降段采集数据时的数据编号;m2为出力值开始持续下降的时间所对应的数据编号;m3为日落时间所对应的数据编号;Ep(n)表为在n点的单位时间发电量;E′ps(n)为利用公式拟合以后所得到出力曲线;Ep(m2)为在日落时间的单位时间发电量。
其进一步的技术方案为,光伏设备的出力曲线在出力下降段实际曲线与拟合曲线的方差的计算方法是:
为出力下降段的平均负荷,σ′为在出力下降段实际曲线与拟合曲线的方差。
其进一步的技术方案为,设置故障用户集合的聚类中心为:
b为出力上升段的傅里叶级数的一阶系数;b′为出力下降段的傅里叶级数的一阶系数;EpMax为单位时间内光伏设备的最高发电量;EpMin为单位时间内光伏设备的最低发电量。
其进一步的技术方案为,当时,只在比σ值大的一侧设置窃电用户集合的聚类中心;当/>且/>时,在σ值的两侧都设置窃电用户集合的聚类中心,σ为光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差;σ′表示在出力下降段实际曲线与拟合曲线的方差;EpMax为单位时间内光伏设备的最高发电量。
其进一步的技术方案为,在第一次归类中,针对所有用户的光伏设备的出力曲线,计算出力上升段实际曲线与拟合曲线的方差,并分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离;如果出力上升段实际曲线与拟合曲线的方差与正常用户集合的聚类中心的方差之间的距离最短,将用户归集入待考察用户集合;如果出力上升段实际曲线与拟合曲线的方差与故障用户集合的聚类中心的方差之间的距离最短,将用户归集入故障用户集合;如果出力上升段实际曲线与拟合曲线的方差与窃电用户集合的聚类中心的方差之间的距离最短,将用户样本归集入窃电用户集合;
在第二次归类中,针对第一次归类中归入待考察用户集合中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离;如果出力下降段实际曲线与拟合曲线的方差与正常用户集合的聚类中心的方差之间的距离最短的,将用户留在待考察用户集合;如果出力下降段实际曲线与拟合曲线的方差与故障用户集合的聚类中心的方差之间的距离最短,将用户归集入故障用户集合;如果出力下降段实际曲线与拟合曲线的方差与窃电用户集合的聚类中心的方差之间的距离最短,将用户归集入窃电用户集合。
一种基于曲线形态分析的光伏窃电发现***,包括:
聚类中心设置和方差计算模块,用于设置正常用户集合的聚类中心、故障用户集合的聚类中心和窃电用户集合的聚类中心并计算各个聚类中心的方差;
第一次归类模块,针对所有用户的光伏设备的出力曲线,计算出力上升段中实际曲线与拟合曲线的方差,并分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第一次归类;
第二次归类模块,针对第一次归类中归入待考察用户集合中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第二次归类;
第三次归类模块,设置有单位时间内光伏设备的最高发电量阈值、最低发电量阈值、出力曲线中出力上升段的傅里叶级数的一阶系数阈值和出力下降段的傅里叶级数的一阶系数阈值;判断第二次归类后留在待考察用户集合中的用户的光伏设备的参数是否超过阈值,如果有任意一个参数超过阈值,则将用户归集入窃电用户集合,剩余用户归集入正常用户集合。
其进一步的技术方案为,还包括光伏曲线信息获取和计算模块,用于获取和计算光伏设备的出力曲线在出力上升段的傅里叶级数的参数、光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差、光伏设备的出力曲线在出力下降段的傅里叶级数和光伏设备的出力曲线在出力下降段实际曲线与拟合曲线的方差。
本发明的有益效果如下:
本发明通过获取光伏设备的光伏曲线信息,通过聚类分析,对用户样本进行多次归类和判断,设计了光伏窃电行为的发现算法,在行业内尚属首次。
本发明充分挖掘了光伏曲线的数据信息,对设备和用户的其它信息依赖较少,具有较高的普适性。
附图说明
图1为本发明的实施例1的流程图。
图2为本发明的实施例2的流程图。
图3为本发明的实施例4的框架结构图。
图4为本发明的实施例5的框架结构图。
具体实施方式
下面结合附图,说明本发明的具体实施方式。
实施例1。
图1为本发明的实施例1的流程图。如图1所示,实施例1中基于曲线形态分析的光伏窃电发现方法,包括:
S101.设置正常用户集合的聚类中心、故障用户集合的聚类中心和窃电用户集合的聚类中心;计算各个聚类中心的方差;
S102.针对所有用户的光伏设备的出力曲线,计算出力上升段中实际曲线与拟合曲线的方差,并分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第一次归类:如果出力上升段实际曲线与拟合曲线的方差与正常用户集合Sn的聚类中心的方差之间的距离最短,将用户归集入待考察用户集合Su;如果出力上升段实际曲线与拟合曲线的方差与故障用户集合的聚类中心的方差之间的距离最短,将用户归集入故障用户集合Sb;如果出力上升段实际曲线与拟合曲线的方差与窃电用户集合的聚类中心的方差之间的距离最短,将用户样本归集入窃电用户集合Ss。
S103.针对第一次归类中归入待考察用户集合Su中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第二次归类:如果出力下降段实际曲线与拟合曲线的方差与正常用户集合Sn的聚类中心的方差之间的距离最短的,将用户留在待考察用户集合Su;如果出力下降段实际曲线与拟合曲线的方差与故障用户集合Sb的聚类中心的方差之间的距离最短,将用户归集入故障用户集合Sb;如果出力下降段实际曲线与拟合曲线的方差与窃电用户集合Ss的聚类中心的方差之间的距离最短,将用户归集入窃电用户集合Ss。
S104.设置单位时间内光伏设备的最高发电量阈值、最低发电量阈值、出力曲线中出力上升段的傅里叶级数的一阶系数阈值和出力下降段的傅里叶级数的一阶系数阈值;判断第二次归类后留在待考察用户集合Ss中的用户的单位时间内光伏设备的最高发电量、最低发电量、出力曲线中出力上升段的傅里叶级数的一阶系数和出力下降段的傅里叶级数的一阶系数是否超过阈值,如果有任意一个参数超过阈值,则将用户归集入窃电用户集合Ss,判断用户存在窃电行为。剩余用户视为正常的光伏设备,计入正常用户集合Sn。
实施例1显示了本发明所涉及到的聚类算法的核心流程。
实施例2。
图2是实施例2的方法流程图,如图2所示,在实施例2中,基于曲线形态分析的光伏窃电发现方法,包括:
S201.针对所有用户的光伏设备的出力曲线,计算出力曲线中出力上升段的傅里叶级数的各个参数:
式(1)中,a是是起始点参量,是出力上升段的傅里叶级数的零阶系数(平均值);b是出力上升段的傅里叶级数的一阶系数,与曲线的波动程度直接相关;n为出力曲线的横坐标的值,出力曲线为离散曲线,横坐标值为离散的点,n表示采集数据时的数据编号,每天第一次采集数据时的编号是0,第二次采集时编号是1,以此类推。m0为日出时间所对应的数据编号,m1为出力值趋于稳定或者由升转降的时间所对应的数据编号;Ep(n)为在n点的单位时间发电量;Eps(n)为利用公式拟合以后所得到出力曲线;Ep(m0)为在日出时间的单位时间发电量。
S202.光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差:
式(2)中,表示出力上升段的平均负荷,σ表示在出力上升段实际曲线与拟合曲线的方差。
S203.根据光伏设备的出力曲线,计算出力曲线中出力下降段的傅里叶级数的各个参数:
式(3)中,a′是起始点参量,为出力下降段的傅里叶级数的零阶系数(平均值);b′为出力下降段的傅里叶级数的一阶系数,与曲线的波动程度直接相关;n为采集数据时的数据编号;m2为出力值开始持续下降的时间所对应的数据编号;m3为日落时间所对应的数据编号;Ep(n)表为在n点的单位时间发电量。;E′ps(n)为利用公式拟合以后所得到出力曲线;Ep(m2)为在日落时间的单位时间发电量。
S204.出力曲线在出力下降段实际曲线与拟合曲线的方差:
式(4)中,表示出力下降段的平均负荷,σ′表示在出力下降段实际曲线与拟合曲线的方差。
S205.计算一天中,单位时间内光伏设备的最高发电量EpMax、最低发电量EpMin。
S206.选择可信的光伏用户,作为正常用户集合的聚类中心。与电站作存在长期合作关系的用户,可以定义为可信的光伏用户。
S207.设置故障用户集合的聚类中心为:
S208.当时,只在比σ值大的一侧设置窃电用户集合的聚类中心;当且/>时,在σ值的两侧都设置窃电用户集合的聚类中心。
S209.考察用户的光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差σ。定义距离如下:
dσ=|σ-σc| (5)
式(5)中,dσ表示距离。σc是出力上升段各个用户集合的聚类中心的方差。
分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离dσ:如果出力上升段实际曲线与拟合曲线的方差与正常用户集合的聚类中心的方差之间的距离最短,将用户归集入待考察用户集合Su;如果出力上升段实际曲线与拟合曲线的方差与故障用户集合的聚类中心的方差之间的距离最短,将用户归集入故障用户集合Sb;如果出力上升段实际曲线与拟合曲线的方差与窃电用户集合的聚类中心的方差之间的距离最短,将用户样本归集入窃电用户集合Ss。
S210.考察步骤S209中,待考察用户集合Su中的样本的光伏设备的光伏曲线的出力下降段实际曲线与拟合曲线的方差σ′值。定义距离如下:
dσ′=|σ′-σc′| (6)
式(6)中,dσ′表示距离。σc′是出力下降段各个用户集合的聚类中心的方差σ′。
针对步骤S209中归入考察用户集合Su中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离:如果出力下降段实际曲线与拟合曲线的方差与正常用户集合的聚类中心的方差之间的距离最短的,将用户留在待考察用户集合Su;如果出力下降段实际曲线与拟合曲线的方差与故障用户集合的聚类中心的方差之间的距离最短,将用户归集入故障用户集合Sb;如果出力下降段实际曲线与拟合曲线的方差与窃电用户集合的聚类中心的方差之间的距离最短,将用户归集入窃电用户集合Ss。
S211.考察步骤S210中留在待考察用户集合Su中的用户样本;设置单位时间内光伏设备的最高发电量阈值、最低发电量阈值、出力曲线中出力上升段的傅里叶级数的一阶系数阈值和出力下降段的傅里叶级数的一阶系数阈值;当单位时间内,光伏设备的最高发电量EpMax、最低发电量EpMin、出力曲线中出力上升段的傅里叶级数的一阶系数b和出力下降段的傅里叶级数的一阶系数b′中有任意一个参数高于其对应的阈值,则判定存在窃电行为,将相对应的用户归集入窃电用户集合Ss。步骤S210中留在待考察用户集合Su中的剩余的用户样本,视为正常的光伏设备,计入正常用户集合Sn。
实施例2是在实施例1的基础上的进一步具体和完善,具体公开了获取光伏曲线的各个信息的方法和计算公式。
实施例3。
实施例3是在实施例2的基础上,进行了实际操作的验证。实施例3的步骤与实施例2完全相同。实施例3以浙江省温岭市的386家光伏用户为搜索目标。这386家光伏用户的每日采样频率都是288点。这些用户中,有一家用户与温岭市电力供电公司存在长期合作关系,属于可信用户,因此将该用户的指标设置为聚类中心。
对2019年7月份的数据分析,提取了各个样本的上升段傅里叶参数、下降段傅里叶参数、单位时间最大最小发电量等参数做分析。在傅里叶参数参数分析环节,发现3户存在疑似窃电行为。在最大最小发电量的聚类环节,发现1户存在疑似的窃电行为。经工作人员上门核实,确认上述4家用户窃电行为属实。实施例3直接证明了本发明的可靠性和便捷的可操作性。
实施例4。
图3是本发明的实施例4的框架结构示意图。如图3所示,实施例4为基于曲线形态分析的光伏窃电发现***,包括:
聚类中心设置和方差计算模块,用于设置正常用户集合的聚类中心、故障用户集合的聚类中心和窃电用户集合的聚类中心并计算各个聚类中心的方差;
第一次归类模块,针对所有用户的光伏设备的出力曲线,计算出力上升段中实际曲线与拟合曲线的方差,并分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第一次归类;
第二次归类模块,针对第一次归类中归入待考察用户集合中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第二次归类;
第三次归类模块,设置有单位时间内光伏设备的最高发电量阈值、最低发电量阈值、出力曲线中出力上升段的傅里叶级数的一阶系数阈值和出力下降段的傅里叶级数的一阶系数阈值;判断第二次归类后留在待考察用户集合中的用户的光伏设备的参数是否超过阈值,如果有任意一个参数超过其对应的阈值,则将用户归集入窃电用户集合,判断用户存在窃电行为。
实施例5。
图4是本发明的实施例5的框架结构示意图。如图4所示,基于实施例4,实施例5中还包括光伏曲线信息获取和计算模块,用于获取和计算光伏设备的出力曲线在出力上升段的傅里叶级数的参数、光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差、光伏设备的出力曲线在出力下降段的傅里叶级数和光伏设备的出力曲线在出力下降段实际曲线与拟合曲线的方差。
以上描述是对本发明的解释,不是对发明的限定,本发明所限定的范围参见权利要求,在不违背本发明的基本结构的情况下,本发明可以作任何形式的修改。
Claims (10)
1.一种基于曲线形态分析的光伏窃电发现方法,其特征在于:设置正常用户集合的聚类中心、故障用户集合的聚类中心和窃电用户集合的聚类中心;计算各个聚类中心的方差;
针对所有用户的光伏设备的出力曲线,计算出力上升段中实际曲线与拟合曲线的方差,并分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第一次归类;
针对第一次归类中归入待考察用户集合中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第二次归类;
设置单位时间内光伏设备的最高发电量阈值、最低发电量阈值、出力曲线中出力上升段的傅里叶级数的一阶系数阈值和出力下降段的傅里叶级数的一阶系数阈值;判断第二次归类后留在待考察用户集合中的用户的光伏设备的参数是否超过对应阈值,如果超过,则将用户归集入窃电用户集合,剩余用户归集入正常用户集合。
2.根据权利要求1所述的基于曲线形态分析的光伏窃电发现方法,其特征在于,光伏设备的出力曲线在出力上升段的傅里叶级数的参数计算方法是:
a是出力上升段的傅里叶级数的零阶系数;b是出力上升段的傅里叶级数的一阶系数;n为采集数据时的数据编号;m0为日出时间所对应的数据编号,m1为出力值趋于稳定或者由升转降的时间所对应的数据编号;Ep(n)为在n点的单位时间发电量;Eps(n)为利用公式拟合以后所得到出力曲线;Ep(m0)为在日出时间的单位时间发电量。
3.根据权利要求2所述的基于曲线形态分析的光伏窃电发现方法,其特征在于,光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差的计算方法是:
为出力上升段的平均负荷,σ为在出力上升段实际曲线与拟合曲线的方差。
4.根据权利要求1所述的基于曲线形态分析的光伏窃电发现方法,其特征在于,光伏设备的出力曲线在出力下降段的傅里叶级数的参数计算方法是:
a′为出力下降段的傅里叶级数的零阶系数;b′为出力下降段的傅里叶级数的一阶系数;n表示采集数据时的数据编号;m2为出力值开始持续下降的时间所对应的数据编号;m3为日落时间所对应的数据编号;Ep(n)表为在n点的单位时间发电量;E′ps(n)为利用公式拟合以后所得到出力曲线;Ep(m2)为在日落时间的单位时间发电量。
5.根据权利要求4所述的基于曲线形态分析的光伏窃电发现方法,其特征在于:光伏设备的出力曲线在出力下降段实际曲线与拟合曲线的方差的计算方法是:
为出力下降段的平均负荷,σ′为在出力下降段实际曲线与拟合曲线的方差。
6.根据权利要求1所述的基于曲线形态分析的光伏窃电发现方法,其特征在于,设置故障用户集合的聚类中心为:
b为出力上升段的傅里叶级数的一阶系数;b′为出力下降段的傅里叶级数的一阶系数;EpMax为单位时间内光伏设备的最高发电量;EpMin为单位时间内光伏设备的最低发电量。
7.根据权利要求1所述的基于曲线形态分析的光伏窃电发现方法,其特征在于:当时,只在比σ值大的一侧设置窃电用户集合的聚类中心;当/>且时,在σ值的两侧都设置窃电用户集合的聚类中心,σ为光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差;σ′表示在出力下降段实际曲线与拟合曲线的方差;EpMax为单位时间内光伏设备的最高发电量。
8.根据权利要求1所述的基于曲线形态分析的光伏窃电发现方法,其特征在于:在第一次归类中,针对所有用户的光伏设备的出力曲线,计算出力上升段实际曲线与拟合曲线的方差,并分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离;如果出力上升段实际曲线与拟合曲线的方差与正常用户集合的聚类中心的方差之间的距离最短,将用户归集入待考察用户集合;如果出力上升段实际曲线与拟合曲线的方差与故障用户集合的聚类中心的方差之间的距离最短,将用户归集入故障用户集合;如果出力上升段实际曲线与拟合曲线的方差与窃电用户集合的聚类中心的方差之间的距离最短,将用户样本归集入窃电用户集合;
在第二次归类中,针对第一次归类中归入待考察用户集合中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离;如果出力下降段实际曲线与拟合曲线的方差与正常用户集合的聚类中心的方差之间的距离最短的,将用户留在待考察用户集合;如果出力下降段实际曲线与拟合曲线的方差与故障用户集合的聚类中心的方差之间的距离最短,将用户归集入故障用户集合;如果出力下降段实际曲线与拟合曲线的方差与窃电用户集合的聚类中心的方差之间的距离最短,将用户归集入窃电用户集合。
9.一种基于曲线形态分析的光伏窃电发现***,其特征在于,包括:
聚类中心设置和方差计算模块,用于设置正常用户集合的聚类中心、故障用户集合的聚类中心和窃电用户集合的聚类中心并计算各个聚类中心的方差;
第一次归类模块,针对所有用户的光伏设备的出力曲线,计算出力上升段中实际曲线与拟合曲线的方差,并分别计算出力上升段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第一次归类;
第二次归类模块,针对第一次归类中归入待考察用户集合中的用户的光伏设备的出力曲线,计算出力下降段实际曲线与拟合曲线的方差,并分别计算出力下降段实际曲线与拟合曲线的方差与各个聚类中心的方差之间的距离,对用户进行第二次归类;
第三次归类模块,设置有单位时间内光伏设备的最高发电量阈值、最低发电量阈值、出力曲线中出力上升段的傅里叶级数的一阶系数阈值和出力下降段的傅里叶级数的一阶系数阈值;判断第二次归类后留在待考察用户集合中的用户的光伏设备的参数是否超过阈值,如果有任意一个参数超过阈值,则将用户归集入窃电用户集合,剩余用户归集入正常用户集合。
10.根据权利要求9所述的基于曲线形态分析的光伏窃电发现***,其特征在于,还包括光伏曲线信息获取和计算模块,用于获取和计算光伏设备的出力曲线在出力上升段的傅里叶级数的参数、光伏设备的出力曲线在出力上升段实际曲线与拟合曲线的方差、光伏设备的出力曲线在出力下降段的傅里叶级数和光伏设备的出力曲线在出力下降段实际曲线与拟合曲线的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911191055.4A CN110969539B (zh) | 2019-11-28 | 2019-11-28 | 基于曲线形态分析的光伏窃电发现方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911191055.4A CN110969539B (zh) | 2019-11-28 | 2019-11-28 | 基于曲线形态分析的光伏窃电发现方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969539A CN110969539A (zh) | 2020-04-07 |
CN110969539B true CN110969539B (zh) | 2024-02-09 |
Family
ID=70032245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911191055.4A Active CN110969539B (zh) | 2019-11-28 | 2019-11-28 | 基于曲线形态分析的光伏窃电发现方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969539B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651730B (zh) * | 2020-06-11 | 2022-03-04 | 西安电子科技大学 | 一种基于休哈特-累积和联合控制图的窃电检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389397A (zh) * | 2013-07-23 | 2013-11-13 | 国家电网公司 | 光伏发电防作弊*** |
CN103439572A (zh) * | 2013-08-15 | 2013-12-11 | 国家电网公司 | 基于光伏发电功率预测的防窃电监测方法 |
CN104345192A (zh) * | 2014-11-25 | 2015-02-11 | 国家电网公司 | 基于神经网络算法的防光伏发电骗补装置 |
CN105141253A (zh) * | 2015-08-17 | 2015-12-09 | 国家电网公司 | 基于光伏出力曲线斜率的光伏窃电识别方法 |
CN105139275A (zh) * | 2015-08-17 | 2015-12-09 | 国家电网公司 | 一种建立分布式光伏窃电成本效益评价模型的方法 |
CN105337574A (zh) * | 2015-11-11 | 2016-02-17 | 国家电网公司 | 基于稳健回归的分布式光伏发电窃电识别方法 |
CN105808900A (zh) * | 2014-12-29 | 2016-07-27 | 西门子公司 | 确定待评估用户是否有窃漏电嫌疑的方法和装置 |
CN106771568A (zh) * | 2016-11-16 | 2017-05-31 | 国家电网公司 | 区域分布式光伏窃电监管*** |
CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
CN107547047A (zh) * | 2017-10-19 | 2018-01-05 | 广东电网有限责任公司江门供电局 | 一种分布式光伏并网监测***及监测方法 |
CN110097261A (zh) * | 2019-04-17 | 2019-08-06 | 三峡大学 | 一种判断用户用电异常的方法 |
CN110147871A (zh) * | 2019-04-17 | 2019-08-20 | 中国电力科学研究院有限公司 | 一种基于som神经网络与k-均值聚类的窃电检测方法及*** |
CN110288039A (zh) * | 2019-06-29 | 2019-09-27 | 河南工业大学 | 基于用户用电负荷特征窃电检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8947194B2 (en) * | 2009-05-26 | 2015-02-03 | Solaredge Technologies Ltd. | Theft detection and prevention in a power generation system |
-
2019
- 2019-11-28 CN CN201911191055.4A patent/CN110969539B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389397A (zh) * | 2013-07-23 | 2013-11-13 | 国家电网公司 | 光伏发电防作弊*** |
CN103439572A (zh) * | 2013-08-15 | 2013-12-11 | 国家电网公司 | 基于光伏发电功率预测的防窃电监测方法 |
CN104345192A (zh) * | 2014-11-25 | 2015-02-11 | 国家电网公司 | 基于神经网络算法的防光伏发电骗补装置 |
CN105808900A (zh) * | 2014-12-29 | 2016-07-27 | 西门子公司 | 确定待评估用户是否有窃漏电嫌疑的方法和装置 |
CN105141253A (zh) * | 2015-08-17 | 2015-12-09 | 国家电网公司 | 基于光伏出力曲线斜率的光伏窃电识别方法 |
CN105139275A (zh) * | 2015-08-17 | 2015-12-09 | 国家电网公司 | 一种建立分布式光伏窃电成本效益评价模型的方法 |
CN105337574A (zh) * | 2015-11-11 | 2016-02-17 | 国家电网公司 | 基于稳健回归的分布式光伏发电窃电识别方法 |
CN106771568A (zh) * | 2016-11-16 | 2017-05-31 | 国家电网公司 | 区域分布式光伏窃电监管*** |
CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
CN107547047A (zh) * | 2017-10-19 | 2018-01-05 | 广东电网有限责任公司江门供电局 | 一种分布式光伏并网监测***及监测方法 |
CN110097261A (zh) * | 2019-04-17 | 2019-08-06 | 三峡大学 | 一种判断用户用电异常的方法 |
CN110147871A (zh) * | 2019-04-17 | 2019-08-20 | 中国电力科学研究院有限公司 | 一种基于som神经网络与k-均值聚类的窃电检测方法及*** |
CN110288039A (zh) * | 2019-06-29 | 2019-09-27 | 河南工业大学 | 基于用户用电负荷特征窃电检测方法 |
Non-Patent Citations (1)
Title |
---|
基于LSSVM的光伏发电三层筛选窃电识别方法;郑征等;《电力电子技术》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110969539A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109307845B (zh) | 一种用于对梯次利用电池储能***进行健康状态评估的方法及*** | |
CN107328974B (zh) | 一种窃电识别方法及装置 | |
CN111008510B (zh) | 一种台区内电表识别方法及判断电表所属台区的方法 | |
CN112434962B (zh) | 基于电力负荷数据的企业用户状态评估方法和*** | |
CN113094884A (zh) | 基于三层递进式分析模型的配电网用户窃电行为诊断方法 | |
CN109359848A (zh) | 一种线损异常相关的用电户识别方法与*** | |
CN110119948B (zh) | 基于时变权重动态组合的电力用户信用评价方法及*** | |
CN109583679A (zh) | 一种多算法融合的窃电疑似度分析方法 | |
CN109919425A (zh) | 一种基于相关性分析的台区用户关系纠错方法 | |
CN110969539B (zh) | 基于曲线形态分析的光伏窃电发现方法和*** | |
CN112488738B (zh) | 基于电力大数据的居民空置住户识别方法及设备 | |
CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、***和介质 | |
CN112002949A (zh) | 一种动力电池主动均衡的监测管理方法及*** | |
CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
CN108537385A (zh) | 一种非侵入式居民用电负荷识别方法 | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN107621562B (zh) | 一种用于分析窃电的单相表分流准确判断方法 | |
CN104849665B (zh) | 一种确定蓄电池安全放电时长的方法及装置 | |
CN111612054B (zh) | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 | |
CN111126449A (zh) | 一种基于聚类分析的电池故障分类诊断方法 | |
CN108335042B (zh) | 动态光伏电板清洗指数的计算方法 | |
CN104091227A (zh) | 一种城市用电用户的负荷密度分析方法 | |
CN111553550A (zh) | 一种针对用户行为分析的电力大数据数据质量的评估方法 | |
CN116307886A (zh) | 一种企业生产状态的实时监测方法及装置 | |
CN115879799A (zh) | 一种变电站电能质量分析方法 |
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 | ||
GR01 | Patent grant |