一种基于NICE模型增强光伏窃电数据的方法及系统技术方案

本发明专利技术公开了一种基于NICE模型增强光伏窃电数据的方法及系统，属于窃电检测技术领域。本发明专利技术发法包括：对NICE模型导入窃电的原始数据，获取分布式光伏的功率预测值，确定分布式光伏的功率预测值和测量值的偏差，作为NICE模型和分类器的输入变量；将分布式光伏的功率预测值和测量值的偏差输入NICE模型，对NICE模型进行训练，且生成NICE生成模型，截取NICE模型的解码器生成新样本；将新样本及原始数据输入分类器，进行训练，生成CNN分类器；对生成的NICE生成模型及CNN分类器，进行性能评估；将目标分布式光伏窃电数据输入NICE生成模型及CNN分类器，进行计算，输出增强的光伏窃电数据。本发明专利技术可充分挖掘出窃电样本的潜在分布特征，能够生成更高质量的新样本。能够生成更高质量的新样本。能够生成更高质量的新样本。

【技术实现步骤摘要】
一种基于NICE模型增强光伏窃电数据的方法及系统


[0001]本专利技术涉及窃电检测
，并且更具体地，涉及一种基于NICE模型增强光伏窃电数据的方法及系统。

技术介绍

[0002]分布式光伏窃电指的是:用户通过一些不正当的技术手段，恶意篡改分布式光伏的上网电量值，以骗取高额的补贴。这种窃电行为严重影响了新能源政策的实施，给电力公司和社会造成了巨大的经济损失。因此，开展分布式光伏窃电检测研究对于推动可再生能源发电行业的发展具有重要的意义。
[0003]已有的分布式光伏窃电检测方法可以划分成有监督分类和无监督回归两种类型。其中，无监督回归法指的是：通过比对光伏发电量的实际值和预测值之间的偏差，来判定窃电现象。此方法适用于为尚未构建光伏窃电数据集时的检测，且其存在着难以设定阈值和检测准确率低的问题。
[0004]基于有监督分类的分布式光伏窃电检测方法主要包括：支持向量机、多层感知机、贝叶斯网络和极限梯度提升树等传统数据挖掘方法以及新兴的深度学习技术，如深度置信网络和卷积神经网络。其中，传统的数据挖掘方法的原理比较简单，对于训练集中分布式光伏窃电曲线的数据量要求不高，且应用范围比较广。但它们普遍存在特征提取能力低，检测准确率有限的问题。相对而言，深度神经网络不仅具有强大的特征提取能力，还能映射复杂的非线性关系，比传统方法具有更高的检测精度。
[0005]数据集中包含足够数量的窃电功率曲线是确保深度神经网络具有较强泛化能力的基础。然而，由于用户数量大、窃电方式隐蔽性强以及稽查资源有限等原因，导致反窃电工作难度大。在实际工程中，电力公司已掌握的窃电样本个数有限，难以满足深度神经网络对于数据量的要求。
[0006]因此，如何利用有限的分布式光伏窃电功率曲线进行数据增强，从而提升窃电检测的准确率，是当前亟待解决的问题。

技术实现思路

[0007]本专利技术目的在于充分利用有限的分布式光伏窃电功率曲线,对其进行数据增强，从而提升窃电检测的准确率，而提出了一种基于NICE模型增强光伏窃电数据的方法，包括：
[0008]对NICE模型导入分布式光伏窃电的原始数据，获取分布式光伏的功率预测值，确定分布式光伏的功率预测值和测量值的偏差，将分布式光伏的功率预测值和测量值的偏差作为NICE模型和分类器的输入变量；
[0009]将分布式光伏的功率预测值和测量值的偏差输入NICE模型，对NICE模型进行训练，且生成NICE生成模型，根据NICE生成模型，截取NICE模型的解码器生成新样本；
[0010]将新样本及原始数据输入分类器，对新样本和原始数据进行训练，生成CNN分类器；
[0011]对生成的NICE生成模型及CNN分类器，进行性能评估；
[0012]若性能评估符合要求，将目标分布式光伏窃电数据输入NICE生成模型及CNN分类器，进行计算，输出增强的光伏窃电数据。
[0013]可选的，原始数据信息，包括：光照强度、温度、相对湿度、压强和时间。
[0014]可选的，CNN分类器运用卷积神经网络对NICE模型生成新样本和原始数据进行分类的训练，通过卷积神经网络的卷积层和池化层获取输入变量的特征数据信息。
[0015]可选的，CNN分类器，包括：卷积层、池化层、平坦层、舍弃层和全连接层；
[0016]其中，卷积层和池化层获取分布式光伏窃电功率曲线的特征数据，通过全连接层输出分布式光伏窃电功率曲线的特征数据，计算多分类交叉熵损失函数，运用反向传播算法更新网络的权重。
[0017]可选的，分布式光伏发电预测值和测量值的偏差采样时间为1小时。
[0018]可选的，性能评估，以NICE模型和CNN分类器作为评估指标，还选用宏平均和G
‑
mean指标来评估模型的性能。
[0019]本专利技术还提出了一种基于NICE模型增强光伏窃电数据的系统，包括：
[0020]导入原始数据单元，对NICE模型导入分布式光伏窃电的原始数据，获取分布式光伏的功率预测值，确定分布式光伏的功率预测值和测量值的偏差，将分布式光伏的功率预测值和测量值的偏差作为NICE模型和分类器的输入变量；
[0021]生成新样本单元，将分布式光伏的功率预测值和测量值的偏差输入NICE模型，对NICE模型进行训练，且生成NICE生成模型，根据NICE生成模型，截取NICE模型的解码器生成新样本；
[0022]生成CNN分类器单元，将新样本及原始数据输入分类器，对新样本和原始数据进行训练，生成CNN分类器；
[0023]性能评估单元，对生成的NICE生成模型及CNN分类器，进行性能评估；
[0024]数据输出单元，若性能评估符合要求，将目标分布式光伏窃电数据输入NICE生成模型及CNN分类器，进行计算，输出增强的光伏窃电数据。
[0025]可选的，原始数据信息，包括：光照强度、温度、相对湿度、压强和时间。
[0026]可选的，CNN分类器运用卷积神经网络对NICE模型生成新样本和原始数据进行分类的训练，通过卷积神经网络的卷积层和池化层获取输入变量的特征数据信息。
[0027]可选的，CNN分类器，包括：卷积层、池化层、平坦层、舍弃层和全连接层；
[0028]其中，卷积层和池化层获取分布式光伏窃电功率曲线的特征数据，通过全连接层输出分布式光伏窃电功率曲线的特征数据，计算多分类交叉熵损失函数，运用反向传播算法更新网络的权重。
[0029]可选的，分布式光伏发电预测值和测量值的偏差采样时间为1小时。
[0030]可选的，性能评估，以NICE模型和CNN分类器作为评估指标，还选用宏平均和G
‑
mean指标来评估模型的性能。
[0031]本专利技术可充分挖掘出窃电样本的潜在分布特征，能够生成更高质量的新样本。
附图说明
[0032]图1为本专利技术一种基于NICE模型增强光伏窃电数据的方法的流程图；
[0033]图2为本专利技术NICE模型的原理图；
[0034]图3为本专利技术NICE模型的结构图；
[0035]图4为本专利技术CNN分类器结构图；
[0036]图5为本专利技术NICE模型的训练过程图；
[0037]图6为本专利技术生成样本和实际样本的对比图；
[0038]图7为本专利技术一种基于NICE模型增强光伏窃电数据的系统的结构图。
具体实施方式
[0039]现在参考附图介绍本专利技术的示例性实施方式，然而，本专利技术可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本专利技术，并且向所属
的技术人员充分传达本专利技术的范围。对于表示在附图中的示例性实施方式中的术语并不是对本专利技术的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0040]除非另有说明，此处使用的术语(包括科技术语)对所属
的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于NICE模型增强光伏窃电数据的方法，所述方法包括：对NICE模型导入分布式光伏窃电的原始数据，获取分布式光伏的功率预测值，确定分布式光伏的功率预测值和测量值的偏差，将分布式光伏的功率预测值和测量值的偏差作为NICE模型和分类器的输入变量；将分布式光伏的功率预测值和测量值的偏差输入NICE模型，对NICE模型进行训练，且生成NICE生成模型，根据NICE生成模型，截取NICE模型的解码器生成新样本；将新样本及原始数据输入分类器，对新样本和原始数据进行训练，生成CNN分类器；对生成的NICE生成模型及CNN分类器，进行性能评估；若性能评估符合要求，将目标分布式光伏窃电数据输入NICE生成模型及CNN分类器，进行计算，输出增强的光伏窃电数据。2.根据权利要求1所述的方法，所述原始数据信息，包括：光照强度、温度、相对湿度、压强和时间。3.根据权利要求1所述的方法，所述CNN分类器运用卷积神经网络对NICE模型生成新样本和原始数据进行分类的训练，通过卷积神经网络的卷积层和池化层获取输入变量的特征数据信息。4.根据权利要求1所述的方法，所述CNN分类器，包括：卷积层、池化层、平坦层、舍弃层和全连接层；其中，卷积层和池化层获取分布式光伏窃电功率曲线的特征数据，通过全连接层输出分布式光伏窃电功率曲线的特征数据，计算多分类交叉熵损失函数，运用反向传播算法更新网络的权重。5.根据权利要求1所述的方法，所述分布式光伏发电预测值和测量值的偏差采样时间为1小时。6.根据权利要求1所述的方法，所述性能评估，以NICE模型和CNN分类器作为评估指标，还选用宏平均和G
‑
mean指标来评估模型的性能。7.一种基于NICE模型增强光伏窃电数据的系统，所述系统包...

【专利技术属性】
技术研发人员：杨艺宁，宋如楠，王聪，杨柳，张蓬鹤，薛阳，陈昊，徐英辉，杜新纲，葛得辉，周晖，
申请(专利权)人：国家电网有限公司国网江西省电力有限公司，
类型：发明
国别省市：