胡 宸，孫春順，劉 佳，謝 峰，黃華欽，郭濱鵬

(長沙理工大學(xué)電氣與信息工程學(xué)院，湖南 長沙 410114)

考慮天氣類型的光伏竊電識別方法

胡 宸，孫春順，劉 佳，謝 峰，黃華欽，郭濱鵬

(長沙理工大學(xué)電氣與信息工程學(xué)院，湖南 長沙 410114)

隨著國家對光伏產(chǎn)業(yè)的大力推進(jìn)與扶持，考慮到光伏發(fā)電不同于傳統(tǒng)發(fā)電方式的獨(dú)特性，以及國家補(bǔ)貼政策的長期性，出現(xiàn)了很多以虛假記錄發(fā)電量騙取光伏補(bǔ)貼的行為，稱光伏竊電。針對現(xiàn)有的分布式光伏竊電手段，提出了1種考慮天氣類型指數(shù)基于神經(jīng)網(wǎng)絡(luò)算法的防光伏竊電智能檢測辦法。通過將天氣類型劃分為特殊日與常規(guī)日，以歷史氣象數(shù)據(jù)為基礎(chǔ)對待識別日進(jìn)行分時(shí)發(fā)電量預(yù)估，結(jié)合實(shí)時(shí)發(fā)電數(shù)據(jù)計(jì)算出各類型竊電系數(shù)，以此對光伏竊電程度進(jìn)行有效判定。仿真結(jié)果表明，該方法對光伏竊電行為識別的有效性。

光伏竊電；天氣類型；竊電系數(shù)；常規(guī)日；特殊日

0 引言

自2013年3月國家電網(wǎng)公司出臺了《關(guān)于做好分布式電源并網(wǎng)服務(wù)工作的意見》以來，新能源發(fā)電產(chǎn)業(yè)不斷興起，大大小小的分布式光伏電站不斷建成并網(wǎng)，極大推進(jìn)了我國光伏產(chǎn)業(yè)的飛速發(fā)展[1-2]。雖然我國分布式光伏發(fā)電項(xiàng)目發(fā)展迅猛、潛力無窮，但隨之而來的問題也是日漸顯著[3]。在國家利益政策的驅(qū)使下，不法用戶通過技術(shù)手段使得分布式光伏電表記錄下更多的發(fā)電量，以此從國家補(bǔ)貼政策中騙取高額補(bǔ)貼，這種騙取補(bǔ)貼的行為稱之光伏竊電行為。這不僅造成國家補(bǔ)貼浪費(fèi)，還會給光伏電站的運(yùn)行帶來安全隱患[4-5]。

目前，對于光伏竊電現(xiàn)象的識別主要通過：基于線損率標(biāo)桿值確定臺區(qū)光伏竊電嚴(yán)重程度、發(fā)電量估算值與光伏表計(jì)量值進(jìn)行比較、逆變器直流側(cè)的功率值與光伏計(jì)量表實(shí)測值的比較[1,5-6]。由于光伏出力的隨機(jī)性導(dǎo)致預(yù)測精度不高，對于誤差與竊電的判定也沒有有利依據(jù)；光伏逆變器直流側(cè)數(shù)據(jù)獲取較為困難，實(shí)際應(yīng)用存在很大的難度；而傳統(tǒng)的最大線損、三相不平衡率、微機(jī)掃描情況、功率因數(shù)等用電異常指標(biāo)僅能有效識別傳統(tǒng)竊電手段[7]。

因此，本文針對現(xiàn)有的分布式光伏竊電現(xiàn)象，分析其竊電原理及過程，通過改進(jìn)傳統(tǒng)識別辦法并提高預(yù)估精度，建立考慮天氣類型的光伏竊電識別模型，提出判定光伏竊電的竊電系數(shù)。最后通過相關(guān)數(shù)據(jù)進(jìn)行仿真驗(yàn)證，證明該識別方法的有效性。

1 典型分布式光伏竊電類型

1.1分布式并網(wǎng)發(fā)電系統(tǒng)簡介

分布式光伏發(fā)電的簡化原理圖如圖1所示。光伏陣列組件實(shí)施光電轉(zhuǎn)換后輸出直流電，再經(jīng)逆變及其濾波裝置轉(zhuǎn)換為滿足電能質(zhì)量要求的交流電[8]。轉(zhuǎn)變得到的交流電優(yōu)先供本地負(fù)載消納，多余電能向電網(wǎng)輸送，負(fù)荷需求大時(shí)從電網(wǎng)購電。在光伏逆變器的輸出端以及和公共電網(wǎng)的連接端分別安裝了能雙向計(jì)量的光伏電表和關(guān)口電表[4]。

圖1 分布式光伏發(fā)電的簡化原理圖Fig.1 Simplified principle of distributed photovoltaic power generation

1.2典型的光伏竊電方式

分布式光伏竊電主要是通過對光伏發(fā)電設(shè)備及線路的非法改造，使得光伏電表轉(zhuǎn)速加快，計(jì)入更多的虛假發(fā)電量，從而騙取更多的光伏補(bǔ)貼。4種典型分布式光伏竊電的簡化原理圖如下圖2所示[4,8]。

圖2 4種典型的光伏竊電方式簡化原理圖Fig.2 Four typical types of photovoltaic stealing methods

1.2.1 升壓法

附加升壓變壓器于光伏電表兩端，構(gòu)造1個(gè)虛高的電壓，使得光伏電表計(jì)入更多的發(fā)電量，讓用戶得以騙取到一定的光伏政策補(bǔ)貼。

1.2.2 升流法

利用調(diào)壓器在原邊附加很小電壓，即可在副邊感應(yīng)出較大的電流，相當(dāng)于在光伏表的電流回路上附加一個(gè)虛增電流，使計(jì)量表轉(zhuǎn)速加快，更多記錄光伏發(fā)電量以騙取國家電價(jià)補(bǔ)貼。

1.2.3 市電改接法

調(diào)整內(nèi)部接線方式，將光伏表進(jìn)線改接到市電進(jìn)線，使得電表所計(jì)量的數(shù)據(jù)為負(fù)載的耗電量。這種竊電方式在用戶市電消耗功率大于光伏發(fā)電功率的情況下，能騙取補(bǔ)貼，如在無光照時(shí)，用戶可將負(fù)載消耗的電能全部冒充光伏發(fā)電系統(tǒng)的發(fā)電量。

1.2.4 光伏模擬器法

竊電用戶直接利用電力電子整流裝置將市電整流成直流，并聯(lián)于光伏發(fā)電系統(tǒng)的直流側(cè)，經(jīng)過光伏逆變器轉(zhuǎn)化成交流電上網(wǎng)。使用這一竊電方式，用戶甚至可不安裝光伏電池板，直接用整流裝置冒充光伏電池板[5,9-10]。

2 考慮天氣類型指數(shù)的分布式光伏竊電識別技術(shù)原理

針對目前分布式光伏發(fā)電存在的以騙取補(bǔ)貼為目的竊電現(xiàn)象，本文提出了1種考慮天氣指數(shù)基于神經(jīng)網(wǎng)絡(luò)算法的防竊電智能檢測辦法。采用BP神經(jīng)網(wǎng)絡(luò)算法對光伏用戶進(jìn)行識別日出力預(yù)估，將天氣指數(shù)作為權(quán)重引入竊電系數(shù)，對光伏用戶發(fā)電數(shù)據(jù)進(jìn)行氣象類型分類。通過對常規(guī)日、特殊日的預(yù)估分時(shí)發(fā)電值和實(shí)測分時(shí)發(fā)電值計(jì)算處理，最后綜合得出相應(yīng)的竊電系數(shù)。以上述3類竊電系數(shù)計(jì)算值為有效判據(jù)，對光伏用戶進(jìn)行竊電程度判定。

2.1天氣類型權(quán)重的確定

由于外界天氣因素對光伏陣列的輸出功率有著一定的影響，因此通過對某地區(qū)信用良好的光伏電站進(jìn)行歷史發(fā)電功率數(shù)據(jù)的處理，將這些影響因素轉(zhuǎn)換為天氣類型指數(shù)以更加直觀的方式反映出天氣類型對光伏出力的影響，同時(shí)將天氣指數(shù)以權(quán)重形式加入到竊電系數(shù)中。

本文以信用電站的歷史發(fā)電數(shù)據(jù)及其所處位置的氣象數(shù)據(jù)為根據(jù)，將每日發(fā)電功率按天氣類型晴、多云、陰轉(zhuǎn)多云、陰、雷陣雨、雨雪分類[11]。由于氣象機(jī)構(gòu)所提供的數(shù)據(jù)較為模糊，所以只能粗略的區(qū)分出不同的天氣類型，無法具體劃分。故本文在計(jì)算天氣類型指數(shù)時(shí)，以天氣預(yù)報(bào)數(shù)據(jù)為基礎(chǔ)，結(jié)合Pearson相關(guān)系數(shù)表達(dá)式對天氣類型進(jìn)一步歸類，最后做出的天氣類型與發(fā)電量的倍率關(guān)系如圖3所示。Pearson相關(guān)系數(shù)定義為

(1)

式中：N為天氣類型樣本數(shù)；xi為各氣類型某時(shí)刻發(fā)電功率的平均值；yi為預(yù)測日天氣類型的某天各個(gè)時(shí)刻的發(fā)電功率平均值。

圖3 天氣類型與發(fā)電量的倍率關(guān)系Fig.3 Relationship between weather type and power generation rate

各種天氣下的發(fā)電量如圖3所示。由圖3可得出雨雪天發(fā)電總量最小，故將其設(shè)定為基準(zhǔn)值單位1，計(jì)算出各天氣類型發(fā)電指數(shù)，見表1。通過該指數(shù)能得到更加準(zhǔn)確的待識別日光伏出力預(yù)測值，同時(shí)將其作為權(quán)重引入竊電系數(shù)，極大的提升了相關(guān)部門對光伏竊電行為的識別能力。

表1 各天氣指數(shù)權(quán)重Table 1 All types weather index weight

2.2分布式光伏竊電識別技術(shù)原理

現(xiàn)有的分布式光伏竊電識別辦法主要有通過數(shù)據(jù)挖掘和對比，進(jìn)一步對用戶進(jìn)行竊電嚴(yán)重程度判別[12]?；蚴峭ㄟ^單一天氣數(shù)據(jù)計(jì)算理論發(fā)電量，得到的理論值再與光伏表計(jì)量的總發(fā)電量進(jìn)行對比，若差值較大則存在竊電行為[1]。上述方法存在的缺陷：方法1通過對用戶相關(guān)信息進(jìn)行數(shù)據(jù)挖掘識別竊電行為，該方法涉及的數(shù)據(jù)類型繁多，數(shù)據(jù)需要較長的年份周期，而且對使用光伏模擬器的竊電行為無法進(jìn)行有效識別。方法2對于光伏發(fā)電量的預(yù)測值要求精確，僅靠單一的天氣數(shù)據(jù)計(jì)算總發(fā)電量，首先沒有考慮到發(fā)電預(yù)測值產(chǎn)生誤差的情況下識別精度下降的問題，固只能識別出竊電量極大的用戶。其次光伏模擬器模要做到實(shí)時(shí)模擬需要進(jìn)行較大的投資，對竊電者來說沒有經(jīng)濟(jì)價(jià)值。所以一般會采用相似天氣進(jìn)行模擬，但這種方法要對其識別還是有很大的難度。

故本文提出一種考慮天氣指數(shù)基于神經(jīng)網(wǎng)絡(luò)算法的防竊電智能檢測辦法，通過對天氣類型分類，得到當(dāng)?shù)馗魈鞖忸愋推骄l(fā)電量的倍率形式。將天氣指數(shù)以權(quán)重的形式附加到竊電系數(shù)的計(jì)算中，在提高預(yù)測精度的同時(shí)解決了由誤差帶來的識別精度下降問題。最后通過對竊電系數(shù)進(jìn)行嚴(yán)重程度判定，以此來有效識別光伏竊電行為。

現(xiàn)將天氣類型以波動程度劃分為2類，一類是常規(guī)日：晴、多云、陰轉(zhuǎn)多云。另一類是特殊日：陰、陰轉(zhuǎn)晴、雨雪。根據(jù)上述所得的天氣指數(shù)對天氣類型進(jìn)行權(quán)重分配，考慮到非晴空條件下光伏出力波動性較大，導(dǎo)致預(yù)測精度下降，以及特殊日發(fā)生竊電行為的易識別性。進(jìn)行了如表1的權(quán)重分配。

本文提出的光伏竊電系數(shù)計(jì)算方法見公式(2)—(6)。該系數(shù)以天氣類型及識別效果為基礎(chǔ)分為常規(guī)日、特殊日、綜合竊電系數(shù)3類。首先對待識別日13個(gè)時(shí)段發(fā)電量進(jìn)行預(yù)測采樣，然后結(jié)合同時(shí)段的實(shí)時(shí)發(fā)電數(shù)據(jù)進(jìn)行整合計(jì)算，考慮到預(yù)估值有一定誤差，固將實(shí)測值與1.1倍的預(yù)估值進(jìn)行對比。最后對待識別日的每個(gè)時(shí)段分時(shí)計(jì)算，差值超過限定閾值的時(shí)段將H賦值為1，統(tǒng)計(jì)完日嫌疑時(shí)段，得出值即為日竊電系數(shù)。由于特殊日氣候波動明顯，使得光伏竊電更容易被識別，所以在分時(shí)竊電系數(shù)上加入了天氣類型權(quán)重指數(shù)，將其在綜合竊電系數(shù)中加大比重重點(diǎn)突出，以得出更為精確的綜合竊電系數(shù)Δ。各類型竊電系數(shù)的值越接近1，說明用戶的竊電程度越嚴(yán)重。對于前3種典型光伏竊電方法識別主要對Δk、Δ進(jìn)行分析，輔助觀察計(jì)算出的Δj即可。對于光伏模擬器竊電法，由于其一般以類似天氣類型進(jìn)行模擬發(fā)電，但特殊日外界條件變化具有較大的波動性，故需要重點(diǎn)考慮Δj、Δ，輔助觀察Δk。

式中：Δk為常規(guī)日平均竊電系數(shù)；Δj特殊日平均竊電系數(shù)；Δ為綜合竊電系數(shù)；Hi、Hl為常規(guī)日與特殊日的分時(shí)竊電系數(shù)；Qi、Ql為待識別日實(shí)測分時(shí)發(fā)電量；qi、ql為待識別日預(yù)估分時(shí)發(fā)電量，λ為各天氣類型竊電權(quán)重；j、k為常規(guī)日與特殊日天數(shù)。

3 分布式光伏竊電識別模型

考慮到對竊電行為的識別要求發(fā)電量預(yù)估值能滿足較高的精度，固本文采用反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)來建立分布式光伏發(fā)電系統(tǒng)輸出功率預(yù)測模型，同時(shí)結(jié)合光伏竊電識別模型，以達(dá)到對竊電行為的精確有效識別。

3.1預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)被視為預(yù)測光伏發(fā)電系統(tǒng)輸出功率的一種有效方法，而BP神經(jīng)網(wǎng)絡(luò)是目前研究最為成熟、應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一[13]。因此本文采用BP神經(jīng)網(wǎng)絡(luò)來建立分布式光伏發(fā)電系統(tǒng)分時(shí)輸出功率預(yù)測模型。所建立的預(yù)測模型結(jié)構(gòu)如圖4所示，共有3層，分別為輸入層、輸出層和隱含層。

考慮到轄區(qū)內(nèi)有效發(fā)電時(shí)間為06：00—18：00，本文的輸入節(jié)點(diǎn)數(shù)為15個(gè)。選擇13個(gè)發(fā)電時(shí)刻作為模型的13個(gè)輸入量；選取待識別日前1天和待識別日的天氣類型指數(shù)作為預(yù)測模型的其他2個(gè)輸入。由于光伏發(fā)電系統(tǒng)輸出功率模型預(yù)測的是待識別日06:00—19:00的每小時(shí)輸出功率平均值，因此輸出變量共有13個(gè)。

圖4 預(yù)測模型結(jié)構(gòu)Fig.4 Predicting model structure

根據(jù)Kolmogorov定理[7.14]，如果輸入變量的個(gè)數(shù)為n，則隱含層神經(jīng)元個(gè)數(shù)一般可取2n+1個(gè)，也可以采用反復(fù)試驗(yàn)法來確定隱含層神經(jīng)元的數(shù)目。光伏發(fā)電系統(tǒng)輸出功率預(yù)測模型的輸入變量單位不同，數(shù)量級差別也較大，而神經(jīng)元的輸出通常都被限制在一定的范圍內(nèi)。本文設(shè)計(jì)的預(yù)測模型采用單端S型激勵函數(shù)，輸出被限制在0～1，所以需要對原始數(shù)據(jù)進(jìn)行歸一化處理，以避免神經(jīng)元過飽和。歸一化公式為

(7)

式中xi為實(shí)際輸入或輸出數(shù)據(jù)。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程直接關(guān)系到光伏竊電模型的識別精度。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)具有許多的不足，如收斂速度慢；網(wǎng)絡(luò)不收斂；易陷入局部最小值等[14]。通過比較幾種學(xué)習(xí)算法的性能優(yōu)劣，決定采用L-M算法來改善傳統(tǒng)BP網(wǎng)絡(luò)的不足，提高網(wǎng)絡(luò)的收斂速度，以及增加網(wǎng)絡(luò)訓(xùn)練的精度。L-M優(yōu)化方法的的權(quán)值調(diào)整率為

Δw=(JTJ+μI)-1·JTe

(8)

3.2竊電識別模型

通過預(yù)測模型輸出的分時(shí)預(yù)測發(fā)電量，計(jì)算得出Δk、Δj及Δ。先對Δk、Δj進(jìn)行竊電嫌疑判定，當(dāng)兩者中有一項(xiàng)大于0.385則記錄進(jìn)光伏竊電嫌疑用戶數(shù)據(jù)庫，同時(shí)對庫中嫌疑用戶進(jìn)行具體日數(shù)據(jù)分析并加大排查力度，發(fā)現(xiàn)存在嚴(yán)重竊電用戶應(yīng)立即進(jìn)行現(xiàn)場稽查。沒有達(dá)到該條件的用戶將再進(jìn)行綜合竊電系數(shù)Δ判定，以獲取更精準(zhǔn)的判定。當(dāng)2次判定都沒有檢測出有嫌疑，則需對用戶加長監(jiān)測周期。由于早晚4個(gè)時(shí)刻太陽輻照比較弱，對應(yīng)的光伏發(fā)電量相對較少，對嫌疑用戶重點(diǎn)排查時(shí)，可以利用處于該時(shí)段的H值作為有力依據(jù)進(jìn)行分析。竊電識別模型的監(jiān)察周期為30日循環(huán)制，每30日將對竊電嫌疑數(shù)據(jù)庫進(jìn)行一次更新。這種實(shí)時(shí)逐層精確篩選的模式，使得竊電判定可信度高，有效的提高了分布式光伏竊電的識別效率[15]。圖5為光伏竊電識別流程圖。

圖5 光伏竊電識別流程圖Fig.5 Flow chart of photovoltaic stealing identification

4 算例分析

本文從某地區(qū)電網(wǎng)選取15名光伏用戶的發(fā)電數(shù)據(jù)，結(jié)合地區(qū)的天氣數(shù)據(jù)，首先對其進(jìn)行按天氣類型分類的分時(shí)功率預(yù)估，以得出的數(shù)據(jù)為基礎(chǔ)通過分布式光伏竊電模型來判定其是否存在竊電行為。

通過對過去1個(gè)月內(nèi)的天氣數(shù)據(jù)以及用戶的相關(guān)數(shù)據(jù)分析處理，利用預(yù)估模型的神經(jīng)網(wǎng)絡(luò)算法結(jié)合天氣數(shù)據(jù)訓(xùn)練，得出過去30日的分時(shí)預(yù)估發(fā)電功率。其中特殊日為7天，常規(guī)日為23天。將現(xiàn)有數(shù)據(jù)輸入竊電模型進(jìn)行計(jì)算，最終得到了15民用戶在30日內(nèi)的竊電嫌疑系數(shù)。

圖6 不同天氣類型光伏竊電識別結(jié)果Fig.6 Photovoltaic stealing identification results with Different weather types

圖6為部分竊電嫌疑用戶分別在4種不同天氣類型的實(shí)時(shí)發(fā)電數(shù)據(jù)與分時(shí)預(yù)估值的對比。從圖6可以看出，預(yù)估值在晴天時(shí)與實(shí)際值曲線趨勢較為相近，但是每個(gè)時(shí)刻的實(shí)際值與預(yù)估值均有一定的提升，線下稽查結(jié)果為通過升壓法進(jìn)行虛增光伏電量。而在多云、陰天情況下有個(gè)別時(shí)刻有明顯的波動，存在用戶選擇在特定時(shí)刻虛增電量的嫌疑。雨天時(shí)2條曲線的擬合程度較低，各時(shí)刻發(fā)電功率差值過大，考慮為用戶使用同類型天氣模擬竊電，總發(fā)電量差值不大，但由于由于曲線偏移，故存在嚴(yán)重竊電行為。

表2得出的光伏竊電程度與實(shí)際稽查結(jié)果相仿，僅用戶11由于光伏組件損壞導(dǎo)致發(fā)電數(shù)據(jù)異常。雖然預(yù)估值與實(shí)際值之間有一定誤差，但在竊電系數(shù)中考慮了倍值關(guān)系，該誤差也在可以接受的范圍內(nèi)。故本文提出的考慮天氣類型的分布式光伏竊電識別辦法有較強(qiáng)的適用性。

表2 部分用戶竊電程度Table 2 Stealing degree of some users

5 結(jié)論

(1)本文首次提出了結(jié)合天氣類型，考慮分時(shí)竊電系數(shù)的分布光伏竊電的識別技術(shù)。改善了傳統(tǒng)方法的竊電識別精度，通過竊電識別模型有效的解決了各類型光伏竊電的識別問題。

(2)完善了竊電識別模型，通過對常規(guī)日竊電系數(shù)、特殊日竊電系數(shù)和綜合竊電系數(shù)的雙層篩選，實(shí)現(xiàn)了更加系統(tǒng)、高效、準(zhǔn)確地篩選鎖定光伏竊電嫌疑用戶。

[1] 國家電網(wǎng)公司， 國網(wǎng)天津市電力公司． 光伏發(fā)電作弊系統(tǒng)[P]． 2013-11-13．

[2] 趙春江, 楊金煥, 陳中華， 等. 太陽能光伏發(fā)電應(yīng)用的現(xiàn)狀及發(fā)展[J]. 節(jié)能技術(shù)， 2007， 25(5): 462-465. ZHAO Chunjiang， YANG Jinhuan, CHEN Zhonghua, et al. State & development of photovoltaic application[J]. Energy Conservation Technology， 2007， 25(5): 462-465.

[3] 艾欣， 韓曉男， 孫英云. 光伏發(fā)電并網(wǎng)及其相關(guān)技術(shù)發(fā)展現(xiàn)狀與展望[J]. 現(xiàn)代電力， 2013， 30(1): 1-7. AI Xin, HAN Xiaonan, SUN Yingyun. The development status and prospect of grid-connected photovoltaic generation and its related technologies[J]. Modern Electric Power， 2013， 30(1): 1-7.

[4] 于輝， 周成， 劉海濤， 等． 分布式光伏發(fā)電項(xiàng)目電能計(jì)量及接線分析[J]． 電測與儀表， 2014， 51(20): 7-10． YU Hui, ZHOU Cheng, LIU Haitao, et al. Analysis on the electric energy metering and wiring of distributed photovoltaic power generation projects[J]. Electrical Measurement & Instrumentation， 2014， 51(20): 7-10．

[5] 謝云云， 袁曉冬， 孫正洋， 等. 基于光伏模擬器的虛增電量特性分析與檢測方法[J]. 電網(wǎng)技術(shù)， 2016， 40(6): 1704-1708. XIE Yunyun, YUAN Xiaodong, SUN Zhengyang, et al. Feature analysis and detection method research of inflated electricity using pv generation simulator[J]. Power System Technology, 2016， 40(6): 1704-1708.

[6] 羅一凡， 蔣傳文， 李春哲， 等. 考慮分布式電源入網(wǎng)的反竊電綜合管理方法[J]. 電器與能效管理技術(shù)， 2015， 49(4): 49-55. LUO Yifan, JIANG Chuanwen, LI Chunzhe, et al. Integrated management method of anti-electricity stealing considering distributed generation[J]. Electrical and Energy Efficiency Management Technology， 2015， 49(4): 49-55.

[7] 曹崢， 楊鏡非， 劉曉娜. BP神經(jīng)網(wǎng)絡(luò)在反竊電系統(tǒng)中的研究與應(yīng)用[J]. 水電能源科學(xué)， 2011， 29(9): 199-203． CAO Zheng， YANG Jingfei， LIU Xiaona. Research and application of BP neural network in anti-stealing system[J]. Hydropower and Energy Science， 2011， 29(9): 199-203．

[8] 袁曉冬， 史明明， 孫正洋. 分布式光伏發(fā)電的反竊電技術(shù)研究現(xiàn)狀分析[J]. 能源與節(jié)能， 2016， 12(135): 91-92. YUAN Xiaodong, SHI Mingming, SUN Zhengyang. Research status analysis of anti-stealing electricity technologies of distributed photovoltaic power[J]. Energy and Energy Conservation， 2016， 12(135): 91-92.

[9] 王穎琛， 顧潔， 金之儉. 基于高維隨機(jī)矩陣分析的竊電識別方法[J]. 現(xiàn)代電力， 2017， 34(6): 71-78． WANG Yingchen, GU Jie, JIN Zhijian. The development status and prospect of grid-connected photovoltaic generation and its related technologies[J]. Modern Electric Power， 2017， 34(6): 71-78．

[10] 馮玉， 周林， 傅望， 等. 光伏陣列模擬器綜述[J]. 電氣傳動， 2011， 41(11): 3-7. FENG Yu， ZHOU Lin， FU Wang, et al. Summary of solar array simulator[J]. Electric Drive， 2011， 41(11): 3-7.

[11] 袁曉玲， 施俊華， 徐杰彥. 計(jì)及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測[J]. 中國電機(jī)工程學(xué)報(bào), 2013, 33(34): 57-64 YUAN Xiaoling, SHI Junhua, XU Jieyan. Short-term power forecasting for photovoltaic generation considering weather type index[J]. Proceedings of the CSEE, 2013, 33(34): 57-64

[12] 蘇劍， 周莉梅， 李蕊． 分布式光伏發(fā)電并網(wǎng)的成本/效益分析[J]． 中國電機(jī)工程學(xué)報(bào)， 2013， 33(34): 50-56． SU Jian， ZHOU Limei， LI Rui． Cost-benefit analysis of distributed grid-connected photovoltaic power generation[J]． Proceedings of the CSEE， 2013， 33(34): 50-56．

[13] 丁明， 王磊， 畢銳. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測模型[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(11): 93-99. DING Ming, WANG Lei, BI Rui. A short-term prediction model to forecast output power of photovoltaic system based on improved BP neural network[J]. Power System Protection and Control, 2012, 40(11): 93-99.

[14] 辛潔晴， 夏正侃， 高亦凌， 等. 基于事故樹的竊電損失要因分析[J]. 電力系統(tǒng)及其自動化學(xué)報(bào)， 2014， 26(3): 47-51. XIN Jieqing, XIA Zhengkan, GAO Yiling, et al. Root cause analysis for electricity stealing losses based on the accident tree method[J]. Proceedings of the CSU-EPSA， 2014， 26(3): 47-51.

[15] 李立浧， 張勇軍， 徐敏. 我國能源系統(tǒng)形態(tài)演變及分布式能源發(fā)展[J]. 分布式能源， 2017， 2(1): 1-9. LI Licheng, ZHANG Yongjun, XU Min. Morphological evolution of energy system and development of distributed energy in China[J]. Distributed Energy， 2017， 2(1): 1-9.

胡 宸

(編輯 蔣毅恒)

PVElectricityStealingIdentificationMethodConsideringWeatherType

HU Chen, SUN Chunshun, LIU Jia, XIE Feng, HUANG Huaqin, GUO Binpeng

(College of Electrical and Information Engineering, Changsha University of Science and Technology, Changsha 410114, Hunan Province, China)

With the country’s strong promotion and support of the photovoltaic industry, considering that the unique characteristics of photovoltaic power generation is different from the traditional power generation, as well as the long-term national subsidy policy, there have been a lot of false record power to deceive PV subsidies, named as PV stealing. This paper proposes an intelligent detection method for PV stealing based on neural network algorithm with considering weather type index. By dividing the weather type into a special day and a regular day, the time-of-day generation is forecasted based on the historical weather data, and various types of stealing coefficients are calculated combined with real-time power generation data, which can effectively determine the degree of PV stealing. The simulation results show that the method is effective to identify the behavior of PV stealing.

PV stealing; weather type; stealing coefficient; regular day; special day

TK 01；TM 914

： A

： 2096-2185(2017)04-0013-07

10.16513/j.cnki.10-1427/tk.2017.04.003

2017-05-02

胡 宸(1995—)，男，碩士研究生，研究方向?yàn)樾履茉窗l(fā)電，670610672@qq.com；

孫春順(1965—)，男，副教授，碩士生導(dǎo)師，主要從事電力系統(tǒng)運(yùn)行與控制、風(fēng)力發(fā)電；

劉 佳(1993—)，男，碩士研究生，研究方向?yàn)樾履茉窗l(fā)電；

謝 峰(1993—)，男，碩士研究生，研究方向?yàn)闊o人機(jī)巡線技術(shù)；

黃華欽(1993—)，男，碩士研究生，研究方向?yàn)殡娔苜|(zhì)量監(jiān)測；

郭濱鵬(1993—)，男，碩士研究生，研究方向?yàn)殡娔苜|(zhì)量評估。