考虑天气类型的光伏窃电识别方法

胡 宸，孙春顺，刘 佳，谢 峰，黄华钦，郭滨鹏

(长沙理工大学电气与信息工程学院，湖南 长沙 410114)

考虑天气类型的光伏窃电识别方法

胡 宸，孙春顺，刘 佳，谢 峰，黄华钦，郭滨鹏

(长沙理工大学电气与信息工程学院，湖南 长沙 410114)

随着国家对光伏产业的大力推进与扶持，考虑到光伏发电不同于传统发电方式的独特性，以及国家补贴政策的长期性，出现了很多以虚假记录发电量骗取光伏补贴的行为，称光伏窃电。针对现有的分布式光伏窃电手段，提出了1种考虑天气类型指数基于神经网络算法的防光伏窃电智能检测办法。通过将天气类型划分为特殊日与常规日，以历史气象数据为基础对待识别日进行分时发电量预估，结合实时发电数据计算出各类型窃电系数，以此对光伏窃电程度进行有效判定。仿真结果表明，该方法对光伏窃电行为识别的有效性。

光伏窃电；天气类型；窃电系数；常规日；特殊日

0 引言

自2013年3月国家电网公司出台了《关于做好分布式电源并网服务工作的意见》以来，新能源发电产业不断兴起，大大小小的分布式光伏电站不断建成并网，极大推进了我国光伏产业的飞速发展[1-2]。虽然我国分布式光伏发电项目发展迅猛、潜力无穷，但随之而来的问题也是日渐显著[3]。在国家利益政策的驱使下，不法用户通过技术手段使得分布式光伏电表记录下更多的发电量，以此从国家补贴政策中骗取高额补贴，这种骗取补贴的行为称之光伏窃电行为。这不仅造成国家补贴浪费，还会给光伏电站的运行带来安全隐患[4-5]。

目前，对于光伏窃电现象的识别主要通过：基于线损率标杆值确定台区光伏窃电严重程度、发电量估算值与光伏表计量值进行比较、逆变器直流侧的功率值与光伏计量表实测值的比较[1,5-6]。由于光伏出力的随机性导致预测精度不高，对于误差与窃电的判定也没有有利依据；光伏逆变器直流侧数据获取较为困难，实际应用存在很大的难度；而传统的最大线损、三相不平衡率、微机扫描情况、功率因数等用电异常指标仅能有效识别传统窃电手段[7]。

因此，本文针对现有的分布式光伏窃电现象，分析其窃电原理及过程，通过改进传统识别办法并提高预估精度，建立考虑天气类型的光伏窃电识别模型，提出判定光伏窃电的窃电系数。最后通过相关数据进行仿真验证，证明该识别方法的有效性。

1 典型分布式光伏窃电类型

1.1分布式并网发电系统简介

分布式光伏发电的简化原理图如图1所示。光伏阵列组件实施光电转换后输出直流电，再经逆变及其滤波装置转换为满足电能质量要求的交流电[8]。转变得到的交流电优先供本地负载消纳，多余电能向电网输送，负荷需求大时从电网购电。在光伏逆变器的输出端以及和公共电网的连接端分别安装了能双向计量的光伏电表和关口电表[4]。

图1 分布式光伏发电的简化原理图Fig.1 Simplified principle of distributed photovoltaic power generation

1.2典型的光伏窃电方式

分布式光伏窃电主要是通过对光伏发电设备及线路的非法改造，使得光伏电表转速加快，计入更多的虚假发电量，从而骗取更多的光伏补贴。4种典型分布式光伏窃电的简化原理图如下图2所示[4,8]。

图2 4种典型的光伏窃电方式简化原理图Fig.2 Four typical types of photovoltaic stealing methods

1.2.1 升压法

附加升压变压器于光伏电表两端，构造1个虚高的电压，使得光伏电表计入更多的发电量，让用户得以骗取到一定的光伏政策补贴。

1.2.2 升流法

利用调压器在原边附加很小电压，即可在副边感应出较大的电流，相当于在光伏表的电流回路上附加一个虚增电流，使计量表转速加快，更多记录光伏发电量以骗取国家电价补贴。

1.2.3 市电改接法

调整内部接线方式，将光伏表进线改接到市电进线，使得电表所计量的数据为负载的耗电量。这种窃电方式在用户市电消耗功率大于光伏发电功率的情况下，能骗取补贴，如在无光照时，用户可将负载消耗的电能全部冒充光伏发电系统的发电量。

1.2.4 光伏模拟器法

窃电用户直接利用电力电子整流装置将市电整流成直流，并联于光伏发电系统的直流侧，经过光伏逆变器转化成交流电上网。使用这一窃电方式，用户甚至可不安装光伏电池板，直接用整流装置冒充光伏电池板[5,9-10]。

2 考虑天气类型指数的分布式光伏窃电识别技术原理

针对目前分布式光伏发电存在的以骗取补贴为目的窃电现象，本文提出了1种考虑天气指数基于神经网络算法的防窃电智能检测办法。采用BP神经网络算法对光伏用户进行识别日出力预估，将天气指数作为权重引入窃电系数，对光伏用户发电数据进行气象类型分类。通过对常规日、特殊日的预估分时发电值和实测分时发电值计算处理，最后综合得出相应的窃电系数。以上述3类窃电系数计算值为有效判据，对光伏用户进行窃电程度判定。

2.1天气类型权重的确定

由于外界天气因素对光伏阵列的输出功率有着一定的影响，因此通过对某地区信用良好的光伏电站进行历史发电功率数据的处理，将这些影响因素转换为天气类型指数以更加直观的方式反映出天气类型对光伏出力的影响，同时将天气指数以权重形式加入到窃电系数中。

本文以信用电站的历史发电数据及其所处位置的气象数据为根据，将每日发电功率按天气类型晴、多云、阴转多云、阴、雷阵雨、雨雪分类[11]。由于气象机构所提供的数据较为模糊，所以只能粗略的区分出不同的天气类型，无法具体划分。故本文在计算天气类型指数时，以天气预报数据为基础，结合Pearson相关系数表达式对天气类型进一步归类，最后做出的天气类型与发电量的倍率关系如图3所示。Pearson相关系数定义为

(1)

式中：N为天气类型样本数；xi为各气类型某时刻发电功率的平均值；yi为预测日天气类型的某天各个时刻的发电功率平均值。

图3 天气类型与发电量的倍率关系Fig.3 Relationship between weather type and power generation rate

各种天气下的发电量如图3所示。由图3可得出雨雪天发电总量最小，故将其设定为基准值单位1，计算出各天气类型发电指数，见表1。通过该指数能得到更加准确的待识别日光伏出力预测值，同时将其作为权重引入窃电系数，极大的提升了相关部门对光伏窃电行为的识别能力。

表1 各天气指数权重Table 1 All types weather index weight

2.2分布式光伏窃电识别技术原理

现有的分布式光伏窃电识别办法主要有通过数据挖掘和对比，进一步对用户进行窃电严重程度判别[12]。或是通过单一天气数据计算理论发电量，得到的理论值再与光伏表计量的总发电量进行对比，若差值较大则存在窃电行为[1]。上述方法存在的缺陷：方法1通过对用户相关信息进行数据挖掘识别窃电行为，该方法涉及的数据类型繁多，数据需要较长的年份周期，而且对使用光伏模拟器的窃电行为无法进行有效识别。方法2对于光伏发电量的预测值要求精确，仅靠单一的天气数据计算总发电量，首先没有考虑到发电预测值产生误差的情况下识别精度下降的问题，固只能识别出窃电量极大的用户。其次光伏模拟器模要做到实时模拟需要进行较大的投资，对窃电者来说没有经济价值。所以一般会采用相似天气进行模拟，但这种方法要对其识别还是有很大的难度。

故本文提出一种考虑天气指数基于神经网络算法的防窃电智能检测办法，通过对天气类型分类，得到当地各天气类型平均发电量的倍率形式。将天气指数以权重的形式附加到窃电系数的计算中，在提高预测精度的同时解决了由误差带来的识别精度下降问题。最后通过对窃电系数进行严重程度判定，以此来有效识别光伏窃电行为。

现将天气类型以波动程度划分为2类，一类是常规日：晴、多云、阴转多云。另一类是特殊日：阴、阴转晴、雨雪。根据上述所得的天气指数对天气类型进行权重分配，考虑到非晴空条件下光伏出力波动性较大，导致预测精度下降，以及特殊日发生窃电行为的易识别性。进行了如表1的权重分配。

本文提出的光伏窃电系数计算方法见公式(2)—(6)。该系数以天气类型及识别效果为基础分为常规日、特殊日、综合窃电系数3类。首先对待识别日13个时段发电量进行预测采样，然后结合同时段的实时发电数据进行整合计算，考虑到预估值有一定误差，固将实测值与1.1倍的预估值进行对比。最后对待识别日的每个时段分时计算，差值超过限定阈值的时段将H赋值为1，统计完日嫌疑时段，得出值即为日窃电系数。由于特殊日气候波动明显，使得光伏窃电更容易被识别，所以在分时窃电系数上加入了天气类型权重指数，将其在综合窃电系数中加大比重重点突出，以得出更为精确的综合窃电系数Δ。各类型窃电系数的值越接近1，说明用户的窃电程度越严重。对于前3种典型光伏窃电方法识别主要对Δk、Δ进行分析，辅助观察计算出的Δj即可。对于光伏模拟器窃电法，由于其一般以类似天气类型进行模拟发电，但特殊日外界条件变化具有较大的波动性，故需要重点考虑Δj、Δ，辅助观察Δk。

式中：Δk为常规日平均窃电系数；Δj特殊日平均窃电系数；Δ为综合窃电系数；Hi、Hl为常规日与特殊日的分时窃电系数；Qi、Ql为待识别日实测分时发电量；qi、ql为待识别日预估分时发电量，λ为各天气类型窃电权重；j、k为常规日与特殊日天数。

3 分布式光伏窃电识别模型

考虑到对窃电行为的识别要求发电量预估值能满足较高的精度，固本文采用反向传播(back propagation, BP)神经网络来建立分布式光伏发电系统输出功率预测模型，同时结合光伏窃电识别模型，以达到对窃电行为的精确有效识别。

3.1预测模型

人工神经网络(artificial neural network, ANN)被视为预测光伏发电系统输出功率的一种有效方法，而BP神经网络是目前研究最为成熟、应用最为广泛的人工神经网络模型之一[13]。因此本文采用BP神经网络来建立分布式光伏发电系统分时输出功率预测模型。所建立的预测模型结构如图4所示，共有3层，分别为输入层、输出层和隐含层。

考虑到辖区内有效发电时间为06：00—18：00，本文的输入节点数为15个。选择13个发电时刻作为模型的13个输入量；选取待识别日前1天和待识别日的天气类型指数作为预测模型的其他2个输入。由于光伏发电系统输出功率模型预测的是待识别日06:00—19:00的每小时输出功率平均值，因此输出变量共有13个。

图4 预测模型结构Fig.4 Predicting model structure

根据Kolmogorov定理[7.14]，如果输入变量的个数为n，则隐含层神经元个数一般可取2n+1个，也可以采用反复试验法来确定隐含层神经元的数目。光伏发电系统输出功率预测模型的输入变量单位不同，数量级差别也较大，而神经元的输出通常都被限制在一定的范围内。本文设计的预测模型采用单端S型激励函数，输出被限制在0～1，所以需要对原始数据进行归一化处理，以避免神经元过饱和。归一化公式为

(7)

式中xi为实际输入或输出数据。

BP神经网络的训练过程直接关系到光伏窃电模型的识别精度。传统的BP神经网络具有许多的不足，如收敛速度慢；网络不收敛；易陷入局部最小值等[14]。通过比较几种学习算法的性能优劣，决定采用L-M算法来改善传统BP网络的不足，提高网络的收敛速度，以及增加网络训练的精度。L-M优化方法的的权值调整率为

Δw=(JTJ+μI)-1·JTe

(8)

3.2窃电识别模型

通过预测模型输出的分时预测发电量，计算得出Δk、Δj及Δ。先对Δk、Δj进行窃电嫌疑判定，当两者中有一项大于0.385则记录进光伏窃电嫌疑用户数据库，同时对库中嫌疑用户进行具体日数据分析并加大排查力度，发现存在严重窃电用户应立即进行现场稽查。没有达到该条件的用户将再进行综合窃电系数Δ判定，以获取更精准的判定。当2次判定都没有检测出有嫌疑，则需对用户加长监测周期。由于早晚4个时刻太阳辐照比较弱，对应的光伏发电量相对较少，对嫌疑用户重点排查时，可以利用处于该时段的H值作为有力依据进行分析。窃电识别模型的监察周期为30日循环制，每30日将对窃电嫌疑数据库进行一次更新。这种实时逐层精确筛选的模式，使得窃电判定可信度高，有效的提高了分布式光伏窃电的识别效率[15]。图5为光伏窃电识别流程图。

图5 光伏窃电识别流程图Fig.5 Flow chart of photovoltaic stealing identification

4 算例分析

本文从某地区电网选取15名光伏用户的发电数据，结合地区的天气数据，首先对其进行按天气类型分类的分时功率预估，以得出的数据为基础通过分布式光伏窃电模型来判定其是否存在窃电行为。

通过对过去1个月内的天气数据以及用户的相关数据分析处理，利用预估模型的神经网络算法结合天气数据训练，得出过去30日的分时预估发电功率。其中特殊日为7天，常规日为23天。将现有数据输入窃电模型进行计算，最终得到了15民用户在30日内的窃电嫌疑系数。

图6 不同天气类型光伏窃电识别结果Fig.6 Photovoltaic stealing identification results with Different weather types

图6为部分窃电嫌疑用户分别在4种不同天气类型的实时发电数据与分时预估值的对比。从图6可以看出，预估值在晴天时与实际值曲线趋势较为相近，但是每个时刻的实际值与预估值均有一定的提升，线下稽查结果为通过升压法进行虚增光伏电量。而在多云、阴天情况下有个别时刻有明显的波动，存在用户选择在特定时刻虚增电量的嫌疑。雨天时2条曲线的拟合程度较低，各时刻发电功率差值过大，考虑为用户使用同类型天气模拟窃电，总发电量差值不大，但由于由于曲线偏移，故存在严重窃电行为。

表2得出的光伏窃电程度与实际稽查结果相仿，仅用户11由于光伏组件损坏导致发电数据异常。虽然预估值与实际值之间有一定误差，但在窃电系数中考虑了倍值关系，该误差也在可以接受的范围内。故本文提出的考虑天气类型的分布式光伏窃电识别办法有较强的适用性。

表2 部分用户窃电程度Table 2 Stealing degree of some users

5 结论

(1)本文首次提出了结合天气类型，考虑分时窃电系数的分布光伏窃电的识别技术。改善了传统方法的窃电识别精度，通过窃电识别模型有效的解决了各类型光伏窃电的识别问题。

(2)完善了窃电识别模型，通过对常规日窃电系数、特殊日窃电系数和综合窃电系数的双层筛选，实现了更加系统、高效、准确地筛选锁定光伏窃电嫌疑用户。

[1] 国家电网公司， 国网天津市电力公司． 光伏发电作弊系统[P]． 2013-11-13．

[2] 赵春江, 杨金焕, 陈中华， 等. 太阳能光伏发电应用的现状及发展[J]. 节能技术， 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， 韩晓男， 孙英云. 光伏发电并网及其相关技术发展现状与展望[J]. 现代电力， 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] 于辉， 周成， 刘海涛， 等． 分布式光伏发电项目电能计量及接线分析[J]． 电测与仪表， 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] 谢云云， 袁晓冬， 孙正洋， 等. 基于光伏模拟器的虚增电量特性分析与检测方法[J]. 电网技术， 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] 罗一凡， 蒋传文， 李春哲， 等. 考虑分布式电源入网的反窃电综合管理方法[J]. 电器与能效管理技术， 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] 曹峥， 杨镜非， 刘晓娜. BP神经网络在反窃电系统中的研究与应用[J]. 水电能源科学， 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] 袁晓冬， 史明明， 孙正洋. 分布式光伏发电的反窃电技术研究现状分析[J]. 能源与节能， 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] 王颖琛， 顾洁， 金之俭. 基于高维随机矩阵分析的窃电识别方法[J]. 现代电力， 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] 冯玉， 周林， 傅望， 等. 光伏阵列模拟器综述[J]. 电气传动， 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] 袁晓玲， 施俊华， 徐杰彦. 计及天气类型指数的光伏发电短期出力预测[J]. 中国电机工程学报, 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] 苏剑， 周莉梅， 李蕊． 分布式光伏发电并网的成本/效益分析[J]． 中国电机工程学报， 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， 毕锐. 基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J]. 电力系统保护与控制, 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] 辛洁晴， 夏正侃， 高亦凌， 等. 基于事故树的窃电损失要因分析[J]. 电力系统及其自动化学报， 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， 张勇军， 徐敏. 我国能源系统形态演变及分布式能源发展[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

(编辑 蒋毅恒)

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，硕士研究生，研究方向为新能源发电，670610672@qq.com；

孙春顺(1965—)，男，副教授，硕士生导师，主要从事电力系统运行与控制、风力发电；

刘 佳(1993—)，男，硕士研究生，研究方向为新能源发电；

谢 峰(1993—)，男，硕士研究生，研究方向为无人机巡线技术；

黄华钦(1993—)，男，硕士研究生，研究方向为电能质量监测；

郭滨鹏(1993—)，男，硕士研究生，研究方向为电能质量评估。