基于循环神经网络的异常用电数据检测方法

针对用电数据检测时受电量敏感度的影响,导致异常数据检测时电能消耗过量的问题,提出了基于循环神经网络的异常用电数据检测方法。在循环神经网络体系中,根据窃电系数指标求解结果,计算电量压差的实际数值,实现对异常用电数据特征的提取。构建异常数据样本集合,通过填充缺失数据的处理方式,推断检测评价指标所属区间范围,完成基于循环神经网络的异常用电数据检测方法的设计。对比实验结果:循环神经网络作用下,由异常用电数据造成的电能消耗量最高为3.2×10^(8)kW·h,不会引发明显的电能过量消耗问题,符合维护电网运行稳定性的实际应用需求。

考虑天气类型的光伏窃电识别方法

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。

小波神经网络在反窃电系统中的应用研究

基于我国电力系统自动化水平较低,难以实现对窃电行为的精确跟踪和反馈,将小波神经网络与反窃电评价指标体系结合构建了窃电系统神经网络模型。模型采用典型的输入、隐含、输出三层网络结构,确定各层节点数分别为8个、7个、1个,为满足窃电信息追踪的非线性映射关系,采用连续可微的Sigmoid函数作为隐层节点激活函数,采用线性型激活函数作为输出层激活函数。通过选取某一用户一定时间段的用电信息进行仿真分析,结果表明:建立的窃电网络模型获得的窃电嫌疑系数与实际情况基本一致,输入和输出关系正确,能够对窃电情况进行有效评价。