基于非线性独立成分估计的分布式光伏窃电数据增强方法

由于分布式光伏窃电的强隐蔽性和稽查资源的有限性,导致电力部门掌握的窃电样本数量不足,限制了窃电检测的精度。为此,提出了一种基于非线性独立成分估计(NICE)的分布式光伏窃电数据增强方法。首先,利用多个可逆函数将窃电样本映射成服从高斯分布的隐变量,并通过逆变换将其反向重构成新的窃电样本。然后,提出了3种典型的光伏窃电模型,并针对窃电样本的数据特征构建了卷积神经网络作为分类器。最后,通过仿真算例和实际算例验证了所提方法的有效性和适应性。仿真结果表明,NICE能够同时兼顾样本的形状和分布特征,生成的窃电样本能够显著提升不同分类器的性能。