CN116298675B - 一种基于智能算法的配电网线损异常检测方法及系统 - Google Patents

Abstract

本发明提供了一种基于智能算法的配电网线损异常检测方法及系统，涉及电力系统技术领域，连接数据交互装置至配电网，采集获得配电网的配电数据，进行线损计算获得多个线损计算指标，进行负载工况特征提取获得工况特征提取结果，采集获得配电网的基础信息，进行大数据筛选提取，构建异常检测模型，将多个线损计算指标和工况特征提取结果输入异常检测模型，输出异常检测结果，根据异常检测结果进行配电网线损管理。本发明解决了现有技术中配电网线损检测通常需要详尽的生产线原始参数，使得检测计算量大、效率低的技术问题，实现了基于智能算法构建异常检测模型，达到提高线损异常的检测准确率，降低检测过程的计算量和复杂度的技术效果。

Description

一种基于智能算法的配电网线损异常检测方法及系统

技术领域

本发明涉及电力系统技术领域，具体涉及一种基于智能算法的配电网线损异常检测方法及系统。

背景技术

随着经济的不断发展，各行业之间竞争越来越激烈，这也在一定程度上加大电能物资的消耗，也由此推动了电力企业的发展，为了能满足电力企业发展的需求，加强电能的稳定输送是关键。而作为一项综合性技术的指标，线损是评价一个电力企业运输稳定的关键指标，直接反映出电力企业的发展水平和管理水平，是一个电力企业的竞争指标，因此需要不断完善配电网中线损问题，及时解决漏电现象，降低线损发生概率，加强对线损的精细化管理，实现配电网的稳定发展。而现今常用的配电网线损异常检测方法还存在着一定的弊端，对于配电网线损异常的检测方法还存在着一定的可提升空间。

现有技术中配电网线损检测通常需要详尽的生产线原始参数，使得检测计算量大、效率低。

发明内容

本申请实施例提供了一种基于智能算法的配电网线损异常检测方法及系统，用于针对解决现有技术中配电网线损检测通常需要详尽的生产线原始参数，使得检测计算量大、效率低的技术问题。

鉴于上述问题，本申请实施例提供了一种基于智能算法的配电网线损异常检测方法及系统。

第一方面，本申请实施例提供了一种基于智能算法的配电网线损异常检测方法，所述方法包括：连接所述数据交互装置至配电网，采集获得配电网的配电数据；基于所述配电数据进行线损计算，获得多个线损计算指标；基于所述配电数据进行负载工况特征提取，获得工况特征提取结果；采集获得所述配电网的基础信息，基于所述基础信息进行大数据筛选提取，根据筛选提取结果构建异常检测模型；将所述多个线损计算指标和所述工况特征提取结果输入所述异常检测模型；输出获得异常检测结果，根据所述异常检测结果进行配电网线损管理。

第二方面，本申请实施例提供了一种基于智能算法的配电网线损异常检测系统，所述系统包括：配电数据获取模块，所述配电数据获取模块用于连接所述数据交互装置至配电网，采集获得配电网的配电数据；线损计算模块，所述线损计算模块用于基于所述配电数据进行线损计算，获得多个线损计算指标；特征提取模块，所述特征提取模块用于基于所述配电数据进行负载工况特征提取，获得工况特征提取结果；模型构建模块，所述模型构建模块用于采集获得所述配电网的基础信息，基于所述基础信息进行大数据筛选提取，根据筛选提取结果构建异常检测模型；数据输入模块，所述数据输入模块用于将所述多个线损计算指标和所述工况特征提取结果输入所述异常检测模型；线损管理模块，所述线损管理模块用于输出获得异常检测结果，根据所述异常检测结果进行配电网线损管理。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的一种基于智能算法的配电网线损异常检测方法，涉及电力系统技术领域，连接数据交互装置至配电网，采集获得配电网的配电数据，进行线损计算获得多个线损计算指标，进行负载工况特征提取获得工况特征提取结果，采集获得配电网的基础信息，进行大数据筛选提取，构建异常检测模型，将多个线损计算指标和工况特征提取结果输入异常检测模型，输出获得异常检测结果，根据异常检测结果进行配电网线损管理。解决了现有技术中配电网线损检测通常需要详尽的生产线原始参数，使得检测计算量大、效率低的技术问题，实现了基于智能算法构建异常检测模型，达到提高线损异常的检测准确率，降低检测过程的计算量和复杂度的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种基于智能算法的配电网线损异常检测方法流程示意图；

图2为本申请实施例提供了一种基于智能算法的配电网线损异常检测方法中构建异常检测模型流程示意图；

图3为本申请实施例提供了一种基于智能算法的配电网线损异常检测方法中异常检测模型训练过程的训练标识流程示意图；

图4为本申请实施例提供了一种基于智能算法的配电网线损异常检测系统结构示意图。

附图标记说明：配电数据获取模块10，线损计算模块20，特征提取模块30，模型构建模块40，数据输入模块50，线损管理模块60。

具体实施方式

本申请实施例通过提供一种基于智能算法的配电网线损异常检测方法，用于针对解决现有技术中配电网线损检测通常需要详尽的生产线原始参数，使得检测计算量大、效率低的技术问题。

实施例一

如图1所示，本申请实施例提供了一种基于智能算法的配电网线损异常检测方法，所述方法应用于异常检测系统，所述异常检测系统与数据交互装置通信连接，所述方法包括：

步骤S100：连接所述数据交互装置至配电网，采集获得配电网的配电数据；

具体而言，本申请实施例提供的一种基于智能算法的配电网线损异常检测方法应用于异常检测系统，所述异常检测系统与数据交互装置通信连接，所述数据交互装置用于采集获得配电网的配电数据。配电网是指从输电网或地区发电厂接受电能，通过配电设施就地分配或按电压逐级分配给各类用户的电力网，由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成，是在电力网中起重要分配电能作用的网络。所述数据交互装置为进行配电数据采集的装置，示例性地，在配电线路的首端、所有公共配变的低压侧和所有高压用户配变的高压侧安装负荷测试仪，采集获取线路出口端的电量值、所有公共配变的电量总和以及所有高压用户配变的电量总和，将采集到的数据作为配电数据储存。实现了对配电数据的精准掌控，为后续的线损计算提供数据支撑。

步骤S200：基于所述配电数据进行线损计算，获得多个线损计算指标；

具体而言，线损是指电流在通过导线进行传输时，产生的以热能形式散发的能源损耗，主要包括有功损耗和无功损耗。其中，有功消耗是指由于用来传输电流的导体线路或线路网自身的电阻作用、磁场作用，对流经的电流产生一种阻力，电能在电力网的传输过程中必须克服导体的这种阻力做工，产生热量，造成有功消耗。无功损耗部分电能损耗是由传输电流导线的电抗、变压器铜线绕阻产生的电抗、磁抗、变压器铁芯的感纳对其电流产生阻挡作用，并以热能的形式散发的电能损耗，因为没有实际的功用，所以又叫无功消耗。

根据配电数据，计算得到线路的总损耗等于线路出口端的电量值减去所有公共配变的电量总和以及所有高压用户配变的电量总和，各段导线及各台配变的损耗值，根据计算得到的导线和配变的损耗比例重新分配测得的总损耗获得。设测得的配电线路的总损耗为W，计算得到的导线的总线损为，变压器的总线损为/>，则重新调整后的导线的线损，变压器的线损/>，其中，/>。通过计算获得实时线损率、周期内的平均线损率和线损畸变率，以此作为多个线损计算指标。

步骤S300：基于所述配电数据进行负载工况特征提取，获得工况特征提取结果；

具体而言，基于配电数据构建特征数据集矩阵，获得第一特征数据集。继而对第一特征数据集中的各特征数据进行中心化处理，首先求解第一特征数据集中各特征的平均值，然后对于所有的样本，每一个特征都减去自身的均值，继而获得新的特征值，由新的特征数据集构成所述第二特征数据集，所述第二特征数据集为一数据矩阵。通过协方差公式对所述第二特征数据集进行运算，获得所述第二特征数据集的第一协方差矩阵，继而通过矩阵运算，求出所述第一协方差矩阵的特征值及特征向量，且每一特征值对应一个特征向量。在求出的所述第一特征向量中，选取最大的前K个特征值及其对应的特征向量，并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上，得到降维之后的第一特征数据集，对于第一特征数据集，根据分析标准的不同，设定不同的聚类指标，完成工况聚类，如将各个节点按照线损率分为经济工况、设计工况和超载工况，以此作为工况特征提取结果。实现了在保证信息量的前提下剔除冗余数据，使得配电数据库中特征数据的样本量减小，且负载工况特征提取后信息量损失最小，从而加快训练模型对于数据的运算速度。

步骤S400：采集获得所述配电网的基础信息，基于所述基础信息进行大数据筛选提取，根据筛选提取结果构建异常检测模型；

具体而言，基于大数据采集配电网的基础信息，包括各个节点变压器的性质、变压器的型号、变压器的阻抗电压、变压器的短路损耗、高低压侧的额定电流、高低压侧的绝缘介质、高低压侧的电压比、节点的温度、节点的湿度和节点的空气质量等，以各个节点的基础信息作为深度神经网络模型的输入，以正常点和异常点的分群结果作为所述深度神经网络模型的输出，训练得到异常检测模型，示例性地，将异常点的基础信息输入到深度神经网络模型中，深度神经网络模型的输出为最大期望算法的分群结果，将异常点输出的分群结果标记为线损异常；将正常点的基础信息输入到深度神经网络模型中，深度神经网络模型的输出为最大期望算法的分群结果，将正常点输出的分群结果标记为线损正常。经过预设次数的异常点和正常点的训练，得到输入基础信息对应输出为线损判断结果的异常检测模型。通过异常检测模型的构建，达到提高线损异常的检测准确率，降低检测过程的计算量和复杂度的效果。

步骤S500：将所述多个线损计算指标和所述工况特征提取结果输入所述异常检测模型；

具体而言，线损计算指标包括实时线损率、一周期内的平均线损率和线损畸变率，工况特征提取结果包括多个负载工况的等级聚类结果。通过异常检测模型，利用混合高斯模型的数据仿真性能拟合配电网的节点的统计线损率，其中，/>，表示高斯分布的个数，/>、/>、/>分别表示第/>个高斯分布的权值、均值以及协方差，基于准则对节点的统计线损率进行判断，当统计线损率小于预设的阈值时，判定对应的节点为异常点，当统计线损率不小于所述阈值时，判定对应的节点为正常点，基于/>准则完成每一节点的统计线损率的判断，将各个节点分为正常点和异常点。其中，/>准则为假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。

步骤S600：输出获得异常检测结果，根据所述异常检测结果进行配电网线损管理。

具体而言，将各个节点分为正常点和异常点作为异常检测结果输出。产生配电网线损异常现象的主要原因包括计量原因、拓扑原因、窃电漏电原因，每种原因对应的现象也是不同的。其中计量原因主要是计量装置出现问题，如计量系统存在缺陷、计量终端接线方式错误、电表残旧装置故障等，对于计量原因导致的配电网线损异常现象，重点加强计量管理、及时淘汰或轮换计量装置。拓扑原因引起线损异常包括电力环网中的转供电档案资料及负荷档案资料没有得到及时更新，主要表现为其中一个台区的线损在段时间内突然增大或连续数月出现异常增大，而相邻台区线损则是出现负值或者明显降低，对于拓扑原因导致的配电网线损异常现象，及时更新基础档案资料，做好资料管理工作。发生窃电漏电可出现电量不计或者电量少计的问题，由此引起线损异常，漏电问题可导致线损明显偏高，对于窃电漏电原因导致的配电网线损异常现象，则加强反窃电管理、维护好配电线路，以减少漏电现象及异常线损。

进一步而言，如图2所示，本申请步骤S400还包括：

步骤S410：对所述筛选提取结果进行数据分类，获得加密数据和公开数据；

步骤S420：将所述加密数据和所述公开数据发送至第三方处理数据库，基于所述第三方处理数据库对所述加密数据和所述公开数据进行加密样本对齐；

步骤S430：基于对齐样本进行异常检测模型的加密训练；

步骤S440：根据加密训练结果完成所述异常检测模型的构建。

具体而言，公开数据是指相对于本方公开的数据，加密数据就是相对于本方加密的数据，加密样本对齐是指在系统级进行数据处理，因此在企业感知层面不会暴露非交叉用户，在联邦学习里，需要找出参与方A与参与方B共有的训练样本ID，且除了A和B双方共有的样本ID以外，不能泄露其他样本ID给彼此。加密训练过程中，首先由第三方C向A和B发送公钥。用来加密需要传输的数据，然后A和B分别计算和自己相关的特征中间结果，并加密交互，用来求得各自梯度和损失，在A和B分别计算各自加密后的梯度并添加掩码发送给C，同时B计算加密后的损失发送给C，C解密梯度和损失后回传给A和B，A、B去除掩码并更新模型，以此完成所述异常检测模型的构建。基于联邦学习的思想进行加密训练，达到保证样本不会相互泄露的前提下，完成模型的训练的效果。

进一步而言，本申请步骤S430还包括：

步骤S431：获得所述配电网的评分标准；

步骤S432：对所述加密数据和所述公开数据进行数据信任特征提取，获得数据信任特征提取结果；

步骤S433：基于所述评分标准对所述数据信任特征提取结果进行加权计算，获得加权计算结果；

步骤S434：基于所述加权计算结果进行异常检测模型训练过程的训练标识。

具体而言，从两类指标反映配电网的发展过程，一个是效果类指标，反映配电网运行的结果，另一个是特性类指标，反映配电网建设的具体内容和特点，效果类指标和特性类指标相互关联，对效果类指标的影响因素进行分析，即可得出与配电网发展水平关联最大、能够直接影响配电网的特性类指标。

用混合高斯模型的数据仿真性能拟合配电网的节点的统计线损率，其中，/>，/>表示高斯分布的个数，/>、/>、/>分别表示第/>个高斯分布的权值、均值以及协方差。其中，混合模型是一个用来表示在总体分布中含有 K 个子分布的概率模型，换句话说，混合模型表示了观测数据在总体中的概率分布，它是一个由 K 个子分布组成的混合分布。混合高斯模型可以看作是由 K 个单高斯模型组合而成的模型，这 K 个子模型是混合模型的隐变量。

进一步而言，如图3所示，本申请步骤S200还包括：

步骤S210：基于所述配电数据进行实时线损计算，获得实时线损计算结果，将所述实时线损计算结果作为第一线损计算指标；

步骤S220：基于配电网设置监测周期；

步骤S230：对所述配电数据基于所述监测周期进行平均线损率计算，将平均线损率计算结果作为第二线损计算指标；

步骤S240：基于所述第一线损计算指标和所述第二线损计算指标构建所述多个线损计算指标。

具体而言，通过采集实时的输入、输出电量数据，计算某一时段内的无时差线损率，获得实时线损计算结果，以远程抄表数据为基础，通过从现有的变电站、 负控、高压和公用变台系统中实时提取相关的数据，实时计算线路线损、分段线损情况以及线路分支线损，实现实时线损计算和管理。

监测周期为对配电网线损进行数据采集、监测的周期，示例性地，本申请优选设置为24小时，以一个监测周期对配电数据进行统计，计算得到一个周期内的平均线损率a。以时间为横轴以实时线损为纵轴，构建线损变化坐标系，在坐标系中绘制线损随时间的变化曲线，并绘制一个周期内的平均线损率的直线y=a，变化曲线高于直线y=a说明实时线损高于平均值，以此构建多个线损计算指标，实现对配电数据随时间变化趋势的直观展示。

进一步而言，本申请步骤S240还包括：

步骤S250：基于所述配电数据进行线损畸变率计算，获得线损畸变率计算结果；

步骤S260：将所述线损畸变率计算结果作为第三线损计算指标，通过所述第一线损计算指标、所述第二线损计算指标和所述第三线损计算指标构建所述多个线损计算指标。

具体而言，线损畸变就是指配电数据不正常地变化，设置配电数据正常变化区间，如设置为之间，则在直线/>与/>之间的配电数据都为正常变化，而超出这个区间的就是线损畸变数据，计算一个周期内线损畸变数据与总数据的比值得到线损畸变率计算结果，以此作为第三线损计算指标，设置线损畸变率判断阈值，如设置为5%，当周期内的线损畸变率超过5%时说明线损畸过多，即异常情况出现次数过多，需要进行及时管理，以此作为第三线损计算指标，结合第一线损计算指标、第二线损计算指标构建所述多个线损计算指标。

进一步而言，本申请步骤S300包括：

步骤S310：设定负载工况等级区隔特征；

步骤S320：通过所述负载工况等级区隔特征进行负载工况特征聚类，获得多级聚类结果；

步骤S330：基于所述多级聚类结果生成所述工况特征提取结果。

具体而言，负载工况是指设备在和其动作有直接关系的条件下的工作状态，如设备在能量消耗率最低时的运行状态称经济工况，在负荷超过额定值时的运行状态称超载工况，根据不同的负载情况对负载工况进行等级划分，并对每一级的划分结果进行聚类。首先对数据进行标准化处理，根据负载工况等级区隔随机选取K个中心，以此固定中心点，通过迭代寻找K个簇，使得聚类结果对应的损失函数最小，即损失函数收敛，其中，损失函数可以定义为各个样本距离所属簇中心点的误差平方和，通过聚类获得多级聚类结果，根据每一级聚类结果对应的负载工况特征获取工况特征提取结果。

进一步而言，本申请还包括：

步骤S710：对所述异常检测结果进行验证检测，获得验证检测结果；

步骤S720：基于所述验证检测结果进行检测准确性评价，并将评价结果存储；

步骤S730：设定更新标准，当存储的评价结果可以满足所述更新标准时，则基于所述评价结果进行所述异常检测模型的模型更新。

具体而言，组建专家团队对得到的异常检测结果对应的数据分别进行随机抽查验证，得到专家各自的验证结果，对专家验证结果计算均值，并与异常检测结果进行对比获得验证检测结果，设置验证检测结果准确率阈值，如设置为90%，即当验证检测结果高于90%时，说明所述验证检测结果符合检测准确性，即异常检测结果准确，当验证检测结果低于90%时，说明所述验证检测结果不符合检测准确性，即异常检测结果不准确。以验证检测结果准确率阈值为更新标准，当验证检测结果低于90%时，则基于所述评价结果进行所述异常检测模型的模型更新。

实施例二

基于与前述实施例中一种基于智能算法的配电网线损异常检测方法相同的发明构思，如图4所示，本申请提供了一种基于智能算法的配电网线损异常检测系统，所述系统包括：

配电数据获取模块10，所述配电数据获取模块10用于连接所述数据交互装置至配电网，采集获得配电网的配电数据；

线损计算模块20，所述线损计算模块20用于基于所述配电数据进行线损计算，获得多个线损计算指标；

特征提取模块30，所述特征提取模块30用于基于所述配电数据进行负载工况特征提取，获得工况特征提取结果；

模型构建模块40，所述模型构建模块40用于采集获得所述配电网的基础信息，基于所述基础信息进行大数据筛选提取，根据筛选提取结果构建异常检测模型；

数据输入模块50，所述数据输入模块50用于将所述多个线损计算指标和所述工况特征提取结果输入所述异常检测模型；

线损管理模块60，所述线损管理模块60用于输出获得异常检测结果，根据所述异常检测结果进行配电网线损管理。

进一步而言，系统还包括：

数据分类模块，用于对所述筛选提取结果进行数据分类，获得加密数据和公开数据；

加密样本对齐模块，用于将所述加密数据和所述公开数据发送至第三方处理数据库，基于所述第三方处理数据库对所述加密数据和所述公开数据进行加密样本对齐；

加密训练模块，用于基于对齐样本进行异常检测模型的加密训练；

异常检测模型构建模块，用于根据加密训练结果完成所述异常检测模型的构建。

进一步而言，系统还包括：

评分标准获取模块，用于获得所述配电网的评分标准；

信任特征提取模块，用于对所述加密数据和所述公开数据进行数据信任特征提取，获得数据信任特征提取结果；

加权计算模块，用于基于所述评分标准对所述数据信任特征提取结果进行加权计算，获得加权计算结果；

训练标识模块，用于基于所述加权计算结果进行异常检测模型训练过程的训练标识。

进一步而言，系统还包括：

实时线损计算模块，用于基于所述配电数据进行实时线损计算，获得实时线损计算结果，将所述实时线损计算结果作为第一线损计算指标；

监测周期设置模块，用于基于配电网设置监测周期；

平均线损率计算模块，用于对所述配电数据基于所述监测周期进行平均线损率计算，将平均线损率计算结果作为第二线损计算指标；

第一线损计算指标构建模块，用于基于所述第一线损计算指标和所述第二线损计算指标构建所述多个线损计算指标。

进一步而言，系统还包括：

线损畸变率计算模块，用于基于所述配电数据进行线损畸变率计算，获得线损畸变率计算结果；

第二线损计算指标构建模块，用于将所述线损畸变率计算结果作为第三线损计算指标，通过所述第一线损计算指标、所述第二线损计算指标和所述第三线损计算指标构建所述多个线损计算指标。

进一步而言，系统还包括：

等级区隔特征设定模块，用于设定负载工况等级区隔特征；

特征聚类模块，用于通过所述负载工况等级区隔特征进行负载工况特征聚类，获得多级聚类结果；

特征提取结果生成模块，用于基于所述多级聚类结果生成所述工况特征提取结果。

进一步而言，系统还包括：

验证检测模块，用于对所述异常检测结果进行验证检测，获得验证检测结果；

检测准确性评价模块，用于基于所述验证检测结果进行检测准确性评价，并将评价结果存储；

模型更新模块，用于设定更新标准，当存储的评价结果可以满足所述更新标准时，则基于所述评价结果进行所述异常检测模型的模型更新。

本说明书通过前述对一种基于智能算法的配电网线损异常检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于智能算法的配电网线损异常检测方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (3)

1.一种基于智能算法的配电网线损异常检测方法，其特征在于，所述方法应用于异常检测系统，所述异常检测系统与数据交互装置通信连接，所述方法包括：

连接所述数据交互装置至配电网，采集获得配电网的配电数据；

基于所述配电数据进行线损计算，获得多个线损计算指标；

基于所述配电数据进行负载工况特征提取，获得工况特征提取结果；

采集获得所述配电网的基础信息，基于所述基础信息进行大数据筛选提取，根据筛选提取结果构建异常检测模型；

将所述多个线损计算指标和所述工况特征提取结果输入所述异常检测模型；

输出获得异常检测结果，根据所述异常检测结果进行配电网线损管理；

其中，所述方法包括：

对所述筛选提取结果进行数据分类，获得加密数据和公开数据；

将所述加密数据和所述公开数据发送至第三方处理数据库，基于所述第三方处理数据库对所述加密数据和所述公开数据进行加密样本对齐；

基于对齐样本进行异常检测模型的加密训练；

根据加密训练结果完成所述异常检测模型的构建；

其中，所述方法包括：

获得所述配电网的评分标准；

对所述加密数据和所述公开数据进行数据信任特征提取，获得数据信任特征提取结果；

基于所述评分标准对所述数据信任特征提取结果进行加权计算，获得加权计算结果；

基于所述加权计算结果进行异常检测模型训练过程的训练标识；

其中，所述方法包括：

基于所述配电数据进行实时线损计算，获得实时线损计算结果，将所述实时线损计算结果作为第一线损计算指标；

基于配电网设置监测周期；

对所述配电数据基于所述监测周期进行平均线损率计算，将平均线损率计算结果作为第二线损计算指标；

基于所述第一线损计算指标和所述第二线损计算指标构建所述多个线损计算指标；

其中，所述方法包括：

基于所述配电数据进行线损畸变率计算，获得线损畸变率计算结果；

将所述线损畸变率计算结果作为第三线损计算指标，通过所述第一线损计算指标、所述第二线损计算指标和所述第三线损计算指标构建所述多个线损计算指标；

其中，所述方法包括：

设定负载工况等级区隔特征；

通过所述负载工况等级区隔特征进行负载工况特征聚类，获得多级聚类结果；

基于所述多级聚类结果生成所述工况特征提取结果。

2.如权利要求1所述的方法，其特征在于，所述方法包括：

对所述异常检测结果进行验证检测，获得验证检测结果；

基于所述验证检测结果进行检测准确性评价，并将评价结果存储；

设定更新标准，当存储的评价结果可以满足所述更新标准时，则基于所述评价结果进行所述异常检测模型的模型更新。

3.一种基于智能算法的配电网线损异常检测系统，其特征在于，所述系统与数据交互装置通信连接，所述系统包括：

配电数据获取模块，所述配电数据获取模块用于连接所述数据交互装置至配电网，采集获得配电网的配电数据；

线损计算模块，所述线损计算模块用于基于所述配电数据进行线损计算，获得多个线损计算指标；

特征提取模块，所述特征提取模块用于基于所述配电数据进行负载工况特征提取，获得工况特征提取结果；

模型构建模块，所述模型构建模块用于采集获得所述配电网的基础信息，基于所述基础信息进行大数据筛选提取，根据筛选提取结果构建异常检测模型；

数据输入模块，所述数据输入模块用于将所述多个线损计算指标和所述工况特征提取结果输入所述异常检测模型；

线损管理模块，所述线损管理模块用于输出获得异常检测结果，根据所述异常检测结果进行配电网线损管理；

数据分类模块，用于对所述筛选提取结果进行数据分类，获得加密数据和公开数据；

加密样本对齐模块，用于将所述加密数据和所述公开数据发送至第三方处理数据库，基于所述第三方处理数据库对所述加密数据和所述公开数据进行加密样本对齐；

加密训练模块，用于基于对齐样本进行异常检测模型的加密训练；

异常检测模型构建模块，用于根据加密训练结果完成所述异常检测模型的构建；

评分标准获取模块，用于获得所述配电网的评分标准；

信任特征提取模块，用于对所述加密数据和所述公开数据进行数据信任特征提取，获得数据信任特征提取结果；

加权计算模块，用于基于所述评分标准对所述数据信任特征提取结果进行加权计算，获得加权计算结果；

训练标识模块，用于基于所述加权计算结果进行异常检测模型训练过程的训练标识；

实时线损计算模块，用于基于所述配电数据进行实时线损计算，获得实时线损计算结果，将所述实时线损计算结果作为第一线损计算指标；

监测周期设置模块，用于基于配电网设置监测周期；

平均线损率计算模块，用于对所述配电数据基于所述监测周期进行平均线损率计算，将平均线损率计算结果作为第二线损计算指标；

第一线损计算指标构建模块，用于基于所述第一线损计算指标和所述第二线损计算指标构建所述多个线损计算指标；

线损畸变率计算模块，用于基于所述配电数据进行线损畸变率计算，获得线损畸变率计算结果；

第二线损计算指标构建模块，用于将所述线损畸变率计算结果作为第三线损计算指标，通过所述第一线损计算指标、所述第二线损计算指标和所述第三线损计算指标构建所述多个线损计算指标；

等级区隔特征设定模块，用于设定负载工况等级区隔特征；

特征聚类模块，用于通过所述负载工况等级区隔特征进行负载工况特征聚类，获得多级聚类结果；

特征提取结果生成模块，用于基于所述多级聚类结果生成所述工况特征提取结果。