CN113267692A - 一种低压台区线损智能诊断分析方法和*** - Google Patents

Abstract

本申请公开了一种低压台区线损智能诊断分析方法和***，通过加装智能硬件采集线损数据，基于分布式框架进行线损计算，随后根据低压台区线损指标判断线损是否异常，进而判断线损异常类型，基于异常判断规则自动判断低压台区线损异常原因，并确定异常项数量，进一步利用智能用电大数据及数据挖掘分析技术对低压台区线损进行智能诊断分析，生成台区体检报告，辅助现场人员进行处理。本申请对现有的线损集中式架构***进行分布化改造，利用数据挖掘与分析技术对低压台区线损异常原因进行自动分析定位，提升了线损治理和管控能力，提升台区线损管理水平，达到了降损增效的目的。

Description

一种低压台区线损智能诊断分析方法和***

技术领域

本申请涉及电力***领域，特别涉及一种低压台区线损智能终诊断分析方法和***。

背景技术

随着高速电力线载波(HPLC)在采集***中的推广应用，采集数据项由电能示值、需量逐渐扩展到了电压、电流、功率因数、功率及事件等，采集频次从每日1次到每15分钟1次，采集数据量呈现了爆发式的增长。集中式主站***已无法满足能源互联网形式下用电采集业务发展要求，传统的理论线损计算有自己的局限性，要对其的成因进行精确判断比较困难，线损原因分析不够智能化。同时，线损责任人在分析过程中只能通过个人经验寻找支撑分析的功能，在整个分析过程中，无引导式指导问题解决思路，线损原因分析会消耗分析人员大量时间。

发明内容

(一)申请目的

基于此，为了提升对线损异常治理、精细化的管控能力，达到降损增效的目的，本申请公开了以下技术方案。

(二)技术方案

本申请公开了一种低压台区线损智能诊断分析方法，包括：

利用加装的智能硬件采集线损数据，基于分布式框架进行线损计算；

根据低压台区线损指标判断线损是否异常，进而判断线损异常类型；

基于异常判断规则自动判断低压台区线损异常原因，并确定异常项数量；

进一步利用智能用电大数据及数据挖掘分析技术对低压台区线损进行智能诊断分析，生成体检报告。

在一种可能的实施方式中，所述智能硬件包括智能管理终端和智能监测终端，其中，智能管理终端安装在变压器附近的主回路上，智能监测终端分为分支智能监测终端及表箱智能监测终端，其中，分支智能监测终端安装在分支箱附近，表箱智能监测终端安装在用户表箱附近。

在一种可能的实施方式中，所述异常判断规则包括：采集异常判断规则、档案异常判断规则、用电异常判断规则和计量异常判断规则。

在一种可能的实施方式中，所述采集线损数据包括实时线损数据和离线线损数据。

在一种可能的实施方式中，所述智能诊断分析的内容包括：时钟误差分析、户变关系校验、线损波动分析、终端采集数据异常分析、曲线相似度分析和线损分相分支分段分析。

作为本申请的第二方面，本申请还公开了一种低压台区线损智能终诊断分析***，包括：

智能管理终端，用于通过与智能监测终端之间的信号传递确定供电关系，采集和运算低压台区总线损数据，分析和处理部分低压台区线损异常；

智能监测终端，用于通过与所述智能管理终端之间的信号传递确定供电关系，采集和运算低压台区各分支的线损数据；

大数据分析平台，用于通过实时计算、分布式存储和智能分析功能构建的分布式实时计算框架对低压台区线损进行智能诊断分析。

在一种可能的实施方式中，所述大数据分析平台包括：

线损计算模块，用于利用加装的智能硬件采集线损数据，基于分布式框架进行线损计算；

异常判断模块，用于根据低压台区线损指标判断线损是否异常，进而判断线损异常类型；

异常项确定模块，用于基于异常判断规则自动判断低压台区线损异常原因，并确定异常项数量；

智能分析模块，用于进一步利用智能用电大数据及数据挖掘分析技术对低压台区线损进行智能诊断分析，生成体检报告。

在一种可能的实施方式中，所述异常判断规则包括：采集异常判断规则、档案异常判断规则、用电异常判断规则和计量异常判断规则。

在一种可能的实施方式中，所述采集线损数据包括实时线损数据和离线线损数据。

在一种可能的实施方式中，所述智能诊断分析的内容包括：时钟误差分析、户变关系校验、线损波动分析、终端采集数据异常分析、曲线相似度分析和线损分相分支分段分析。

(三)有益效果

本申请公开的低压台区线损智能诊断分析方法和***，利用分布式的实时线损计算框架搭建的智能诊断分析平台，提升了对线损异常智能化、精细化的管控能力，达到了降损增效的目的。

附图说明

以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。

图1是本申请公开的低压台区线损智能诊断分析方法流程图。

图2是本申请公开的智能诊断分析平台架构图。

图3是本申请公开的智能诊断分析平台功能图。

图4是本申请公开的低压台区线损智能诊断分析***架构图。

具体实施方式

为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。

下面参考图1详细描述本申请的低压台区线损智能诊断分析方法实施例，如图1所示，本实施例公开的方法主要包括有以下步骤100至步骤400。

步骤100，利用加装的智能硬件采集线损数据，基于分布式框架进行线损计算。

为了提升对低压台区智能化、精细化的管控能力，增大采集数据量，实现实时用电数据的采集及分布式线损计算，采用加装智能硬件的方式配合软件，所述智能硬件包括智能监测终端和智能管理终端，智能管理终端安装在变压器附近，通过智能管理终端发出工频畸变信号，安装在各分支节点的智能监测终端接收信号，根据信号的特性，确定供电关系，利用宽带电力线载波通信来传输相应数据，实现台区拓扑的完整结构，达到精准识别台区拓扑的目的。智能管理终端对主回路状态进行实时监测，负责低压智能管理***调度。负责监测台区总的电压、电流、功率等用电信息，智能管理终端作为低压台区用电信息分数据中心，上行通过4G与管理主站通信，下行通过HPLC与监测终端通信。智能监测终端分为分支智能监测终端和表箱智能监测终端，主要安装在母排、π接箱、楼道单元总开关等各级开关位置，智能管理终端与智能监测终端互相配合。可动态分析并生成供电线路的实时拓扑。通过加装智能硬件计算线损指标，基于智能终端、分支箱、表箱及低压用户的采集数据并结合台区的分支线路拓扑及相位识别情况进行分段线损计算。

进一步，生成实时拓扑具体包括以下步骤：

a、智能管理终端发送工频畸变信号；

b、智能监测终端接收所述工频畸变信号并对信号进行解析，自动识别自身所在位置，进而确定电气连接关系；

c、所述智能管理终端和智能监测终端自动识别线损、阻抗、三相不平衡、销户、新增等异常情况，拓扑结构根据所述异常情况自适应变更调整。

整个拓扑识别的过程自动执行，通过APP呈现实时拓扑结构图。

在至少一种实施方式中，所述线损计算分为实时线损计算和离线线损计算，将原有的集中式线损计算架构改为分布式计算框架，可以实现更高频次、更大量线损数据采集，实现更精准及时的线损计算。所述实时线损计算可以对影响线损的关键因素进行实时监测，每天分析线损异常的台区，利用采集***数据召测功能自动对存在数据异常的用户进行实时数据采集分析，得到由通讯原因造成的采集异常情况。对非通讯原因造成的异常问题，进一步采用大数据分析识别数据存在的异常情况并及时补召或修正数据。可以及时发现线损异常，并对其进行及时处理，所述离线线损计算可用于计算日、月线损等离线数据。

进一步，所述实时线损具体计算过程包括以下步骤：

步骤a、获取实时线损计算基础值；

具体的，利用加装在各个节点的智能监测终端获取所述线损计算基础值，所述实时线损计算基础值包括电压值、电流值、功率值，其中功率值包括有功功率值以及无功功率值。

步骤b、组成代数方程组，计算电压相角；

具体的，根据步骤a得到的线损计算基础值，对于m+1个极端的***，选择一个平衡节点，其他m个节点的电压方程为：

式中，U_i为节点电压，

其中，U′_i为电压幅值，θ_i为电压相角，I_i为节点电流，

I′_i为电流幅值，

为节点的电压电流相位差。

节点电压电流相位差可以表示为：

将其带入所述电压方程得到：

对上式整理可得：

当P_i，Q_i，U_i，I_i，i＝1，2，…m为测量值，令

根据上述方程求解x_i，进而得到电压相角θ_i。

步骤c、计算流入功率，进而计算实时线损。

具体的，根据实时测得的电压值及步骤b得到的电压相角，计算节点相连线路的实时线损：

式中，

为与节点i相连的支路ij在i端的流入复功率，

为与节点j相连的支路ij在i端的流入复功率，y_ij0为节点i接地导纳。

线路损失功率为：

线损为：

步骤200，根据低压台区线损合理指标判断线损是否异常，进而判断线损异常类型。

步骤100进行线损计算后，根据国网公司线损考核标准判断当日、当月线损是否异常，并结合历史日、月线损数据，进行异常分类，线损异常类型主要有高损、负损、不可计算线损等。其中高损分为长期高损、突发高损，负损分为长期负损、突发负损，不可计算线损分为供电量为零或空值、用电量为空值等情况，根据线损异常类型对线损异常原因进行分析。

步骤300，基于异常判断规则自动判断低压台区线损异常原因，并确定异常项数量。

当低压台区线损异常时，基于异常判断规则自动定位低压台区线损异常原因，异常判断规则是将影响线损的关键因素进行分类并生成的决策规则，用于定位台区线损异常原因，对线损数据是否采集完全等常规问题做出判断，为后续的智能诊断提供基础，异常判断规则包括：

档案异常判断规则：档案异常是对营销档案存在的属性错误、数据不一致、真实性基于规则进行分析。通过营销数据平台，开展生产***、营销***、采集***一致性分析或各***与现场数据一致性分析，定位线损异常原因，包括台户关系一致性分析、电表倍率一致性、配置合理性分析、用户计量点状态分析等。

计量异常判断规则：计量异常是对采集数据的完整性、合理性、合规性及逻辑性进行分析，判断是否存在异常。可以通过采集***分析台区总表及用户电能表是否存在连续7天无表码、倒走、飞走、停走、三相电流不平衡、失压、断相、逆相序、电能表故障更换等情况，进而确定台区线损异常原因。

采集异常判断规则：采集异常包括采集数据过程中的通讯异常及时钟误差导致采集数据错误的情况，其中采集通讯异常分析可通过分析台区总表通信端口设置是否正确，分析用户电能表通信端口设置是否正确，***与现场序号是否一致、***与现场规约是否一致、***与现场通信地址是否一致；时钟误差导致的采集异常可通过统计分析总、分表与日历时钟偏差、台区总表时钟与台区下用户电能表时钟偏差情况，是否存在电能表时钟超偏差，导致采集数据异常，进而确定台区线损异常原因。

用电异常判断规则：因用户不合法行为导致的用电异常，可通过是否存在异常开盖事件、电能表开端钮盒事件等窃电，电量比对分析，相邻台区用电量情况分析等确定台区线损异常原因。

根据上述异常规则进行异常原因判断，还可确定相关异常项下的异常数量。根据异常判断规则判断的结果，确定一些基础常规问题，辅助现场人员进行解决，但有一些异常原因不能具体到用户或者难以挖掘更深层次的原因，则需借助智能诊断平台进一步分析。

步骤400，进一步利用智能用电大数据及数据挖掘分析技术对低压台区线损进行智能诊断分析，生成体检报告。

步骤300进行异常原因判断确定异常项后，不能直接解决的则进一步进行智能诊断分析，智能诊断分析基于大数据智能诊断分析平台实现，平台***架构如图2所示，***服务包括：微服务、分布式大数据任务调度服务、分布式大数据处理服务、分布式计算服务、消息队列Kafka服务。

微服务：任务管理服务，可通过页面手动触发任务。

分布式大数据任务调度服务：基于ElasticJob+Zookeeper技术搭建分布式任务管理服务，包括任务配置、任务分片、任务监控、任务异常处理等功能。

分布式大数据处理服务：监控及消费Kafka指定主题，按照计算任务类型处理任务，数据量小且计算逻辑简单可采用关系型数据库查询+Java方式处理，数据量大、逻辑负责计算任务需调用分布式计算服务处理。

分布式计算服务：基于Hbase+Spark(hive+sparkSql)方式实现计算任务计算。复杂计算任务考虑拆分、分步计算方式。

消息队列Kafka服务：服务间解耦。

大数据支撑平台支持大数据分布式计算，具备可视化分析、统计分析、挖掘分析等能力，满足实时、离线应用的分析挖掘需求，为线损分析决策应用构建提供基础平台支撑。其中停电事件分析、台区负荷分析、防窃电分析、计量在线监测、抄表故障分析、线损实时计算等基于挖掘分析完成，常规统计可采用统计分析完成，同时最终结果可以基于可视化分析进行呈现。

大数据智能诊断分析功能架构如图3所示，智能诊断分析包括：

线损波动分析：当台区月线损率正常，但日线损率出现较大波动时，对台区的历史日、月线损数据进行大数据分析，分析具体线损波动规律性，确定是否因时钟超差原因引发日线损异常，对呈现波动趋势加剧的台区重点提醒线损责任人。

进一步，所述线损波动具体算法如下：

其中，日线损波动率计算具体步骤如下：

1)获取待计算区间前180天的线损率；

2)利用K-means聚类算法将所述180天的线损率进行聚类并得出聚类结果；

具体的，将所述180天的线损率，即180个点分别聚类为不同个数的聚类簇，例如将这180个点聚成2类，3类，4类，5类这四种情况，并分别得到不同的聚类结果。

3)根据所述聚类结果分别计算整体轮廓系数，获取目标K值；

具体的，整体轮廓系数由每个点的轮廓系数求平均值而来，具体如下：

a、对于第i个点，X_i。计算X_i与本集合中其他点的平均距离，记作disMean_in；

b、对于每个相对于X_i的外部集合，分别计算X_i到该外部集合中每个点的平均距离。这样如果聚类结果有N个集合就会得出N-1个平均距离，取N-1个平均距离的最小值，得出最短平均距离，记作disMean_out；

c、计算

得出结果就是点X_i的轮廓系数；

d、用以上方法分别计算每个点的轮廓系数，求出平均值即为当前聚类的整体轮廓系数。

分别计算每一种聚类结果的整体轮廓系数，所有整体轮廓系数中最接近1的一个聚类结果对应的分类个数就是目标K值。

4)利用所述目标K值再次进行聚类并根据聚类结果计算最大和最小波动率；

具体的，所述最大最小波动率的计算方法如下：

a、设聚类结果的集合个数为N个，则从这N个集合中找出点数大于总点数

的集合(可能得出多个集合，这里设其为X个)。

b、对于这X个集合，先将每个集合中的所有点进行升序排序，计算出每两个点之间的波动率(公式

)，并从中找出最大值和最小值。这样，X个集合就有了X对最大最小波动率。

c、将这X对取并集，最终得出一对最大最小波动率。

5)利用公式

计算出查询日期的线损波动率。

月线损波动率计算具体步骤如下：

1)获取待计算区间前36个月的月线损率并计算平均值

2)对所述月线损率进行筛选；

具体的，月线损率取值要排除负数和0，并且线损率的值要在合理范围内(目前标准为大于0小于40。

3)设样本中每个月线损率为x_i，计算标准差

其中，n代表查询的月数。

4)获取月线损波动率。

具体的，设查询时间区间内的月线损率为y_i，平均值为

则月线损波动率的计算公式为

波动率上限：2sd(一条直线，作为波动率上限)，所述月线损波动结果显示为波动率折线图。

终端采集数据异常分析：适用于因终端采集电能表冻结示数异常原因而造成的日线损高低起伏的异常台区，每日判断各台区是否存在采集电量呈现双日或三日规律的计量用户，若存在则把用户电量折算成单日电量再重新计算日线损，看是否由于采集异常引起的线损异常。

曲线相似度分析：当低压台区存在长期高损、负损的现象，用技术手段排查各种可能原因后，仍很难找到具体原因时，利用曲线相似度分析方法，分析台区总表电量及电压曲线与用户曲线的相关性，将用电异常用户筛选出来。

进一步，所述曲线相似度分析具体算法如下：

1)计算用户与台区表的日电量相似度；

具体的，假设台区表为T，台区下用户集合U＝{u₁,u₂,…,u_n}，u_i代表第i个用户，共计n个用户；天数为D，D取值7天或者15天或者30天，分别计算D天内两者电量相似度S＝cosθ，假设D天内，

表示用户u_i第j日的日电量，

表示台区表T第j日的日电量，其中j∈{1，…，D}，i∈{1，…，n}，则，

当所在自然月已采集日电量天数为day，则计算周期Count＝day/D。最终相似度为S_a：计算从1到Count每个时间段内的S_k：

对所有的用户U，判断每个用户与台区关口T的相似度Sa，按照从小到大，当Sa<0.5，则判断为存在问题。

2)计算用户与台区表的电压相似度；

具体的，天数为D，D取值为7天，分别计算D天内两者电压的相似度S＝cosθ。假设D天内，

表示用户表示用户u_i第j日的电压均值，

表示台区表T第j日的电压均值，j∈{1，…，D}，i∈{1，…，n}则，

当所在自然月已采集日电压天数为day，则计算周期Count＝day/D。最终相似度为S_a：计算从1到Count每个时间段内的S_k

对所有的用户U，判断每个用户与台区关口T的相似度S_a，按照从小到大，S_a<0.5，判断为存在问题。

3)取结果1)和结果2)的交集，得到最终线损存在问题的用户记录。

时钟误差分析：当低压台区月线损出现高损、负损现象时，可用时钟误差分析法，以智能管理终端的时间为准，对台区各分支开关的电参量数据进行采集，对台区总表的电参量数据进行采集和存储。在用户用电信息采集***中召测电能表时钟，对比电能表时钟与***时间，表现为供用电量冻结数据不同期，一是台区总表数据先于用户电能表数据冻结，供电量少计。台区呈现负线损症状；二是用户电能表提前冻结电能示值，造成供、用电量不同期，台区呈现高损情况。

线损分相、分支、分段分析方法：当高损、负损定位不到具***置时，采用线损分相、分支、分段分析方法，利用加装智能管理终端、监测终端等设备实现精准计算分段线损。基于智能终端、分支箱、表箱及低压用户的采集数据并结合台区的分支线路拓扑及相位识别情况进行分段线损计算，对综合配电柜、配变低压出线、分支箱、低压分支线、表箱进行分级线损计算。基于台区各段电能损耗统计结果，结合台区内各级线损占比及各级线损分布等的分析，准确定位高损、负损具***置。

户变关系校验：主要筛选低压台区户变关系不准的现象，解决低压某台区存在高损，相邻台区存在负损的情况。针对用户以及两个台区的相应电量等数据，核查出该用户发生户变关系的具体时间，输出户变关系数据。

进一步，根据用户用电量与台区线损率相关性分析的技术，求得相关系数，通过相关系数来判断户变关系是否存在问题。户变关系校验的具体步骤如下：

1)获取存在户变关系错误的源台区损失电量的实际数据和统计数据；

具体的，假设某个台区内共有n+1个用户，存在某一用户户变关系错误，假设此用户的序号为i^*。根据定义，

则台区供电量的实际数据为：

台区供电量的统计数据为：

式中，ε_t为真实的损失电量，ε′_t为统计损失电量，x_i(t)为第i个用户的日电量，y_t为台区日电量。

2)初步确定户变关系可能错误的用户；

具体的，统计线损率满足：

式中，ε_t为真实的损失电量，ε′_t为统计损失电量，k′_t为统计线损率，k_t为真实线损率，x_i*(t)为户变关系错误用户用电量，y_t为台区日电量。

在线性线损的假设条件下，真实线损率k_t是一个常数，统计线损率k′_t就会与

成为负相关，通过计算用户用电量占比与统计线损率的相关系数，相关系数介于[-1，-0.8]的区间内的用户可以初步确定为是不属于本台区的错误用户。

3)确定是否发生户变关系错误，并进行人工核查输出数据。

对于目标台区，也可以通过类似推算得出以下等式：

ξ_t+x_i*(t)＝ξ′_t

式中，ξ_t为目标台区实际损失电量，ξ’_t标台区统计损失电量，

因此有：

其中y_t ^*标台区第t日的电量，k_t′^*为目标台区第t日的统计线损率，k_t ^*为目标台区第t日的真实线损率。则计算该用户用电量与目标台区统计线损率的相关系数，如果相关系数介于[0.8,1]内，则可以确定发生了户变关系错误，进一步进行人工核查输出数据。

4)计算相关系数，根据所述相关系数进行户变关系校验。

相关系数的计算主要有皮尔逊相关系数、斯皮尔曼相关系数以及肯德尔相关系数，具体计算公式如下：

其中ρ₁，ρ₂，ρ₃分别为皮尔逊相关系数、斯皮尔曼相关系数以及肯德尔相关系数，X_i，Y_i分别为变量X，Y的第i个数，

是平均数，n是X,Y的总个数；di是指，同一个点i点，比如第三个X和第三个Y，将两组变量同时按照从大到小(或从小到大)排序，这个点在X的排名数(比如1)和在Y的排名数(比如3)的差值(比如2)；P为两个属性值排列大小关系一致的统计对象对数。

对于相关系数的判别，根据统计学有以下判别：

表1相关系数判别表

步骤300中得出的异常项对智能诊断分析可能有启示作用，根据部分异常项可直接确定进行何种分析方法，当异常项对分析方法无提示时，则应该将几种分析方法分别操作一遍最终确定异常原因并进行异常处理。

智能诊断分析平台完成对异常分析后生成异常分析报告。异常分析报告包括台区基本信息、台区理论线损率、台区统计线损率、台区线损异常类型、台区线损异常原因等内容。

下面参考图4详细描述本申请的低压台区线损智能诊断分析***实施例，包括：

智能管理终端，用于通过与智能监测终端之间的信号传递确定供电关系，采集和运算低压台区总线损数据，分析和处理部分低压台区线损异常。

智能监测终端，用于通过与所述智能管理终端之间的信号传递确定供电关系，采集和运算低压台区各分支的线损数据。

大数据分析平台，用于通过实时计算、分布式存储和智能分析功能构建的分布式实时计算框架对低压台区线损进行智能诊断分析。

在至少一种实施方式中，所述大数据分析平台包括：

线损计算模块，用于利用加装的智能硬件采集线损数据，基于分布式框架进行线损计算；

异常判断模块，用于根据低压台区线损指标判断线损是否异常，进而判断线损异常类型；

异常项确定模块，用于基于异常判断规则自动判断低压台区线损异常原因，并确定异常项数量；

智能分析模块，用于进一步利用智能用电大数据及数据挖掘分析技术对低压台区线损进行智能诊断分析，生成体检报告。

在至少一种实施方式中，所述异常判断规则包括：采集异常判断规则、档案异常判断规则、用电异常判断规则和计量异常判断规则。

在至少一种实施方式中，所述采集线损数据包括实时线损数据和离线线损数据。

在至少一种实施方式中，所述智能诊断分析的内容包括：时钟误差分析、户变关系校验、线损波动分析、终端采集数据异常分析、曲线相似度分析和线损分相分支分段分析。

本文中的模块的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块可以结合或集成于另一个***中。作为分离部件说明的模块在物理上可以是分开的，也可以是不分开的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种低压台区线损智能诊断分析方法，其特征在于，包括：

利用加装的智能硬件采集线损数据，基于分布式框架进行线损计算；

根据低压台区线损指标判断线损是否异常，进而判断线损异常类型；

基于异常判断规则自动判断低压台区线损异常原因，并确定异常项数量；

进一步利用智能用电大数据及数据挖掘分析技术对低压台区线损进行智能诊断分析，生成体检报告。

2.如权利要求1所述的方法，其特征在于，所述智能硬件包括智能管理终端和智能监测终端，智能管理终端安装在变压器附近的主回路上，智能监测终端分为分支智能监测终端及表箱智能监测终端，其中，分支智能监测终端安装在分支箱附近，表箱智能监测终端安装在用户表箱附近。

3.如权利要求1所述的方法，其特征在于，所述异常判断规则包括：采集异常判断规则、档案异常判断规则、用电异常判断规则和计量异常判断规则。

4.如权利要求1所述的方法，其特征在于，所述采集线损数据包括实时线损数据和离线线损数据。

5.如权利要求1所述的方法，其特征在于，所述智能诊断分析的内容包括：时钟误差分析、户变关系校验、线损波动分析、终端采集数据异常分析、曲线相似度分析和线损分相分支分段分析。

6.一种低压台区线损智能诊断分析***，其特征在于，包括：

智能管理终端，用于通过与智能监测终端之间的信号传递确定供电关系，采集和运算低压台区总线损数据，分析和处理部分低压台区线损异常；

智能监测终端，用于通过与所述智能管理终端之间的信号传递确定供电关系，采集和运算低压台区各分支的线损数据；

大数据分析平台，用于通过实时计算、分布式存储和智能分析功能构建的分布式实时计算框架对低压台区线损进行智能诊断分析。

7.如权利要求6所述的***，其特征在于，所述大数据分析平台包括：

线损计算模块，用于利用加装的智能硬件采集线损数据，基于分布式框架进行线损计算；

异常判断模块，用于根据低压台区线损指标判断线损是否异常，进而判断线损异常类型；

异常项确定模块，用于基于异常判断规则自动判断低压台区线损异常原因，并确定异常项数量；

智能分析模块，用于进一步利用智能用电大数据及数据挖掘分析技术对低压台区线损进行智能诊断分析，生成体检报告。

8.如权利要求7所述的***，其特征在于，所述异常判断规则包括：采集异常判断规则、档案异常判断规则、用电异常判断规则和计量异常判断规则。

9.如权利要求7所述的***，其特征在于，所述采集线损数据包括实时线损数据和离线线损数据。

10.如权利要求7所述的***，其特征在于，所述智能诊断分析的内容包括：时钟误差分析、户变关系校验、线损波动分析、终端采集数据异常分析、曲线相似度分析和线损分相分支分段分析。

Images