[发明专利]一种台区线损融合诊断系统及其诊断方法

权利要求书

1.一种台区线损融合诊断系统，其特征在于，包括：

台区状态解析模块：用于寻找台区常态，判断异常来源，分类判断台区主因，并输出可降损电量；

台区下数据异常用户诊断模块：根据台区状态解析模块解析结果诊断台区下用户数据；

计算模块：根据台区下数据异常用户诊断模块诊断结果进行可降损电量计算、可降损电量试算及线损率试算；

异常清单输出模块：将计算模块的计算结果以清单的方式输出。

2.根据权利要求1所述的一种台区线损融合诊断方法，其特征在于，包括以下步骤：

①、台区状态解析判断主因并输出可降损电量；

②、台区下数据异常用户诊断；

③、可降损电量计算；

④、可降损电量试算及线损率试算；

⑤、异常清单输出。

3.根据权利要求2所述的一种台区线损融合诊断方法，其特征在于：步骤①中台区状态解析判断主因并输出可降损电量的步骤如下：

Ⅰ、寻找台区常态；

Ⅱ、判断异常来源；

Ⅲ、弱分类判断台区主因。

4.根据权利要求3所述的一种台区线损融合诊断方法，其特征在于：步骤Ⅰ中寻找台区常态时采用DBsacan聚类算法对台区供电量和用电量进行聚类，通过对最大类进行线性拟合，并根据供电量计算诊断日的预测用电量和残差，其中残差＝实际用电量-预测用电量，残差则为可降损电量；当残差的绝对值大于设定值K,则判断当日的供电量或用电量是异常的。

5.根据权利要求4所述的一种台区线损融合诊断方法，其特征在于：步骤Ⅱ中判断异常来源时根据诊断日前7天的用电量和供电量分别构建数组：

并分别计算2个数组的标准差x和y；

当xK1*y时，异常来源于台区下用户；

当yK2*x时，异常来源于台区总表。

6.根据权利要求5所述的一种台区线损融合诊断方法，其特征在于：步骤Ⅲ中弱分类判断台区主因的步骤如下：

a、构建样本数据，挑选其中80％样本作为专家样本，20％作为验样本；

b、构建特征与机器学习；

c、通过决策树模型判断台区异常主因。

7.根据权利要求6所述的一种台区线损融合诊断方法，其特征在于：步骤a中样本数据的样本来源为历史案例里面的：终端计量异常数据、终端采集异常数据、用户计量异常数据、用户采集异常数据、档案异常数据和违约用电数据；

步骤b中构建特征与机器学习时特征分为静态属性和动态特征，静态属性为台区档案信息，动态特征为线损相关特征；对动态特征构建统计类特征，结合划窗构建动态特征的衍生特征。

8.根据权利要求7所述的一种台区线损融合诊断方法，其特征在于：步骤②中台区下数据异常用户诊断使用时基于档案、用电、负荷等数据，通过一致性、相悖性、缺失性、极值、重复性进行数据异常诊断，诊断出异常用户及异常时段，提升异常诊断分析的准确率。并根据异常数据和台区主因残差进行相关性试算，相关性试算主要通过构建向量，计算向量cos值。

9.根据权利要求8所述的一种台区线损融合诊断方法，其特征在于：步骤③中可降损电量计算时根据电量异常数据补全用户日电量和台区供电量，单异常可降损电量＝预测电量-系统记录的电量。

10.根据权利要求9所述的一种台区线损融合诊断方法，其特征在于：步骤④中可降损电量试算时试算降损电量＝所有异常可降损电量之和，当试算降损电量与线性拟合的残差不超过K时，则假设有效；

线损率试算过程中当异常属于终端时，则

线损率＝(预测供电量-用电量+异常可降损电量)/预测供电量*100％。