一、聚类分析

利用聚类分析对数据集中的数据进行分析和判别，能够发现不同数据和对象之间的信息以及联系。聚类分析的本质是基于相异度和相似度将进行数据划分，最终划分为多个相似的簇或类，且需保障同一簇或类中的对象及数据应尽可能相同，且不同样本之间的数据应完全不同。聚类分析方法经过不断地发展，目前已经具备多种方法，包括层次法、模糊法、划分法以及密度算法等。

二、离群点检测分析

三、基于模型的线损异常判断分析

时空特征：在配网线损时空特征的分析过程中有效结合了负荷特性场景，一共设置了几个典型代表性负荷场景：

夏大：夏季（6月-8月）最大负荷时刻； 

夏小：夏季最小负荷时刻； 

冬大：冬季（12月-2月）最大负荷时刻； 

冬小：冬季最小负荷时刻。 

配电网在前面提出的夏大和冬大两个负荷特性场景当中负荷值较高，并且此两个场景的电网线损率也相对较高，和冬季、夏季的平均线损率相比要高2.8%和2.7%。而配电网在夏小和冬小两个负荷特性场景当中的负荷值较小，并且此两个场景的电网线损率也相对较低，和冬季、夏季的平均线损率相比要低1.6%和 3%。

通过分析能够发现，在夏冬两个季节当中线损率会随着负荷变化呈现出一定的变化趋势，和配电网固有特性相匹配，线损率随负荷增加而上升。在用电高峰期线损率也处于每年的高位，这样会导致设备高负荷运作。另外用电高峰期的窃电发生也相对频繁，极大可能产生异常。因此，在线损异常的判别和分析中，需要综合考虑极端负荷场景，分析其可能引起的线损异常情况，结合自动化技术和智能处理技术进行处理，规避负荷变化可能引起的线损波动。

线损异常判断：

表一 疑似线损异常集合对比表

表1中显示了疑似线损异常集合，通过数据能够发现其中有3天的线路平均线损率出现异常，明显高于正常区间。该结果证明了在2020/1/1、2020/3/5、2020/5/30三天内检测节点发生了线损异常情况。最终结果显示其判别准确率达到100%，漏检率为0，且仅仅只有1.3%的错检率。本文提出的台区线损异常判断模型的精度较高，对线损异常判别和预警具有重要意义。

四、结论

线损时空分布特性对线损异常分析和判别具有重要意义，因此基于线损时空分布特性的基础上提出了线损异常定位和线损异常判别的数据挖掘组合模型。并研究了该模型的实际应用效果，发现该方法判别准确率达到100%，漏检率为0，且仅仅只有1.3%的错检率。在线损异常判别、定位等方面具有良好的应用效果，能够有效提升线损异常分析的可靠性和实时性。

河南晟达电力工程有限公司成立于2017年6月14日，位于河南省南阳市中泰国际大厦1010室，是一家专注于数据技术服务与开发相关为一体的综合性高新技术服务公司。主要从事：工程测绘、地理信息数据采集及处理服务；全方位服务国网公司调度、发展、运维、营销等相关职能部门各类技术数据系统，辅助各部门技术数据系统的基础数据收集、数据复核。确保各类技术数据系统相关指标在国网公司考核中稳步提升。 公司秉承以市场为导向，以技术服务为支撑，以技术研发为核心，践行以诚待人，以质量赢市场的宗旨，以共赢为目的，取得客户的信任。公司已为超过70个国网市县公司提供数据技术支撑服务，赢得了电网公司的信赖和好评，在河南地区逐渐树立起公司良好品牌。公司在提供数据技术支撑服务的同时，为供电公司培养了一批既懂电网业务又懂数据建设的复合型技术管理人员。我们相信，通过我们的不断努力和追求，一定能够实现与电网企业的互利共赢！

免责声明

本文转自河南晟达电力微信公众号。文章版权归原作者及原出处所有。本文提供参考并不构成任何投资及应用建议，亦不用于任何商业目的，如涉及作品内容、版权和其它问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。

觅特友，为您找到更多工程好友！

电脑端直接访问：http://www.mty360.com  

微信搜索小程序：觅特友