本发明涉及电力系统技术领域，具体涉及一种线损异常原因的判别方法、装置及服务器。
背景技术：
线损是电能在电力网传输过程中，由于电阻作用、磁场作用及管理方面的原因造成的电能损失，是国家对电网公司进行考核的重点指标之一，同时也是电网公司最为重视的运行指标之一，线损能够综合体现电网规划设计、反映电力网运行状态的好坏及电网管理运营水平的高低。
由于我国电力系统输电网络庞大，用户众多，造成线损异常的原因也多种多样，窃漏电、计量故障、迂回供电、线路老化以及设备老化等都可能造成线损异常，因此，在线损管理工作中，对台区的异常线损进行分析，准确判断造成台区线损异常的原因显得非常重要，
现有技术中，判别造成线损异常的原因的方法主要是根据线损率的高低筛选线损异常的台区，然后根据业务人员的经验对引起线损异常的原因进行分析、归纳。这类方法主观性较大，过度依赖业务人员的个人经验，缺乏科学规范的线损异常诊断体系，使得业务人员对线损异常原因的判别难以实现数据化和标准化，严重影响线损异常原因判别的准确性。
因此，如何提供一种线损异常原因的判别方法，使线损异常原因的判别实现数据化、标准化，降低对业务人员个人经验的依赖，能够判别造成线损异常的原因，使业务人员可以有针对性的采取措施进行线损管理，减少电能的浪费，成为本领域技术人员目前急待解决的关键问题之一。
技术实现要素：
有鉴于此，本发明实施例提供一种线损异常原因的判别方法、装置及服务器，使线损异常原因的判别实现数据化、标准化，降低对业务人员个人经验的依赖，判别异常线损原因后，使业务人员可以有针对性的采取措施进行线损管理，减少电能的浪费。
为实现上述目的，本发明实施例提供如下技术方案：
第一方面，本发明申请提供一种线损异常原因的判别方法，包括：
采集电力数据服务器存储的目标台区的线损数据；
根据所述目标台区的线损数据，判断所述目标台区是否存在线损异常；
若所述目标台区存在线损异常，提取表征所述目标台区运行与维护情况的线损核心指标；
调用预训练的异常线损诊断模型，所述异常线损诊断模型以深度神经网络对所述线损核心指标的输出结果，趋于实际的线损异常原因为目标，训练所述深度神经网络得到；
将所述目标台区的线损核心指标输入所述异常线损诊断模型，判别所述目标台区线损异常的原因。
可选的，本发明申请提供的线损异常原因的判别方法，所述方法还包括：
获取多个台区的线损核心指标样本；
确定各台区的线损核心指标样本与实际的线损异常原因的对应关系；
分别确定后向传播bp神经网络对各所述台区的线损核心指标样本的输出结果，到所述实际的线损异常原因之间的误差，得到各台区的线损核心指标样本相对应的误差；
以所述各台区线损核心指标样本相对应的误差处于预设范围内为训练目标，调整所述bp神经网络的参数，得到异常线损诊断模型。
可选的，所述获取多个台区的线损核心指标样本，包括：
采集电力数据服务器存储的各台区的线损数据；
根据所述各台区的线损数据，筛选存在线损异常的台区；
提取各所述存在线损异常的台区的线损核心指标作为样本。
可选的，本发明申请提供的线损异常原因的判别方法，所述方法还包括：
提取各所述存在线损异常的台区的线损特征，其中，所述线损特征代表和线损率相关的参数；
根据所述线损特征，运用最大期望em算法对各所述存在线损异常的台区进行分类；
确定属于同一类别的台区的实际线损异常原因。
可选的，所述调整所述bp神经网络的参数，包括：
将各台区线损核心指标样本相对应的误差向所述bp神经网络的输入层方向逐层传递，根据所述误差修改所述bp神经网络的参数。
可选的，本发明申请提供的线损异常原因的判别方法，所述方法还包括：
统计训练所述bp神经网络的迭代次数；
判断所述迭代次数是否大于预设值；
若所述迭代次数大于预设值，则将最后一次训练所得模型作为异常线损诊断模型。
可选的，所述根据所述目标台区的线损数据，判断所述目标台区是否存在线损异常，包括：
提取所述目标台区的线损数据中的统计线损率；
对所述目标台区的统计线损率进行鲁棒异常点检测；
判断所述目标台区的统计线损率中是否存在异常点，若所述目标台区的统计线损率中存在异常点，则判定所述目标台区存在线损异常。
可选的，所述提取表征所述目标台区运行与维护情况的线损核心指标，包括：
对所述目标台区的线损核心指标按照线路参数、运行参数和管理因素三类进行分类；
计算同一类别中各线损核心指标间的相关系数；
对所述相关系数大于预设值的类别中的线损核心指标进行主成分分析，得到统一该类别中的多个所述线损核心指标的指标。
第二方面，本发明申请提供一种线损异常原因的判别装置，包括：
采集单元，用于采集电力数据服务器存储的目标台区的线损数据；
第一判断单元，用于根据所述目标台区的线损数据，判断所述目标台区是否存在线损异常；
提取单元，用于若所述目标台区存在线损异常，提取表征所述目标台区运行与维护情况的线损核心指标；
调用单元，用于调用预训练的异常线损诊断模型，所述异常线损诊断模型以深度神经网络对所述线损核心指标的输出结果，趋于实际的线损异常原因为目标，训练所述深度神经网络得到；
判别单元，用于将所述目标台区的线损核心指标输入所述异常线损诊断模型，判别所述目标台区线损异常的原因。
第三方面，本发明申请提供一种服务器，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现上述第一方面任一项所述的线损异常原因的判别方法。
基于上述技术方案，本发明申请提供的线损异常原因的判别方法，首先需要采集电力数据服务器中存储的目标台区的线损数据，根据目标台区的线损数据判断目标台区是否存在线损异常，如果判定目标台区确实存在线损异常，进一步需要提取电力数据服务器中存储的表征目标台区运行与维护情况的线损核心指标，然后调用预训练得到的以深度神经网络为基础，能够根据输入的线损核心指标判别线损异常原因的异常线损诊断模型，将目标台区的线损核心指标输入异常线损诊断模型，通过异常线损诊断模型判别造成目标台区线损异常的原因，本发明提供的线损异常原因的判别方法，以台区实际运行数据为基础，运用神经网络模型对线损异常原因进行分析，使判别方法实现数据化、标准化，降低对业务人员个人工作经验的依赖，同时，为业务人员有针对性的采取措施进行线损管理，减少电能的浪费提供参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的线损异常原因的判别方法的流程图；
图2为本发明实施例提供的线损异常原因的判别方法的异常线损诊断模型的训练流程图；
图3为本发明实施例提供的线损异常原因的判别装置的第一结构框图；
图4为本发明实施例提供的线损异常原因的判别装置的第二结构框图；
图5为本发明实施例提供的线损异常原因的判别装置的第三结构框图；
图6为本发明实施例提供的线损异常原因的判别装置的第四结构框图；
图7为本发明实施例提供的线损异常原因的判别方法中鲁棒异常点检测算法的高斯混合模型示意图；
图8为本发明实施例提供的服务器的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的线损异常原因的判别方法的流程图，该方法可应用于电子设备，该电子设备可选如笔记本电脑、pc(个人计算机)、平板电脑等能够对较为庞杂的数据进行处理分析的电子设备，显然，该电子设备在某些情况下也可选用网络侧的服务器实现；参照图1，本发明实施例提供的线损异常原因的判别方法，可以包括：
步骤s100，采集电力数据服务器存储的目标台区的线损数据。
台区，在电力系统专业领域中是指一台变压器所能够提供电能的范围或区域，在电力系统供电网络中，存在多种电压级别的变压器，对于不同电压级别的变压器而言，台区这一概念所覆盖的范围同样不同，对于本发明所涉及的台区，主要是指10kv配电变压器所能供电的范围或区域，进一步的，本发明所涉及的目标台区，指的是在众多供电台区当中，人为选定的任一台区。
公知的，在电力系统供电网络中，设置有多种电能计量装置，比如最接近用电用户的智能电表、功率表等，这些电能计量装置时刻记录供电网络中电能的变化情况，然后将这些变化情况以数据的形式上传至上层的数据采集终端，并最终汇总至电力数据服务器中，这意味着，可以从电力数据服务器中获得电力系统运行过程中所有的电力数据，当然也包括线损数据。因此，为实现本发明所提供的线损异常原因的判别方法，首先需要从电力数据服务器中获得目标台区的线损数据。
线损数据有多种，大体上可以分为统计线损，理论线损，管理线损，经济线损和定额线损等5类。统计线损是根据电能表指数计算出来的，是供电量与售电量的差值。理论线损是指由电气元件性能、电力网运行状态以及电网布置等因素造成的，包括由变压器铁损、电压表线圈和铁芯损耗等造成的固定能量损失和线路损耗、电能表电流线圈中的损耗等造成的可变损耗，可根据供电设备的参数和电力网当时的运行方式及潮流分布以及负荷情况，由理论计算得出。管理线损是由管理方面的因素引起的损耗电量，它等于统计线损与理论线损的差值，能够通过加强管理达到降低或者减小到接近零值。对于设备状况固定的线路，理论线损并非为一固定的数值，而是随着供电负荷大小变化而变化的，实际上存在一个最低的线损值，这个最低的线损值称为经济线损(相应的电流称为经济电流)。定额线损也称线损指标，是指根据电力网实际线损，结合下一考核期内电网结构、负荷潮流情况以及降损措施安排情况，经过测算，上级主管部门批准的线损指标。
进一步，为实现本发明提供的线损异常原因的判别方法，还会用到线损率这一电力参数。线损率是指线损电量占供电量的百分比，它是代表配电网结构与布局合理性、配电网运行经济性的一个重要参数。同时，也是考核供电企业经营管理和技术管理水平是否先进，所采取的措施是否有效的重要技术经济指标。
步骤s110，判断目标台区是否存在线损异常。
为提高判别线损异常原因的效率，需要在判别之前根据目标台区的线损数据确定目标台区是否存在线损异常，如果判定目标台区存在线损异常，则执行步骤s120，提取表征目标台区运行与维护情况的线损核心指标；如果判定目标台区不存在线损异常，则执行步骤s130，舍弃目标台区的线损数据。
本发明给出一种可选的应用实施例，采用鲁棒异常点检测算法判断目标台区是否存在线损异常，以统计线损率(统计线损电量占供电量的百分比)为研究对象，检测目标台区是否存在线损异常。
参见图7，本发明实施例提供的线损异常原因的判别方法的鲁棒异常点检测算法的高斯混合模型示意图，运用鲁棒异常点检测算法判断目标台区是否存在线损异常，首先会用到gmm(gaussianmixturemodel，高斯混合模型)，高斯混合模型可以看作是由多个高斯分布以不同的权重组合而成。一个gmm表示如下：
d维特征向量
这里，
基于gmm对任意数据的模拟能力，本方法利用gmm对统计线损进行拟合，然后利用3σ准则对异常点进行检测。
3σ准则是建立在正态分布的等精度重复测量基础上，而造成奇异数据的干扰或噪声难以满足正态分布。如果一组测量数据中某个测量值的残余误差的绝对值大于3σ，则该测量值为坏值，应剔除。将等于±3σ的误差作为极限误差，对于正态分布的随机误差，落在±3σ以外的概率只有0.27％，它在有限次测量中发生的可能性很小，即可以剔除。
异常点检测算法如下：
①提取目标台区的线损数据中的统计线损率，为避免异常数据对检测的影响，首先对统计线损率进行中心化和标准化处理，方法如下：
其中，xi,yi分别为中心化和标准化前后的统计线损率。xm为中心化和标准化前统计线损率{xi}的中值，sm为{xi}中值偏差绝对值的中值，计算方法为：sm＝1.4826median{|xi-xm|}，常数1.4826是为了使sm成为正态分布数据标准差的无偏估计。
②使用em算法(expectationmaximizationalgorithm，最大期望算法)将中心化和标准化后的统计线损率{yi}拟合成gmm，得到包含m个高斯成分的高斯混合模型λ＝{wj,μj,sj},j＝1,...m。
③计算
步骤s120，提取表征目标台区运行与维护情况的线损核心指标。
线损核心指标是对能够反映目标台区运行与维护情况，甚至建设方面情况的多种参数的总称，对于任一台区，线损核心指标数量众多，包括变压器额定容量、变压器负载率、用户负荷类型等等，为便于数据分析，同时提高使用本发明提供的方法判别异常线损原因的效率，可以对线损核心指标进行分类，将线损核心指标按类别划分。
可选的，可以分为线路属性、运行参数、管理因素三大类别，这三大类别涵盖了配电网络的建设、运行及管理的各个方面，台区线损核心指标类别表，如表1所示。
表1
从表1可以看出，每一线损核心指标类别中存在多个线损核心指标，这就导致同一类别中线损核心指标存在重复和冗余现象，即几个指标实际含义和命名不同，但反映线损问题的角度相同。因此，针对表1所示的线损核心指标进行线损异常原因分析时，极大的计算代价并没有带来同等的分析效果，为简化数据的处理过程，提高处理效率，需要对同一类别中的线损核心指标进行简化处理。
可选的，可通过计算同一类别中的各线损核心指标间的相关系数，对相关系数大于预设值的线损核心指标进行简化处理，使相关系数较高和存在算数关系的指标不同时出现在线损核心指标类别中，以达到减小冗余，简化计算的目的。相关系数的计算公式如下：
其中，e(x),e(y),e(xy)分别为指标x,y,xy的期望，d(x),d(y)为指标x,y的方差。根据上式计算得到指标两两之间的相关系数，将所有指标的相关系数计算完毕后，进行统计。可选的，当相关系数|ρ|≥0.7时，即认为两指标间具有较高的相关度。
同时，为避免丢失信息，可以对相关系数大于预设值的线损核心指标运用主成分分析方法，得到一个综合指标，以减少线损核心指标的数量。
主成分分析的原理是以最小的数据丢失为前提条件，将原有变量通过组合的方式表示成新的向量。该转换需满足的条件：主成分的数量必须小于原有变量的数量；主成分能够代表原有变量携带的信息；主成分之间相互正交。
假定原有的数据为
①计算原有数据的相关系数矩阵。
其中rij(i,j＝1,2,...p,)是第i维和j维间的相关系数，且rij＝rji，计算如下：
其中，
②对方程|λi-r|＝0求解得到的特征值按降序排列λ1≥λ2≥…≥λp≥0，分别求得对应的特征向量ei(1≤i≤p)，即为主成分。
可选的，针对表1提供的多个线损核心指标，通过计算得到以下结论：变压器额定容量、变压器短路损耗、变压器空载损耗这三项指标，高度相关，通过主成分分析方法，可得到一个综合指标加入到核心指标体系中。
经过本步骤对配电网多个线损核心指标筛选，平衡了线损原因分析的理论价值和工程实用价值，不仅从减少指标间的冗余信息的角度，提取了更具有代表性的因素，而且通过减少因素数量，降低了因素收集环节的工作量和工作难度，利于本方法在实际工作中的推广应用。
步骤s130，舍弃目标台区的线损数据。
如果选定的目标台区不存在线损异常，那么即不需要对该目标台区的线损数据进行进一步的分析，舍弃即可。
步骤s140，调用预训练的异常线损诊断模型。
判定目标台区存在线损异常并获取目标台区的线损核心指标后，调用本发明提供的异常线损诊断模型。
本发明申请所涉及的异常线损诊断模型，是通过对深度神经网络进行训练得到的，该异常线损诊断模型以深度神经网络对线损核心指标的输出结果，趋于实际的线损异常原因为目标，训练所述深度神经网络得到，即该异常线损诊断模型能够根据输入的线损核心指标，判别异常线损原因。
本方法使用的深度神经网络为有监督学习的深度网络，可直接提供用于模式分类目的的能力，其描述了可见数据条件下的类别后验分布，包括输入层、多个隐含层和输出层，各层间全连接或局部连接。
可选的，可以选择bp(backpropagation，后向传播)神经网络作为训练对象，训练得到本发明所用的异常线损诊断模型。
步骤s150，判别目标台区线损异常的原因。
执行步骤s140，调用预训练的异常线损诊断模型后，将目标台区的线损核心指标输入异常线损诊断模型，异常线损诊断模型根据输入的线损核心指标，判定造成目标台区线损异常的原因。
采用本发明申请提供的线损异常原因的判别方法，以台区实际运行数据为基础，运用神经网络模型对线损异常原因进行分析，使判别方法实现数据化、标准化，降低对业务人员个人工作经验的依赖，同时，为业务人员有针对性的采取措施进行线损管理，减少电能的浪费提供参考依据。
在运用本发明申请提供的线损异常原因的判别方法之前，需要预先训练异常线损诊断模型，使该模型能够根据输入的线损核心指标判别造成台区线损异常的原因，现有技术中存在多种类型的深度神经网络，对神经网络的训练方法同样种类繁多，本发明提供一种可选的针对bp神经网络的训练方法。
bp神经网络模型具有任意精度逼近任意非线性数的映射能力，其学习过程分为信息的正向传播和误差的反向传播两个阶段，外部输入的信号经输入层、隐含层的神经元逐层处理，向前传播到输出层，得出结果。若在输出层得不到期望的结果，则转入逆向传播过程，将实际值与网络输出之间的误差沿原连接通路返回，通过修改各层神经元的连接权值，减少误差，然后再转入正向传播过程，反复迭代，直到误差小于预设范围为止。
参见图2，本发明申请实施例提供的线损异常原因的判别方法的异常线损诊断模型的训练流程图，该训练方法包括：
步骤s200，获取多个台区的线损核心指标样本。
为获取多个台区的线损核心指标样本，需要对选定的多个台区的线损数据进行预处理，处理过程可以包括如下各步骤：
首先需要选定多个台区，作为分析对象，并从电力数据服务器中获取所选定的多个台区中各台区的线损数据；
然后根据各台区的线损数据，逐个判断选定的台区是否存在线损异常，将存在线损异常的台区筛选出来，作为样本台区，可选的，判断选定台区是否存在线损异常的方法可以采用图1所示实施例中步骤s110所述的鲁棒异常点检测法，此处不再赘述。
最后，提取各筛选出的存在线损异常的台区的线损核心指标作为样本，对各存在线损异常的台区的线损核心指标的分类以及简化处理可以选用图1所示实施例中步骤s120所述方法，此处不再赘述。
需要说明的是，为尽快完成对模型的训练，加过神经网络的收敛进程，对于训练样本台区的选择，优先选择负荷类型相同的台区，并尽可能选取相同用电时段或用电周期内的线损数据。
步骤s210，确定各台区的线损核心指标样本与实际的线损异常原因的对应关系。
针对任一选定台区，能够从电力数据服务器中获取与该台区对应的线损数据，线损数据不仅具有地域属性(台区的变压器所覆盖的供电范围)，同样还具有时间属性，即所采集的数据可以是一周之内的统计结果，也可以是一个月之内的统计结果。需要说明的是，对于选定的台区，选用何种时间周期内的线损数据并不影响本发明提供的线损异常原因的判别方法的使用。因为对于已经建设完毕投入使用的台区，该台区的线损核心指标所体现出的属性与该台区是一一对应的，因此，确定各台区的线损核心指标与该台区实际的线损异常原因的对应关系，即可确定各台区与实际的线损异常原因的对应关系，亦即判别出各台区的线损异常原因。
在对异常线损诊断模型进行训练时，可以通过多种方式对各台区的线损核心指标与实际的线损异常原因进行对应性标记，比如，一种可选的方式是，将台区的线损核心指标和与该台区对应的实际的线损异常原因标记一相同向量标记，使台区的线损核心指标与实际的线损异常原因建立对应关系。
需要说明的是，现实情况中，存在多个存在线损异常的台区对应同一种线损异常原因的情况，即多个台区的线损核心指标对应同一线损异常原因，在此种情况下，各个台区的线损核心指标的具体数值往往不同，但这并不能影响各个台区的线损核心指标与实际的线损异常原因的对应关系。
还需要说明的是，本发明申请提供的异常线损诊断模型的训练方法，在执行本步骤时，直接确定各台区的线损核心指标样本与实际的线损异常原因的对应关系即可。作为一种可选的数据预处理过程，还需要在此之前，确定造成各个台区线损异常的原因，在此，本发明申请提供一种可选的、根据台区的线损特征对各台区进行分群，进而确定属于同一类别的各台区实际的线损异常原因的方法。
首先，提取各存在线损异常的台区的线损特征。
本发明申请实施例所涉及的线损特征，代表和线损率有关的参数，具体包括：统计线损率、平均线损率、线损率标准差、线损率变化趋势、线损月变化率，具体的，
统计线损率反映了配电网的经济运行。第i个月第j个线损率计算方法为：
平均线损率反映线损率的大概数值。第i个月的平均线损率计算方法为：
线损率标准差反映了线损率的离散程度，变异系数较大表示大部分线损率和平均线损率差异较大，变异系数较小表示大部分线损率比较接近平均线损率。第i个月线损率的标准差计算方法为：
线损率变化趋势反映了台区线损单月的变化趋势。若变化趋势大于0，说明线损率越来越大，该情况很可能由于窃漏电引起。第i个月的线损率变化趋势计算方法为：
线损月变化率反映了台区月线损率的稳定程度。第i个月的线损月变化率计算方法为：
再次，根据各存在线损异常的台区的线损特征，运用最大期望em算法对各存在线损异常的台区进行分类。
实际生产中，引起线损异常的原因很多，比如：用户窃漏电、智能表无法抄回数据、超容量用电、设备老化等。为了确定由同类原因引起的线损异常的台区具有的线路属性、运行参数、管理因素等核心指标的相似特性，选用台区的线损特征为分析对象，对存在线损异常的台区进行特征挖掘分析。
本方法采用em算法对异常线损进行聚类分析，em算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量，通过不断迭代使得似然概率最大的方式来确定每个聚类的参数。
em算法经过两个步骤交替进行计算，第一步是计算期望(后面称为e步)，利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化(后面称为m步)，m步在e步上求得的最大似然值来更新模型参数的值，求解过程为对每个参数求偏导。m步上找到的参数估计值被用于下一个e步计算中，这个过程不断交替进行。
一种可选的计算示例为：设观测数据为x，其维数为n，样本数为m，首先将节点分配到k个簇中，然后计算每个样本在k个簇中出现的概率，重复计算期望和最大化，直至收敛。估计出k个簇的参数后，计算样本分配给k个聚簇的概率，从k个数值中选取最大的，即为该样本所属的簇。
假定每个簇满足正态分布，则em算法的实现过程如下：
①初始化参数θ0＝{w0,μ0,∑0}
②e步得到辅助函数
③m步，通过最大化辅助函数来更新参数θ＝{ωj,μj,σj},j＝1,2,...,k，即分别求偏导，具体过程如下:
a、得到均值的更新公式，对μ求偏导
令
整理得到，
以上即为第l个高斯分量μl在m步的更新公式。
b、得到协方差矩阵σ的更新公式
考虑到
并且
将以上结果带入原式整理得
令
等价于
又因为σl是对称阵，
最后整理得
以上是第l个高斯分量的协方差矩阵σl在m步的更新公式。
c、得到权重的更新公式
对于每个高斯分量的权重ωl，根据条件
令
解得，
结合
λ＝-m
以上是第l个高斯分量的权重ωl在m步的更新公式。
最后，在应用em算法对各个存在线损异常的台区进行聚类分析后，即可进行确定属于同一类别的台区的实际线损异常原因的步骤，需要说明的是，为保证预处理数据的准确性，需要确保各存在线损异常的台区的异常原因判定的准确性，实际操作中，可以通过实地考察台区运行情况，以验证理论判断结果是否正确。
步骤s220，得到各台区的线损核心指标样本相对应的误差。
分别将各台区的线损核心指标样本输入bp神经网络，可以在bp神经网络的输出端得到一输出结果，该输出结果可以理解为bp神经网络对异常原因的初步判断结果，一般情况下，该初步判断结果与造成各台区线损异常的实际的线损异常原因之间定会存在误差，训练bp神经网络的主要工作就是缩小这一误差直至使得该误差处于预设的范围内。
步骤s230，调整bp神经网络的参数，得到异常线损诊断模型。
如前所述，得到各台区的线损核心指标样本相对应的误差之后，bp神经网络的训练目标就是缩小这一误差直至使得该误差处于预设的范围内。基于bp神经网络的结构特性，缩小各台区的线损核心指标样本相对应的误差的可选的方法是将各台区线损核心指标样本相对应的误差向所述bp神经网络的输入层方向逐层传递，让每一层神经网络的每一个神经元为这一误差分担责任，根据各台区线损核心指标样本相对应的误差修改神经网络的参数，直至各台区线损核心指标样本相对应的误差处于预设的范围内，此时得到的bp神经网络模型，即为异常线损诊断模型。
可选的，为避免bp神经网络经过多次迭代仍不能得到本发明申请希望得到的异常线损诊断模型，还可以在训练过程中统计bp神经网络的迭代次数，如果迭代次数已大于预设值，则可以将最后一次训练所得模型作为异常线损诊断模型，这样做的好处是，在充分训练的基础上，避免训练过程进入死循环，提高神经网络训练的效率。
经过上述步骤训练得到的异常线损诊断模型，能够根据输入的台区的线损核心指标，判别造成台区线损异常的原因，使线损异常原因的判别不再依赖业务人员的经验，使判别方法实现数据化、标准化，同时，提高异常原因判别的效率。
一种可选的bp神经网络训练示例如下：
给定一个样例(x,y)，首先进行“前向传导”运算，计算出网络中所有的激活值，包括hw,b(x)的输出值。之后，针对第l层的每一个节点i，计算出其“残差”
具体地，训练步骤如下：
①进行前馈传导计算，利用前向传导公式，得到层
②对于第nl层的每个输出单元i，计算残差：
③对l＝nl-1,nl-2,nl-3,...,2的各个层，第l层的第i个节点的残差计算方法如下，
根据递推过程，将nl-1与nl的关系替换为l与l+1的关系，可以得到，
④计算需要的偏导数，计算方法如下，
可选的，本申请提供的线损异常原因的判别方法的一个应用，可如下所示：
供电管理部门想检查辖区内是否存在线损异常的台区，如果存在线损异常的台区，需要进一步判定线损异常的原因，首先，从辖区内的多个台区中任意选定一个台区，作为当前的分析对象，即目标台区。然后，访问存储有本辖区内所有台区的线损数据的电力数据服务器，从电力数据服务器中采集目标台区的线损数据，获取数据后，运用鲁棒异常点检测算法，检测该目标台区是否存在线损异常，如果判定目标台区存在线损异常，进一步则需要从电力数据服务器存储的电力数据中提取代表目标台区运行与维护情况的线损核心指标，包括线路参数、运行参数以及管理因素等三大类指标，为简化数据量，提高系统处理数据的速度，还可以对线损核心指标进行简化处理，具体的，可运用em算法、主成分分析法等现有技术中的算法进行，之后，即可调用本发明申请提供的异常线损诊断模型，将目标台区的线损核心指标输入该模型，通过该模型判别造成目标台区线损异常的原因，同样的，与上述执行过程一样，逐一对辖区内的台区进行检测，判别存在线损异常的台区的异常原因。
可见，采用本发明申请提供的线损异常原因的判别方法，以台区实际运行中产生的运行数据为分析基础，运用基于深度神经网络训练得到的异常线损诊断模型判别台区线损异常的原因，降低对业务人员工作经验的依赖，使线损异常原因的判别工作实现数据化、标准化，提高判别工作的效率，同时，供电管理部门可以根据线损异常原因的判别结果有针对性的采取措施进行线损管理，减少电能的浪费。
下面对本申请提供的线损异常原因的判别装置进行介绍，下文描述的线损异常原因的判别装置可以认为是为实现本申请提供的线损异常原因的判别方法，在中央设备中需设置的功能模块架构；下文描述内容可与上文相互参照。
图3为本发明实施例提供的线损异常原因的判别装置的第一结构框图，参照图3，该装置可以包括：
采集单元1，用于采集电力数据服务器存储的目标台区的线损数据；
第一判断单元2，用于根据所述目标台区的线损数据，判断所述目标台区是否存在线损异常；
提取单元3，用于若所述目标台区存在线损异常，提取表征所述目标台区运行与维护情况的线损核心指标；
调用单元4，用于调用预训练的异常线损诊断模型，所述异常线损诊断模型以深度神经网络对所述线损核心指标的输出结果，趋于实际的线损异常原因为目标，训练所述深度神经网络得到；
判别单元5，用于将所述目标台区的线损核心指标输入所述异常线损诊断模型，判别所述目标台区线损异常的原因。
可选的，第一判断单元2，用于根据所述目标台区的线损数据，判断所述目标台区是否存在线损异常，具体包括：
提取所述目标台区的线损数据中的统计线损率；
对所述目标台区的统计线损率进行鲁棒异常点检测；
判断所述目标台区的统计线损率中是否存在异常点，若所述目标台区的统计线损率中存在异常点，则判定所述目标台区存在线损异常。
可选的，提取单元3，用于若所述目标台区存在线损异常，提取表征所述目标台区运行与维护情况的线损核心指标，具体包括：
对所述目标台区的线损核心指标按照线路参数、运行参数和管理因素三类进行分类；
计算同一类别中各线损核心指标间的相关系数；
对所述相关系数大于预设值的类别中的线损核心指标进行主成分分析，得到统一该类别中的多个所述线损核心指标的指标。
可选的，参见图4，本发明实施例提供的线损异常原因的判别装置的第二结构框图，本发明实施例提供的线损异常原因的判别装置，还包括：
获取单元6，用于获取多个台区的线损核心指标样本；
第一确定单元7，用于确定各台区的线损核心指标样本与实际的线损异常原因的对应关系；
第二确定单元8，用于分别确定后向传播bp神经网络对各所述台区的线损核心指标样本的输出结果，到所述实际的线损异常原因之间的误差，得到各台区的线损核心指标样本相对应的误差；
训练单元9，用于以所述各台区线损核心指标样本相对应的误差处于预设范围内为训练目标，调整所述bp神经网络的参数，得到异常线损诊断模型。
可选的，获取单元6，用于获取多个台区的线损核心指标样本，具体包括：
采集电力数据服务器存储的各台区的线损数据；
根据所述各台区的线损数据，筛选存在线损异常的台区；
提取各所述存在线损异常的台区的线损核心指标作为样本。
可选的，当训练单元9调整所述bp神经网络的参数时，具体包括：
将各台区线损核心指标样本相对应的误差向所述bp神经网络的输入层方向逐层传递，根据所述误差修改所述bp神经网络的参数。
可选的，参见图5，本发明实施例提供的线损异常原因的判别装置的第三结构框图，本发明实施例提供的线损异常原因的判别装置，还包括：
提取单元10，用于提取各所述存在线损异常的台区的线损特征，其中，所述线损特征代表和线损率相关的参数；
分类单元11，用于根据所述线损特征，运用最大期望em算法对各所述存在线损异常的台区进行分类；
第三确定单元12，用于确定属于同一类别的台区的实际线损异常原因。
可选的，参见图6，本发明实施例提供的线损异常原因的判别装置的第四结构框图，本发明实施例提供的线损异常原因的判别装置，还包括：
统计单元13，用于统计训练所述bp神经网络的迭代次数；
第二判断单元14，用于判断所述迭代次数是否大于预设值；
第四确定单元15，用于若所述迭代次数大于预设值，则将最后一次训练所得模型作为异常线损诊断模型。
图8为本发明实施例提供的服务器的结构框图，参见图8所示，可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；
在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图8所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的；
可选的，通信接口200可以为通信模块的接口，如gsm模块的接口；
处理器100可能是一个中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器300，存储有应用程序，可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
其中，处理器100具体用于执行存储器内的应用程序，以实现上述所述的线损异常原因的判别方法的任一实施例。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
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发明。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发明的核心思想或范围的情况下，在其它实施例中实现。因此，本发明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。