本发明涉及一种供电线路线损的管理方法，具体涉及10kv配网线损的管理方法，属于输配电技术领域。
背景技术：
目前，部分电力公司的10kv线损的管理还处于最基础的管理模式，难以找到线损管理方面的薄弱环节，指标建设不论线路具体情况如何，也采用一刀切粗放的方式，无法满足现在精益线损管理的要求。目前很多供电线路只有变电站开关柜出线处安装有关口表，其他位置并没有安装计量装置，导致线损管理成效不明显。公变(公用变压器)、专变(专用变压器)处有计量装置，公变下挂有数个低压户表，因此可以据此统计公变的线损，但专变用户却无法统计，造成管理管理困难。
技术实现要素：
为了解决部分电力公司的10kv线损难以找到线损管理方面的薄弱环节，无法满足现在精益线损管理的要求的问题。本发明提供了一种线损管理方法，使工作人员能够快速的发现线损管理的薄弱环节，进而有针对性的采取措施降低线损。
本发明是通过以下步骤解决技术问题的。
一种线损管理方法，包括以下方式：
方式一，若线路线损值与理论线损超过阈值，且台区线损值合格。
第一步：查找该线路每段线损值，找出不合格的线路段。利用专变用户非正常用电风险分析模型，对该段所有专变进行分析，得出专变用户的信用等级。
第二步：将信用等级为5级的(信用等级最差)的专变用户依次现场核查。
第三步：若找到专变用户非正常用电则将线损还原计算，与理论值的误差在阈值范围内即可认为合格，流程跳至第五步。若不合格，执行第四步。
第四步：核查线路漏电等隐患状况。
第五步：结束。
方式二，线路线损不合格，有部分台区线损值不合格。
第一步：利用低压用户非正常用电风险分析模型，对该线路线损异常台区的低压用户进行分析，得出信用等级。
第二步：将信用等级为5级的(信用等级最差)的低压用户依次现场核查。
第三步：若找到低压用户非正常用电则将线损还原计算，与理论值的误差在阈值范围内即可认为合格，流程跳至第五步。若不合格，执行第四步。
第四步：核查低压线路漏电等隐患状况。
第五步：结束。
方式三，线路线损不合格，部分台区线损不合格，部分线路段线损不合格。
分别执行方式一和方式二进行排查。
进一步优选，其中，线路采用分段计量方式，获得每段线路线损数值。
式中，s为某一线路段的线损值，s1为该段线路靠近变电站的计量点的电能数值，s2为该段线路远离变电站的计量点的电能数值，sg为该段线路所有公变的电能数值之和，sz为该段线路所有专变的电能数值之和。
进一步优选，按下述方式建立用户非正常用电风险分析模型：
大数据分析采用两个隐含层的神经网络模型，将非正常用电因素作为输入因素，其输出结果为5个信用等级，输入层的输入向量为a＝(a1,a2,a3...,am)t，输入层与隐含层的权值矩阵为wmi(1＜m＜m，1＜j＜i)，第一隐含层与第二隐含层的权值矩阵为wij(1＜i＜i，1＜j＜j)，第一隐含层输出向量为b＝(b1,b2,b3...,bi)t，其节点i上的阈值为θi，第一隐含层与第二隐含层的权值矩阵为wjn，输出层输出向量为d＝(d1,d2,d3...,dn)t，其节点n上的阈值为θn，f(x)为激活函数；
输入n维向量a，则第一隐含层节点i的输出为：
第一隐含层节点i的输出为：
输出层第n个节点的输出结果为：
为有较高的收敛速度，对输入数据进行归一处理，采用如下变换式：
x’i为归一后的值，xi为原值，xmax为最大值，xmin为最小值。
为便于输出层处理，将输入数据映射到(-1,1)内，隐含层的激活函数设置为
f(x)＝(1+e-x)-1
其输出结果为[0,0.2)信用1级,[0.2,0.4)信用2级，[0.4,0.6)信用3级，[0.6,0.8)信用4级，[0.8,0.1)信用5级。
进一步优选，建立专变用户非正常用电风险分析模型时，选取线路线损、画像、用电同比环比、温度、天气、节假日、历史信用、电能峰值、电能谷值作为输入因子，对上述输入因子进行大数据分析处理后，采用5个信用等级为输出因子。
进一步优选，建立低压用户非正常用电风险分析模型时，选取线路线损、画像、用电同比环比、温度、天气、节假日、历史信用、电能峰值、电能谷值作为输入因子，对上述输入因子进行大数据分析处理后，采用5个信用等级为输出因子。
本发明的技术效果：本发明的一种线损管理方法包括线路线损分段计量分析和非正常用电风险分析两个部分，通过建模与理论线损进行对比后再通过模型将低信誉等级的用户检索出，以便工作人员进行核查。本发明达到了可以使工作人员快速发现线损管理的薄弱环节，进而有针对性的采取措施降低线损的目的。
附图说明
图110kv配电线路所挂接公变、专变、低压用户示意图。
图2非正常用电风险分析模型示意图。
图3是专变用户非正常用电风险分析模型。
图4是低压用户非正常用电风险分析模型。
图中：100-变电站开关柜、200-关口表、301-1#计量点、302-2#计量点、303-3#计量点、401-1#公变、402-2#公变、501-1#专变、502-2#专变、601-1#低压用户、602-2#低压用户。
具体实施方式
下面结合附图进一步详细说明本发明。
本发明的线损管理方法，包括以下分析方法：
1.参照图1，线路采用分段计量方式，获得每段线路线损数值。
式中，s为某一线路段的线损值，s1为该段线路靠近变电站的计量点的电能数值，s2为该段线路远离变电站的计量点的电能数值，sg为该段线路所有公变的电能数值之和，sz为该段线路所有专变的电能数值之和。
2.建立用户非正常用电风险分析模型
参照图2，大数据分析采用两个隐含层的神经网络模型，将非正常用电因素作为输入因素，其输出结果为5个信用等级，输入层的输入向量为a＝(a1,a2,a3...,am)t，输入层与隐含层的权值矩阵为wmi(1＜m＜m，1＜j＜i)，第一隐含层与第二隐含层的权值矩阵为wij(1＜i＜i，1＜j＜j)，第一隐含层输出向量为b＝(b1,b2,b3...,bi)t，其节点i上的阈值为θi，第一隐含层与第二隐含层的权值矩阵为wjn，输出层输出向量为d＝(d1,d2,d3...,dn)t，其节点n上的阈值为θn，f(x)为激活函数。
输入n维向量a，则第一隐含层节点i的输出为：
第一隐含层节点i的输出为：
输出层第n个节点的输出结果为：
为有较高的收敛速度，对输入数据进行归一处理，采用如下变换式：
x’i为归一后的值，xi为原值，xmax为最大值，xmin为最小值。
为便于输出层处理，将输入数据映射到(-1,1)内，隐含层的激活函数设置为
f(x)＝(1+e-x)-1
其输出结果为[0,0.2)信用1级,[0.2,0.4)信用2级，[0.4,0.6)信用3级，[0.6,0.8)信用4级，[0.8,0.1)信用5级。
(1)建立专变用户非正常用电风险分析模型。如图3所示，选取线路线损、画像、用电同比环比、温度、天气、节假日、历史信用、电能峰值、电能谷值作为输入因子，对上述输入因子进行大数据分析处理后，采用5个信用等级为输出因子。其中画像为行业分类、行业发展状况、企业生产状况等因素，信用等级越高，非正常用电风险越小。
(2)建立低压用户非正常用电风险分析模型。如图4所示，选取线路线损、画像、用电同比环比、温度、天气、节假日、历史信用、电能峰值、电能谷值作为输入因子，对上述输入因子进行大数据分析处理后，采用5个信用等级为输出因子。其中画像包括职业、学历、收入、作息习惯等因素，信用等级越高，非正常用电风险越小。
本发明的一种线损管理方法，包括以下方式：
方式一，若线路线损值与理论线损超过阈值，且台区线损值合格。
第一步：查找该线路每段线损值，找出不合格的线路段。利用专变用户非正常用电风险分析模型，对该段所有专变进行分析，得出专变用户的信用等级。
第二步：将信用等级为5级的(信用等级最差)的专变用户依次现场核查。
第三步：若找到专变用户非正常用电则将线损还原计算，与理论值的误差在阈值范围内即可认为合格，流程跳至第五步。若不合格，执行第四步。
第四步：核查线路漏电等隐患状况。
第五步：结束。
方式二，线路线损不合格，有部分台区线损值不合格。
第一步：利用低压用户非正常用电风险分析模型，对该线路线损异常台区的低压用户进行分析，得出信用等级。
第二步：将信用等级为5级的(信用等级最差)的低压用户依次现场核查。
第三步：若找到低压用户非正常用电则将线损还原计算，与理论值的误差在阈值范围内即可认为合格，流程跳至第五步。若不合格，执行第四步。
第四步：核查低压线路漏电等隐患状况。
第五步：结束。
方式三，线路线损不合格，部分台区线损不合格，部分线路段线损不合格。
分别执行方式一和方式二进行排查。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。