何伟民，孙一迪，姜 捷，金良勇，毛和云

(国网浙江江山市供电有限公司，浙江 江山 324100)

0 引言

线损率是电网的一项重要评价指标，它能反映电网在经济和技术方面的运行和管理水平[1]。线损一般分为技术性线损和非技术性线损。日线损率值是否在合理的范围内(即日线损率的合格率)已成为电网运营商迫切关注的问题，这就需要从大量采集的样本中直接区分正常线损率值和异常值[2]。由于日线损率能够作为操作人员更好了解低压变压器区域工作状态的依据，因此，日线损率的基准值的准确测量对于提高线损管理水平尤为重要。

在数据挖掘分析领域，通常有4种方法来计算基准值和检测异常值，即经验法[3]、统计法[4]、无监督法[5]和监督法[6]。文献[3]利用经验法指出在日线损率的基准测试中，经验区间通常设置为-1%～5%。文献[7]揭示了由于不可避免的采集误差，不小于-1%的值均可以接受。文献[4]指出统计法中的区间界限能够适应不同的检测样本，但该方法很难利用线损率的影响因素。文献[5]利用无监督法中的聚类算法将异常值可以通过数据点与聚类中心的距离来进行识别。监督法利用机器学习模型求解分类问题[6]和回归问题[8]，文献[9]和文献[10]分别设计用于异常值检测和基准计算任务，分类模型通过对标记样本的学习来区分正常和异常数据。然而，线损率样本通常没有标记，因此它无法识别收集到的线损率值是否正常。

本文提出了一种基于鲁棒神经网络(RNN)的回归计算方法，并由去噪自动编码器(DAE)、多径网络结构、丢包层、Huber损失函数、L2正则化和10个输出组成。……