1.一种基于大数据的低压窃电智能诊断方法，其特征在于，所述基于大数据的低压窃电智能诊断方法包括以下步骤：步骤1：采集电能表的关联数据；关联数据包括电流数据、开盖事件信息、电量数据、业扩流程信息和台区线损数据；所述电流数据指电能表获取的实时相线电流I L 与实时零线电流I N ；所述开盖事件信息包括开盖次数、开盖起始时间T 开始 和开盖结束时间T 结束 ；步骤2：对步骤1采集的数据进行清洗，剔除无效数据；步骤3：基于步骤2处理后的电能表关联数据，建立各类低压窃电智能诊断模型；所述低压窃电智能诊断模型为电流分析模型、事件分析模型、电量分析模型和线损分析模型；所述电流分析模型对相、零线电流的差异计算分析，筛选出差值大于差值阈值且相、零线误差值超过误差阈值的电能表对应的用户为疑似窃电用户，相、零线电流差值I以满足如下关系式：I＝I N -I L相、零线电流误差k满足如下关系式：如I>差值阈值并且k>误差阈值则判定为疑似窃电用户；所述事件分析模型计算开盖异常事件中与业扩流程信息无关的开盖持续时长，并根据该时长是否满足设定的开盖阈值以筛选疑似窃电用户，并判定具体窃电类型；所述开盖阈值为[2,50]分钟，即开盖时间T 结束 -T 开始 为[2,50]分钟的用户被判定为疑似窃电用户；所述窃电类型的判定方法如下：若2min≤T 结束 -T 开始 ≤20min，则判断为疑似短接电能表接线柱或短接电能表内部计量回路窃电；若20min<T 结束 -T 开始 ≤30min，则判断为更换电能表内部元器件窃电；若30min<T 结束 -T 开始 ≤50min，则判断为安装遥控窃电装置；所述电量分析模型对于有开盖异常事件以及没有开盖异常事件的用户分别进行分析；如用户的开盖异常事件与业扩流程信息无关，则计算用户电能表开盖记录事件发生前n 1 天和后n 2 天的平均日用电量，如前n 1 天和后n 2 天的平均日用电量大于电量差异阈值时，则认为用户为疑似窃电用户；对于无开盖异常事件的用户，计算自装表日起相邻每两个月的电量偏差，筛选出相邻两个月的用电量相差超过相邻两个月的用电量阈值的用户为疑似窃电用户；所述线损分析模型将符合以下关系的用户判定为疑似窃电用户：1+线损分析阈值 线损分析阈值其中，设用户疑似窃电日为D，则用户前一日用电量为S D-1 ，台区前一日供电量为T D-1 ，台区前一日售电量为R D-1 ，用户疑似窃电当天用电量为S D ，疑似窃电当天台区供电量为T D ，疑似窃电当天台区售电量为R D ；步骤4：从步骤3建立的模型中选择一个没有使用过的模型进行疑似窃电用户判定，如判定为疑似窃电用户，输出疑似窃电用户，并进入步骤5；如判定为非疑似窃电用户，则重复本步骤；如所有模型都被使用过且判定结果都为非疑似窃电用户，则输出非疑似窃电用户，结束本方法；步骤5：根据步骤4的判定结果进行现场核查工作。
2.根据权利要求1所述的基于大数据的低压窃电智能诊断方法，其特征在于：在所述步骤1中，所述电能表具备电流测量功能，用电信息采集系统能够实时获取相线电流与零线电流运行参数。
3.根据权利要求1或2所述的基于大数据的低压窃电智能诊断方法，其特征在于：对于有开盖事件的用户，所述电量数据是指电能表开盖事件发生前n 1 天与后n 2 天每天的用电量数据；若开盖记录事件发生在第N天，S N 为第N天日用电量，前n 1 天的用电量数据则为 后n 2 天的用电量数据则为 对于无开盖事件的用户，所述电量数据是指自装表日起每个月的用电量数据；所述业扩流程信息指故障抢修信息，以区别因正常操作导致的开盖异常事件；所述台区线损数据包括台区供电量、台区售电量和台区线损率。
4.根据权利要求3所述的基于大数据的低压窃电智能诊断方法，其特征在于：在所述步骤2中，所述无效数据包括采集失败的数据、空值数据以及乱码数据。
5.根据权利要求4所述的基于大数据的低压窃电智能诊断方法，其特征在于：所述差值阈值为0.5A，所述误差阈值为30％。
6.根据权利要求1所述的基于大数据的低压窃电智能诊断方法，其特征在于：所述电量差异阈值与用电量阈值均为30％，所述n 1 与n 2 均为7。
7.根据权利要求1所述的基于大数据的低压窃电智能诊断方法，其特征在于：所述线损分析阈值为5％。
