1.一种配电网的线损异常识别方法，其特征在于，包括：获取配电网运行量测数据，并将所述配电网运行量测数据进行状态估计修正处理，得到状态估计数据；其中，所述配电网运行量测数据包括发电出力数据和日线损率数据；所述将所述配电网运行量测数据进行状态估计修正处理，得到状态估计数据，具体为：根据所述配电网运行量测数据和状态变量，建立量测状态关系，公式为：其中， 为所述配电网运行量测数据， 为所述状态变量； 为量测函数， 为量测误差；根据所述配电网运行量测数据和所述量测函数，构建目标函数，具体为：其中， 为所述目标函数， 为量测权重矩阵；通过迭代修正方程，求解所述目标函数的状态变量，获得状态估计数据；其中，所述迭代修正方程，具体为：其中， 为所述状态变量的变化量， 和 分别为迭代次数， 为第 次迭代的状态变量， 为第 次迭代的状态变量的变化量、 为第 次迭代的状态变量的变化量， 为所述量测函数对 的偏导函数， 为 的转置； 为所述量测函数对 的偏导函数， 为 的量测函数;将所述状态估计数据进行改进Mean-shift聚类处理，获取线损数据聚类结果；其中，所述线损数据聚类结果包括不同发电出力数据对应的日线损率聚类中心和不同的日线损率聚类中心对应的聚类结果数据；所述将所述状态估计数据进行改进Mean-shift聚类处理，获取线损数据聚类结果，具体为：根据所述状态估计数据和预设的聚类数量，求解各滑动窗口的最优滑动半径，并根据所述各滑动窗口的最优滑动半径，获取各样本数据集合；其中，所述各滑动窗口的数量与所述预设的聚类数量相同；根据当前的样本数据集合中当前的圆心，确定当前的圆心偏移量，将所述当前的圆心偏移量进行高斯核函数指数计算，得到当前的均值偏移量；判断所述当前的均值偏移量是否小于预期阈值，若不小于，则根据所述当前的圆心偏移量，更新所述当前的圆心，并迭代根据当前的样本数据集合中当前的圆心，确定当前的圆心偏移量，将所述当前的圆心偏移量进行高斯核函数指数计算，得到当前的均值偏移量，判断所述当前的均值偏移量是否小于预期阈值，不断更新迭代所述当前的圆心，直到所述当前的均值偏移量小于所述预期阈值，确定所述当前的样本数据集合的当前的圆心；若小于，则确定所述当前的样本数据集合的当前的圆心；根据所述当前的样本数据集合的当前的圆心，计算所述当前的样本数据集合的当前的聚类中心；将所述各样本数据集合的当前的聚类中心进行距离比较处理，确定各独立的聚类中心，根据所述各独立的聚类中心，获得线损数据聚类结果;所述根据所述当前的样本数据集合的当前的圆心，计算所述当前的样本数据集合的当前的聚类中心，具体为：根据所述当前的样本数据集合的当前的圆心，选取所述当前的圆心与所述当前的样本数据集合中各个样本点距离之和最小的样本点，作为所述当前的样本数据集合的聚类中心，具体为：其中， 为所述当前的样本数据集合的当前的聚类中心， 为所述当前的样本数据集合的当前的圆心， 为所述当前的样本数据集合， 为所述当前的样本数据集合的样本点 ;所述根据所述状态估计数据和预设的聚类数量，求解各滑动窗口的最优滑动半径，并根据所述各滑动窗口的最优滑动半径，获取各样本数据集合，具体为：在所述状态估计数据中选择一个数据点作为所述当前的圆心，并根据当前的滑动半径和所述当前的圆心，确定所述当前的滑动窗口；根据所述状态估计数据、所述预设的聚类数量、所述当前的滑动窗口和所述当前的圆心，计算当前的误差平方和，公式为：其中， 为所述当前的误差平方和； 为所述当前的圆心； 为所述当前的滑动窗口的每一个数据点； 为所述当前的滑动窗口的聚类中心； 为所述预设的聚类数量；选取所述当前的误差平方和最小时所对应的当前的滑动半径，作为所述当前的滑动窗口的最优滑动半径；在所述状态估计数据中，筛选出离所述当前的圆心的距离在所述当前的滑动窗口的最优滑动半径之内的全部数据，获得所述当前的样本数据集合，公式为：其中， 为所述当前的样本数据集合， 为所述当前的滑动窗口的最优滑动半径， 为所述当前的样本数据集合的样本点坐标， 为所述当前的圆心的坐标；统计所述各滑动窗口的最优滑动半径对应的样本数据集合，得到所述各样本数据集合；所述将所述当前的圆心偏移量进行高斯核函数指数计算，得到当前的均值偏移量，具体为：其中， 表示所述当前的均值偏移量； 为所述当前的样本数据集合； 为所述当前的滑动窗口的最优滑动半径； 表示在 个样本点 中，有 个点落入所述当前的样本数据集合的区域内； 表示所述当前的样本数据集合的样本点 ； 表示所述当前的圆心的坐标； 表示所述当前的圆心偏移量；所述根据所述当前的圆心偏移量，更新所述当前的圆心，具体为：根据所述当前的圆心偏移量，对所述当前的圆心进行更新，更新方向与所述的当前的均值偏移量的方向一致，具体为：其中， 为所述当前的圆心；通过孤立森林线损异常检测算法对所述线损数据聚类结果进行线损异常识别，得到线损数据异常识别结果。
2.如权利要求1所述的配电网的线损异常识别方法，其特征在于，所述通过孤立森林线损异常检测算法对所述线损数据聚类结果进行线损异常识别，得到线损数据异常识别结果，具体为：将所述不同的日线损率聚类中心对应的聚类结果数据，作为不同的聚类数据集；通过孤立森林算法将当前的聚类数据集进行离群点检测，得到当前的聚类数据集中各数据节点的异常分数，并根据所述当前的聚类数据集中所述各数据节点的异常分数，判定所述当前的聚类数据集的线损异常部分；统计各所述聚类数据集的线损异常部分，得到所述线损数据异常识别结果。
3.如权利要求2所述的配电网的线损异常识别方法，其特征在于，所述通过孤立森林算法将当前的聚类数据集进行离群点检测，得到当前的聚类数据集中各数据节点的异常分数，具体为：在所述当前的聚类数据集中，根据孤立树和二叉搜索树的相似性，对路径进行归一化，计算所述当前的聚类数据集的当前的数据节点的异常分数，公式为：其中， 为所述当前的聚类数据集的当前的数据节点 的异常分数； 为所述当前的聚类数据集中数据点的个数； 为所述当前的聚类数据集的当前的数据点，表示所述当前的数据节点 ； 为所述当前的数据节点 在多棵孤立树上的路径的期望值； 为所述路径； 为异常搜索长度；其中，所述异常搜索长度根据所述二叉搜索树的失败查找的平均搜索长度得到，公式为： ；通过计算所述当前的聚类数据集的当前的数据节点的异常分数，获得所述当前的聚类数据集中各数据节点的异常分数。
4.如权利要求3所述的配电网的线损异常识别方法，其特征在于，所述根据所述当前的聚类数据集中所述各数据节点的异常分数，判定所述当前的聚类数据集的线损异常部分，具体为：若所述当前的聚类数据集中所述当前的数据节点的异常分数大于预设异常分数阈值，则判定所述当前的数据节点为线损异常点；统计分析所述当前的聚类数据集的线损异常点，得到所述当前的聚类数据集的线损异常部分。
