边缘AI线损异常诊断MobileNetV3量化部署与窃电定位验证_1.docxVIP

PAGE2

边缘AI线损异常诊断MobileNetV3量化部署与窃电定位验证

摘要

随着智能电网建设的深入推进，低压台区线损精细化管理已成为电力企业降本增效的核心抓手。传统线损异常诊断依赖主站集中式分析，存在数据传输延迟高、终端算力闲置、窃电定位粗放等突出问题。本课题以边缘计算与轻量化深度学习的融合为切入点，设计并实现了一套基于MobileNetV3的台区边缘AI线损异常诊断系统。

论文首先分析了台区线损诊断的现实痛点与技术瓶颈，明确了边缘侧推理、高精度窃电定位的设计目标。进而提出INT8量化与多维度特征工程的联合优化方案，在保证模型精度的前提下将推理耗时压缩至12毫秒。通过300个真实台区的现场验证，系统实现了窃电召回率97.5%、误报率0.3%的优异性能。全文按照“需求分析→总体设计→详细设计→实现→测试”的工程逻辑展开，涵盖模型量化部署、特征工程构建、MCU推理优化、现场验证分析等核心环节。本设计的核心创新在于将MobileNetV3模型轻量化部署至台区边缘终端，通过电气特征与时序特征的深度融合，实现了从“被动抄表”到“主动诊断”的范式转变，为低压台区线损精益化管理提供了可复用的技术方案。

第一章绪论

1.1研究背景

线损率是衡量电力企业运营水平的关键经济技术指标，直接反映电网规划建设、生产运行、营销管理的综合能力。近年来，随着城乡配电网改造升级的持续推进，高压输电