线损异常分析与线损准确预测对于电网发展规划的制定、降损措施的实施具有指导意义。电力大数据时代随着智能电表的推广和电力信息采集系统的完善已悄然到来。对于线损异常识别,目前使用的方法多以人力为基础,在实时性和准确性方面有一定的局限性。而传统的线损预测方法在面对海量数据时,计算工作量明显增大,已不再适用。所以如何结合大数据特点,将数据挖掘和深度学习算法与其结合,解决传统的线损异常分析与线损预测问题,具有重要的研究意义。本文介绍了线损的定义、分类,分析了理论线损的传统计算方法的优缺点。在探讨了深度学习算法的发展现状和在电力系统方面的应用后,指出了将其应用于线损预测研究的优越性。基于以上研究,提出了一种基于粒子群（PSO）优化的卷积神经网络（CNN）线损预测模型。首先探讨了配电网络中对理论线损有影响的特征指标,综合考虑了指标的影响力和获取难易程度,选取配电变压器容量,有功、无功供电量,24h最大有功、无功,线路长度,供电半径作为研究指标。采用电力系统分析综合程序（PSASP）进行线损计算分析,采集相关特征指标值和台区线损值。共采集600组数据,构建数据样本集。之后,针对采集数据中可能存在的异常数据,提出了基于一种K-means聚类算法—LOF局部离群因子检测法的组合模型对线损异常数据进行挖掘,通过先聚类再对类内数据计算离群因子来寻找异常数据。数据集通过K-means聚类后分成两类,将每类数据分别计算离群因子,并将离群因子大于2的数据点判定为异常数据并剔除,共剔除12个数。最后,针对卷积神经网络训练时,在误差反向传播调整连接权值的过程中,会出现梯度下降甚至停滞,影响网络的收敛速度的问题,提出了一种基于粒子群优化的PSOCNN神经网络模型进行线损预测。利用粒子群算法可以同时兼顾个体最优和全局最优的特点,找到最优的连接权值参数,提高CNN的收敛速度。通过仿真验证,比较CNN和PSO-CNN两种网络模型的性能,发现PSO-CNN网络的速度和误差均小于CNN网络,其性能更优,线损预测结果更贴近真实值。