针对配电网线损数据非线性强、时序耦合度高及异常模式隐蔽导致的检测难题，提出一种融合特征选择、自编码器（AE）、时间卷积网络（TCN）与局部注意力机制（LA）的线损率异常检测模型。首先，采用互信息与随机森林相结合的两阶段特征选择策略，剔除冗余特征，筛选出与线损异常关联度高的关键变量；其次，构建自编码器与时间卷积网络并行的双分支架构，其中自编码器通过重构输入序列挖掘数据深层分布特征以增强异常辨识能力，时间卷积网络则引入深度可分离卷积以降低参数量并精准捕获长短期时序依赖；随后，在双分支输出端嵌入多头局部注意力机制，强化模型对关键特征维度及重要时间片段的聚焦能力；最后，引入自适应权重系数动态协调重构误差与预测误差的损失贡献。基于真实配电网线损数据集的仿真实验表明，所提模型的准确率、精确率、召回率及F

1

值分别达到91.17%、90.48%、93.78%和92.10%，较对比模型具有更优的综合检测性能。