【技术实现步骤摘要】
本专利技术涉及配电网，特别涉及一种智慧配电网故障定位方法及系统。
技术介绍
1、配电网作为电力系统的重要组成部分，其主要任务是将电能从高压输电网传输到终端用户。随着电力需求的不断增长以及分布式电源的广泛接入，配电网的运行环境变得更加复杂。现有技术中，故障定位方法主要包括基于物理模型、数据驱动和混合方法的技术。
2、近年来，随着人工智能技术的发展，尤其是深度学习和图神经网络的兴起，基于图网络的故障定位方法受到广泛关注。这类方法利用配电网的拓扑信息构建图模型，将节点间的关联和特征作为输入，通过神经网络提取时空特征，实现对复杂故障的高效诊断。此外，动态拓扑调整和多维特征提取技术的引入，使得这类方法在处理分布式电源接入和负载波动等动态场景时更具适应性。
3、针对上述问题，本专利技术提供了一种智慧配电网故障定位方法及系统，通过结合配电网幅频特征的空间分布规律，在面对动态拓扑变化、数据噪声干扰和多类型故障时，提升故障定位的准确性和适应性。
技术实现思路
1、本专利技术针对以上问题，提供了一种智慧配电网故障定位方法及系统，以解决现有技术在面对动态拓扑变化、数据噪声干扰和多类型故障时定位精度和鲁棒性不足的问题。
2、为解决上述技术问题，本专利技术提供了如下技术方案：
3、本专利技术提供一种智慧配电网故障定位方法及系统，包括以下步骤：
4、步骤s1，通过在各节点部署分布式采集装置，实时采集电压幅值和频率信号，提取瞬时特征并计算空间分布规律，
5、其中在步骤s1中，还包括如下子步骤：
6、s1-1，通过在各节点部署分布式采集装置，实时采集电压幅值和频率数据，配备抗干扰模块降低外部噪声影响，以及配备数据丢失补偿机制，保证在数据不完整情况下仍能获取有效特征；
7、s1-2，采用改进的信号分解算法iceemdan，分解电压信号，获取本征模函数imfs，分解后的电压信号可以表示成各阶imfs与残差项的叠加，具体如式（1）：
8、 式（1）
9、其中，为电压信号，为第i阶imfs，为残差项；
10、由于分解得到的imfs阶数和频率范围并不固定，因此imfs往往不能直接作为故障特征用于故障定位模型，利用皮尔逊相关系数选择与原始信号相关性较强的imfs，具体如式（2）：
11、 式（2）
12、其中，为第i阶imf与原始信号的皮尔逊相关系数，为协方差算子，为imf与原始信号的协方差，和分别表示和的标准差；
13、通过希尔伯特变换提取故障电压的瞬时幅值和瞬时频率特征，具体如式（3）：
14、 式（3）
15、其中，为重构后的电压信号，和分别为瞬时幅值和瞬时频率；
16、s1-3，利用邻近节点的幅值和频率波动幅度，计算空间分布特征，分析不同故障类型和位置对应的特征空间分布模式，生成分布特征模板库，定义每个节点的幅频特征变化率，具体如式（4）：
17、 式（4）
18、其中，为节点的幅频特征变化率，为节点的幅值和频率，为节点的幅值和频率，为节点的地理或拓扑距离。
19、步骤s2，结合配电网拓扑结构和幅频分布特征，动态调整邻接矩阵，构建能够实时反映运行状态的图网络，同时生成与故障模式匹配的节点状态标签；
20、其中在步骤s2中，还包括如下子步骤：
21、s2-1，分布模式映射，将空间分布特征与配电网拓扑结构结合，构建基于幅频分布规律的特征图，每个节点包含幅值、频率及其相邻节点的波动特征，具体如式（5）：
22、 式（5）
23、其中，为瞬时幅值矩阵，为瞬时频率矩阵，为邻接矩阵，描述图中节点间的拓扑关系；
24、s2-2，引入动态拓扑调整机制，通过监测配电网的运行拓扑结构变化，如节点新增、负载转移和支路断开；和电气参数变化，如电压幅值和频率波动，动态调整图网络的节点和边关系，使其能够反映当前运行状态；
25、s2-3，图标签生成，基于分布规律的特征模板库，为每个故障模式生成对应的图标签，根据分布特征模板，标记图中节点的故障状态，生成状态标签，具体如式（6）：
26、 式（6）
27、其中，为节点 i的状态标签，1为正常，0为故障。
28、步骤s3，基于图卷积网络设计故障定位模型，引入时空卷积和分布规律对比模块，利用节点特征与空间分布规律，提取故障模式并实现节点故障状态预测；
29、其中在步骤s3中，还包括如下子步骤：
30、s3-1，模型结构定义，设计一个分布规律驱动的图卷积网络（dg-gcn），结合节点特征与空间分布特征，提取故障信号模式，在时空卷积基础上，引入分布对比模块，强化对特定分布规律的识别；
31、通过一维卷积提取时间特征，具体如式（7）-式（8）：
32、 式（7）
33、 式（8）
34、其中，和分别为第层的频率和幅值特征矩阵，和分别为第层的频率和幅值特征矩阵；和是两个一维卷积核函数，用于提取时域特征；为激活函数；表示对应元素相乘；
35、通过谱图卷积提取空间特征，具体如式（9）
36、 式(9)
37、其中，为第层的频率特征矩阵，w为邻接矩阵，d为w的度矩阵，为卷积核；
38、通过全连接层计算节点故障指数，具体如式（10）：
39、 式(10)
40、其中，为预测的节点 i的故障指数，为激活函数，和是全连接层中的权重矩阵，和分别为节点i的瞬时幅值特征和瞬时频率特征；
41、s3-2，定义分布规律匹配损失函数，最小化真实分布与预测分布的差异，使用多标签分类损失函数优化模型，具体如式（11）：
42、 式（11）
43、其中，实际节点状态标签向量，为模型预测的节点状态向量，损失函数值，n为节点总数，为节点i的故障状态，为节点i的故障指数；
44、s3-3，利用构建的分布特征模板库和历史故障数据对模型进行训练，采用交叉验证方法评估模型性能，通过划分训练集与测试集，在训练过程中以多标签分类损失函数优化模型参数，学习节点的幅频特征与空间分布规律之间的关系。
45、步骤s4，采集故障发生后的实时数据，计算分布特征与模板库的匹配相似度，结合模型推理结果，综合判断故障类型和具体位置；
46、其中在步骤s4中，还包括如下子步骤：
47、s4-1，在故障发生后，采集配电网中各节点的实时电压信号，并利用已部署的分布式采集装置获取的瞬时幅值和频率特征数据，实时数据通过信号处理模块进行快速处理，包括噪声过滤和异常点修正；
4本文档来自技高网...
【技术保护点】
1.一种智慧配电网故障定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智慧配电网故障定位方法，其特征在于：
3.根据权利要求1所述的一种智慧配电网故障定位方法，其特征在于：
4.根据权利要求1所述的一种智慧配电网故障定位方法，其特征在于：
5.根据权利要求1所述的一种智慧配电网故障定位方法，其特征在于：
6.根据权利要求1所述的一种智慧配电网故障定位方法，其特征在于：
7.一种智慧配电网故障定位系统，应用于权利要求1-6任一所述定位方法，其特征在于，包括：
【技术特征摘要】
1.一种智慧配电网故障定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智慧配电网故障定位方法，其特征在于：
3.根据权利要求1所述的一种智慧配电网故障定位方法，其特征在于：
4.根据权利要求1所述的一种智慧配电网故障定位方...
【专利技术属性】
技术研发人员：魏鹏，刘洋，廖培亚，宋泉材，孟庆硕，
申请(专利权)人：山东金煜电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。