CN119510969B 一种基于信号增强的双端故障定位方法（广州安电测控技术有限公司）

(12)发明专利1039号201-26室(72)发明人刘鑫李汉豪许天田黎勇开李杰柯锭嘉周荣陈辉就卓亢崔晓曦詹乾坤邓炎权袁颂芳所(普通合伙)44493GO1R31/0GO6N20/0析，得到故障类型识别结果和初步故障位置估对输电线路两端的电气信号进行采集与预处理，得到预处理后的同步电气信号对预处理后的同步电气信号进行自适应增强处理，得得到故障特征向量和关键参数对故障特征向量和关键参数进行机器学习分析，得到故障类型识别结果和初步故障位置估计对初步故障位置估计进行多算法融合分析，得到精确得到故障定位结果和系统优化数据21.一种基于信号增强的双端故障定位方法，其特征对输电线路两端的电气信号进行采集与预处理，得到预处理后的同步电气信号；对预处理后的同步电气信号进行自适应增强处理，得到增强后的故障特征信号；对增强后的故障特征信号进行时频分析和特征提取，得到故障特征向量和关键参数；对故障特征向量和关键参数进行机器学习分析，得到故障类型识别结果和初步故障位置估计；对初步故障位置估计进行多算法融合分析，得到精确故障位置坐标；所述对初步故障位置估计进行多算法融合分析，得到精确故障位置坐标步骤，包括：对初步故障位置估计进行行波法分析，得到行波法位置估计，并对所述初步故障位置估计进行阻抗法分析，得到阻抗法位置估计；根据所述行波法位置估计和阻抗法位置估计构建贝叶斯网络模型，得到初步融合结果，并对所述初步融合结果进行模糊推理，得到模糊位置区间；对所述模糊位置区间进行遗传算法优化，得到候选位置点集，并对所述候选位置点集进行德尔菲法评估，得到权重系数；根据所述权重系数对候选位置点集进行加权平均，得到加权位置估计，并对所述加权位置估计进行卡尔曼滤波，得到滤波后的位置估计；通过蒙特卡洛模拟对所述滤波后的位置估计进行误差分析，得到误差分布，并根据所述误差分布计算置信区间，得到精确故障位置坐标；对精确故障位置坐标进行地理信息映射和实地验证，得到故障定位结果和系统优化数2.根据权利要求1所述的基于信号增强的双端故障定位方法，其特征在于，所述对输电线路两端的电气信号进行采集与预处理，得到预处理后的同步电气信号步骤，包括：对输电线路两端的电压和电流信号进行高频采样，得到原始电气信号数据，并对所述原始电气信号数据进行时间戳标记，得到带时间戳的原始信号数据；对所述带时间戳的原始信号数据进行小波去噪处理，得到初步去噪信号，并对所述初步去噪信号进行自适应中值滤波，得到滤波后的信号；对所述滤波后的信号进行离群值检测，得到无异常值的信号数据，并对所述无异常值的信号数据进行插值处理，得到连续的信号数据；对所述连续的信号数据进行傅里叶变换，得到频域特征数据，并对所述频域特征数据通过希尔伯特变换对所述目标频段信号进行相位校正，得到相位校正后的信号，并对所述相位校正后的信号进行时间同步处理，得到两端同步的电气信号；对所述两端同步的电气信号进行数据压缩，得到压缩后的同步信号，并对所述压缩后的同步信号进行量化编码，得到预处理后的同步电气信号。3.根据权利要求1所述的基于信号增强的双端故障定位方法，其特征在于，所述对预处理后的同步电气信号进行自适应增强处理，得到增强后的故障特征信号步骤，包括：对预处理后的同步电气信号进行小波包分解，得到多尺度信号分量，并对所述多尺度信号分量进行能量分布分析，得到能量特征向量；根据所述能量特征向量对多尺度信号分量进行自适应阈值选择，得到候选特征分量，并对所述候选特征分量进行稀疏表示，得到稀疏系数矩阵；对所述稀疏系数矩阵进行奇异值分解，得到主要特征分量，并对所述主要特征分量进3行自适应增益调节，得到增益调节后的信号；通过经验模态分解对所述增益调节后的信号进行分解，得到本征模态函数集，并对所述本征模态函数集进行相关性分析，得到关键模态函数；对所述关键模态函数进行自适应滤波器设计，得到优化滤波器参数，并通过所述优化滤波器参数对关键模态函数进行滤波处理，得到滤波后的模态函数；对所述滤波后的模态函数进行重构，得到增强后的故障特征信号。4.根据权利要求1所述的基于信号增强的双端故障定位方法，其特征在于，所述对增强后的故障特征信号进行时频分析和特征提取，得到故障特征向量和关键参数步骤，包括：对增强后的故障特征信号进行短时傅里叶变换，得到时频谱图，并对所述时频谱图进根据所述特征频率点集对时频谱图进行区域分割，得到时频特征区域，并对所述时频特征区域进行能量密度计算，得到能量分布特征；对所述能量分布特征进行主成分分析，得到主要特征分量，并对所述主要特征分量进行标准化处理，得到归一化特征向量；通过小波包变换对增强后的故障特征信号进行多尺度分解，得到多尺度系数，并对所述多尺度系数进行统计特征提取，得到统计特征集；对所述统计特征集进行相关性分析，得到关键统计特征，并对所述关键统计特征进行对所述归一化特征向量和统计特征向量进行融合，得到故障特征向量，并根据所述故障特征向量计算故障发生时刻和持续时间，得到故障特征向量和关键参数。5.根据权利要求1所述的基于信号增强的双端故障定位方法，其特征在于，所述对故障特征向量和关键参数进行机器学习分析，得到故障类型识别结果和初步故障位置估计步对故障特征向量进行降维处理，得到降维后的特征数据，并对所述降维后的特征数据根据所述特征簇构建决策树模型，得到初步分类规则，并对所述初步分类规则进行剪通过支持向量机算法对所述优化后的决策规则进行训练，得到故障类型分类器，并利用所述故障类型分类器对新的故障特征向量进行分类，得到故障类型识别结果；根据所述故障类型识别结果和关键参数构建神经网络模型，得到位置估计模型，并对所述位置估计模型进行交叉验证，得到候选位置估计模型；利用粒子群算法对所述候选位置估计模型进行参数优化，得到优化后的位置估计模型，并通过所述优化后的位置估计模型对故障特征向量进行处理，得到初步故障位置估计。6.根据权利要求1所述的基于信号增强的双端故障定位方法，其特征在于，所述对精确故障位置坐标进行地理信息映射和实地验证，得到故障定位结果和系统优化数据步骤，包对精确故障位置坐标进行地理编码转换，得到地理坐标，并根据所述地理坐标在地理信息系统中进行定位，得到故障点地理位置；对所述故障点地理位置进行地形分析，得到地形特征数据，并根据所述地形特征数据4沿所述目标巡检路线进行实地勘察，得到现场数据，并对所述现场数据进行图像处理，得到故障特征图像；通过计算机视觉算法对所述故障特征图像进行分析，得到故障验证结果，并根据所述故障验证结果更新故障位置信息，得到修正后的故障位置；对所述修正后的故障位置与初始精确故障位置坐标进行偏差分析，得到定位误差数据，并根据所述定位误差数据对定位算法进行参数调整，得到优化参数；将所述优化参数和修正后的故障位置整合，得到故障定位结果和系统优化数据。5一种基于信号增强的双端故障定位方法技术领域[0001]本发明涉及数据处理技术领域，尤其涉及一种基于信号增强的双端故障定位方背景技术[0002]在现代配电网的运行管理中，巡检作为保障电力设备正常运行的重要环节，越来越受到重视。现有技术通常采用定期人工巡检和基础的自动监测手段，对配电网中的设备进行状态评估和故障检测。这些方法通过采集设备的运行数据和图像信息，依靠传统的图像处理技术和简单的特征提取算法，实现对设备的异常检测。然而，随着配电网设备种类和数量的增加，传统的人工巡检方式效率低下且容易遗漏问题，无法及时、全面地反映设备状[0003]尽管现有技术在一定程度上提高了配电网的巡检效率，但仍存在多个不足之处。一方面，传统的图像处理算法对复杂环境下的图像噪声敏感，导致图像数据处理效果不佳，难以准确提取设备特征。另一方面，现有的异常检测手段缺乏智能化和自动化，不能实时响应设备故障的动态变化，无法提供有效的决策支持。这使得设备故障的定位和评估存在一定的滞后性，影响了配电网的安全与稳定运行。因此，急需一种更为智能化、高效的巡检管理方法，以解决现有技术中存在的诸多问题。发明内容[0004]有鉴于此，本发明实施例提供了一种基于信号增强的双端故障定位方法，用于提高基于信号增强的双端故障定位的效率。[0005]本发明提供了一种基于信号增强的双端故障定位方法，包括：对输电线路两端的电气信号进行采集与预处理，得到预处理后的同步电气信号；对预处理后的同步电气信号进行自适应增强处理，得到增强后的故障特征信号；对增强后的故障特征信号进行时频分析和特征提取，得到故障特征向量和关键参数；对故障特征向量和关键参数进行机器学习分析，得到故障类型识别结果和初步故障位置估计；对初步故障位置估计进行多算法融合分析，得到精确故障位置坐标；对精确故障位置坐标进行地理信息映射和实地验证，得到故障定位结果和系统优化数据。[0006]本发明提供的技术方案中，对输电线路两端的电气信号进行采集与预处理，得到预处理后的同步电气信号，有效消除了原始信号中的噪声和干扰，提高了后续分析的数据质量。对预处理后的同步电气信号进行自适应增强处理，得到增强后的故障特征信号，突出了故障特征，抑制了背景噪声，大大提高了故障特征的识别率。随后，对增强后的故障特征信号进行时频分析和特征提取，得到故障特征向量和关键参数，全面捕捉了故障信号的时域和频域特征，为准确定位奠定了基础。对故障特征向量和关键参数进行机器学习分析，得到故障类型识别结果和初步故障位置估计，这一创新性的应用机器学习技术，实现了故障类型的自动识别和初步定位，大大提高了定位的效率和准确性。对初步故障位置估计进行6多算法融合分析，得到精确故障位置坐标，综合了多种定位算法的优势，显著提升了定位的精确度。最后，对精确故障位置坐标进行地理信息映射和实地验证，得到故障定位结果和系统优化数据，不仅验证了定位结果的准确性，还通过反馈机制不断优化系统性能。整体而言，这种方法通过信号增强、特征提取、机器学习和多算法融合等技术的有机结合，大幅提高了故障定位的准确性、效率和可靠性。附图说明[0007]为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0008]图1为本发明实施例中一种基于信号增强的双端故障定位方法的流程图。具体实施方式[0009]下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。[0011]此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。[0012]为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1,图1是本发明实施例的一种基于信号增强的双端故障定位方法的流程图，如图1所示，包括以下步骤：[0013]S101、对输电线路两端的电气信号进行采集与预处理，得到预处理后的同步电气信号；[0014]S102、对预处理后的同步电气信号进行自适应增强处理，得到增强后的故障特征信号；[0015]S103、对增强后的故障特征信号进行时频分析和特征提取，得到故障特征向量和关键参数；[0016]S104、对故障特征向量和关键参数进行机器学习分析，得到故障类型识别结果和初步故障位置估计；[0017]S105、对初步故障位置估计进行多算法融合分析，得到精确故障位置坐标；[0018]S106、对精确故障位置坐标进行地理信息映射和实地验证，得到故障定位结果和系统优化数据。[0019]需要说明的是，通过高频采样设备在输电线路的两端同时采集电压和电流信号，采样频率通常设置在几千赫兹到几万赫兹之间，以捕捉瞬态故障特征。采集到的原始信号7经过时间戳标记后，进行小波去噪处理以消除背景噪声，然后通过自适应中值滤波去除脉冲干扰。对滤波后的信号进行离群值检测和插值处理，确保数据的连续性和可靠性。接着，对处理后的信号进行傅里叶变换，提取频域特征，并通过带通滤波器保留目标频段信号。最后，利用希尔伯特变换进行相位校正，确保两端信号的时间同步，得到预处理后的同步电气信号。[0020]首先利用小波包分解将信号分解为多个尺度的信号分量，然后对这些分量进行能量分布分析，选择包含故障特征的关键分量。对选定的分量进行稀疏表示和奇异值分解，提分解进一步分解信号，提取本征模态函数，并通过相关性分析选择与故障最相关的模态函数。最后，设计自适应滤波器对这些关键模态函数进行优化处理，重构得到增强后的故障特征信号。利用短时傅里叶变换获得信号的时频谱图，通过峰值检测识别特征频率点。然后，根据这些特征点对时频谱图进行区域分割，计算各区域的能量密度分布。对能量分布特征进行主成分分析，提取主要特征分量并进行标准化处理。同时，利用小波包变换对信号进行多尺度分解，提取统计特征。将这些特征进行融合，形成最终的故障特征向量，并计算故障发生时刻和持续时间等关键参数。对特征向量进行降维处理，减少数据冗余。然后利用聚类过剪枝优化得到精简的分类规则。利用支持向量机算法对优化后的决策规则进行训练，得到故障类型分类器。对于位置估计，构建神经网络模型，利用故障类型识别结果和关键参数作为输入，通过交叉验证选择最佳模型结构。最后，使用粒子群算法对神经网络模型的参数进行优化，提高位置估计的准确性。结合了行波法和阻抗法两种传统定位方法的优势。首先分别使用这两种方法对故障进行定位，然后构建贝叶斯网络模型对两种方法的结果进行初传算法在这个区间内搜索最优解，得到一系列候选位置点。通过德尔菲法对这些候选点进行专家评估，给出权重系数。根据权重系数对候选位置进行加权平均，并使用卡尔曼滤波器进一步优化位置估计。最后，通过蒙特卡洛模拟方法分析定位误差，计算置信区间，得到最终的精确故障位置坐标。将故障位置坐标转换为地理坐标，在地理信息系统中进行定位。根据定位结果分析周边地形特征，规划最优巡检路线。沿着规划路线进行实地勘察，采集现场数据和图像。利用计算机视觉算法分析故障特征图像，验证故障位置的准确性。如果实际故障位置与计算结果存在偏差，更新故障位置信息，并分析偏差原因。根据分析结果，调整定位算法的参数，优化系统性能。最后，将修正后的故障位置和优化参数整合，形成最终的故障定位结果和系统优化数据。[0021]通过执行上述步骤，对输电线路两端的电气信号进行采集与预处理，得到预处理后的同步电气信号，有效消除了原始信号中的噪声和干扰，提高了后续分析的数据质量。对预处理后的同步电气信号进行自适应增强处理，得到增强后的故障特征信号，突出了故障特征，抑制了背景噪声，大大提高了故障特征的识别率。随后，对增强后的故障特征信号进行时频分析和特征提取，得到故障特征向量和关键参数，全面捕捉了故障信号的时域和频域特征，为准确定位奠定了基础。对故障特征向量和关键参数进行机器学习分析，得到故障类型识别结果和初步故障位置估计，这一创新性的应用机器学习技术，实现了故障类型的自动识别和初步定位，大大提高了定位的效率和准确性。对初步故障位置估计进行多算法8融合分析，得到精确故障位置坐标，综合了多种定位算法的优势，显著提升了定位的精确度。最后，对精确故障位置坐标进行地理信息映射和实地验证，得到故障定位结果和系统优化数据，不仅验证了定位结果的准确性，还通过反馈机制不断优化系统性能。整体而言，这种方法通过信号增强、特征提取、机器学习和多算法融合等技术的有机结合，大幅提高了故障定位的准确性、效率和可靠性。[0022]在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：[0023](1)对输电线路两端的电压和电流信号进行高频采样，得到原始电气信号数据，并对原始电气信号数据进行时间戳标记，得到带时间戳的原始信号数据；[0024](2)对带时间戳的原始信号数据进行小波去噪处理，得到初步去噪信号，并对初步去噪信号进行自适应中值滤波，得到滤波后的信号；[0025](3)对滤波后的信号进行离群值检测，得到无异常值的信号数据，并对无异常值的信号数据进行插值处理，得到连续的信号数据；[0026](4)对连续的信号数据进行傅里叶变换，得到频域特征数据，并对频域特征数据进[0027](5)通过希尔伯特变换对目标频段信号进行相位校正，得到相位校正后的信号，并对相位校正后的信号进行时间同步处理，得到两端同步的电气信号；[0028](6)对两端同步的电气信号进行数据压缩，得到压缩后的同步信号，并对压缩后的同步信号进行量化编码，得到预处理后的同步电气信号。[0029]具体地，使用高精度的数字采样设备，通常采样频率设置在10kHz至100kHz之间，以确保能够捕捉到瞬态故障特征。采样得到的原始电气信号数据随即进行时间戳标记，这一步骤至关重要，因为它为后续的信号同步处理奠定了基础。时间戳的精度通常达到微秒级，以保证两端信号的精确对齐。接下来，对带时间戳的原始信号数据进行小波去噪处理。小波去噪是一种有效的信号处理技术，它能够在保留信号重要特征的同时去除背景噪声。具体操作包括选择合适的小波基函数，对信号进行小波分解，设定阈值去除噪声系数，然后重构信号。得到初步去噪信号后，再进行自适应中值滤波。自适应中值滤波能够有效去除脉冲干扰，同时保护信号的边缘信息。滤波窗口的大小会根据局部信号特性动态调整，以达到最佳的滤波效果。[0030]滤波后的信号还需要进行离群值检测。离群值检测旨在识别和剔除异常数据点，这些异常点可能由设备故障或瞬时干扰引起。常用的检测方法包括基于统计的方法(如3σ证信号的连续性。插值方法可以选择线性插值、样条插值或更复杂的算法，具体选择取决于信号的特性和精度要求。对连续的信号数据进行傅里叶变换是为了获得信号的频域特征。快速傅里叶变换(FFT)通常用于这一目的，它能够高效地将时域信号转换到频域。在频域中，不同类型的故障会表现出不同的特征频率。得到频域特征数据后，应用带通滤波器以保留目标频段信号。带通滤波器的参数设置基于故障特征频率的先验知识，通常会保留包含故障信息的频段(如工频及其谐波、故障瞬态频率等),同时滤除高频噪声和低频干扰。[0031]希尔伯特变换用于对目标频段信号进行相位校正。希尔伯特变换能够得到信号的解析表示，从而分离出信号的幅度和相位信息。相位校正的目的是消除由于传输线路特性、测量设备等因素引起的相位偏差，确保两端信号的相位一致性。相位校正后，对信号进行时9间同步处理。时间同步是双端定位方法的关键，它通过比对两端信号的时间戳，并结合线路参数(如线路长度、传播速度等)来对齐信号。最后，对两端同步的电气信号进行数据压缩和量化编码。数据压缩旨在减少数据量，提高传输和存储效率。常用的压缩方法包括小波压缩、压缩感知等。压缩后的信号进行量化编码，将连续的信号值映射到离散的数字代码。量化过程需要权衡数据精度和存储空间，通常采用非均匀量化方法以在保证关键信息精度的同时减少数据量。[0032]例如：某330kV输电线路发生单相接地故障，在线路两端安装的故障定位装置同时启动。采样频率设置为20kHz,采集1秒钟的电压和电流数据，得到20000个采样点。每个采样点都附加一个精确到微秒的时间戳。对原始数据应用db4小波进行5层分解去噪，噪声阈值设为0.05,去除了约90%的背景噪声。自适应中值滤波窗口大小在3-7之间动态调整，成功滤除了10个由开关操作引起的脉冲干扰。使用3σ准则进行离群值检测，识别并移除了5个异常数据点，然后用三次样条插值法填补数据空缺。对处理后的19995个数据点进行2048点FFT,得到0-10kHz的频谱。设计带通滤波器，通带为45-55Hz和400-600Hz,保留了工频信号和故障瞬态特征。希尔伯特变换后发现两端信号存在2度的相位差，进行校正。最后，使用小波压缩算法将数据量压缩到原来的30%,并采用8位非均匀量化进行编码。整个预处理过程耗时约50毫秒。[0033]在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：[0034](1)对预处理后的同步电气信号进行小波包分解，得到多尺度信号分量，并对多尺度信号分量进行能量分布分析，得到能量特征向量；[0035](2)根据能量特征向量对多尺度信号分量进行自适应阈值选择，得到候选特征分[0036](3)对稀疏系数矩阵进行奇异值分解，得到主要特征分量，并对主要特征分量进行自适应增益调节，得到增益调节后的信号；[0037](4)通过经验模态分解对增益调节后的信号进行分解，得到本征模态函数集，并对本征模态函数集进行相关性分析，得到关键模态函数；[0038](5)对关键模态函数进行自适应滤波器设计，得到优化滤波器参数，并通过优化滤波器参数对关键模态函数进行滤波处理，得到滤波后的模态函数；[0039](6)对滤波后的模态函数进行重构，得到增强后的故障特征信号。[0040]具体地，小波包分解是小波变换的扩展，它对信号的高频部分也进行细分，提供了更精细的频率划分。具体实施时，选择合适的小波基函数(如Daubechies小波)和分解层数，将信号分解为不同频带的子信号。对这些多尺度信号分量进行能量分布分析，计算每个分量的能量值，形成能量特征向量。能量特征向量反映了信号在不同频带的能量分布情况，有助于识别故障特征。根据能量特征向量，采用自适应阈值选择方法筛选出包含故障信息的候选特征分量。自适应阈值的设置考虑了信号的整体能量分布和局部特性，通常采用基于统计特性或信息熵的方法确定。选出的候选特征分量随后进行稀疏表示，这是一种将信号表示为少量基本元素线性组合的方法。稀疏表示通过求解优化问题，在预定义的字典中寻找最能表示信号特征的少量原子，得到稀疏系数矩阵。稀疏表示有助于突出信号的本质特[0041]对稀疏系数矩阵进行奇异值分解是提取主要特征分量的有效方法。奇异值分解将矩阵分解为三个矩阵的乘积，其中奇异值反映了特征的重要性。通过保留较大的奇异值及其对应的奇异向量，重构得到主要特征分量。对这些主要特征分量进行自适应增益调节，旨在突出故障特征，抑制背景噪声。增益调节的幅度根据信号的局部特性动态调整，以避免过度放大噪声或抑制有用信息。经验模态分解是一种自适应的信号处理方法，特别适用于非线性和非平稳信号的分析。它将信号分解成一系列本征模态函数(IMF),每个IMF代表信号的一个固有振荡模式。对增益调节后的信号进行经验模态分解，得到一组IMF。随后对这些IMF进行相关性分析，计算每个IMF与原始信号的相关系数，选择相关性较高的IMF作为关键模态函数。这些关键模态函数通常包含了最重要的故障特征信息。[0042]对关键模态函数进行自适应滤波器设计是进一步优化信号的重要步骤。自适应滤波器能够根据输入信号的特性自动调整其参数，以达到最佳的滤波效果。常用的自适应滤波算法包括最小均方误差(LMS)算法和递归最小二乘(RLS)算法。通过这些算法，确定最优的滤波器参数，然后利用这些参数对关键模态函数进行滤波处理，进一步提升信噪比，得到滤波后的模态函数。最后，对滤波后的模态函数进行重构，得到增强后的故障特征信号。重构过程通常是将选定的滤波后模态函数直接相加，或者采用加权求和的方式，权重可以基于各模态函数的能量或相关性确定。重构得到的信号保留了原始信号中的关键故障特征，同时大幅降低了噪声和干扰的影响。[0043]例如：某500kV输电线路发生单相接地故障，采集到的预处理后的同步电气信号长度为10000点。首先，使用db4小波基对信号进行5层小波包分解，得到32个频带的信号分量。计算每个分量的能量，形成32维能量特征向量。设置能量阈值为总能量的1%,选出能量超过阈值的10个候选特征分量。对这10个分量进行稀疏表示，使用100个原子的过完备字典，求解得到稀疏系数矩阵。对该矩阵进行奇异值分解，保留前5个最大奇异值对应的特征分量。自适应增益调节将这5个分量的峰值统一调整到原信号峰值的80%。经验模态分解得到8个IMF,通过相关性分析选出相关系数大于0.6的3个关键IMF。使用LMS算法设计50阶自适应量比例确定。整个信号增强过程耗时约100毫秒，得到的增强信号中故障特征更加明显，信噪比提高了约15dB,为后续的故障定位分析奠定了坚实基础。[0044]在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：[0045](1)对增强后的故障特征信号进行短时傅里叶变换，得到时频谱图，并对时频谱图进行峰值检测，得到特征频率点集；[0046](2)根据特征频率点集对时频谱图进行区域分割，得到时频特征区域，并对时频特征区域进行能量密度计算，得到能量分布特征；[0047](3)对能量分布特征进行主成分分析，得到主要特征分量，并对主要特征分量进行标准化处理，得到归一化特征向量；[0048](4)通过小波包变换对增强后的故障特征信号进行多尺度分解，得到多尺度系数，并对多尺度系数进行统计特征提取，得到统计特征集；[0049](5)对统计特征集进行相关性分析，得到关键统计特征，并对关键统计特征进行组[0050](6)对归一化特征向量和统计特征向量进行融合，得到故障特征向量，并根据故障特征向量计算故障发生时刻和持续时间，得到故障特征向量和关键参数。11[0051]具体地，短时傅里叶变换将信号分割成小的时间窗口，对每个窗口进行傅里叶变换，从而得到信号随时间变化的频率信息。生成时频谱图，直观展示了信号在不同时间点的频率成分。对时频谱图进行峰值检测，识别出能量集中的特征频率点，这些点通常对应故障特征。峰值检测采用局部最大值搜索算法，设置适当的阈值以过滤微弱的峰值，得到特征频率点集。根据特征频率点集对时频谱图进行区域分割，将时频平面划分为多个特征区域。分割方法可以采用基于阈值的分割或聚类算法，如K-means聚类。分割后的时频特征区域反映了故障信号在时频域的分布特性。对每个时频特征区域计算能量密度，得到能量分布特征。能量密度计算考虑了区域内信号幅值的平方和与区域面积的比值，反映了故障能量在时频平面上的集中程度。[0052]对能量分布特征进行主成分分析是降维和提取主要特征的有效方法。主成分分析通过正交变换将可能相关的变量转换为线性无关的变量，即主成分。选取贡献率较大的前几个主成分作为主要特征分量，既保留了原始数据的主要信息，又减少了数据维度。对主要特征分量进行标准化处理，将不同量纲的特征转化为统一尺度，得到归一化特征向量。标准化处理通常采用z-score方法，确保不同特征在后续分析中具有相同的权重。通过小波包变换对增强后的故障特征信号进行多尺度分解，提供了信号在时间和频率域的细致表示。小波包变换是小波变换的扩展，对信号的高频部分也进行细分，提供更精细的频率划分。多尺度分解得到的系数反映了信号在不同尺度和频带上的特征。对这些多尺度系数进行统计特信号在不同尺度上的分布特性。[0053]对统计特征集进行相关性分析，筛选出与故障类型和位置高度相关的特征，得到关键统计特征。相关性分析可以采用皮尔逊相关系数或互信息等方法。选择相关性高且互相之间相关性低的特征，以避免信息冗余。对筛选出的关键统计特征进行组合，形成统计特征向量。组合方式可以是简单的拼接或加权求和，权重可根据各特征的重要性确定。将归一化特征向量和统计特征向量进行融合，得到最终的故障特征向量。融合方法可以采用特征级融合或决策级融合。特征级融合直接将两个向量拼接，决策级融合则是对两个向量分别进行分类，然后综合结果。融合后的特征向量包含了时频域和统计域的综合信息。根据融合后的故障特征向量，通过设定阈值或使用机器学习模型，可以准确判断故障发生的时刻和[0054]例如：某220kV输电线路发生两相短路故障，采集到的增强后故障特征信号长度为叠率50%,得到时频谱图。对时频谱图进行峰值检测，设置能量阈值为平均能量的3倍，检测到15个特征频率点。根据这些点，使用K-means算法(K=5)对时频谱图进行区域分割。计算每个区域的能量密度，得到5维能量分布特征。对能量分布特征进行主成分分析，选取累计贡献率达到95%的前3个主成分作为主要特征分量，进行z-score标准化，得到归一化特征向量。同时，使用db4小波基对信号进行4层小波包分解，得到16个频带的系数。对每个频带计绝对值大于0.7的10个特征作为关键统计特征。将归一化特征向量(3维)和关键统计特征(10维)直接拼接，得到13维的最终故障特征向量。根据特征向量中能量突变和频率特征的变化，判断故障发生时刻为采样点的8732处(对应实际时间0.8732秒),持续时间为0.15秒。整个特征提取和分析过程耗时约200毫秒，为后续的精确故障定位奠定了基础。[0055]在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：[0056](1)对故障特征向量进行降维处理，得到降维后的特征数据，并对降维后的特征数[0057](2)根据特征簇构建决策树模型，得到初步分类规则，并对初步分类规则进行剪枝[0058](3)通过支持向量机算法对优化后的决策规则进行训练，得到故障类型分类器，并利用故障类型分类器对新的故障特征向量进行分类，得到故障类型识别结果；[0059](4)根据故障类型识别结果和关键参数构建神经网络模型，得到位置估计模型，并对位置估计模型进行交叉验证，得到候选位置估计模型；[0060](5)利用粒子群算法对候选位置估计模型进行参数优化，得到优化后的位置估计模型，并通过优化后的位置估计模型对故障特征向量进行处理，得到初步故障位置估计。[0061]具体地，常用的降维方法包括主成分分析(PCA)和线性判别分析(LDA)。PCA通过正交变换将可能相关的变量转换为线性无关的变量，保留方差贡献率较大的主成分。LDA则考虑类别信息，寻找最大化类间方差和最小化类内方差的投影方向。降维后的特征数据保留了原始数据的主要信息，同时大大减少了数据维度。对降维后的特征数据进行聚类分析，通常采用K-means或层次聚类算法，将相似的故障特征归为一类，形成特征簇。聚类分析有助于发现数据中的内在结构，为后续的故障类型识别提供基础。根据特征簇构建决策树模型是一种直观且高效的分类方法。决策树通过一系列if-then规则对数据进行分类，每个内部节点表示一个特征测试，每个叶节点代表一个类别。常用的决策树算法包括ID3、C4.5和CART。构建过程中，算法根据信息增益或基尼系数选择最佳分裂特征，递归地划分数据集。得到的初步分类规则可能过于复杂，存在过拟合风险。因此，需要进行剪枝优化，包括预剪枝和后剪枝。预剪枝在树生长过程中就进行限制，而后剪枝则是在完全生长的树上进行简化。剪枝的目标是在保持分类准确率的同时，减少树的复杂度，提高模型[0062]通过支持向量机(SVM)算法对优化后的决策规则进行训练，可以得到更为鲁棒的故障类型分类器。SVM的核心思想是在高维空间中构建一个最优分离超平面，使得不同类别的样本间隔最大。对于非线性可分的情况，SVM通过核技巧将数据映射到高维空间。常用的核函数包括线性核、多项式核和径向基函数(RBF)核。SVM的训练过程涉及求解二次规划问题，得到支持向量和决策边界。训练完成后，利用故障类型分类器对新的故障特征向量进行分类，得到故障类型识别结果。根据故障类型识别结果和关键参数构建神经网络模型，用于故障位置估计。神经网络模型具有强大的非线性映射能力，适合处理复杂的故障位置估计问题。常用的神经网络结构包括多层感知机(MLP)和长短时记忆网络(LSTM)。构建过程中，需要确定网络结构(如层数、每层神经元数量)、激活函数(如ReLU、sigmoid)和损失函数(如均方误差)。使用反向传播算法训练网络，通过梯度下降法优化网络参数。为了评估模型的泛化能力，对位置估计模型进行交叉验证。常用的方法是K折交叉验证，将数据集分成K份，轮流使用K-1份作为训练集，1份作为验证集。通过交叉验证，可以得到多个候选位置估计模[0063]利用粒子群算法(PSO)对候选位置估计模型进行参数优化，进一步提高模型性能。优化神经网络的超参数，如学习率、隐藏层数量、每层神经元数等。每个粒子代表一组超参数组合，通过迭代更新粒子的位置和速度，寻找使得模型性能最优的参数组合。优化过程中，定义适当的适应度函数(如验证集上的均方误差)来评估参数组合的优劣。最终得到优化后的位置估计模型，该模型具有更好的泛化能力和预测精度。[0064]例如：某330kV输电线路发生单相接地故障，采集到的故障特征向量为50维。首先，使用PCA进行降维，保留累计方差贡献率达95%的主成分，将特征向量降至15维。对降维后的构建决策树，初始树深度为10。通过交叉验证确定最佳剪枝参数，将树深度减少到6,得到优化后的决策规则。使用RBF核的SVM对决策规则进行训练，核参数γ=0.1,惩罚参数C=10,在验证集上达到98%的分类准确率。根据SVM分类结果和故障发生时刻、持续时间等关键参数，构建一个3层的MLP神经网络，隐藏层神经元数分别为20和10,使用ReLU激活函数。采用5折交叉验证，得到5个候选位置估计模型。使用PSO优化神经网络超参数，粒子数设为30,迭代次数为100,搜索范围包括学习率(0.001-0.1)和隐藏层神经元数(10-50)。优化后的最佳模型在测试集上的平均绝对误差为线路总长度的0.5%。将新的故障特征向量输入优化后的模型，得到故障位置估计为距线路起点68.3km处。整个故障类型识别和位置估计过程耗时约300毫秒，为快速准确的故障定位提供了有力支持。[0065]在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：[0066](1)对初步故障位置估计进行行波法分析，得到行波法位置估计，并对初步故障位置估计进行阻抗法分析，得到阻抗法位置估计；[0067](2)根据行波法位置估计和阻抗法位置估计构建贝叶斯网络模型，得到初步融合[0068](3)对模糊位置区间进行遗传算法优化，得到候选位置点集，并对候选位置点集进[0069](4)根据权重系数对候选位置点集进行加权平均，得到加权位置估计，并对加权位置估计进行卡尔曼滤波，得到滤波后的位置估计；[0070](5)通过蒙特卡洛模拟对滤波后的位置估计进行误差分析，得到误差分布，并根据误差分布计算置信区间，得到精确故障位置坐标。[0071]具体地，基于信号增强的双端故障定位方法中，对初步故障位置估计进行行波法和阻抗法分析是提高定位精度的关键步骤。行波法利用故障产生的高频电磁波在线路上的传播特性进行定位。具体实施时，首先对两端采集的高频信号进行小波变换，识别故障初始行波的到达时刻。然后，根据行波传播速度和两端行波到达时间差，计算故障点到线路两端的距离。阻抗法则基于故障点阻抗与线路单位长度阻抗的关系进行定位。实施过程中，通过测量故障时刻的电压和电流，计算故障点等效阻抗，再结合线路参数推算故障距离。根据行波法和阻抗法的位置估计结果构建贝叶斯网络模型，实现了两种方法的概率融合。贝叶斯网络是一种基于概率图模型的推理方法，能够处理不确定性和复杂依赖关系。在本方案中，贝叶斯网络的节点包括行波法结果、阻抗法结果和实际故障位置，通过条件概率表描述节点间的关系。使用历史数据训练网络参数，得到初步融合结果。随后，对初步融合结果进行模糊推理，引入专家知识和经验规则。模糊推理过程包括模糊化、模糊规则推理和去模糊化三个步骤，最终得到一个模糊位置区间。对模糊位置区间进行遗传算法优化是为了在模糊区间内寻找最优的候选位置点集。遗传算法模拟生物进化过程，通过选择、交叉和变异操作不断优化解的种群。在本方案中，每个染色体代表一个可能的故障位置，适应度函数基于行波法和阻抗法的误差设计。通过多代进化，得到一组优质的候选位置点。对这些候选位置点进行德尔菲法评估，综合多位专家的意见。德尔菲法是一种结构化的群体沟通技术，通过多轮匿名问卷调查，逐步形成专家共识。每位专家根据自身经验和提供的数据对候选位置进行评分，经过多轮迭代，最终得到每个候选位置的权重系数。[0072]根据权重系数对候选位置点集进行加权平均，得到一个综合的位置估计。充分考虑了每个候选位置的可信度，使最终结果更加可靠。对加权位置估计进行卡尔曼滤波，进一步提高定位精度。卡尔曼滤波是一种递归的状态估计算法，能够在存在测量噪声的情况下对系统状态进行最优估计。在本方案中，卡尔曼滤波利用历史数据和当前测量值，不断更新故障位置的估计，得到滤波后的位置估计。通过蒙特卡洛模拟对滤波后的位置估计进行误差分析，能够全面评估定位结果的不确定性。蒙特卡洛方法通过大量随机抽样来模拟复杂系统的行为。在本方案中，根据测量误差和模型参数的统计特性，生成大量样本，计算每个样本的故障位置。通过分析这些模拟结果，得到故障位置估计的误差分布。基于误差分布，计算置信区间，给出一个具有统计意义的故障位置范围。这个置信区间不仅提供了精确的故障位置坐标，还量化了定位结果的可靠性。[0073]例如：某500kV输电线路长度为300km,发生单相接地故障。初步故障位置估计为距离起点180km处。对该位置进行行波法分析，通过对两端高频信号进行小波变换，识别出故障初始行波到达时刻分别为t1=0.6ms和t2=0.8ms。考虑行波传播速度v=290m/μs,计算得到行波法位置估计为175.8km。同时，利用阻抗法，测量得到故障点等效阻抗为45+j60Ω,结合线路参数(每公里阻抗为0.25+j0.32Ω/km),计算得到阻抗法位置估计为183.2km。[0074]构建贝叶斯网络模型，融合行波法和阻抗法结果。经过训练，网络给出初步融合结果为179.5km。对此结果进行模糊推理，考虑线路参数误差和测量误差，得到模糊位置区间为[177km,182km]。使用遗传算法在此区间内优化，种群大小设为100,进化代数为50,得到10个候选位置点。通过德尔菲法，5位专家对这10个点进行3轮评估，最终得到权重系数。根据权重系数进行加权平均，得到加权位置估计为179.8km。对此估计进行卡尔曼滤波，考虑历史故障数据和当前测量值，得到滤波后的位置估计为179.6km。最后，进行10000次蒙特卡洛模拟，生成误差分布。分析结果显示，95%置信区间为[179.2km,180.0km]。因此，精确故障位置坐标确定为179.6km,置信区间为±0.4km。整个多算法融合分析过程耗时约500ms,显著提高了故障定位的准确性和可靠性。[0075]在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：[0076](1)对精确故障位置坐标进行地理编码转换，得到地理坐标，并根据地理坐标在地理信息系统中进行定位，得到故障点地理位置；[0077](2)对故障点地理位置进行地形分析，得到地形特征数据，并根据地形特征数据进[0078](3)沿目标巡检路线进行实地勘察，得到现场数据，并对现场数据进行图像处理，得到故障特征图像；[0079](4)通过计算机视觉算法对故障特征图像进行分析，得到故障验证结果，并根据故障验证结果更新故障位置信息，得到修正后的故障位置；[0080](5)对修正后的故障位置与初始精确故障位置坐标进行偏差分析，得到定位误差数据，并根据定位误差数据对定位算法进行参数调整，得到优化参数；[0081](6)将优化参数和修正后的故障位置整合，得到故障定位结果