CN119510969A 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）

析，得到故障类型识别结果和初步故障位置估2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，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，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，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，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3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4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5[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[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6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、[0013]需要说明的是，通过高频采样设备在输电线路的两端同78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。[0018]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。9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，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、C[0044]例如：某330kV输电线路发生单相接地故障，初始精确故障位置坐标为距离起点1