一种配电网线路短路故障监测方法及相关设备

1.本技术涉及配电网线路技术领域，尤其涉及一种配电网线路短路故障监测方法及相关设备。


背景技术：

2.随着电力系统行业的快速发展以及国家对智能电网建设的需求，国家电网公司加大了对高压输电线路运行环境和运行状态实时监测的力度。保证高压输电线路稳定高效地运行，才能为工业、生产生活提供稳定的电力保障。
3.目前配电网监测多使用scada监控系统，scada监控系统价格偏高、维护困难且无法远程监控。现有的故障定位主要的作业方式是采用人工排查，需要工作人员根据故障信息自主判断得出故障位置，然后进行故障排查，缺乏故障自动定位的能力，缺乏直观的地点导航，无法在需要时快速定位通信资源、故障和维护人员。
4.普遍的配电网故障定位方法一般为配备行波采集设备的行波法故障定位。但是配电网中存在分支线与混合线，行波在线路分支处发生折反射，而且配网线路较短，各波头时间差较小，使得波头识别较为困难，加之行波色散效应，波速确定也是一大难题。


技术实现要素：

5.有鉴于此，本技术的目的在于提出一种配电网线路短路故障监测方法及相关设备。
6.基于上述目的，本技术提供了一种配电网线路短路故障监测方法，包括：采集配电网线路中多个测量点的工作数据，对所述工作数据进行傅里叶变换，得到各所述测量点的向量数据；将所述向量数据与正常工作数据对比，判断各所述测量点是否发生故障，将发生故障的所述测量点标记为故障点；将所述故障点的所述向量数据输入至预先构建好的小波anfis模型，并利用所述小波anfis模型对所述故障点进行定位，得到故障点坐标；将所述故障点坐标显示在客户端上。
7.可选地，所述向量数据包括所述电流向量与电压向量，所述将所述故障点的所述向量数据输入至小波anfis模型，包括：将x1＝|uf|/|if|与x2＝argu
f-argif输入至所述小波anfis模型，其中，uf为所述电压向量，if为所述电流向量，arguf为所述电压向量的相角，argif为所述电流向量的相角；所述配电网线路包括多个区段，所述方法还包括将所述故障点所在的区段标记为故障区段，所述利用所述小波anfis模型对所述故障点进行定位，得到故障点坐标，包括：利用所述小波anfis模型将输入的x1与x2模糊化，得到多个模糊子集；对所述多个模糊子集作连乘运算，得到多个模糊规则的权重，并对所述多个模糊规则的权重作解模糊处理；利用所述解模糊处理后的权重与小波函数求得所述故障点与所述故障区段首端点之间的故障线路长度。
8.可选地，所述利用所述小波anfis模型将输入的x1与x2模糊化，得到多个模糊子集，包括：
[0009][0010]
其中，i为输入的向量数据的数量，i＝1,2，j为模糊子集数，mf
ij
为所述模糊子集，xi为输入的所述向量数据，c
ij
与d
ij
为隶属度函数参数；
[0011]
所述对所述多个模糊子集作连乘运算，得到多个模糊规则的权重包括：
[0012]
wj＝mf
1j
*mf
2(n-j 1)
[0013]
其中，j＝1,2,
…
,n，wj为所述模糊规则的权重，mf
1j
、mf
2(n-j 1)
为所述模糊子集；
[0014]
所述对所述多个模糊规则的权重作解模糊处理包括：
[0015][0016]
其中，swj为解模糊处理后的权重。
[0017]
可选地，所述利用所述解模糊处理后的权重与小波函数求得所述故障点与所述故障区段首端点之间的故障线路长度，包括：
[0018][0019]
其中，i为输入的向量数据的数量，i＝1,2，j为模糊子集数，j＝1,2,
…
,n，d为所述故障点与故障区段首端点之间的故障线路长度，swj为所述解模糊处理后的权重，p
1j
、p
2j
、p
3j
为模糊规则层线性参数，μ
1j
(x1)、μ
2j
(x2)为小波函数值，xi为输入的所述向量数据；
[0020]
所述小波函数包括：
[0021][0022]
其中，μ
ij
(xi)为所述小波函数值，a
ij
以及b
ij
为小波函数参数。
[0023]
可选地，所述利用所述小波anfis模型对所述故障点进行定位，得到故障点坐标，还包括：获取所述故障区段首端点与末端点的经纬度坐标以及所述配电网线路的长度，根据所述经纬度坐标、所述配电网线路的长度以及所述故障线路长度，利用下式计算出所述故障点坐标：
[0024][0025][0026]
其中，fault
al
为故障点纬度，fault
long
为故障点经度，m
al
为所述故障区段首端点经度，m
long
为故障区段首端点纬度，n
al
为故障区段末端点经度，n
long
为故障区段末端点纬度，l为所述配电网线路的长度，d为所述故障线路长度。
[0027]
可选地，所述利用所述小波anfis模型对所述故障点进行定位，还包括：对所述小波anfis模型中的所述隶属度函数参数、所述小波函数参数、以及所述模糊规则层线性参数
进行修正，其中包括：利用粒子群优化算法对所述所述小波函数参数进行修正；利用最小二乘法对所述模糊规则层线性参数进行修正；利用梯度下降算法对所述隶属度函数参数进行修正。
[0028]
基于上述目的，本技术还提供了一种配电网线路短路故障监测装置，包括：数据采集模块，被配置为采集配电网线路中多个测量点的工作数据，对所述工作数据进行傅里叶变换，得到各所述测量点的向量数据；检测模块，被配置为将所述向量数据与正常工作数据对比，判断各所述测量点是否发生故障，将发生故障的所述测量点标记为故障点；定位模块，被配置为将所述故障点的所述向量数据输入至预先构建好的小波anfis模型，并利用所述小波anfis模型对所述故障点进行定位，得到故障点坐标；显示模块，被配置为将所述故障点坐标显示在客户端上。
[0029]
基于上述目的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现任意一项所述的配电网线路短路故障监测方法。
[0030]
基于上述目的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行任一所述配电网线路短路故障监测方法。
[0031]
从上面所述可以看出，本技术提供的配电网线路短路故障监测方法及相关设备，其中，所述方法首先将配电网线路各测量点的工作数据进行傅里叶变换，判断测量点是否发生故障，再将发生故障的故障点进行傅里叶变换后的工作数据输入至小波anfis模型，所述小波anfis模型输出故障点的位置信息，最后将故障点的位置信息显示在客户端上，从而实现对配电网线路的故障检测。本技术提供的方法实现了配电网在单端设备以及低频数据采集条件下的故障定位，与相关技术相比降低了故障定位的硬件条件需求，并且，操作人员可使用客户端远程实时监测配电网运行情况，保证了故障排查效率。
附图说明
[0032]
为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，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。
[0033]
图1为本技术实施例的配电网线路短路故障监测方法示意图；
[0034]
图2为本技术另一种实施例的故障线路长度计算流程示意图
[0035]
图3为本技术实施例的客户端线路监测流程示意图；
[0036]
图4为本技术实施例的配电网线路故障点示意图；
[0037]
图5为本技术实施例a的配电网线路短路故障监测方法示意图；
[0038]
图6为本技术实施例的客户端显示效果a示意图；
[0039]
图7为本技术实施例的客户端显示效果b示意图；
[0040]
图8为本技术实施例的配电网线路短路故障监测装置示意图；
[0041]
图9为本技术另一种实施例的配电网线路短路故障监测装置示意图；
[0042]
图10为本技术实施例的电子设备硬件结构示意图。
具体实施方式
[0043]
为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
[0044]
需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0045]
anfis(adaptive network-based fuzzy inference system，自适应神经模糊系统)算法模型是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并能自动产生if-then规则。anfis算法模型是结合模糊逻辑与神经网络一种智能算法，该控制策略不仅融合模糊控制的拟人决策能力，还具备神经网络的自适应自学习与并行泛化处理能力。
[0046]
有鉴于此，本技术的一种实施例提供了一种配电网线路短路故障监测方法，如图1所示，包括：
[0047]
s101、采集配电网线路中多个测量点的工作数据，对所述工作数据进行傅里叶变换，得到各所述测量点的向量数据。具体实施时，使用数据采集设备采集所述工作数据。
[0048]
s102、将所述向量数据与正常工作数据对比，判断各所述测量点是否发生故障，将发生故障的所述测量点标记为故障点。
[0049]
s103、将所述故障点的所述向量数据输入至预先构建好的小波anfis模型，并利用所述小波anfis模型对所述故障点进行定位，得到故障点坐标。
[0050]
s104、将所述故障点坐标显示在客户端上。
[0051]
本技术实施例提供的方法首先将配电网线路各测量点的工作数据进行傅里叶变换，判断测量点是否发生故障，再将发生故障的故障点进行傅里叶变换后的工作数据输入至小波anfis模型，所述小波anfis模型输出故障点的位置信息，最后将故障点的位置信息显示在客户端上，从而实现对配电网线路的故障检测。本技术提供的方法实现了配电网在单端设备以及低频数据采集条件下的故障定位，与相关技术相比降低了故障定位的硬件条件需求，并且，操作人员可使用客户端远程实时监测配电网运行情况，保证了故障排查效率。
[0052]
一种具体的实施例中，所述工作数据包括电压数据以及电流数据，在单端配电网中，数据采集设备收集两个工频周期内的连续的线路电压数据、电流数据各8个，所述s101中，对所述工作数据进行傅里叶变换，得到各所述测量点的向量数据包括：
[0053][0054]
其中，上式的j为虚数，x为所述向量数据，x(k)为第k次采集得到的所述工作数据，
每隔0.005s进行一次数据采集，k＝1,2,
…
,8。
[0055]
一些实施例中，所述向量数据包括所述电流向量与电压向量，所述s103中将所述故障点的所述向量数据输入至小波anfis模型，包括：
[0056]
s201、将x1＝|uf|/|if|与x2＝arg u
f-arg if输入至所述小波anfis模型，其中，uf为所述电压向量，if为所述电流向量，arg uf为所述电压向量的相角，arg if为所述电流向量的相角。
[0057]
一些实施例中，所述s102中将所述向量数据与正常工作数据对比，判断各所述测量点是否发生故障，包括：
[0058]
利用电压电流向量以及电压电流向量的相角计算零序电流，若零序电流值近似于零，系统判断配电网线路没有发生短路故障；若零序电流值较大，系统判断配电网线路某处发生故障。在三相四线制电路中，三相电流的向量和等于零，即ia ib ic＝0。如果在三相三线制中接入一个电流互感器，这时感应电流为零。当电路中发生触电或漏电故障时，回路中有漏电电流流过，这时穿过互感器的三相电流向量和不等零，其相量和为：ia ib ic＝i0，此时的i0即为零序电流。具体故障判断流程及计算方法参考下式：
[0059][0060][0061][0062][0063]
其中，i0为零序电流，由于单相接地短路时，配电网线路的零序电流相量不为0，因此系统在计算零序电流相量值后，根据零序电流的模|i0|判断是否发生短路故障，若零序电流的相量模不为0，系统判断发生单相短路故障，进入故障相判断流程，否则每隔0.02s重复故障判断流程。
[0064]
故障相判断流程为：对于发生单相短路故障的配电网线路的电流，其特征在于故障相的电流的模和相角不等于其正常运行状态下的电流相量模和相角，而由于故障发生在设备近点时，故障电流值大于电流正常值，而故障发生在设备远点时，故障电流值有可能小于电流正常值，因此为避免混淆，系统根据各相的相角偏转的绝对值作为依据，判断故障相。系统通过计算各相相角偏转值的绝对值，比较得到该值的最大值，计算得到最大值的相即为故障相。
[0065]
所述配电网线路包括多个区段，所述s102还包括将所述故障点所在的区段标记为故障区段，所述s103中利用所述小波anfis模型对所述故障点进行定位，得到故障点坐标，包括：
[0066]
s202、利用所述小波anfis模型将输入的x1与x2模糊化，得到多个模糊子集。
[0067]
s203、对所述多个模糊子集作连乘运算，得到多个模糊规则的权重，并对所述多个模糊规则的权重作解模糊处理。
[0068]
s204、利用所述解模糊处理后的权重与预先设置的小波函数求得所述故障点与所述故障区段首端点之间的故障线路长度。小波函数：又称凌波函数、小波分析(wavelet analysis)，或小波变换、小波转换(wavelet transform)是指用有限长或快速衰减的、为母
小波(mother wavelet)的震荡波形来表示信号，该波通过被缩放和平移以匹配输入的信号。本技术实施例使用了结合小波函数的小波anfis算法实现故障定位，使得模型的拟合能力和鲁棒性得到了提高，并且在不同故障电阻条件下表现良好。
[0069]
一些实施例中，所述s202包括：
[0070][0071]
其中，i为输入的向量数据的数量，i＝1,2，j为模糊子集数，mf
ij
为所述模糊子集，xi为输入的所述向量数据，c
ij
与d
ij
为隶属度函数参数；
[0072]
所述s203中对所述多个模糊子集作连乘运算，得到多个模糊规则的权重包括：
[0073]
wj＝mf
1j
*mf
2(n-j 1)
[0074]
其中，j为模糊子集数，j＝1,2,
…
,n，wj为所述模糊规则的权重，mf
1j
、mf
2(n-j 1)
为所述模糊子集；
[0075]
一种具体的实施例中，所述模糊子集数j取1，2，3，选取3为模糊子集数能够满足本技术实施例的需求，增加模糊子集数也会增加模糊规则，参数太多不易收敛，所述模糊规则的权重为；
[0076]
w1＝mf
11
*mf
23
[0077]
w2＝mf
12
*mf
22
[0078]
w3＝mf
13
*mf
21
[0079]
所述s203中对所述多个模糊规则的权重作解模糊处理包括：
[0080][0081]
其中，swj为解模糊处理后的权重。
[0082]
一些实施例中，所述s204包括：
[0083][0084]
其中，i为输入的向量数据的数量，i＝1,2，j为模糊子集数，j＝1,2,
…
,n，d为所述故障点与故障区段首端点之间的故障线路长度，swj为所述解模糊处理后的权重，p
1j
、p
2j
、p
3j
为模糊规则层线性参数，μ
1j
(x1)、μ
2j
(x2)为小波函数值，xi为输入的所述向量数据；
[0085]
所述小波函数包括：
[0086][0087]
其中，μ
ij
(xi)为所述小波函数值，a
ij
以及b
ij
为小波函数参数。
[0088]
一些实施例中，所述s103中利用所述小波anfis模型对所述故障点进行定位，得到故障点坐标，还包括：
[0089]
s205、获取所述故障区段首端点与末端点的经纬度坐标以及所述配电网线路的长
度，根据所述经纬度坐标、所述配电网线路的长度以及所述故障线路长度，利用下式计算出所述故障点坐标：
[0090][0091][0092]
其中，fault
al
为故障点纬度，fault
long
为故障点经度，m
al
为所述故障区段首端点经度，m
long
为故障区段首端点纬度，n
al
为故障区段末端点经度，n
long
为故障区段末端点纬度，l为所述配电网线路的长度，d为所述故障线路长度。
[0093]
另一种具体的实施例中，所述故障点坐标的确定过程还可以通过下述方法实施：由于配电网的配电线路往往由多个杆塔与相应的架空线路组成，相应的从地理位置上看并非一条直线，而是由多条直线连接而成，因此在计算故障点的经纬度坐标时，需要确定故障点具体所在的架空线路区段。
[0094]
具体为在计算得到故障线路长度d时，读取数据库中保存的线路实体信息，获得线路的区段数、区段编号以及各个区段的线路长度。按区段编号令故障线路长度d减去区段编号对应的线路长度记为d’，重复该操作直至d’小于当前区段线路长度，过程如图2所示。
[0095]
在计算得到故障区段编号n及处理后的故障距离d’后，服务端通过sql语句从线路实体信息表中获取对应编号的线路区段信息，从中获得该线路区段首端和末端的经纬度地理位置信息g1和g2，和区段线路长度ld。
[0096]
g＝[la lo]
[0097]
其中la为经度坐标，lo为纬度坐标，按下式计算得到故障点的经纬度地理位置信息gf并保存至数据库、发送至android客户端。
[0098]
gf＝g1 d’/ld*(g
2-g1)
[0099]
一些实施例中，所述s103中利用所述小波anfis模型对所述故障点进行定位，还包括：利用粒子群优化算法对所述所述小波函数参数进行训练修正；利用最小二乘法对所述模糊规则层线性参数进行训练修正；利用梯度下降算法对所述隶属度函数参数进行训练修正。
[0100]
本技术实施例中的小波anfis模型训练可分为两部分：前向传播过程训练与反向传播过程训练；从训练参数类型上分可分为三部分：隶属度函数参数c
ij
、d
ij
的训练修正，小波函数参数a
ij
、b
ij
的训练修正，模糊规则层线性参数p
nj
的训练修正。
[0101]
记集合θ为小波anfis模型的所有待修正参数的集合，θ1为待修正参数a
ij
、b
ij
的集合，θ2为待修正参数p
nj
的集合，θ3为待修正参数c
ij
、d
ij
的集合，则有：
[0102]
θ＝{θ1θ2θ3}
[0103]
小波anfis模型训练算法整体的训练流程如表1所示：
[0104]
表1：小波anfis模型训练算法训练流程
[0105] θ1θ2θ3前向传播过程psolsm不变反向传播过程不变不变梯度下降算法
[0106]
pso(particle swarm optimization，粒子群优化算法)，是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，利用pso训练修正θ1的具体过程如下：
[0107]
1)确定初始粒子群集合
[0108]
θ1＝[θ
11
θ
12
…
θ
1n
]
[0109]
θ1是由n个由θ1参数相量组成的l
×
n的矩阵，θ1为l
×
1的参数矩阵。其中n为粒子群粒子总数，l为小波函数参数a
ij
、b
ij
的总个数。
[0110]
2)粒子群粒子随机移动
[0111]
令粒子群粒子在搜索空间内随机搜索，有
[0112]
θ1＝θ1 k*(2*rand(l,n)-1)
[0113]
k＝(gkmax-gk 1)/gkmax
[0114]
rand(l,n)为由l*n个介于(0,1)范围内的随机数所组成的l
×
n的矩阵，gk为当前迭代次数，gkmax为pso算法的最大迭代次数。
[0115]
3)计算个体误差
[0116]
根据每个粒子对应的θ1，根据lse方法计算其θ2，具体方法详见lsm算法部分。最后根据粒子的θ1、θ2计算整体的误差，即
[0117]en
＝σep＝σ0.5*(y
j-tarj)2[0118]en
为数据集损失误差之和，e
p
为数据集中单条数据对应的损失误差。yj为模型实际输出值，tarj为理想输出值，j＝1
…
p。p为数据集大小。n＝1
…
n。
[0119]
4)局部寻优
[0120]
查询粒子群中的极值及对应的θ1。
[0121]
pbest＝min(en)
[0122][0123]
5)全局寻优
[0124]
更新全局粒子群极值及对应的θ1。
[0125]
gbest＝min(gbest,pbest)
[0126][0127]
6)判断是否达到迭代要求。若全局最优值gbest满足迭代要求，则停止迭代，输出θ1＝gelem作为pso训练的最终结果，否则更新粒子群，从步骤2)重新开始，更新公式如下：
[0128]
vi＝vi c1*rand*(pbest-θ1) c1*rand*(gbest-θ1)
[0129]
θ1＝θ1 v
[0130]
其中，i＝1
…
n,n为粒子群中粒子总数，vi是粒子的速度，rand是介于(0,1)之间的随机数，c1，c2为学习因子，通常c1＝c2＝2，vi的最大值为v
max
，如果vi大于v
max
，则vi＝v
max
[0131]
lsm(least square method，最小二乘法)是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具，利用lsm训练修正θ2的具体过程如下：
[0132]
θ2＝v*w-1
*u
t
*tar
[0133]
其中u是m
×
m的矩阵，满足u
t
u＝e，e为单位矩阵，w是m
×
n的矩阵，除了主对角线上的元素以外全为0，且主对角线上的每个元素都称为奇异值，v是一个n
×
n的矩阵，满足且vt
v＝e。
[0134]
其中矩阵v为：
[0135]
v＝[v1ꢀ…ꢀ
vn]
[0136]
vi为满足下式的特征向量：
[0137]
(a
t
a)vi＝λivi[0138]
矩阵u为：
[0139]
u＝[u1ꢀ…ꢀ
um]
[0140]
vi为满足下式的特征向量：
[0141]
(aa
t
)ui＝λiui[0142]
矩阵w-1
为：
[0143][0144][0145][0146]
在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。利用梯度下降算法训练修正θ3的具体过程如下：
[0147]
数据集中每条数据对应的隶属度函数的修正值为：
[0148][0149][0150]
整体数据集对应的隶属度函数的修正值为：
[0151][0152][0153]
修正后的c
ij
、d
ij
为：
[0154][0155]
其中，η为学习率，取0.1。
[0156]
一些实施例中，所示s104将所述故障点坐标显示在客户端上的具体操作过程如
下。
[0157]
在故障点坐标计算后，本技术实施例在android上集成百度地图api实现故障点的地理位置信息显示，同时显示配电网的拓扑结构及其地理位置信息。
[0158]
s401、基本地图显示：利用方法(mapview)findviewbyid(r.id.*)添加地图图层，通过getmap方法显示图层。gps获取android终端所在地理位置后，通过setmylocationenabled在地图图层上显示终端定位坐标。
[0159]
s402、测量点显示：创建类型为makeroptions的overlayoptions类，makeroptions包含三个设置参数：position为从获取数据库获取的测量点经纬度坐标，icon为maker在地图上显示的图标图像，类型为bitmap，extrainfo为通过bundle方法传递的内嵌信息，包括maker的编号和经纬度信息。通过addoverlays方法在地图图层上显示maker。其中maker的icon使用的bitmap建立方法为：新建bitmap图像，通过canvas的drawtext方法建立文字图层写字，通过drawbitmap方法将原始bitmap图像和文字图层合并得到含有编号的新的bitmap。
[0160]
s403、配电网拓扑显示：创建类型为ploylineoptions的overlayoptions类，polylineoptions包含4个设置参数：extrainfo用于传递线路自身的属性、width为显示直线的宽度、color为显示直线的颜色、points为从数据库中获取的该线路首末端点的经纬度坐标。通过addoverlays方法在地图图层上添加代表线路的直线。
[0161]
s404、故障显示：在地图界面开启timer计时类，在后台进行计时线程timertask，周期性进行数据获取线程，从数据库获取故障点信息，故障点信息包含三条记录，第一条为故障点推断发生地点经纬度坐标，其余为故障点可能发生地点最远距离的经纬度坐标。若故障点信息不为null，则将故障点信息的第一条记录用s402的方法添加故障点maker图例，将故障点信息的第二、第三条记录用s403的方法添加故障可能范围的直线。
[0162]
s405、监测模块：参照图3所示的移动设备(即客户端)线路监测流程图，android终端在s402设置的测量点图标上设置setonmakerclicklistener点击监听，当在android终端点击测量点图标时，终端通过在bundle方法获得所点击图例maker的extrainfo，即测量点的编号、经纬度信息，根据编号向服务器发送http请求，服务器端根据当前设备id与指令类型，读取数据库中相应的最新数据信息，并组合成json数据包发送给android端，android端进行json解析后，得到当时测量点采集的相量信息。通过alertdialog.builder建立悬浮窗显示类，通过builder.setview规定悬浮窗的样式view.inflate(*.this，r.layout.*，null)，通过settext将相量数据依次放置于悬浮窗文本框中；利用math类自带的sin函数构造函数sinpaint＝a*math.sin(i*math.pi/180 α)得到该相电流的波形数据，通过canvas类的drawline方法绘制sin函数曲线，具体语句为：canvas.drawline((float)(40 (float)i*(float)((320*1.0)/360)),(float)(230-x*80),(float)(40 (float)(i 1)*(float)((320*1.0)/360)),(float)(230-y*80),sinpaint)。在布局文件中与canvas类所在的class相关联，最后通过builder.show()方法显示悬浮窗，显示相量数据以及电流的波形图。并可点击界面两侧的箭头可转换显示的相位电流波形与数据。之后，android客户端定时向服务器发送读取指令，获取最新数据，更新dialog控件显示信息。
[0163]
本技术还提供了一个具体的实施例a，以验证本技术上述实施例提供的方法。
[0164]
以单端配电网为例，配电网电源电动势e为66kv，线路长度为100km，m端为数据采
集设备，n端为负载端。如图4所示，当在距离m点20km处的f点处发生单相短路故障时，具体实施流程如图5所示。
[0165]
1)数据采集与故障定位
[0166]
本实施例中，数据采集设备为系统定位故障定位功能提供数据支持。当配电网发生短路故障时，数据采集设备采集的稳态电压电流数据如表7与表8所示：
[0167]
表7设备采集电流值
[0168]
时间a相电流值/ab相电流值/ac相电流值/a0 0.02*n s-1074.91067124346-292.363312099369543.4900688763130.005 0.02*n s-467.105682852544-440.297073534673312.3275086481520.01 0.02*n s453.285823006168-329.470509100897-101.0475538803580.015 0.02*n s1146.16639116837-24.9578095197259-454.4774809672490.02 0.02*n s1204.55157601131294.967185543772-540.8810869550120.025 0.02*n s593.336025067632442.857759624817-309.7720012457270.03 0.02*n s-330.392664855339332.000467364217103.5525383899890.035 0.02*n s-1026.5066875461127.4045855172344456.924675369064
[0169]
表8设备采集电压值
[0170][0171]
通过离散傅里叶变换获取线路的相量数据，计算结果如表9与表10所示：
[0172]
表9电流相量
[0173]
数据值数据含义1207aa相电流幅值442.3238ab相电流幅值551.7465ac相电流幅值-161.0218
°
a相电流相角131.6045
°
b相电流相角10.6843
°
c相电流相角
[0174]
表10电压相量
[0175]
数据值数据含义47.59kva相电压幅值
52.82kvb相电压幅值52.52kvc相电压幅值-91.1817
°
a相电压相角147.7666
°
b相电压相角27.2269
°
c相电压相角
[0176]
将相量数据上传至数据库，进入故障定位计算过程。在本实施例中，ia＝1207∠-161.02
°
，ib＝442.3238∠131.6045
°
，ic＝551.7465∠10.6843
°
。算得零序电流i0＝893∠0.045
°
，由于i0》0系统判断发生故障。同时a相电流值与正常值的差为807a远大于其他相位，因此故障相为a相，故障定位输入值x1＝47590/1207＝39.4289，x2＝-91.1817-(-161.0218)＝69.8397。经anfis模型计算，故障距离y＝20.0395km，与实际故障距离的误差为39.5m。
[0177]
2)数据存储与应用
[0178]
本实施例使用服务器数据库存储各类数据，并用android软件实现数据可视化。服务器开发语言为java，开发工具为idea。android的开发语言为java，开发工具为android studio。服务器数据库存储系统需要的相量数据、线路节点地理位置数据、故障点地理位置数据。其中，电压相量表存储数据采集设备采集的线路电压量测数据，作为服务器故障定位的依据之一，具有7个字段time、v_al_a、v_al_b、v_al_c、v_angle_a、v_angle_b、v_angle_c，分别代表量测时间，a相电压幅值，b相电压幅值，c相电压幅值，a相电压相角，b相电压相角，c相电压相角。在本实施例中稳定时的电压数据如表11所示：
[0179]
表11电压数据表
[0180]
数据名称数据值数据含义v_al_a47.59a相电压幅值v_al_b52.82b相电压幅值v_al_c52.52c相电压幅值v_angle_a-91.1817a相电压相角v_angle_b147.7666b相电压相角v_angle_c27.2269c相电压相角
[0181]
电流相量表存储数据采集设备采集的线路电流量测数据，作为服务器故障定位的依据之一，具有7个字段time、c_al_a、c_al_b、c_al_c、c_angle_a、c_angle_b、c_angle_c，分别代表量测时间，a相电流幅值，b相电流幅值，c相电流幅值，a相电流相角，b相电流相角，c相电流相角。在本实施例中，故障稳态电流数据如表12所示。
[0182]
表12电流数据表
[0183]
数据名称数据值数据含义c_al_a1207a相电流幅值c_al_b442.3238b相电流幅值c_al_c551.7465c相电流幅值c_angle_a-161.0218a相电流相角c_angle_b131.6045b相电流相角c_angle_c10.6843c相电流相角
[0184]
如表13所示，线路节点地理位置表中的记录为配电网线路中设置的数据采集设备的地理位置信息。具有3个字段id、long、la，分别为数据采集设备的编号、经度、纬度。
[0185]
表13数据采集设备地理位置表
[0186]
数据名称数据类型数据含义idint数据采集设备编号longdouble数据采集配置经度ladouble数据采集配置纬度
[0187]
表14为配电网线路信息表，用于存储配电网的线路的实体信息，包括区段编号，区段长度，区段的首末端的经纬度信息。
[0188]
表14配电网线路信息表
[0189]
数据名称数据类型数据含义line_idint所属主线line_numint所属区段lengthdouble区段长度s_lodouble线路首端经度s_ladouble线路首端经度m_lodouble线路末端经度m_ladouble线路末端纬度
[0190]
如表15所示，故障点地理位置表中的记录为服务器故障定位分析的结果，具有3个字段st、long、la，分别为故障点的编号、经度、纬度。一般含有三条记录，st＝1代表服务器故障定位得到的结果，st＝2代表故障点左侧的最远可能发生的故障位置，st＝3代表故障点右侧的最远可能发生的故障位置。配电网未发生故障时，表中内容为空，即null。
[0191]
表15故障点地理位置表
[0192]
数据名称数据类型数据含义stint故障数据标志位longdouble故障点经度坐标ladouble故障点纬度坐标
[0193]
3)android故障显示
[0194]
配电网线路发生故障时，android客户端获取故障定位数据后通过调用百度地图api，结合配电网背景地理图和配电网拓扑图，在客户端界面上显示故障定位信息，使故障定位信息和配电网线路信息更清晰直观，方便人员快速排查故障。最终实现效果如图6及图7所示，在应用上显示故障点的地理位置信息并标出，并显示测量信息。
[0195]
需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0196]
需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述
实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0197]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种配电网线路短路故障监测装置。
[0198]
参考图8，所述配电网线路短路故障监测装置，包括：
[0199]
数据采集模块10，被配置为采集配电网线路中多个测量点的工作数据，对所述工作数据进行傅里叶变换，得到各所述测量点的向量数据。
[0200]
检测模块20，被配置为将所述向量数据与正常工作数据对比，判断各所述测量点是否发生故障，将发生故障的所述测量点标记为故障点。
[0201]
定位模块30，被配置为将所述故障点的所述向量数据输入至预先构建好的小波anfis模型，并利用所述小波anfis模型对所述故障点进行定位，得到故障点坐标。
[0202]
显示模块40，被配置为将所述故障点坐标显示在客户端上。
[0203]
本技术实施例提供的装置首先将配电网线路各测量点的工作数据进行傅里叶变换，判断测量点是否发生故障，再将发生故障的故障点进行傅里叶变换后的工作数据输入至小波anfis模型，所述小波anfis模型输出故障点的位置信息，最后将故障点的位置信息显示在客户端上，从而实现对配电网线路的故障检测。本技术提供的方法使用了结合小波函数的小波anfis算法实现故障定位，通过将小波anfis的模糊规则层函数替换为小波函数，使得模型的拟合能力和鲁棒性得到了提高，并且在不同故障电阻条件下表现良好,本技术提供的方法同时实现了配电网在单端设备以及低频数据采集条件下的故障定位，与相关技术相比降低了故障定位的硬件条件需求，并且，操作人员可使用客户端远程实时监测配电网运行情况，保证了故障排查效率。
[0204]
另一种具体的实施例中，如图9所示，所述装置包括数据采集终端、服务器以及android终端，所述数据采集终端被配置为采集配电网线路中的工作数据，所述服务器被配置为存储工作数据以及对故障点进行定位，所述android终端包括登录模块以及地图模块，所述登录模块被配置为用户登录百度地图app，所述地图模块被配置为在百度地图app上显示故障位置。
[0205]
一些实施例中，所述向量数据包括所述电流向量与电压向量，所述定位模块包括：
[0206]
输入单元，被配置为将x1＝|uf|/|if|与x2＝argu
f-argif输入至所述小波anfis模型，其中，uf为所述电压向量，if为所述电流向量，arguf为所述电压向量的相角，argif为所述电流向量的相角；
[0207]
所述配电网线路包括多个区段，所述方法还包括将所述故障点所在的区段标记为故障区段，所述定位模块还包括：
[0208]
模糊单元，被配置为利用所述小波anfis模型将输入的x1与x2模糊化，得到多个模糊子集；
[0209]
解模糊处理单元，被配置为对所述多个模糊子集作连乘运算，得到多个模糊规则的权重，并对所述多个模糊规则的权重作解模糊处理；
[0210]
第一计算单元，被配置为利用所述解模糊处理后的权重与小波函数求得所述故障点与所述故障区段首端点之间的故障线路长度。
[0211]
一些实施例中，所述利用所述小波anfis模型将输入的x1与x2模糊化，得到多个模糊子集，包括：
[0212][0213]
其中，i为输入的向量数据的数量，i＝1,2，j为模糊子集数，mf
ij
为所述模糊子集，xi为输入的所述向量数据，c
ij
与d
ij
为隶属度函数参数；
[0214]
所述对所述多个模糊子集作连乘运算，得到多个模糊规则的权重包括：
[0215]
wj＝mf
1j
*mf
2(n-j 1)
[0216]
其中，j＝1,2,
…
,n，wj为所述模糊规则的权重，mf
1j
、mf
2(n-j 1)
为所述模糊子集；
[0217]
所述对所述多个模糊规则的权重作解模糊处理包括：
[0218][0219]
其中，swj为解模糊处理后的权重。
[0220]
一些实施例中，所述利用所述解模糊处理后的权重与小波函数求得所述故障点与所述故障区段首端点之间的故障线路长度，包括：
[0221][0222]
其中，i为输入的向量数据的数量，i＝1,2，j为模糊子集数，j＝1,2,
…
,n，d为所述故障点与故障区段首端点之间的故障线路长度，swj为所述解模糊处理后的权重，p
1j
、p
2j
、p
3j
为模糊规则层线性参数，μ
1j
(x1)、μ
2j
(x2)为小波函数值，xi为输入的所述向量数据；
[0223]
所述小波函数包括：
[0224][0225]
其中，μ
ij
(xi)为所述小波函数值，a
ij
以及b
ij
为小波函数参数。
[0226]
一些实施例中，所述定位模块还包括：
[0227]
第二计算单元，被配置为获取所述故障区段首端点与末端点的经纬度坐标以及所述配电网线路的长度，根据所述经纬度坐标、所述配电网线路的长度以及所述故障线路长度，利用下式计算出所述故障点坐标：
[0228][0229][0230]
其中，fault
al
为故障点纬度，fault
long
为故障点经度，m
al
为所述故障区段首端点经度，m
long
为故障区段首端点纬度，n
al
为故障区段末端点经度，n
long
为故障区段末端点纬度，l为所述配电网线路的长度，d为所述故障线路长度。
[0231]
一些实施例中，所述定位模块还包括：
[0232]
修正单元，被配置为：利用粒子群优化算法对所述所述小波函数参数进行训练修正；利用最小二乘法对所述模糊规则层线性参数进行训练修正；利用梯度下降算法对所述隶属度函数参数进行训练修正。
[0233]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0234]
上述实施例的装置用于实现前述任一实施例中相应的配电网线路短路故障监测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0235]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的配电网线路短路故障监测方法。
[0236]
图10示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0237]
处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0238]
存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0239]
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0240]
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0241]
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0242]
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0243]
上述实施例的电子设备用于实现前述任一实施例中相应的配电网线路短路故障监测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0244]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂
态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的配电网线路短路故障监测方法。
[0245]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0246]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的配电网线路短路故障监测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0247]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0248]
另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0249]
尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0250]
本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。