一种基于边缘计算的配电网故障检测方法、系统、设备及介质与流程

本技术涉及故障检测，尤其涉及一种基于边缘计算的配电网故障检测方法、系统、设备及介质。

背景技术：

1、当前配电网故障检测普遍依赖中心化云端架构，故障数据需经通信链路上传至主站进行集中分析。该模式受制于网络传输延迟（典型值8–15秒）、通信链路稳定性及带宽限制，导致高频电气暂态特征（如行波、谐波突变）在上传过程中被降采样或丢失，无法满足配电网对毫秒级响应的实时性要求。尤其在偏远或通信薄弱区域，数据断续上传进一步加剧故障识别滞后，使故障隔离与自愈操作延迟超过30秒，严重影响供电可靠性。

2、现有方法多基于单一电气量阈值判断（如电流幅值、零序电流），导致对高阻接地、断线-接地复合等隐性故障识别率低下。同时，其诊断模型普遍采用静态拓扑结构，无法动态适配分布式电源投切、网络重构等运行方式变化，致使故障传播路径误判频发，误报率居高不下，难以支撑复杂配电网的精准诊断需求。

技术实现思路

1、本技术提供一种基于边缘计算的配电网故障检测方法、系统、设备及介质，以解决现有方案存在多基于单一电气量阈值判断，导致对高阻接地、断线-接地复合等隐性故障识别率低下、其诊断模型普遍采用静态拓扑结构，难以支撑复杂配电网的精准诊断需求的问题。

2、第一方面，本技术提供了一种基于边缘计算的配电网故障检测方法，方法包括：

3、边缘计算节点实时采集配电网终端的多维运行数据；其中多维运行数据包括电压电流时序波形、开关动作序列、设备温度与谐波参数；结合终端历史正常运行数据集，分别构建电气量基线与设备状态基线，输出当前运行数据相对正常基线的标准化偏离量，同时提取当前采样周期的电气特征子向量与设备状态特征子向量，计算两类特征的跨层一致性得分；

4、当标准化偏离量和跨层一致性得分满足预设触发条件时，以当前检测窗口内的连续n个采样时刻为节点，以每个采样时刻输出的多维运行特征数据为节点属性，基于节点间电气量时序相似度与拓扑关联度构建边，生成配电网局部运行状态图谱；将图谱输入轻量化图注意力网络，完成节点特征与全局拓扑特征的聚合编码，输出图神经网络编码特征；

5、通过预训练的对比学习编码器将图神经网络编码映射至统一嵌入空间，生成当前运行状态嵌入向量；计算该向量与故障样本库中各类故障模式嵌入向量的余弦相似度，输出故障类型与匹配相似度。

6、在本技术的一种实现方式中，边缘计算节点实时采集配电网终端的多维运行数据；结合终端历史正常运行数据集，分别构建电气量基线与设备状态基线，输出当前运行数据相对正常基线的标准化偏离量，具体包括：

7、基于终端历史正常运行数据集中的电压电流时序波形、开关动作序列，进行时序对齐与幅值归一化预处理；

8、采用滑动时间窗口统计方法，逐窗口从电压电流时序波形、开关动作序列中提取预设关键电气量特征的均值、标准差与95%置信区间上下限，形成电气量基线参数集；同时对各电气量建立时序相关性矩阵，记录正常工况下多电气量间的耦合关联关系；获得包含各预设关键电气量特征正常波动区间与耦合关系矩阵的电气量基线模型；

9、以电气量基线模型对应的历史采样时间戳为索引，从历史正常运行数据集中同步提取设备温度与谐波参数，按季节时段与负载水平进行分层聚类；对每一类工况下的设备温度数据采用核密度估计方法拟合概率分布曲线，确定正常温度区间与温升速率阈值；对各次谐波含有率与总谐波畸变率分别统计正常上限值，构建设备状态基线参数集；获得包含温度阈值、谐波限值的设备状态基线模型；

10、将当前采样周期的多维运行数据分别输入电气量基线模型与设备状态基线模型，逐维度计算当前值相对基线区间的标准化偏离量。

11、在本技术的一种实现方式中，提取当前采样周期的电气特征子向量与设备状态特征子向量，计算两类特征的跨层一致性得分，具体包括：

12、针对当前采样周期的电压电流时序波形与开关动作序列，通过时域统计分析与快速傅里叶变换，提取电压有效值偏差、电流暂态峰值、开关动作间隔、基波相位差等核心电气特征；对各特征进行标准化归一化处理后，按预设维度顺序拼接生成固定维度的电气特征子向量；

13、根据电气特征子向量和预设电气分析规则，确定对应的第一故障分析向量；

14、以统一时间戳标识为对齐基准，提取同一采样周期内的设备温度与谐波参数数据，提取温度梯度、总谐波畸变率、特征次谐波含有率等设备状态特征；采用与电气特征子向量一致的归一化规则完成数值映射，按对应维度拼接生成设备状态特征子向量；

15、根据设备状态特征子向量和预设设备分析规则，确定对应的第二故障分析向量；

16、将第一故障分析向量与第二故障分析向量输入跨层一致性计算单元，得到取值范围为0至1的跨层一致性得分。

17、在本技术的一种实现方式中，标准化偏离量和跨层一致性得分满足预设触发条件，具体包括：

18、预设标准化偏离量的分级阈值体系，包含单维度故障阈值与多维度预警阈值；将各维度标准化偏离量逐一匹配对应阈值，当核心电气量维度偏离量超出单维度故障阈值，或至少两个次要维度偏离量同时超出多维度预警阈值时，生成初步偏离触发标志；

19、将初步判定结果与跨层一致性得分进行联合逻辑校验，若存在初步偏离触发标志且跨层一致性得分低于预设一致性阈值，则判定满足预设触发条件；否则，不满足预设触发条件。

20、在本技术的一种实现方式中，以当前检测窗口内的连续n个采样时刻为节点，以每个采样时刻输出的多维运行特征数据为节点属性，基于节点间电气量时序相似度与拓扑关联度构建边，生成配电网局部运行状态图谱，具体包括：

21、截取当前检测窗口内连续n个采样时刻作为图谱节点，将每个采样时刻对应的标准化偏离量、电气特征子向量、设备状态特征子向量进行维度拼接，生成统一维度的节点属性向量；按采样时序对所有节点进行顺序编号，输出带有时序索引的节点属性集合；

22、以节点属性集合为输入，逐对计算节点间电气特征向量的余弦相似度，得到时序相似度权重；同时调取配电网终端预设拓扑连接矩阵，为存在直接电气连接的节点对赋予拓扑关联度权重；将两类权重加权融合为边综合权重，筛选权重高于预设阈值的节点对形成有效边集，输出带权重的边连接关系集合；

23、将节点属性集合与边连接关系集合输入图谱生成单元，以采样时刻节点为顶点、有效边为无向连接边，按时序关联与拓扑约束完成图结构组装，生成包含节点多维特征与边权重信息的配电网局部运行状态图谱。

24、在本技术的一种实现方式中，通过预训练的对比学习编码器将图神经网络编码映射至统一嵌入空间，生成当前运行状态嵌入向量；计算该向量与故障样本库中各类故障模式嵌入向量的余弦相似度，输出故障类型与匹配相似度，具体包括：

25、将轻量化图注意力网络输出的图神经网络编码特征输入预训练完成的对比学习编码器，编码器通过两层全连接感知机对高维编码特征进行非线性变换与维度压缩，将映射至维度固定的统一嵌入空间；对映射后的特征向量执行l2归一化处理，生成模长归一的当前运行状态嵌入向量，输出至相似度匹配模块；

26、以当前运行状态嵌入向量为输入，调取故障样本库中经同构编码器预生成的各类故障模式嵌入向量；逐类计算当前嵌入向量与各故障模式嵌入向量的余弦相似度，得到对应每类故障的相似度数值，按相似度降序排列生成故障匹配排序列表，输出包含故障类型标识与对应相似度值的匹配结果集；

27、将故障匹配排序列表输入判定单元，比对最高相似度值与预设相似度阈值；若最高相似度值不低于预设阈值，则输出对应故障类型与匹配相似度作为最终检测结果；若最高相似度值低于预设阈值，则判定为未匹配已知故障模式，输出未知异常标识与当前最高相似度值。

28、第二方面，本技术提供了一种基于边缘计算的配电网故障检测系统，系统包括：

29、计算模块，用于边缘计算节点实时采集配电网终端的多维运行数据；其中多维运行数据包括电压电流时序波形、开关动作序列、设备温度与谐波参数；结合终端历史正常运行数据集，分别构建电气量基线与设备状态基线，输出当前运行数据相对正常基线的标准化偏离量，同时提取当前采样周期的电气特征子向量与设备状态特征子向量，计算两类特征的跨层一致性得分；

30、输出模块，用于当标准化偏离量和跨层一致性得分满足预设触发条件时，以当前检测窗口内的连续n个采样时刻为节点，以每个采样时刻输出的多维运行特征数据为节点属性，基于节点间电气量时序相似度与拓扑关联度构建边，生成配电网局部运行状态图谱；将图谱输入轻量化图注意力网络，完成节点特征与全局拓扑特征的聚合编码，输出图神经网络编码特征；

31、匹配模块，用于通过预训练的对比学习编码器将图神经网络编码映射至统一嵌入空间，生成当前运行状态嵌入向量；计算该向量与故障样本库中各类故障模式嵌入向量的余弦相似度，输出故障类型与匹配相似度。

32、在本技术的一种实现方式中，计算模块包括计算单元，

33、用于基于终端历史正常运行数据集中的电压电流时序波形、开关动作序列，进行时序对齐与幅值归一化预处理；

34、采用滑动时间窗口统计方法，逐窗口从电压电流时序波形、开关动作序列中提取预设关键电气量特征的均值、标准差与95%置信区间上下限，形成电气量基线参数集；同时对各电气量建立时序相关性矩阵，记录正常工况下多电气量间的耦合关联关系；获得包含各预设关键电气量特征正常波动区间与耦合关系矩阵的电气量基线模型；

35、以电气量基线模型对应的历史采样时间戳为索引，从历史正常运行数据集中同步提取设备温度与谐波参数，按季节时段与负载水平进行分层聚类；对每一类工况下的设备温度数据采用核密度估计方法拟合概率分布曲线，确定正常温度区间与温升速率阈值；对各次谐波含有率与总谐波畸变率分别统计正常上限值，构建设备状态基线参数集；获得包含温度阈值、谐波限值的设备状态基线模型；

36、将当前采样周期的多维运行数据分别输入电气量基线模型与设备状态基线模型，逐维度计算当前值相对基线区间的标准化偏离量。

37、第三方面，本技术提供了一种基于边缘计算的配电网故障检测设备，设备包括：

38、处理器；

39、以及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如上述任一项的一种基于边缘计算的配电网故障检测方法。

40、第四方面，本技术提供了一种非易失性计算机存储介质，其上存储有计算机指令，计算机指令在被执行时实现如上述任一项的一种基于边缘计算的配电网故障检测方法。

41、从以上技术方案可以看出，本技术具有以下优点：

42、通过边缘计算节点实时采集电压电流时序波形、开关动作序列、设备温度与谐波参数等多维运行数据，并分别构建电气量基线与设备状态基线，本方案突破了传统单一电气量阈值判断的局限性。标准化偏离量的计算有效捕捉了多参数协同异常，而跨层一致性得分则揭示了电气特征与设备状态之间的内在关联性，使高阻接地、断线-接地复合等隐性故障在无明显幅值突变的情况下仍能被系统性识别。该机制不依赖于故障电流的绝对大小，而是通过多维度特征的异常协同模式进行判别，提升了对低幅值、非典型故障的检测灵敏度与覆盖范围，解决了现有方法对隐性故障“看不见、认不出”的核心痛点。

43、以连续采样时刻为节点、多维特征为属性，基于电气量时序相似度与实际网络拓扑关联度动态构建局部运行状态图谱，摒弃了静态拓扑结构的固有缺陷。当分布式电源投切、线路重构或负荷转移导致网络结构变化时，图谱的边权重与节点连接关系可实时重构，使故障传播路径的建模始终与当前运行工况保持一致。轻量化图注意力网络进一步聚合节点局部特征与全局拓扑结构，使故障影响范围的推演不再依赖预设的固定拓扑模型，从而降低了因网络结构误匹配导致的故障传播路径误判。

44、通过预训练的对比学习编码器，将图神经网络输出的编码特征映射至统一嵌入空间，并与故障样本库中已标注的各类故障模式嵌入向量进行余弦相似度匹配，本方案实现了故障类型的端到端语义化识别。该机制不依赖人工设定的分类规则或阈值，而是通过学习故障模式在高维空间中的分布结构，自动区分相似但本质不同的故障类型（如瞬时闪络与持续高阻接地），抑制了因特征混淆导致的误报。同时，嵌入空间的泛化能力使系统可稳定适配新出现的故障模式，无需频繁重训练模型，降低了误报率并提升了诊断结果的可解释性与工程可靠性。