电抗器绝缘故障光学推扫定位装置

1.本发明涉及电抗器在线监测领域，特别是一种电抗器绝缘故障光学推扫定位装置。


背景技术：

2.电抗器是电力系统中的重要设备，起到补偿杂散容性电流、限制合闸涌流、限制短路电流、滤波、阻波等作用。在目前的电力系统中，电抗器的使用率非常高，但由于其结构特点，使其容易发生局部放电及绝缘损坏、匝间短路等故障以及紧固件安装不牢固造成的威胁，影响电网的稳定运行。
3.在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。


技术实现要素：

4.针对上述现有技术存在的不足或缺陷，提供了一种电抗器绝缘故障光学推扫定位装置，其方便的在巡检过程中发现干式电抗器的潜在故障威胁，同时能够避免现场的电磁干扰以及满足灵敏度需求，可以探测到电抗器有没有放电，同时也能定位关键放电点的位置。
5.本发明的目的是通过以下技术方案予以实现。
6.电抗器绝缘故障光学推扫定位装置包括，
7.底座，其设于电抗器内且所述底座中心与所述电抗器的中心轴线共线；
8.传动装置，其垂直地转动连接所述底座以周期性转动；
9.支承梁，其连接所述传动装置以在所述传动装置致动下周期性推扫，周期性推扫的推扫周期为工频周期的整数倍时间；
10.多个sic紫外日盲传感器探头，其线型非均匀排布于所述支承梁，所述线型非均匀排布的形式实时采集所述电抗器发出的紫外信号且转换为电压信号；
11.处理单元，其连接所述多个sic紫外日盲传感器探头，响应于所述电压信号，处理单元同步生成紫外光辐照度的幅值并转换为电压信号输出。
12.所述的电抗器绝缘故障光学推扫定位装置中，还包括，
13.数据传输模块，其连接所述处理单元以实时传输所述电压信号输出；
14.服务器，其通信连接所述数据传输模块，服务器基于所述电压信号输出生成电抗器绝缘故障信息，所述服务器包括，
15.数据库，其存储故障位置与光强数据互相匹配的数据；
16.数据分析模块，其连接所述数据库和数据传输模块；
17.所述数据分析模块基于传感器输出的电压信号矩阵、通过knn算法输出：电压信号矩阵与故障信息的空间聚类关系，且通过knn算法得到电抗器绝缘故障信息。
18.所述的电抗器绝缘故障光学推扫定位装置中，所述处理单元包括采样率大于
100khz、放大倍数大于20db的采样单元、用于获得电压信号的包络峰值的检波单元和通过比例变换获取光辐照强度的计算单元。
19.所述的电抗器绝缘故障光学推扫定位装置中，所述底座安置于电抗器的底部或防雨伞下侧。
20.所述的电抗器绝缘故障光学推扫定位装置中，所述多个sic紫外日盲传感器探头为紫外日盲的sic雪崩二极管apd传感器阵列。
21.所述的电抗器绝缘故障光学推扫定位装置中，sic雪崩二极管apd传感器阵列的波段包括200nm-400nm，其响应能量下限为1nw/cm2，增益为105-106。
22.所述的电抗器绝缘故障光学推扫定位装置中，sic雪崩二极管apd传感器阵列对于mhz级别的电晕放电的单脉冲响应时间为40ns。
23.所述的电抗器绝缘故障光学推扫定位装置中，sic紫外日盲传感器探头包括预处理采集的紫外信号预处理单元、高速模数采样单元和将紫外光强信号转换为电压信号的紫外传感器，所述信号预处理单元包括放大器。
24.所述的电抗器绝缘故障光学推扫定位装置中，sic紫外日盲传感器探头的探测平面的法线与电抗器中轴线平行。
25.有益效果
26.本发明实现干式空心电抗器的在线监测，与传统的电学监测方法相比可以避免电磁干扰以提高监测精度，对设备进行跟踪观测，及早发现设备的潜在性故障，提高对设备不良工况的判断，避免不必要的停电检修、试验，提高了电网的稳定性和设备的利用率，具有实时性强、灵敏度高等特点。利用日盲紫外sic阵列来实现放电定位在成本方面大大降低紫外传感技术应用的门槛。
27.上述说明仅是本发明技术方案的概述，为了能够使得本发明的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂，下面以本发明的具体实施方式进行举例说明。
附图说明
28.通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，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。而且在整个附图中，用相同的附图标记表示相同的部件。
29.在附图中：
30.图1是根据本发明一个实施例的电抗器绝缘故障光学推扫定位示意图；
31.图2根据本发明一个实施例的电抗器绝缘故障光学推扫定位的结构示意图；
32.图3根据本发明一个实施例的电抗器绝缘故障光学推扫定位的电抗器仿真模型图；
33.图4根据本发明一个实施例的电抗器模型的内部构造的剖面图；
34.图5根据本发明一个实施例的电抗器底部平面的光强分布图；
35.图6根据本发明一个实施例的圆形的数据结果通过数据变换转化成矩形的示意图；
36.图7根据本发明一个实施例的数据转换的流程示意图；
37.图8根据本发明一个实施例的转换后的带标签的矩阵示意图；
38.图9根据本发明一个实施例的主成分分析划分五个部分的示意图；
39.图10根据本发明一个实施例的主成分分析划分的第一部分的第一主成分的数据特征值的示意图；
40.图11根据本发明一个实施例的主成分分析划分的第二部分的第一主成分的数据特征值的示意图；
41.图12根据本发明一个实施例的主成分分析划分的第三部分的第一主成分的数据特征值的示意图；
42.图13根据本发明一个实施例的主成分分析划分的第四部分的第一主成分的数据特征值的示意图；
43.图14根据本发明一个实施例的主成分分析划分的第五部分的第一主成分的数据特征值的示意图。
44.以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
45.下面将参照附图图1至图14更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
46.需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
47.为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
48.如图1至图2所示，电抗器绝缘故障光学推扫定位装置包括，
49.底座2，其设于电抗器1内且所述底座2中心与所述电抗器1的中心轴线共线，
50.传动装置3，其垂直地转动连接所述底座2以周期性转动，
51.支承梁4，其连接所述传动装置3以在所述传动装置3致动下周期性推扫，周期性推扫的推扫周期为工频周期的整数倍时间，
52.多个sic紫外日盲传感器探头5，其线型非均匀排布于所述支承梁4，所述线型非均匀排布的形式实时采集所述电抗器1发出的紫外信号且转换为电压信号，
53.处理单元，其连接所述多个sic紫外日盲传感器探头5，响应于所述电压信号，处理
单元同步生成紫外光辐照度的幅值并转换为电压信号输出。
54.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，数据传输模块连接所述处理单元以实时传输所述电压信号输出，所述数据传输模块通信连接服务器，其基于所述电压信号输出生成电抗器绝缘故障信息，所述服务器包括，
55.数据库，其存储故障位置与光强数据互相匹配的数据，
56.数据分析模块，其连接所述数据库和数据传输模块；
57.所述数据分析模块基于传感器输出的电压信号矩阵、通过knn算法输出：电压信号矩阵与故障信息的空间聚类关系，且通过knn算法得到电抗器绝缘故障信息。
58.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，所述处理单元包括采样率大于100khz、放大倍数大于20db的采样单元、用于获得电压信号的包络峰值的检波单元和通过比例变换获取光辐照强度的计算单元。
59.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，所述底座2安置于电抗器1的底部或防雨伞下侧。
60.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，所述多个sic紫外日盲传感器探头5为紫外日盲的sic雪崩二极管apd传感器阵列。
61.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，sic雪崩二极管apd传感器阵列的波段包括200nm-400nm，其响应能量下限为lnw/cm2，增益为10
5-106。
62.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，sic雪崩二极管apd传感器阵列对于mhz级别的电晕放电的单脉冲响应时间为40ns。
63.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，所述支承梁4的前表面并排开孔使得所述紫外传感探头阵列朝向所述电抗器1；紫外传感探头焊接所述处理单元，信号处理单元通过排线与数据传输模块相连。
64.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，sic紫外日盲传感器探头5包括预处理采集的紫外信号预处理单元、高速模数采样单元和将紫外光强信号转换为电压信号的紫外传感器，所述信号预处理单元包括放大器。
65.所述的电抗器绝缘故障光学推扫定位装置的优选实施例中，sic紫外日盲传感器探头5的探测平面的法线与电抗器1中轴线平行。
66.在一个实施例中，所述多个sic紫外日盲传感器探头5在远离周期性推扫的圆心方向上逐渐分布变密。
67.在一个实施例中，所述电抗器1为干式空心电抗器1。
68.在一个实施例中，传动装置3支持阵列以圆心为支点，沿半径方向进行周期性推扫，推扫周期为工频周期的整数倍时间。
69.在一个实施例中，紫外传感探头实时采集电抗器1内部放电发射的紫外日盲频段的光学信号。
70.在一个实施例中，电抗器绝缘故障光学推扫定位装置包括，
71.机械传动装置3，支持阵列以圆心为支点，沿半径方向进行周期性推扫，
72.sic紫外日盲传感器探头5，实时采集电抗器1发出的紫外信号的传感探头以线型非均匀排布的形式，放置在支撑杆的上侧，面朝电抗器1。所述日盲紫外传感探头将采集的紫外光强信号转换为电压信号。
73.处理单元，其连接所述日盲紫外传感探头，响应于所述电压信号，处理单元同步生成紫外光强数据。
74.数据传输模块，通过wifi模块实现数据的实时传输，将信号传输到数据中台，执行后续的数据分析诊断。
75.其中，紫外传感探头包括预处理采集的紫外信号的信号预处理单元、模数采样单元和将紫外信号转换为电压信号的紫外传感器，所述信号预处理单元包括放大器，所述处理单元包括采样率大于100khz和放大倍数大于100倍的采样单元和用于电压信号的包络峰值的检波单元和通过比例变换获取光学信号声强度的计算单元。
76.处理单元包括数字信号处理器、专用集成电路asic或现场可编程门阵列fpga，处理单元包括一个或多个只读存储器rom、随机存取存储器ram、快闪存储器或电子可擦除可编程只读存储器eeprom。
77.为便于对本发明的理解，下面将结合附图以几个具体实施例为例，对所述定位装置及其定位方法做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
78.如图1至图2所示，本发明揭示了一种电抗器绝缘故障光学推扫定位方法，包括如下步骤：
79.将底座2设于电抗器1内且所述底座2中心与所述电抗器1的中心轴线共线，
80.传动装置3垂直地转动连接所述底座2以周期性转动，支承梁4连接所述传动装置3以在所述传动装置3致动下周期性推扫，周期性推扫的推扫周期为工频周期的整数倍时间，
81.采集不同光源下电抗器底部平面的圆形区域的光强分布，提取圆形区域的灰度图像，剔除圆形区域外的空白数据，得到圆形区域的数据矩阵，
82.基于图像变换将圆形区域的数据矩阵沿半径方向展开，通过数据填充转换成矩形的数据矩阵，展开后圆形的周长变为了长方形的长，圆形的半径变为了长方形的宽，圆心的数据通过数据复制，变成了长方形的另一边的长，圆形区域的数据矩阵变成了矩形的数据矩阵且矩形的数据矩阵每一列都是所述圆形区域的数据矩阵沿半径上的数据；
83.基于主成分分析法对矩形的数据矩进行数据降维分析以提取特征点，多个sic紫外日盲传感器探头5按照特征点的位置线型非均匀排布于所述支承梁4，所述线型非均匀排布的形式实时采集所述电抗器发出的紫外信号且转换为电压信号。
84.所述的方法的优选实施方式中，所述主成分分析法根据支承梁的长度延伸方向作为半径方向且划分为多个部分，每个部分分别进行主成分分析得到特征点。
85.所述的方法的优选实施方式中，根据电抗器的物理结构，支承梁的长度延伸方向作为半径方向且坐标划分成五个部分，每个部分分别进行主成分分析得到相应的第一主成分的数据特征。
86.所述的方法的优选实施方式中，基于所述光强分布提取伪彩图像，所述伪彩图像转换为灰度图像。
87.所述的方法的优选实施方式中，圆形区域的数据矩阵变成了矩形的数据矩阵后进行归一化处理。
88.所述的方法的优选实施方式中，圆形区域的数据矩阵的半径图像变换时进行数据填充，填充值为两侧数据的均值。
89.所述的方法的优选实施方式中，所述多个sic紫外日盲传感器探头5为紫外日盲的
sic雪崩二极管apd传感器阵列。
90.所述的方法的优选实施方式中，sic雪崩二极管apd传感器阵列的波段包括200nm-400nm，其响应能量下限为lnw/cm2，增益为10
5-106。
91.所述的方法的优选实施方式中，sic紫外日盲传感器探头5的探测平面的法线与电抗器中轴线平行。
92.在一个实施例中，所述多个sic紫外日盲传感器探头5在远离周期性推扫的圆心方向上逐渐分布变密。
93.在一个实施例中，所述电抗器1为干式空心电抗器。
94.在一个实施例中，紫外传感探头实时采集电抗器1内部放电发射的紫外日盲频段的光学信号。
95.在一个实施例中，处理单元连接所述日盲紫外传感探头，响应于所述电压信号，处理单元同步生成紫外光强数据。数据传输模块，通过wifi模块实现数据的实时传输，将信号传输到数据中台，执行后续的数据分析诊断。
96.其中，紫外传感探头包括预处理采集的紫外信号的信号预处理单元、模数采样单元和将紫外信号转换为电压信号的紫外传感器，所述信号预处理单元包括放大器，所述处理单元包括采样率大于100khz和放大倍数大于100倍的采样单元和用于电压信号的包络峰值的检波单元和通过比例变换获取光学信号声强度的计算单元。
97.在一个实施例中，通过tracepro仿真获得电抗器1不同放电位置下线阵推扫的光强分布特性；sic紫外日盲传感器探头5采集电抗器1的光强数据，建立故障位置与光强数据互相匹配的数据库，通过深度学习等方法确定放电故障的位置与传感器数据之前的对应关系，在运行中的电抗器1实施检测紫外信号且转换为电压信号输出，基于电压信号输出通过深度学习确定电抗器1是否存在故障并给出诊断的故障位置。
98.在一个实施方式中，方法包括，
99.针对电抗器1，通过tracepro仿真获得不同放电位置下线阵推扫界面的光强分布特性；
100.对光强分布图进行归一化处理和图像变换。分析沿半径方向上的数据分布特性，通过主成分分析法进行数据降维，确定半径方向上的特征点，用于安置紫外传感探头，完成所述电抗器1放电定位推扫阵列装置的设计。
101.通过紫外传感探头采集光强数据，建立故障位置与光强数据互相匹配的数据库，通过深度学习等方法，确定放电故障的位置与传感器数据之前的对应关系。
102.对在运干式空心电抗器1，使用所述推扫装置实施监测电抗器1的紫外日盲强度信号，通过深度学习模型，确定干式电抗器1是否存在故障，并给出诊断的故障位置。
103.电抗器1的异常放电可以表征设备存在电学上的不良状况，通过局部放电检测我们可以及早的发现设备存在的缺陷，及时进行处理，避免事故的发生。放电过程中会发出紫外光，基于紫外日盲传感推扫阵列定位局放位置的方法，可以预见性地发现电抗器1故障征兆，提前对其做出处理，保证设备的安全可靠运行。
104.关键在于确定传感器在这个长杆上放置的位置，因为传感器的放置位置直接决定了最终的检测效果。为了实现这一目标，图3是设计的电抗器仿真模型，图4是电抗器模型的内部构造的剖面图。
105.在设计的模型里放置了不同位置的光源，光源位置的坐标如表1所示：
106.表1电抗器不同局放光源位置及坐标
[0107][0108]
通过光路仿真，可以得到不同光源分布下的，电抗器底部平面的光强分布，如图5所示。由图可知光源位置不同时，电抗器底部平面的光强分布是不同的，因此可以通过不同的分布，来确定电抗器的故障位置。但是如果监测整个底部的平面，需要传感器太多了。所以用线阵推扫的模式来做等效性代替。也就是图2所述的装置。
[0109]
确定放置传感器在杠上的位置。需要分析图5的光强分布图。但是光强分布是一个圆形的数据，我们想知道，沿着圆的半径方向上，那些位置的数据比较重要，这样我们就可以在比较重要的位置上放置传感器，也就是说，我们需要沿着半径方向，对数据进行降维。如果对数据进行直接处理，会很难操做。因此将圆形的数据结果通过数据变换转化成矩形，从而可以用主成分的相关分析方法进行数据降维。具体的转换方法如图6和图7所示。最后就把光强数据转化为了图8所示的矩阵。这个矩阵是带标签的，同时，每一列的数据，都是沿半径方向上采集的数据。对该矩阵的前150行坐标进行降维，即可从全局优化的角度，得到最佳的传感器坐标。
[0110]
在一个实施例中，如图7所示，基于光强图，提取圆形区域的灰度图像，剔除圆形区域外的空白数据，得到一组圆形数据。如图6所示，使用图像变换算法，将圆形沿半径方向展开，通过数据填充，转换成矩形。展开后，圆形的周长变为了长方形的长，圆形的半径变为了长方形的宽。圆心的数据通过数据复制，变成了长方形的另一边的长。半径的数据在图像变换时，同样需要进行数据填充，填充值为两侧原始数据的均值。填充完成后，将圆形区域的数据矩阵变成了矩形，矩形的每一列都是原来的圆形沿半径方形上的数据。以图2的电抗器为例，对于某次故障的灰度图像，经过数据变换与图像处理后，得到的结果如图8所示。经过上述图像变换，得到了一个新的数据矩阵，该矩阵的宽为150，长为942。每次试验，可以得到18组试验数据。将18个矩阵转置后拼接，可以得到新的数据矩阵，该矩阵有150行，有18*942列。最后，我们对矩阵增加一行，通过标注数字加上标签，标注方式如下图所示。最终，我们
得到了一组151*16956的矩阵，该矩阵可以使用主成分分析法，对矩阵的150行进行数据降维分析，提取关键的行数，作为数据特征点。
[0111]
对于电抗器的光学故障检测，如果不考虑电抗器的物理结构，而直接用数学上的降维算法对传感器位置坐标进行优选，容易出现特征点的漏选和错选。因此，考虑了电抗器的物理结构，通过分段主成分分析的方法，对矩阵进行空间降维，以确定传感器的具体安置坐标。主成分分析中选取第一主成分的局部峰值对应的数据作为特征数据。我们首先根据电抗器的物理结构，将半径方向上的坐标划分成了五个部分，如图9所示。在每个部分，分别进行主成分分析，得到第一主成分的数据特征值如图10至图14所示。选取8个局部峰值，作为特征点坐标，得到的坐标如表2所示。
[0112]
表2特征点坐标
[0113]
编号x1x2x3x4x5x6x7x8序号63048103119128139149坐标(cm)4203268.779.385.392.799.3
[0114]
使用knn算法和卷积神经网络算法，对特征点坐标的有效性进行验证。选定好传感器的安放位置后，对该模型进行验证，使用五阶knn、七阶knn和卷积神经网络三个模型进行局放故障定位的准确率诊断。
[0115]
knn模型步骤如下：
[0116]
1.计算测试数据与各个训练数据之间的距离。
[0117]
现有训练集样本x
t
和对应标签y
t
，其中x
t
包含n个数据点x
t-{x
t1
，x
t2
，x
t3
，x
t4
，...，tn}，每个数据点均为8维向量，代表8个传感器收集到的光强信息，其中光强值使用传感器对应942个数据的均值。y
t
代表光源位置，共分为18类如前文所述。本文使用欧氏距离作为相似程度的判断依据，具体公式如式(1)下。
[0118][0119]
其中，dis(x
pi
，x
tj
)为测试数据x
tj
与训练数据x
pi
之间的欧氏距离，x
pil
和x
tll
分别为该数据点的第i维数据。
[0120]
2.按照距离的递增关系进行排序。
[0121]
3.选取距离最小的k个点。
[0122]
4.确定前k个点所在类别的出现频率。
[0123]
5.返回前k个点中出现频率最高的类别作为测试数据的预测分类。
[0124]
其中，输入数据为8个传感器所收集到的光强分布信息，输出数据为分类概率，选择概率最大的类别作为输入数据的预测分类。
[0125]
使用放电源坐标和传感器数据均已知的数据集对局放坐标定位的正确率进行诊断。进行20次重复试验仿真，每次的光源空间位置在
±
10cm的范围内进行随机调整，共得到360组光强分布数据。将几个特征坐标下的光强分布曲线作为输入的特征向量，光源位置作为标签和输出量，利用k近邻分类器和卷积神经网络进行训练，使用交叉验证算法，计算了不同分类模型下的故障定位准确率。得到分段pca降维的识别准确率，如表3所示。结果显示，基于分段pca降维的故障定位，在五阶、七阶knn以及卷积神经网络算法进行验证时，都具有较高的定位准确率，说明传感器的位置优选是有效的。
[0126]
表3
[0127][0128]
在一个实施例中，使用放电源坐标和传感器数据均已知的数据集对局放坐标定位的正确率进行诊断。进行20次重复试验仿真，每次的光源空间位置在
±
10cm的范围内进行随机调整，共得到360组光强分布数据。将几个特征坐标下的光强分布曲线作为输入的特征向量，光源位置作为标签和输出量，利用k近邻分类器进行训练和分类，使用交叉验证算法，计算了不同分类模型下的故障定位准确率。
[0129]
以图1尺寸的电抗器模型为例，仿真获得的20组仿真试验数据，每组数据根据故障位置，有18次试验结果，总计有360条数据。其中，270组用于训练模型和进行空间聚类，90组用于模型的验证。270组的训练结果，得到了8个传感器在各类故障条件下的平均响应强度，并组成了一组强度坐标或者说得到了一组8*842维度的矩阵。具体流程已经在上面详细阐述。故障类型分为18种：包封1内侧上层故障，包封1内侧下层故障，包封2内侧上层故障，包封2内侧下层故障，包封2外侧上层故障，包封2外侧下层故障，包封3内侧上层故障，包封3内侧下层故障，包封3外侧上层故障，包封3外侧下层故障，包封4内侧上层故障，包封4内侧下层故障，包封4外侧上层故障，包封4外侧下层故障，包封5内侧上层故障，包封5内侧下层故障，包封5外侧上层故障，包封5外侧下层故障。训练时，故障类型和传感器的8*842维度响应强度矩阵作为输入量。验证时，导入传感器的强度坐标矩阵，计算空间中所有故障坐标与传感器强度坐标的欧式距离，求解距离该坐标最近的故障坐标，认为该故障坐标就是实际的故障坐标。
[0130]
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。