配电网故障诊断的优化方法及装置、存储介质、终端

1.本发明涉及智能电网技术领域，特别是涉及一种配电网故障诊断的优化方法及装置、存储介质、终端。


背景技术：

2.随着我国国民经济的不断发展，配电网供电的可靠性和稳定性愈发重要，但由于配电网易受到外界因素干扰，从而导致配电网短路故障，若未能及时发现并定位故障并给予解决措施，可能会导致大面积配电网故障事故，给人们生活带来诸多不利影响，造成国民经济损失等。因此，在配电网短路故障发生后，及时准确诊断故障具有十分重要的意义。
3.目前，现有的配电网故障诊断主要是采用基于主元分析法(pca，principal component analysis)，这是一种利用数据驱动的故障诊断方法，无需建立复杂的解析模型且能够适应电网拓扑结构的变化，具有较好的可移植性。然而，传统的pca故障诊断方法只能够判断配电网中是否发生故障，在判断发生故障后需要人为排查故障位置、故障类型等故障详情，从而使得配电网故障诊断不够精确。


技术实现要素：

4.有鉴于此，本发明提供一种配电网故障诊断的优化方法及装置、存储介质、终端，主要目的在于解决现有配电网故障诊断不够精确的问题。
5.依据本发明一个方面，提供了一种配电网故障诊断的优化方法，包括：
6.获取配电网中的运行数据矩阵，所述运行数据矩阵中包含有多种变量分别对应的运行数据；
7.基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障；
8.当存在线路故障时，计算与所述各变量分别对应的故障因子，所述故障因子用于标识所述各变量对所述线路故障的影响程度；
9.根据所述故障因子确定所述线路故障的故障来源。
10.进一步地，所述获取配电网中的运行数据矩阵之前，所述方法还包括：
11.获取第一样本数据矩阵，并对所述第一样本数据矩阵进行预处理，得到第二样本数据矩阵；
12.计算与所述第二样本数据矩阵对应的特征值和特征向量；
13.根据所述特征值和预设累计方差贡献率，确定主元个数；
14.按照所述主元个数和所述特征值提取特征向量，并基于提取的特征向量和所述第二样本数据矩阵生成所述主元模型。
15.进一步地，所述基于提取的特征值对应的特征向量生成所述主元模型之后，所述方法还包括：
16.根据所述第二样本数据矩阵和所述主元模型确定故障阈值，所述故障阈值用于衡
量所述配电网中的运行数据是否存在异常；
17.所述基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障包括：
18.将所述运行数据矩阵进行预处理，根据预处理后的运行数据矩阵和所述主元模型计算所述配电网的故障值；
19.根据所述故障值和所述故障阈值判断所述配电网中是否存在线路故障。
20.进一步地，所述故障阈值包括第一统计量阈值和第二统计量阈值，所述根据所述故障值和所述故障阈值判断所述配电网中是否存在线路故障包括：
21.根据所述预处理后的运行数据矩阵和所述主元模型计算所述配电网的第一统计量数值和第二统计量数值，所述第一统计量数值用于标识所述运行数据偏离所述主元模型程度，所述第二统计量数值用于标识所述运行数据的幅值和变化趋势偏离所述主元模型程度；
22.当所述第一统计量数值大于所述第一统计量阈值；和/或
23.当所述第二统计量数值大于所述第二统计量阈值时，则判断所述配电网中存在线路故障。
24.进一步地，所述当存在线路故障时，计算与所述各变量分别对应的故障因子包括：
25.当存在线路故障时，根据预置算法依次计算与所述各变量分别对应的第二统计量贡献值，并将所述第二统计量贡献值确定为所述故障因子。
26.进一步地，所述根据所述故障因子确定所述线路故障的故障来源包括：
27.将所述各变量的故障因子按照数值降序进行排序，并将数值最大的故障因子对应的变量确定为故障来源。
28.进一步地，所述方法还包括：
29.获取与所述各变量分别对应的波形图；
30.根据所述波形图和预置故障判据，确定与所述故障来源对应的故障类型。
31.依据本发明另一个方面，提供了一种配电网故障诊断的优化装置，包括：
32.获取模块，用于获取配电网中的运行数据矩阵，所述运行数据矩阵中包含有多种变量分别对应的运行数据；
33.判断模块，用于基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障；
34.计算模块，用于当存在线路故障时，计算与所述各变量分别对应的故障因子，所述故障因子用于标识所述各变量对所述线路故障的影响程度；
35.确定模块，用于根据所述故障因子确定所述线路故障的故障来源。
36.进一步地，所述装置还包括：生成模块，
37.所述获取模块，还用于获取第一样本数据矩阵，并对所述第一样本数据矩阵进行预处理，得到第二样本数据矩阵；
38.所述计算模块，还用于计算与所述第二样本数据矩阵对应的特征值和特征向量；
39.所述确定模块，还用于根据所述特征值和预设累计方差贡献率，确定主元个数；
40.所述生成模块，还用于按照所述主元个数和所述特征值提取特征向量，并基于提取的特征向量和所述第二样本数据矩阵生成所述主元模型。
41.进一步地，
42.所述确定模块，还用于根据所述第二样本数据矩阵和所述主元模型确定故障阈值，所述故障阈值用于衡量所述配电网中的运行数据是否存在异常。
43.进一步地，所述判断模块包括：
44.预处理单元，用于将所述运行数据矩阵进行预处理；
45.计算单元，用于根据预处理后的运行数据矩阵和所述主元模型计算所述配电网的故障值；
46.判断单元，用于根据所述故障值和所述故障阈值判断所述配电网中是否存在线路故障。
47.进一步地，
48.所述判断单元，具体用于根据所述预处理后的运行数据矩阵和所述主元模型计算所述配电网的第一统计量数值和第二统计量数值，所述第一统计量数值用于标识所述运行数据偏离所述主元模型程度，所述第二统计量数值用于标识所述运行数据的幅值和变化趋势偏离所述主元模型程度；
49.当所述第一统计量数值大于所述第一统计量阈值；和/或
50.当所述第二统计量数值大于所述第二统计量阈值时，则判断所述配电网中存在线路故障。
51.进一步地，
52.所述计算模块，具体用于当存在线路故障时，根据预置算法依次计算与所述各变量分别对应的第二统计量贡献值，并将所述第二统计量贡献值确定为所述故障因子。
53.进一步地，
54.所述确定模块，具体用于将所述各变量的故障因子按照数值降序进行排序，并将数值最大的故障因子对应的变量确定为故障来源。
55.进一步地，
56.所述获取模块，还用于获取与所述各变量分别对应的波形图；
57.所述确定模块，还用于根据所述波形图和预置故障判据，确定与所述故障来源对应的故障类型。
58.根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述配电网故障诊断的优化方法对应的操作。
59.根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
60.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述配电网故障诊断的优化方法对应的操作。
61.借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
62.本发明提供了一种配电网故障诊断的优化方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取配电网中的运行数据矩阵，所述运行数据矩阵中包含有多种变量分别对应的运行数据；基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障；当存在线路故障时，计算与所述各变量分别对应的故障因子，所述故障因子用于标识所述各变量对所述线路故障的影响程度；根据所述故障因子确定所述线路
故障的故障来源，实现了根据预先建立的主元模型对配电网中是否存在故障进行诊断，当存在故障时进一步计算配电网中各变量分别对应的故障因子，并根据故障因子确定当前配电网的故障来源，使得配电网故障诊断更加精确，提升了配电网中故障诊断的性能。
63.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
64.通过阅读下文优选实施方式的详细描述，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。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。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
65.图1示出了本发明实施例提供的一种配电网故障诊断的优化方法流程图；
66.图2示出了本发明实施例提供的另一种配电网故障诊断的优化方法流程图；
67.图3示出了本发明实施例提供的一种配电网故障诊断的优化装置组成框图；
68.图4示出了本发明实施例提供的另一种配电网故障诊断的优化装置组成框图；
69.图5示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
70.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
71.针对现有的pca故障诊断方法只能够判断配电网中是否发生故障，在判断发生故障后需要人为排查故障位置、故障类型等故障详情，从而使得配电网故障诊断不够精确的问题。本发明实施例提供了一种配电网故障诊断的优化方法，如图1所示，该方法包括：
72.101、获取配电网中的运行数据矩阵。
73.其中，所述运行数据矩阵中包含有多种变量分别对应的运行数据。
74.在变电网中变量通常为a、b、c三相电压和a、b、c三相电流，因此本步骤中的各变量对应的运行数据即为三相电压值和三相电流值。通过在配电网中配置多个数据采集装置，采集到各相电流值和电压值，并根据三相电流值和三相电压值生成本步骤中的运行数据矩阵。
75.需要说明的是，本实施例中的运行数据为配电网中实时产生的数据，通过按照预设采集时间间隔、预设采集点将配电网中产生的数据进行采集、上传，并运行数据矩阵，以便根据运行数据矩阵对配电网中是否存在线路故障进行监控，确保故障诊断的实时性。
76.102、基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障。
77.其中，预置主元模型是根据样本运行数据建立的，如预设历史时间段内配电网中的运行数据，该主元模型能够反映配电网正常运行状态，因而根据主元模型能够诊断配电网中是否存在故障。
78.通常情况下，对于一个n
×
m的运行数据矩阵y，其中n表示变量个数，m表示样本个数。通过对数据矩阵y进行预处理，将其分解为m个向量的外积之和，可得到主元模型：
[0079][0080]
式中，ti表示得分向量，也称其为主成分，pi称为负荷向量。对于任意i和j，当i≠j时，满足即所有得分向量都是两两正交的关系。同时，各个负荷向量也都是互相正交的关系，并且每个负荷向量的长度均为1，可表示为：
[0081][0082]
此外，e为模型误差，一般将其忽略可消除误差，并且不会导致数据主要信息缺失。主元分析中，得分向量和负荷向量求解方法多样，本技术实施例对此不做限制。
[0083]
进一步地，当基于运行样本数据并按照预设方法求解了配电网中运行数据矩阵的得分向量和负荷向量之后，建立预置主元模型，而根据主元模型判断配电网中是否存在故障的方式可以为计算与配电网实时运行数据矩阵对应的q统计量和t2统计量，并根据这两个统计量中的任意一个是否存在异常来诊断配电网中是否存在故障，但不限于此。
[0084]
103、当存在线路故障时，计算与所述各变量分别对应的故障因子。
[0085]
其中，所述故障因子用于标识所述各变量对所述线路故障的影响程度，而故障因子可以为与上述步骤中用于衡量是否存在故障的参变量相对应的，即如果按照上述内容根据一个统计量判断配电网中是否存在故障，那么本步骤中的故障因子便可以为各变量对该统计量所做出的贡献值，以此判断导致电力系统过程运行偏离正常工况的原因。
[0086]
104、根据所述故障因子确定所述线路故障的故障来源。
[0087]
由于故障因子能够标识各变量对配电网线路故障的影响程度，不难理解，当故障因子数值越大，就意味着该故障因子对应的变量对配电网线路故障贡献最大，从而可以根据故障因子的数值大小来确定线路故障的故障来源。
[0088]
本发明提供了一种配电网故障诊断的优化方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取配电网中的运行数据矩阵，所述运行数据矩阵中包含有多种变量分别对应的运行数据；基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障；当存在线路故障时，计算与所述各变量分别对应的故障因子，所述故障因子用于标识所述各变量对所述线路故障的影响程度；根据所述故障因子确定所述线路故障的故障来源，实现了根据预先建立的主元模型对配电网中是否存在故障进行诊断，当存在故障时进一步计算配电网中各变量分别对应的故障因子，并根据故障因子确定当前配电网的故障来源，使得配电网故障诊断更加精确，提升了配电网中故障诊断的性能。
[0089]
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种配电网故障诊断的优化方法，如图2所示，该方法包括：
[0090]
201、获取第一样本数据矩阵，并对所述第一样本数据矩阵进行预处理，得到第二样本数据矩阵。
[0091]
其中，样本数据矩阵可以为根据配电网中的历史运行数据生成的，如采集相同类型配电网的过去一个月内的运行数据，生成样本数据矩阵并进行预处理，即均值化和归一
化处理，具体如下：
[0092]
获取配电网历史正常运行数据矩阵x＝(x
ij
)n×m,对该数据矩阵进行均值化处理和归一化处理：
[0093][0094][0095][0096]
式中，为第j个变量对应的样本均值，bj为第j个变量对应的样本方差值，y
ij
表示每个样本数据标准化后的结果，即可得标准化数据矩阵：y＝y＝(y
ij
)n×m。
[0097]
202、计算与所述第二样本数据矩阵对应的特征值和特征向量。
[0098]
为了建立用于诊断配电网中是否存在短路故障的预置主元模型，需要对第二样本数据矩阵进行主元分析。实际上，对第二数据矩阵y进行主元分析，等价于对协方差矩阵y
t
y进行主元分析，即数据矩阵y的负荷向量与其协方差矩阵的特征向量是相等的。计算第二样本数据矩阵的协方差矩阵：
[0099][0100]
计算协方差矩阵的特征值并按照特征值从小到大的顺序排列得到：λ1≥λ2≥
…
λm≥0，其对应的特征向量为：p＝[p1,p2,p3,
…
,pm]。
[0101]
203、根据所述特征值和预设累计方差贡献率，确定主元个数。
[0102]
204、按照所述主元个数和所述特征值提取特征向量，并基于提取的特征向量和所述第二样本数据矩阵生成所述主元模型。
[0103]
需要说明的是，特征向量代表了原数据的分布方向，当特征向量对应的特征值越大时，则该特征向量越重要，即为主元，相反，当特征向量对应的特征值越小时，则表明该特征向量越次要。在使用主元分析法对配电网中是否存在故障时，首先确定主元个数，不难理解，在确定主元个数之后，按照特征向量的重要程度选取选取主元特征向量。具体地，本技术实施例中，主元个数是基于各个特征向量对应的特征值和预设累计方差贡献率确定，其中，累计方差贡献率为
[0104][0105]
其中，η为前z个主元的累计方差贡献率。在具体应用过程中可以选取一定的η值，并基于该预设值计算相应的主元个数z，如按η的值大于0.85确定z的值，那么便可以根据特征值大小，提取前z个较大的特征值数值相应的特征向量作为主元，这些主元表征的信息便
可以用来标识配电网信息。
[0106]
进一步地，在确定了主元之后便可根据主元建立主元模型，由前z个主元建立主元模型如下：
[0107]
z＝(z
ij
)n×z＝p
1i
y1 p
2i
y2
…
p
ziyz
[0108]
其中，p
ij
为上述协方差矩阵的特征向量，yi为第二样本数据矩阵的元素，可见主元模型中包括了第一样本数据矩阵的均值向量、协方差矩阵、主元个数、主元得分向量以及主元负荷向量等，因此z
ij
中包含了样本数据中的数据信息，可以用来做样本数据统计分析，即可以根据主元模型判断配电网中是否存在故障。
[0109]
进一步地，本技术实施例还包括：根据所述第二样本数据矩阵和所述主元模型确定故障阈值。其中，所述故障阈值用于衡量所述配电网中的运行数据是否存在异常。
[0110]
为了根据主元模型对配电网进行故障诊断，需要设置诊断依据，本技术实施例中的诊断依据即为根据主元模型确定的故障阈值，具体地，故障阈值可以为q统计量和t2统计量分别对应的极限值，但不限于次。通过根据主元模型设定故障阈值，从而使得在利用主元模型根据配电网实时数据诊断配电网中是否存在故障时，可以计算配电网在该故障阈值维度下对应的数值，并将该数值与故障阈值进行比较，从而判断配电网中是否存在故障。
[0111]
205、获取配电网中的运行数据矩阵。
[0112]
其中，所述运行数据矩阵中包含有多种变量分别对应的运行数据。
[0113]
在变电网中变量通常为a、b、c三相电压和a、b、c三相电流，因此本步骤中的各变量对应的运行数据即为三相电压值和三相电流值。通过在配电网中配置多个数据采集装置，采集到各相电流值和电压值，并根据三相电流值和三相电压值生成本步骤中的运行数据矩阵。
[0114]
需要说明的是，本实施例中的运行数据为配电网中实时产生的数据，通过按照预设采集时间间隔、预设采集点将配电网中产生的数据进行采集、上传，并运行数据矩阵，以便根据运行数据矩阵对配电网中是否存在线路故障进行监控，确保故障诊断的实时性。
[0115]
206、将所述运行数据矩阵进行预处理，根据预处理后的运行数据矩阵和所述主元模型计算所述配电网的故障值。
[0116]
运行数据矩阵的预处理方式为均值化和归一化处理，由于已经建立了用于进行故障诊断的主元模型和用于具体衡量配电网中是否存在故障的故障阈值，因此在根据配电网实时数据建立数据矩阵并进行预处理后，并可以利用主元模型计算与配电网对应的故障值，而故障值则是与故障阈值相对应的，也就是说，如当故障阈值为q统计量极限值时，那么本步骤中所计算的故障值即为q统计量。
[0117]
207、根据所述故障值和所述故障阈值判断所述配电网中是否存在线路故障。
[0118]
由于故障阈值是用来诊断配电网中是否存在故障诊断依据，因此在根据配电网实时数据生成的数据矩阵计算得到与故障阈值相同维度的故障值之后，便可根据故障值、故障阈值以及判断标准确定线路是否存在故障，如故障阈值为某数据维度下的最大极限值，那么判断标准即为当故障值小于该故障阈值时，便可确定配电网中不存在故障，相反，当故障值大于故障阈值时，便可确定配电网中存在故障。
[0119]
具体地，步骤207包括：根据所述预处理后的运行数据矩阵和所述主元模型计算所述配电网的第一统计量数值和第二统计量数值；当所述第一统计量数值大于所述第一统计
量阈值；和/或
[0120]
当所述第二统计量数值大于所述第二统计量阈值时，则判断所述配电网中存在线路故障。其中，所述第一统计量数值用于标识所述运行数据偏离所述主元模型程度，所述第二统计量数值用于标识所述运行数据的幅值和变化趋势偏离所述主元模型程度。本技术实施例中的第一统计量为q统计量，第二统计量为t2统计量，但不限于此。
[0121]
进一步地，q统计量能够标识配电网数据在残差空间的投影大小，代表配电网数据偏离主元模型的程度，当q统计量的数值越大时，表明其偏离主元模型程度越大，也即配电网中发生故障概率越大。具体地，第一统计量可以通过如下方式计算，即q统计量为：
[0122][0123]
式中，pz表示前z个主元所对应的特征向量构成的特征矩阵，即
[0124]
p＝[p1,p2,
…
,pz]；i表示单位矩阵。
[0125]
q统计量对应的故障阈值：
[0126][0127]
当qi《q
α
时，则表示配电网实时数据正常，即配电网中不存在线路故障；当qi》q
α
时，则表示配电网实时数据异常，可以判断配电网中存在故障。
[0128]
此外，t2统计量能够标识配电网数据在主元模型上投影的大小，代表配电网数据的幅值大小和变化趋势偏离主元模型的程度，当t2统计量数值越大时，表明配电网实时数据偏离主元模型的程度越大，也即配电网中发生故障的概率越大。具体地，第二统计量可以通过如下方式计算，即t2统计量为：
[0129][0130]
式中，pz表示前z个主元所对应的特征向量构成的特征矩阵，λ-1
表示前z个主元对应的特征值构成的特征值矩阵。
[0131]
t2统计量对应的故障阈值：
[0132][0133]
式中，f
z,n-z,α
为置信水平为α，自由度为z的f分布。
[0134]
当时，则表示配电网实时数据正常，即配电网中不存在线路故障；时，则表示配电网实时数据异常，可以判断配电网中存在故障。
[0135]
在本技术实施例中，当第一统计量和第二统计量中任意一个统计量存在异常时，即只要有一类统计量超过了其对应的统计量阈值，即可判断配电网中存在线路故障。
[0136]
208、当存在线路故障时，计算与所述各变量分别对应的故障因子。
[0137]
其中，所述故障因子用于标识所述各变量对所述线路故障的影响程度，而故障因子可以为与上述步骤中用于衡量是否存在故障的参变量相对应的，即如果按照上述内容根据一个统计量判断配电网中是否存在故障，那么本步骤中的故障因子便可以为各变量对该统计量所做出的贡献值，以此判断导致电力系统过程运行偏离正常工况的原因。
[0138]
具体地，步骤208包括：当存在线路故障时，根据预置算法依次计算与所述各变量分别对应的第二统计量贡献值，并将所述第二统计量贡献值确定为所述故障因子。
[0139]
其中，第二统计量贡献值，也就是t2统计量贡献值为：
[0140][0141]
式中，pz表示前z个主元所对应的特征向量构成的特征矩阵，即p＝[p1,p2,
…
,pz]。p
ij
表示特征矩阵pz中的元素。λ-1
表示前z个主元对应的特征值构成的特征值矩阵。
[0142]
209、根据所述故障因子确定所述线路故障的故障来源。
[0143]
根据上述内容可知，故障因子表示配电网中各变量，即a相电流、b相电流、c相电流、a相电压、b相电压、c相电压对线路故障的影响程度，不难看出，当变量的故障因子越大时，则可表明该变量对配电网故障的影响越大，反之，当变量的故障因子越小时，则表明该变量对配电网故障的影响越小。
[0144]
具体地，本技术实施例中的步骤209包括：将所述各变量的故障因子按照数值降序进行排序，并将数值最大的故障因子对应的变量确定为故障来源。
[0145]
在本技术实施例中，通过数据采集模块对配电网中各变量数据进行实时采集，并生成相应的配电网实时数据矩阵，在对数据矩阵进行均值化和归一化等预处理后，利用预先根据配电网样本数据建立的主元模型，计算与当前配电网相对应的q统计量和t2统计量，当其中任意一个统计量超多预设故障阈值时，便可确定当前配电网中存在故障，在诊断其存在故障之后，再进一步计算配电网中各变量分别对应的故障因子，并将多个故障因子按照其数值大小进行排序，将数值最大的故障因子所对应的变量确定为当前线路故障的故障来源。
[0146]
在本技术实施例中，还可以包括：获取与所述各变量分别对应的波形图；根据所述波形图和预置故障判据，确定与所述故障来源对应的故障类型。
[0147]
示例性的，本技术实施例提供了四种预置故障判据，分别为：
[0148]
(1)当发现采集的数据信号为某一相电压值下降接近于零，电流值急剧增大，而另外两相呈现相反的情况，其电流忽然下降接近零，电压值大于正常相电压小于线电压值。据此分析，可判断该情况下发生了单相接地短路故障，且故障相为电流值急剧上升的那一相。
[0149]
(2)当配电网上采集的信号显示为某两相电流突然急剧增长，并且其两相电流方向相反，电压值下降，而剩下的那相电流直接变为零，电压大于正常相电压。由此，可判断该情况下发生了两相相间的短路故障，并且电流突然增大且相反的那两相为故障相。
[0150]
(3)当配电网上采集的信号呈现为某两相电流急剧增大，电压下降接近于零值，而另外一相的情况与之相反，其电流值下降至零，电压值增大，大于正常相电压。据此，可判断该情况下发生了两相接地短路故障，故障相为电流值急剧增大的那两相。
[0151]
(4)当配电网上采集的信号显示配电网三相的电流均突然增大，并且电压值又突然下降至零。该情况下为典型的三相短路故障。
[0152]
在本技术实施例中，在诊断配电网中存在故障后，不但能够进一步确定故障来源，还能够通过获取各变量的波形，并结合当前波形和预设故障诊断判据，对故障类型进行初步判断，提升了配电网故障诊断的性能。
[0153]
本发明提供了一种配电网故障诊断的优化方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取配电网中的运行数据矩阵，所述运行数据矩阵中包含有多种变量分别对应的运行数据；基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障；当存在线路故障时，计算与所述各变量分别对应的故障因子，所述故障因子用于标识所述各变量对所述线路故障的影响程度；根据所述故障因子确定所述线路故障的故障来源，实现了根据预先建立的主元模型对配电网中是否存在故障进行诊断，当存在故障时进一步计算配电网中各变量分别对应的故障因子，并根据故障因子确定当前配电网的故障来源，使得配电网故障诊断更加精确，提升了配电网中故障诊断的性能。
[0154]
进一步的，作为对上述图1所示方法的实现，本技术实施例提供了一种配电网故障诊断的优化装置，如图3所示，该装置包括：获取模块31、判断模块32、计算模块33、确定模块34。
[0155]
获取模块31，用于获取配电网中的运行数据矩阵，所述运行数据矩阵中包含有多种变量分别对应的运行数据；
[0156]
判断模块32，用于基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障；
[0157]
计算模块33，用于当存在线路故障时，计算与所述各变量分别对应的故障因子，所述故障因子用于标识所述各变量对所述线路故障的影响程度；
[0158]
确定模块34，用于根据所述故障因子确定所述线路故障的故障来源。
[0159]
进一步地，如图4所示，所述装置还包括：生成模块35，
[0160]
所述获取模块31，还用于获取第一样本数据矩阵，并对所述第一样本数据矩阵进行预处理，得到第二样本数据矩阵；
[0161]
所述计算模块33，还用于计算与所述第二样本数据矩阵对应的特征值和特征向量；
[0162]
所述确定模块34，还用于根据所述特征值和预设累计方差贡献率，确定主元个数；
[0163]
所述生成模块35，还用于按照所述主元个数和所述特征值提取特征向量，并基于提取的特征向量和所述第二样本数据矩阵生成所述主元模型。
[0164]
进一步地，如图4所示，
[0165]
所述确定模块34，还用于根据所述第二样本数据矩阵和所述主元模型确定故障阈值，所述故障阈值用于衡量所述配电网中的运行数据是否存在异常。
[0166]
进一步地，如图4所示，所述判断模块32包括：
[0167]
预处理单元3201，用于将所述运行数据矩阵进行预处理；
[0168]
计算单元3202，用于根据预处理后的运行数据矩阵和所述主元模型计算所述配电网的故障值；
[0169]
判断单元3203，用于根据所述故障值和所述故障阈值判断所述配电网中是否存在线路故障。
[0170]
进一步地，如图4所示，
[0171]
所述判断单元3203，具体用于根据所述预处理后的运行数据矩阵和所述主元模型计算所述配电网的第一统计量数值和第二统计量数值，所述第一统计量数值用于标识所述运行数据偏离所述主元模型程度，所述第二统计量数值用于标识所述运行数据的幅值和变
化趋势偏离所述主元模型程度；
[0172]
当所述第一统计量数值大于所述第一统计量阈值；和/或
[0173]
当所述第二统计量数值大于所述第二统计量阈值时，则判断所述配电网中存在线路故障。
[0174]
进一步地，如图4所示，
[0175]
所述计算模块33，具体用于当存在线路故障时，根据预置算法依次计算与所述各变量分别对应的第二统计量贡献值，并将所述第二统计量贡献值确定为所述故障因子。
[0176]
进一步地，如图4所示，
[0177]
所述确定模块34，具体用于将所述各变量的故障因子按照数值降序进行排序，并将数值最大的故障因子对应的变量确定为故障来源。
[0178]
进一步地，如图4所示，
[0179]
所述获取模块31，还用于获取与所述各变量分别对应的波形图；
[0180]
所述确定模块34，还用于根据所述波形图和预置故障判据，确定与所述故障来源对应的故障类型。
[0181]
本技术提供了一种配电网故障诊断的优化方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过获取配电网中的运行数据矩阵，所述运行数据矩阵中包含有多种变量分别对应的运行数据；基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障；当存在线路故障时，计算与所述各变量分别对应的故障因子，所述故障因子用于标识所述各变量对所述线路故障的影响程度；根据所述故障因子确定所述线路故障的故障来源，实现了根据预先建立的主元模型对配电网中是否存在故障进行诊断，当存在故障时进一步计算配电网中各变量分别对应的故障因子，并根据故障因子确定当前配电网的故障来源，使得配电网故障诊断更加精确，提升了配电网中故障诊断的性能。
[0182]
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的配电网故障诊断的优化方法。
[0183]
图5示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
[0184]
如图5所示，该终端可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)404、以及通信总线408。
[0185]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
[0186]
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
[0187]
处理器402，用于执行程序410，具体可以执行上述配电网故障诊断的优化方法实施例中的相关步骤。
[0188]
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
[0189]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0190]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括
非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0191]
程序410具体可以用于使得处理器402执行以下操作：
[0192]
获取配电网中的运行数据矩阵，所述运行数据矩阵中包含有多种变量分别对应的运行数据；
[0193]
基于所述运行数据矩阵并利用预置主元模型判断所述配电网中是否存在线路故障；
[0194]
当存在线路故障时，计算与所述各变量分别对应的故障因子，所述故障因子用于标识所述各变量对所述线路故障的影响程度；
[0195]
根据所述故障因子确定所述线路故障的故障来源。
[0196]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0197]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。