本发明涉及配电网故障诊断，尤其涉及一种基于配电网ftu的故障诊断方法及系统。
背景技术：
1、随着电力系统的发展和智能化水平的提高，配电网在现代工业和民用领域中扮演着至关重要的角色，然而，由于各种内外部因素的影响，如电力负荷变化、设备老化、短路故障等，配电网会面临各种故障和异常情况，这些故障和异常情况如果不能及时发现和诊断，会导致电力系统的不稳定运行甚至引发事故，传统的配电网故障检测方法往往存在着故障诊断效率不高、不准确的问题，配电网ftu（fault terminal unit，故障终端单元）作为配电网中的终端设备，可以实时获取电流、电压等电力参数信息，并通过通信网络将这些信息传输到上位系统进行分析和处理，因此，需要一种通过配电网ftu来进行配电网故障诊断的方法。
技术实现思路
1、本发明为解决上述技术问题，提出了一种基于配电网ftu的故障诊断方法及系统，以解决至少一个上述技术问题。
2、为实现上述目的，本发明提供一种基于配电网ftu的故障诊断方法，包括以下步骤：
3、步骤s1：获取实时ftu电压监测数据及配电网ftu位置数据；对实时ftu电压监测数据进行时序窗口分解，以得到ftu电压序列；对ftu电压序列进行离散小波多频段分解，以得到优化多频域电压数据；
4、步骤s2：对优化多频域电压数据进行频率分量分析，以得到多个频率段的频率分量；对多个频率段的频率分量进行三维特征空间映射，构建ftu三维特征映射图；
5、步骤s3：对优化多频域电压数据进行动态电压变化分析，生成动态电压波动趋势数据；基于配电网ftu位置数据得到ftu空间分布数据；基于ftu空间分布数据构建ftu拓扑网络模型；
6、步骤s4：基于动态电压波动趋势数据及ftu拓扑网络模型得到拓扑耦合关联强度值；基于拓扑耦合关联强度值及ftu三维特征映射图对动态拓扑网络模型进行动态渲染演化，构建ftu非线性状态空间模型；
7、步骤s5：对ftu非线性状态空间模型进行异常空间特征分析，以得到异常特征数据；对异常特征数据进行时序概率关联分析，从而生成ftu异常时序概率数据；
8、步骤s6：基于ftu异常时序概率数据标记故障ftu节点；对故障ftu节点进行自适应故障决策，以构建配电网故障决策模型。
9、本发明通过获取实时ftu电压监测数据和位置数据，可以获取到配电网的当前状态信息，为故障检测提供基础数据，时序窗口分解可以对实时ftu电压数据进行分段处理，提取出ftu电压序列，为后续分析提供连续的电压数据，离散小波多频段分解可以将电压序列分解为不同频率段的成分，使得后续分析可以针对不同频率段进行更精细的处理和分析，频率分量分析可以帮助识别不同频率段的频率特征，揭示出配电网中存在的频率异常或共振现象，三维特征空间映射将多个频率段的频率分量映射到三维空间中，可以将不同频率段的特征相互关联，形成更全面的特征描述，构建ftu三维特征映射图有助于可视化和理解配电网中不同频率段的特征分布情况，为后续故障检测提供直观的参考，动态电压变化分析可以捕捉到配电网中电压的瞬时变化和波动情况，有助于发现电压异常或不稳定的情况，生成动态电压波动趋势数据可以帮助识别电压的周期性或趋势性变化，为故障检测提供更多特征信息，ftu空间分布数据和ftu拓扑网络模型可以描述配电网中不同ftu设备的位置和连接关系，为后续故障检测提供拓扑结构的参考，基于动态电压波动趋势数据和ftu拓扑网络模型可以计算出不同ftu节点之间的拓扑耦合关联强度，揭示出节点之间的相互影响程度，动态渲染演化可以将拓扑耦合关联强度值和ftu三维特征映射图相结合，形成动态拓扑网络模型，能够更好地反映配电网中节点之间的状态演化和相互关系，构建ftu非线性状态空间模型有助于对配电网中的非线性行为进行建模和分析，为故障检测提供更准确的模型基础，异常空间特征分析可以提取ftu非线性状态空间模型中的异常特征，帮助识别配电网中存在的异常行为或故障情况，时序概率关联分析可以将异常特征数据与时间序列进行关联，确定异常特征的出现概率和时序关系，为故障检测提供更可靠的判断依据，生成ftu异常时序概率数据可以提供故障发生的概率估计和时序信息，有助于优化故障检测的准确性和及时性，标记故障ftu节点可以根据ftu异常时序概率数据确定故障发生的节点，精确定位故障位置，提高故障诊断的准确性，自适应故障决策可以根据故障ftu节点的特征和上下文信息，采取相应的故障处理策略，提高故障处理的效率和可靠性，构建配电网故障决策模型可以将故障检测、定位和处理过程整合起来，形成一个闭环系统，为配电网的故障检测和维护提供全面的解决方案。
10、优选地，步骤s1包括以下步骤：
11、步骤s11：获取实时ftu电压监测数据及配电网ftu位置数据；
12、步骤s12：对实时ftu电压监测数据进行时序窗口分解，以得到ftu电压时序数据；
13、步骤s13：对ftu电压时序数据进行序列化处理，以得到ftu电压序列；
14、步骤s14：对ftu电压序列进行离散小波多频段分解，从而得到多频域电压数据；
15、步骤s15：对多频域电压数据进行高频噪声剔除处理，以得到优化多频域电压数据。
16、本发明通过实时ftu电压监测数据提供了当前配电网各个节点的电压信息，可以反映电网的运行状态和负载情况，配电网ftu位置数据提供了各个ftu设备在配电网中的位置信息，有助于确定设备之间的连接关系和电压传输路径，时序窗口分解将实时ftu电压监测数据分段处理，得到连续的电压时序数据，使得后续的分析可以基于连续的数据进行，ftu电压时序数据反映了电压的变化趋势和波动情况，有助于故障检测中对电压异常的判断和定位，序列化处理将ftu电压时序数据转换为一个序列，使得电压数据可以更方便地进行分析和处理，ftu电压序列提供了电压数据的有序排列，有助于发现电压的周期性变化、趋势性变化或其他特征，离散小波多频段分解将ftu电压序列分解为不同频率段的成分，可以将电压的频域特征进行分离和提取，多频域电压数据提供了不同频率段上的电压信息，有助于检测和分析不同频率范围内的异常情况，如谐波、干扰等，高频噪声剔除处理可以去除多频域电压数据中的高频噪声成分，提高数据的质量和准确性，优化多频域电压数据消除了影响分析和检测结果的噪声干扰，使得后续的故障检测更加准确和可靠。
17、优选地，步骤s2的具体步骤为：
18、步骤s21：对优化多频域电压数据进行频率分量分析，以得到多个频率段的频率分量；
19、步骤s22：对多个频率段的频率分量进行频率分量分布分析，以得到频率域分布数据；
20、步骤s23：基于ftu电压时序数据及频率域分布数据对多个频率段的频率分量进行三维特征空间映射，构建ftu三维特征映射图。
21、本发明通过频率分量分析将优化后的多频域电压数据进一步分解，提取出不同频率段上的频率分量，多个频率段的频率分量反映了电压在不同频率范围内的波动情况和特征，有助于故障检测中对特定频率范围内的异常进行判断和分析，频率分量分布分析对多个频率段的频率分量进行统计和分布分析，得到频率域分布数据，频率域分布数据提供了不同频率分量的出现频率、幅值分布等信息，有助于发现频率分量的异常分布情况和变化趋势，进一步指导故障检测，三维特征空间映射将ftu电压时序数据和频率域分布数据结合起来，将多个频率段的频率分量映射到一个三维特征空间中，ftu三维特征映射图将不同频率段上的频率分量以空间中的点或区域形式呈现，有助于可视化分析和理解电压的时域和频域特征，快速发现异常和故障信号。
22、优选地，步骤s23的具体步骤为：
23、基于ftu电压时序数据得到第一坐标轴数据；
24、基于频率域分布数据得到第二坐标轴数据；
25、基于多个频率段的频率分量得到第三坐标轴数据；
26、构建三维坐标系；
27、基于第一坐标轴数据、第一坐标轴数据及第三坐标轴数据对三维坐标系进行三维特征空间映射，构建ftu三维特征映射图。
28、本发明通过根据ftu电压时序数据，可以提取出电压的时域特征，例如均值、方差、峰峰值等，第一坐标轴数据是基于这些时域特征构建的，用于表示电压信号在时域上的特征信息，频率域分布数据反映了电压信号在不同频率范围内的分量分布情况，例如频率分量的出现频率、幅值等，第二坐标轴数据是基于这些频率域分布信息构建的，用于表示电压信号在频域上的特征信息，多个频率段的频率分量提供了电压信号在不同频率范围内的波动情况和特征，第三坐标轴数据是基于这些频率分量构建的，用于表示电压信号在频域上的特征信息，三维坐标系是由第一、第二和第三坐标轴组成，用于将电压信号的时域特征、频域分布和频率分量特征整合在一个空间中，三维坐标系提供了一个综合的特征空间，有助于将不同特征维度的信息进行可视化和分析，三维特征空间映射将基于ftu电压时序数据、频率域分布数据和频率分量的第一、第二和第三坐标轴数据映射到一个三维空间中，ftu三维特征映射图以点或区域的形式展示了不同电压信号的综合特征，有助于可视化分析、检测电压异常和故障情况。
29、优选地，步骤s3的具体步骤为：
30、步骤s31：对优化多频域电压数据进行动态电压变化分析，以得到ftu动态电压变化数据；
31、步骤s32：对ftu动态电压变化数据进行电压波动趋势分析，生成动态电压波动趋势数据；
32、步骤s33：对配电网ftu位置数据进行ftu空间分布分析，以得到ftu空间分布数据；
33、步骤s34：对ftu空间分布数据进行ftu拓扑结构分析，生成ftu拓扑结构数据；基于ftu拓扑结构数据构建ftu拓扑网络模型。
34、本发明通过动态电压变化分析对优化后的多频域电压数据进行实时监测和分析，获取电压信号的动态变化情况，ftu动态电压变化数据反映了电压信号在时间上的波动和变化趋势，有助于故障检测中对电压异常行为的识别和分析，电压波动趋势分析基于ftu动态电压变化数据，对电压信号的波动进行趋势分析和统计，动态电压波动趋势数据提供了电压波动的幅值、频率等信息，有助于发现电压波动的周期性、趋势性和异常情况，为故障检测提供参考依据，ftu空间分布分析基于配电网中各个ftu的位置数据，对ftu在空间上的分布情况进行分析和统计，ftu空间分布数据提供了ftu的位置坐标、区域分布等信息，有助于了解ftu的空间布局，发现存在的故障聚集区域或异常情况，ftu拓扑结构分析基于ftu空间分布数据，对ftu之间的连接关系和拓扑结构进行分析和建模，ftu拓扑结构数据描述了ftu之间的拓扑连接关系，例如线路连接、邻近关系等，有助于理解配电网的拓扑结构，为故障检测和网络分析提供基础，ftu拓扑网络模型是基于ftu拓扑结构数据构建的一个网络表示，用于模拟和分析配电网中ftu之间的关系和通信，ftu拓扑网络模型提供了一个综合的视角，可以帮助理解配电网中ftu之间的信息传输和交互，为故障检测和网络管理提供支持。
35、优选地，步骤s4的具体步骤为：
36、步骤s41：对动态电压波动趋势数据进行区域负载波动计算，以得到区域负载波动数据；
37、步骤s42：基于区域动态负载波动数据对ftu拓扑网络模型进行拓扑耦合强度分析，以得到拓扑耦合关联强度值；
38、步骤s43：基于拓扑耦合关联强度值对ftu拓扑网络模型进行动态拓扑网络调整，以得到动态拓扑网络模型；
39、步骤s44：根据ftu三维特征映射图对动态拓扑网络模型进行动态渲染演化，构建ftu非线性状态空间模型。
40、本发明通过区域负载波动计算基于动态电压波动趋势数据，分析不同区域的负载波动情况，区域负载波动数据提供了不同区域负载的波动幅度、频率等信息，有助于检测负载异常和故障，拓扑耦合强度分析基于区域动态负载波动数据和ftu拓扑网络模型，评估不同ftu之间的拓扑耦合关系的强度，拓扑耦合关联强度值提供了不同ftu之间的拓扑耦合程度，有助于发现拓扑关系异常和故障，动态拓扑网络调整基于拓扑耦合关联强度值，根据拓扑关系的变化调整ftu拓扑网络模型，动态拓扑网络模型反映了ftu之间的实时拓扑关系，有助于实时监测和管理配电网的拓扑变化，根据ftu三维特征映射图，将动态拓扑网络模型进行动态渲染演化，生成ftu非线性状态空间模型，ftu非线性状态空间模型能够更直观地表示动态拓扑网络模型的状态和变化，有助于故障检测和分析配电网的非线性行为。
41、优选地，步骤s5的具体步骤为：
42、步骤s51：对ftu非线性状态空间模型进行异常空间特征分析，以得到异常特征数据；
43、步骤s52：对异常特征数据进行时间序列识别，以标记异常特征时序数据；
44、步骤s53：对异常特征数据进行异常概率分布统计，从而得到异常特征概率分布数据；
45、步骤s54：基于异常特征时序数据对异常特征概率分布数据进行时序概率关联分析，从而生成ftu异常时序概率数据。
46、本发明通过异常空间特征分析基于ftu非线性状态空间模型，对模型中的异常空间特征进行分析和提取。异常特征数据包含了ftu非线性状态空间模型中的异常特征信息，有助于故障检测和异常行为的识别。时间序列识别针对异常特征数据进行分析，识别其中的时序模式和异常特征。标记异常特征时序数据可以帮助标识出ftu非线性状态空间模型中的异常行为和异常时刻。异常概率分布统计基于异常特征数据，对异常特征的概率分布进行统计和分析。异常特征概率分布数据提供了异常特征出现的概率信息，有助于确定异常的严重程度和性。时序概率关联分析基于异常特征时序数据和异常特征概率分布数据，分析它们之间的时序关联性和概率分布的变化。ftu异常时序概率数据提供了异常特征在时间上的演化和变化情况，有助于实时监测和分析ftu的异常状态。
47、优选地，步骤s51的具体步骤为：
48、对ftu非线性状态空间模型进行ftu运行模拟，从而得到ftu运行模拟轨迹；
49、基于预设的正常ftu状态轨迹数据库对ftu运行模拟轨迹进行轨迹偏离识别，以得到偏离轨迹；
50、基于偏离轨迹对ftu非线性状态空间模型进行异常区域标记，从而得到ftu状态异常区域；
51、对ftu状态异常区域进行局部状态重构，得到异常区域局部模型；
52、对异常区域局部模型进行残差计算，生成局部偏离误差；
53、对局部偏离误差pca分解处理，以得到局部异常向量；
54、对局部异常向量进行异常空间特征分析，以得到异常特征数据。
55、本发明通过ftu运行模拟基于非线性状态空间模型，模拟ftu在正常情况下的运行轨迹，ftu运行模拟轨迹提供了ftu在正常情况下的预期行为和状态变化信息，为后续的异常检测和分析提供基准，偏离识别基于预设的正常ftu状态轨迹数据库，比较ftu运行模拟轨迹与正常轨迹的差异，偏离轨迹标识了ftu运行模拟轨迹中与正常情况有明显偏离的部分，有助于定位潜在的异常区域，异常区域标记根据偏离轨迹，将ftu非线性状态空间模型中与偏离轨迹对应的区域标记为异常区域，ftu状态异常区域提供了在运行模拟中出现异常的具体区域信息，有助于进一步的异常分析和故障检测，局部状态重构基于ftu状态异常区域，重新构建异常区域内的局部状态模型，异常区域局部模型提供了异常区域内的局部状态信息，有助于深入理解和分析异常的本质和原因，残差计算通过比较异常区域局部模型与实际观测数据之间的差异，计算局部偏离误差，局部偏离误差量化了异常区域内模型与观测数据之间的差异程度，有助于判断异常的程度和类型，pca分解处理将局部偏离误差转化为主成分分析的形式，提取局部异常向量，局部异常向量提供了异常区域内的关键特征信息，有助于异常检测和异常特征的分析，异常空间特征分析基于局部异常向量，对异常特征进行分析和提取，异常特征数据包含了局部异常向量中的关键特征信息，用于配电网的故障检测和异常行为分析。
56、优选地，步骤s6的具体步骤为：
57、步骤s61：对ftu异常时序概率数据进行故障诊断分析，以生成ftu故障诊断数据；
58、步骤s62：基于ftu故障诊断数据对ftu拓扑网络模型进行故障节点定位，标记故障ftu节点；
59、步骤s63：对故障ftu节点进行自适应故障决策，以构建配电网故障决策模型。
60、本发明通过故障诊断分析基于ftu异常时序概率数据，通过对异常特征和时序数据的分析，判断ftu是否存在故障，ftu故障诊断数据提供了故障检测的结果，标识出存在故障的ftu及其相关信息，为后续的故障处理和修复提供依据，故障节点定位基于ftu故障诊断数据和配电网的拓扑网络模型，确定故障发生的位置，标记故障ftu节点提供了故障位置的信息，帮助准确定位故障的具体位置，有助于后续的故障排除和修复工作，自适应故障决策基于故障ftu节点的诊断结果和配电网的状态信息，根据具体情况制定相应的故障处理方案，构建配电网故障决策模型提供了在不同故障情况下的应对策略和决策支持，有助于迅速恢复和保障配电网的正常运行。
61、在本说明书中，提供一种基于配电网ftu的故障诊断系统，用于执行如上所述的基于配电网ftu的故障诊断方法，包括：
62、多频段分解模块，用于获取实时ftu电压监测数据及配电网ftu位置数据；对实时ftu电压监测数据进行时序窗口分解，以得到ftu电压序列；对ftu电压序列进行离散小波多频段分解，以得到优化多频域电压数据；
63、三维特征模块，用于对优化多频域电压数据进行频率分量分析，以得到多个频率段的频率分量；对多个频率段的频率分量进行三维特征空间映射，构建ftu三维特征映射图；
64、拓扑网络模块，用于对优化多频域电压数据进行动态电压变化分析，生成动态电压波动趋势数据；基于配电网ftu位置数据得到ftu空间分布数据；基于ftu空间分布数据构建ftu拓扑网络模型；
65、动态渲染模块，用于基于动态电压波动趋势数据及ftu拓扑网络模型得到拓扑耦合关联强度值；基于拓扑耦合关联强度值及ftu三维特征映射图对动态拓扑网络模型进行动态渲染演化，构建ftu非线性状态空间模型；
66、异常特征模块，用于对ftu非线性状态空间模型进行异常空间特征分析，以得到异常特征数据；对异常特征数据进行时序概率关联分析，从而生成ftu异常时序概率数据；
67、故障决策模块，用于基于ftu异常时序概率数据标记故障ftu节点；对故障ftu节点进行自适应故障决策，以构建配电网故障决策模型。
68、本发明通过实时获取ftu电压监测数据和配电网ftu位置数据，为后续故障检测提供必要的输入数据，通过时序窗口分解，将实时ftu电压监测数据转化为连续的ftu电压序列，便于后续的频率分量分析和动态电压变化分析，利用离散小波多频段分解，得到优化的多频域电压数据，提取更丰富的频域信息，为故障检测提供更准确的特征，通过频率分量分析，提取优化多频域电压数据中不同频率段的频率分量，获取电压信号的频率特征，基于频率分量进行三维特征空间映射，通过将频率分量映射到三维空间中，构建ftu三维特征映射图，使得电压特征更易于可视化和分析，通过动态电压变化分析，提取优化多频域电压数据中的波动趋势信息，获得电压信号的动态特征，利用配电网ftu位置数据，获取ftu在空间中的分布情况，为后续的拓扑关联分析提供基础数据，基于ftu空间分布数据构建ftu拓扑网络模型，建立ftu节点之间的拓扑关系，为故障检测提供拓扑信息，基于动态电压波动趋势数据和ftu拓扑网络模型，计算拓扑耦合关联强度值，评估ftu节点之间的拓扑连接程度，利用拓扑耦合关联强度值和ftu三维特征映射图，对动态拓扑网络模型进行动态渲染演化，将节点的拓扑状态可视化，构建ftu非线性状态空间模型，方便故障检测和分析，通过对ftu非线性状态空间模型进行异常空间特征分析，识别出与正常情况不符的异常特征数据，有助于故障的检测和定位，对异常特征数据进行时序概率关联分析，可以确定异常特征之间的关联程度和概率分布情况，生成ftu异常时序概率数据，用于进一步的故障诊断和决策，故障决策模块基于ftu异常时序概率数据标记故障ftu节点，并进行自适应故障决策，构建配电网故障决策模型，根据ftu异常时序概率数据，确定存在故障的ftu节点，并进行标记，基于标记的故障ftu节点和配电网的状态信息，制定相应的故障处理方案，以构建配电网的故障决策模型，这有助于迅速恢复和保障配电网的正常运行。
1.一种基于配电网ftu的故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于配电网ftu的故障诊断方法，其特征在于，步骤s1的具体步骤为：
3.根据权利要求1所述的基于配电网ftu的故障诊断方法，其特征在于，步骤s2的具体步骤为：
4.根据权利要求3所述的基于配电网ftu的故障诊断方法，其特征在于，步骤s23的具体步骤为：
5.根据权利要求1所述的基于配电网ftu的故障诊断方法，其特征在于，步骤s3的具体步骤为：
6.根据权利要求1所述的基于配电网ftu的故障诊断方法，其特征在于，步骤s4的具体步骤为：
7.根据权利要求1所述的基于配电网ftu的故障诊断方法，其特征在于，步骤s5的具体步骤为：
8.根据权利要求7所述的基于配电网ftu的故障诊断方法，其特征在于，步骤s51的具体步骤为：
9.根据权利要求1所述的基于配电网ftu的故障诊断方法，其特征在于，步骤s6的具体步骤为：
10.一种基于配电网ftu的故障诊断系统，其特征在于，用于执行如权利要求1所述的基于配电网ftu的故障诊断方法，包括：
