本发明涉及输电线路分布式故障定位，更具体地说，它涉及一种分布式输电线路故障精确定位系统及方法。
背景技术：
1、行波定位技术是一种基于测量故障产生的暂态行波传播时间的故障诊断方法，具有高精度和快速响应的特点。该技术已广泛应用于110kv及以上电压等级输电线路，并逐步在配网中实现应用。行波定位技术包括电流行波定位和电压行波定位，以及单端量法和双端量法等多种分类；
2、根据结构方式可分为：分布式、融合式。
3、分布式采用与输电系统相同的结构，传感器安装于线路上。融合式是将行波传感器与柱上开关融合，内置或外置于极柱；
4、分布式系统结构的故障定位系统虽然进行了数据采集终端的分布式布置，但是在进行故障定位时仍然采用传统的方法，并未充分利用分布式系统采集的数据。
技术实现思路
1、本发明提供一种分布式输电线路故障精确定位系统及方法，解决相关技术中的技术问题。
2、本发明提供了一种分布式输电线路故障精确定位方法，包括：
3、步骤101，采集输电线路故障时的录波数据；
4、将输电线路划分为多个线路段，在每个数据段的端点采集录波数据；
5、录波数据包括一次输电线路故障时所有线路段的端点的故障暂态录波数据；
6、步骤102，基于采集的录波数据构建图结构数据；
7、图结构数据包括节点和连接节点的边，节点包括干线节点和分支节点，一个干线节点表示一个干线的线路段，一个分支节点表示一个分支的线路段；
8、节点之间的边的生成规则如下：
9、如果两个干线节点表示的线路段相连，则这两个干线节点之间生成边；
10、如果干线节点和分支节点表示的线路段相连，则该干线节点和分支节点之间生成边；
11、如果两个分支节点属于同一个分支，则这两个分支节点之间存在边；
12、步骤103，将图结构数据输入神经网络模型中，神经网络模型输出表示输电线路的故障点的位置的结果；
13、神经网络模型包括：
14、自编码层，其用于输入一个故障暂态录波来输出一个自编码特征，当输入节点表示的线路段的起点的故障暂态录波时，输出对应于该节点的自编码特征；
15、张量层，其用于将节点的自编码特征张量化为向量形式后输入图结构学习层；
16、图结构学习层，其用于输入节点的自编码特征和图结构数据，并输出全局特征；
17、全连接层，其用于输入全局特征，然后输出表示故障点距离比的结果；
18、步骤104，根据故障距离比计算故障点与最先启动故障暂态录波的端点之间的距离，提取最先启动故障暂态录波的端点位置，然后对故障点进行定位。
19、故障点距离比为正值则表示故障点在最先启动故障暂态录波的端点之后的线路段上，否则表示在最先启动故障暂态录波的端点之前的线路段上。
20、进一步地，故障暂态录波是所有线路段同步的采集的，当任意一个线路段的端点触发故障暂态录波时，所有线路段的端点同步的进行故障暂态录波。
21、进一步地，线路段包括干线的线路段和分支的线路段。
22、进一步地，故障点距离比的表示如下：
23、
24、其中，l0，+表示最先启动故障暂态录波的端点之前的线路段的长度，l0，-表示最先启动故障暂态录波的端点之后的线路段长度，l0，b表示故障点与最先启动故障暂态录波的端点的距离。
25、进一步地，自编码层输入故障暂态录波数据的a、b、c、d段的波形数据，然后输出a段加权特征、b段加权特征、c段加权特征和d段加权特征；
26、每个波形段a、b、c、d本身就是一个时间序列，包含了多个时间步的波形采样值。可以将它们视为四个独立的输入序列，分别记为xa，xb，xc，xd。
27、对于每个序列，添加相应的段类型嵌入。例如对于xa，将a段的嵌入向量复制扩展为与xa等长的矩阵，记为ea。然后将xa和ea在特征维度上拼接，得到x′a。
28、将四个增强后的输入序列x′a，x′b，x′c，x′d按时间先后拼接成一个长序列x′＝[x′a，x′b，x′c，x′d]。
29、最后将x′输入到注意力层；
30、注意力层的计算公式如下：
31、对x′进行线性变换，得到query矩阵q、key矩阵k和value矩阵v。
32、q＝x′wq
33、k＝x′wk
34、v＝x′wv
35、其中为可学习的权重矩阵，dk为注意力头的维度。
36、然后计算注意力权重矩阵
37、
38、最后将注意力权重矩阵与value矩阵相乘并线性变换，得到输出的自编码特征
39、z＝avwo
40、其中为输出层权重矩阵。
41、进一步地，图结构学习层包括3层隐藏层和一层线性层，第1层隐藏层的计算公式如下：
42、
43、其中是节点u对节点v的注意力权重，n(v)表示与节点v存在边的节点的集合，表示第1层的第一权重参数，通过如下公式计算：
44、
45、a是一个可学习的注意力向量，||表示向量拼接操作，表示第1层的第二权重参数，leakyrelu表示leakyrelu函数；
46、
47、其中xv和xu分别表示第v个和第u个节点的特征表示
48、线性层的计算公式如下：
49、其中qt表示全局特征，表示第3层的节点c的特征表示，n(all)表示所有节点的集合，concat表示向量拼接。
50、进一步地，张量层的张量化是将矩阵逐行展开为向量之后进行拼接。
51、进一步地，神经网络模型还包括第二全连接层，其用于输入全局特征，然后输出表示故障类型的分类结果。
52、本发明提供了一种分布式输电线路故障精确定位系统，包括：
53、设置于输电线路的干线和分支上的信号检测终端；
54、用于从信号检测终端接收数据的通信终端，通信终端用于将数据发送到系统主站；
55、系统主站用于执行前述的分布式输电线路故障精确定位方法的步骤102-104。
56、进一步地，信号检测终端根据北斗或gps授时来进行录波的时间同步，信号检测终端能够根据录波指令进行录波，录波指令包含的录波启动时间能够在指令被执行时获得同步的故障暂态录波。
57、本发明提供了一种存储介质，其存储有计算机可读指令该计算机可读指令被读取时，能够执行前述的一种分布式输电线路故障精确定位方法。
58、本发明的有益效果在于：本发明借助深度学习来组织分布式输电线路故障定位系统的录波数据，利用暂态波的在输电线路上的传递特性来融合多个线路段上的暂态录波数据，解决了由于单个暂态录波数据在进行故障定位时难以剥离干扰信息的问题，全局的暂态录波数据的融合提供了能够剥离干扰信息的信息丰度，一定程度上提高了定位的精度。
1.一种分布式输电线路故障精确定位方法，其特征在于，包括：
2.根据权利要求1所述的一种分布式输电线路故障精确定位方法，其特征在于，故障暂态录波是所有线路段同步的采集的，当任意一个线路段的端点触发故障暂态录波时，所有线路段的端点同步的进行故障暂态录波。
3.根据权利要求1所述的一种分布式输电线路故障精确定位方法，其特征在于，节点之间的边的生成规则如下：
4.根据权利要求1所述的一种分布式输电线路故障精确定位方法，其特征在于，故障点距离比的表示如下：
5.根据权利要求1所述的一种分布式输电线路故障精确定位方法，其特征在于，自编码层输入故障暂态录波数据的a、b、c、d段的波形数据，然后输出a段加权特征、b段加权特征、c段加权特征和d段加权特征；
6.根据权利要求1所述的一种分布式输电线路故障精确定位方法，其特征在于，图结构学习层包括3层隐藏层和一层线性层，第l层隐藏层的计算公式如下：
7.根据权利要求1所述的一种分布式输电线路故障精确定位方法，其特征在于，张量层的张量化是将矩阵逐行展开为向量之后进行拼接。
8.根据权利要求1所述的一种分布式输电线路故障精确定位方法，其特征在于，神经网络模型还包括第二全连接层，其用于输入全局特征，然后输出表示故障类型的分类结果。
9.一种分布式输电线路故障精确定位系统，其特征在于，包括：
10.一种存储介质，其存储有计算机可读指令，其特征在于，该计算机可读指令被读取时，能够执行如权利要求1-8任一所述的一种分布式输电线路故障精确定位方法。
