本发明涉及电力自动化领域，具体涉及一种基于矩阵和深度学习的多端口配电网故障定位方法。
背景技术：
1、配电线路是现代电力系统的组成部分，由于分布式电源的广泛接入改变了配电网的电力流向和故障电流的分布，影响了传统故障定位方法的有效性。有效的电力系统保护方法应该能够尽快检测到所有发生的故障，准确、及时的故障诊断对于配电系统的安全运行和供电可靠性具有重要意义。
2、基于行波(tw)方法的准确性受行波到达时间和行波速度的影响，首先，行波到达时间的确定方法已经被广泛研究，在现有的行波定位方法中，主要包含通过离散小波变换(dwt)获得的行波到达时间的方法，此方法缺点在于选择母小波和分解级别时存在困难。而对于通过经验模态分解(emd)和希尔伯特变换的连续应用获得行波到达时间的方法，其中，emd避免了dwt的选择困难，但易受端点效应的影响，这会影响波前的识别。
3、通过变分模态分解(vmd)将故障行波分解为k个本征模态函数(imfs)的方法，虽然vmd不受emd端点效应的影响，但需要事先了解模态分解数k，高估或低估k的值会对结果产生负面影响，
4、导致适应性差。
技术实现思路
1、本发明的目的是提供一种基于距离矩阵和深度学习的多端口配电网故障定位方法，可以实现快速故障区段识别和精准点定位。
2、为了实现上述目的，本发明采用的技术方法如下：
3、一种基于距离矩阵和深度学习的多端口配电网故障定位方法，步骤包括：
4、s1、配电网终端安装行波记录仪，采集故障行波，利用逐次变分模态分解(svmd)和teager能量算子(teo)对行波进行特征提取，得到行波速度和行波到达时间；
5、s2、从频率依赖行波速度的角度出发，推导出故障端识别方法，并定义了本征距离矩阵(idm)、故障距离矩阵(fdm)和故障区段识别矩阵(fsim)；
6、s3、分析fsim中元素的特征，根据包含所选参考端口和真实故障点的路径而计算的故障距离的平均值确定估计位置；
7、s4、构建配电网fsim数据库，并给故障区段识别矩阵设置故障距离平均值作为标签；
8、s5、在pytorch中搭建卷积神经网络cnn模型，将数据库的fsim数据输入模型训练并进行测试。
9、优选的，所述步骤s1中，采集行波后，利用凯伦贝尔变换将每个配电网终端收集到的故障行波转化为线模分量和地模分量，其中凯伦贝尔变换的公式如下：
10、
11、其中ua、ub和uc分别是三相电压或三相电流，u0是地模分量，也称0模分量，在导线和大地之间传播；uα、uβ是两个独立的线模电压分量或电流分量，在三相导线之间传播。
12、优选的，所述步骤s1中逐次变分模态分解svmd的具体步骤如下：
13、将模态分解数初始化为0；
14、设置模态分解数逐次加一，将模型、中心频率、拉格朗日乘子和矩阵维度初始化为0，并将矩阵维度加一的值作为模型、中心频率、拉格朗日乘子的次数；
15、设置矩阵维度逐次加一并更新模型、中心频率、拉格朗日乘子的次数加一；
16、重复步骤，当满足更新参数的停止准则时，输出当前模态及其相应的中心频率；
17、当满足算法结束准则时，迭代过程终止，并输出所有模态及其相应的中心频率。
18、优选的，所述步骤s2中，本征距离矩阵idm计算过程如下：
19、
20、其中，矩阵l行元素表示每个配电网终端到其相邻t节点的距离，矩阵的对角元素设为0，行元素中的mi表示参考端口，列元素中的mi表示远端端口。
21、优选的，故障距离矩阵fdm-d的元素通过两端定位公式计算，fdm-d定义如下：
22、
23、其中，dmimj(i＝1,2,3,4,j＝1,2,3,4)表示通过两端定位公式计算的值，矩阵的对角元素dmimj定义为0。
24、优选的，所述步骤s2中，通过计算故障距离矩阵fdm和本征距离矩阵idm之间的差异，建立故障段识别矩阵fsim-δ，其中δ＝d-l。
25、优选的，所述步骤s3中，故障发生在分支上，当选择端口m2作为参考端口时，路径m1-m2包含真实故障点，两端定位公式计算的值dm2m1等于lm2t1+lft1，路径m2与其余端口之间不包含真实故障点，t1是伪故障点，两端定位公式计算的值dm2m3和dm2m4等于lm2t1，因此最终得到的fsim-δ为：
26、
27、其中，选择m1作为参考端口来估算故障距离，对于包含端口mi的分支上的故障，矩阵δ中相应元素的特征表示为：
28、δ(i,:)max≤0
29、δ(:,i)min≥0；
30、其中，δ(i,:)max表示第i行元素的最大值，δ(:,i)min表示第i列元素的最小值。
31、优选的，所述步骤s3中，当故障发生在相邻t节点之间，分析故障发生在相邻t节点之间得到的对应的fsim矩阵为：
32、
33、相邻t节点之间的故障段，即分别与端口mi和mj相邻的故障段，矩阵δ中相应元素的特征表示为：
34、δ(i,:)·δ(j,:)＝0；
35、其中，δ(i,:)和δ(j,:)分别表示第i行和第j行的元素。
36、优选的，所述步骤s3中，当故障刚好发生在t节点时，得到fsim为：
37、
38、其中，m3/m4的所有行元素值都等于0，相邻于端口mi的t节点上的故障，矩阵δ中相应元素的特征表示为：
39、δ(i,:)＝0n；
40、其中，δ(i,:)表示第i行的元素，表示n维的零行向量；
41、优选的，所述步骤s5中，卷积神经网络cnn模型包括多个卷积层，每个卷积层后面接一个激活层和一个池化层，三维卷积层的核心作用是通过卷积核在数据立方体上滑动，计算核与数据的卷积，从而提取特征。
42、因此，本发明采用上述方案的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，具备以下有益效果：
43、(1)本发明通过利用逐次变分模态分解(svmd)和teager能量算子(teo)对记录到的行波进行特征提取，克服了小波变换在选择母小波和分解级别时存在的困难；
44、(2)本发明与emd和vmd相比，不易收到端点效应的影响，克服了过高或过低估计模态分解个数从而导致的适应性差问题；
45、(3)采用深度学习的方法，可快速精确的实现故障定位，比计算的方法更有效。
46、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于：步骤s1中，采集行波后，利用凯伦贝尔变换将每个配电网终端收集到的故障行波转化为线模分量和地模分量，其中凯伦贝尔变换的公式如下：
3.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于：步骤s1中逐次变分模态分解svmd的具体步骤如下：
4.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于，步骤s2中，本征距离矩阵idm计算过程如下：
5.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于，故障距离矩阵fdm-d的元素通过两端定位公式计算，fdm-d定义如下：
6.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于，通过计算故障距离矩阵fdm和本征距离矩阵idm之间的差异，建立故障段识别矩阵fsim-δ，其中δ＝d-l。
7.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于，步骤s3中，故障发生在分支上，当选择端口m2作为参考端口时，路径m1-m2包含真实故障点，两端定位公式计算的值dm2m1等于lm2t1+lft1，路径m2与其余端口之间不包含真实故障点，t1是伪故障点，两端定位公式计算的值dm2m3和dm2m4等于lm2t1，因此最终得到的fsim-δ为：
8.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于，步骤s3中，当故障发生在相邻t节点之间，分析故障发生在相邻t节点之间得到的对应的fsim矩阵为：
9.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于，步骤s3中，当故障刚好发生在t节点时，得到fsim为：
10.根据权利要求1所述的一种基于距离矩阵和深度学习的多端口配电网故障定位方法，其特征在于，步骤s5中，卷积神经网络cnn模型包括多个卷积层，每个卷积层后面接一个激活层和一个池化层，三维卷积层的核心作用是通过卷积核在数据立方体上滑动，计算核与数据的卷积，从而提取特征。
