一种配电网线路故障定位方法及装置与流程

本发明涉及电力技术领域，尤其涉及一种配电网线路故障定位方法及装置。

背景技术：

配电系统经常受到故障的威胁，可能会导致断电。为了提高配电系统的运行质量和可靠性，系统操作员必须及时处理故障。因此，在事故发生后，及时准确地定位故障和迅速清除故障是至关重要的，这样才能实现快速修复。

因此，定位故障时首先需要完成的工作，目前有基于测量到的电流以及电压值而计算出线路阻抗的阻抗定位法。有将接地点的定位预测与单相接地线路检测结合起来的“s”注入法。有利用馈线终端单元ftu(feederterminalunit，配电开关监控终端)上传的参数，经过运算实现故障定位的ftu的故障定位方法。也有基于行波理论实现的行波定位法。实际上，由于在故障状态下瞬态电阻不稳定性，配电网系统中的线路非对称性，配电网络拓扑复杂性以及电压和电流转换器误差等因素的影响，上述方法实现的故障线路的定位效果在实际场景中的效果并不是很理想。

可见目前的故障定位方式由于配电网中连接关系以及负载的复杂性，存在着定位效果差，定位不及时的问题。

技术实现要素：

鉴于上述问题，本发明提出了一种配电网线路故障定位方法及装置，可综合考虑配电网的连接关系及负载的复杂性，实现更加准确和及时的故障定位。

第一方面，本申请通过本申请的一实施例提供如下技术方案：

一种配电网线路故障定位方法，包括：

基于配电网的传输线以及电气设备之间的连接关系，构建图模型；其中，所述传输线作为所述图模型中的节点，所述传输线的连接作为所述图模型的边，所述电气设备作为所述图模型的注入；

基于所述图模型将所述配电网的目标传输线向量化，并嵌入所述目标传输线与相邻传输线、所述目标传输线与所述注入之间的连接关系，获得所述目标传输线的线路特征向量；其中，所述目标传输线为任一节点对应的传输线；

将所述线路特征向量输入到训练完成的预测模型中，获得所述目标传输线的故障概率。

优选地，所述预测模型为逻辑回归模型，所述预测模型的训练包括：

基于所述配电网的历史数据，获得训练样本；其中，所述训练样本包括所述目标传输线的故障情况，以及所述目标传输的历史线路特征向量；

基于所述训练样本和预设的损失函数对所述逻辑回归模型进行训练，获得所述逻辑回归模型的模型参数；其中，损失函数为交叉熵函数；

基于所述逻辑回归模型的模型参数，获得训练完成的逻辑回归模型。

优选地，所述逻辑回归模型为：

hθ(x)＝g(θ^tx),其中，x为所述线路特征向量，θ为所述模型参数，hθ(x)为所述目标传输线的故障概率。

优选地，所述基于所述图模型将所述配电网的目标传输线向量化，并嵌入所述目标传输线与相邻传输线、所述目标传输线与所述注入之间的连接关系，获得所述目标传输线的线路特征向量，包括：

基于所述图模型，获取目标传输线分别对应的注入特征向量、线路邻接矩阵以及注入邻接矩阵；其中，所述注入特征向量表示所述目标传输线的属性以及对应的注入；所述线路邻接矩阵表示所述目标传输线与相邻传输线之间的连接关系；所述注入邻接矩阵表示注入与所述目标传输线之间的连接关系；基于神经网络，将所述注入特征向量以及所述注入邻接矩阵在所述图模型的节点进行特征嵌入，获得所述目标传输线的第一线路特征向量；其中，所述第一线路特征向量包含所述目标传输线与所述注入的连接关系；

基于所述线路邻接矩阵对所述第一线路特征向量进行更新，获得所述目标传输线的第二线路特征向量。

优选地，所述线路邻接矩阵包括起点邻接矩阵和终点邻接矩阵；所述线路邻接矩阵的获取，包括：

基于所述图模型，将所述目标传输线确定为双极对象；其中，所述双极对象表示所述目标传输线具有起点和终点；

基于所述目标传输线的起点的第一连接信息，获得所述起点邻接矩阵；其中，所述第一连接信息包括：所述目标传输线的起点与相邻传输线的起点连接，以及所述目标传输线的起点与相邻传输线的终点连接；

基于所述目标传输线的终点的第二连接信息，获得所述终点邻接矩阵；其中，所述第二连接信息包括：所述目标传输线的终点与相邻传输线的起点连接，以及所述目标传输线的终点与相邻传输线的终点连接。

优选地，所述基于所述目标传输线的起点的第一连接信息，获得所述起点邻接矩阵，包括：

若所述目标传输线的起点与相邻传输线的起点连接，则将所述起点邻接矩阵的值确定为1；

若所述目标传输线的起点与相邻传输线的终点连接，则将所述起点邻接矩阵的值确定为0。

优选地，所述电气设备包括：负载、变电站、发电站以及开关。

第二方面，基于同一发明构思，本申请通过本申请的一实施例提供如下技术方案：

一种配电网线路故障定位装置，包括：

图模型构建模块，用于基于配电网的传输线以及电气设备之间的连接关系，构建图模型；其中，所述传输线作为所述图模型中的节点，所述传输线的连接作为所述图模型的边，所述电气设备作为所述图模型的注入；

特征向量获取模块，用于基于所述图模型将所述配电网的目标传输线向量化，并嵌入所述目标传输线与相邻传输线、所述目标传输线与所述注入之间的连接关系，获得所述目标传输线的线路特征向量；其中，所述目标传输线为任一节点对应的传输线；

故障定位模块，用于将所述线路特征向量输入到训练完成的预测模型中，获得所述目标传输线的故障概率。

优选地，所述预测模型为逻辑回归模型；所述装置还包括模型训练模块，用于：

基于所述配电网的历史数据，获得训练样本；其中，所述训练样本包括所述目标传输线的故障情况，以及所述目标传输的历史线路特征向量；

基于所述训练样本和预设的损失函数对所述逻辑回归模型进行训练，获得所述逻辑回归模型的模型参数；其中，损失函数为交叉熵函数；

基于所述逻辑回归模型的模型参数，获得训练完成的逻辑回归模型。

第三方面，基于同一发明构思，本申请通过本申请的一实施例提供如下技术方案：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。

本发明实施例中提供的一种配电网线路故障定位方法及装置，通过配电网的传输线以及电气设备之间的连接关系，构建图模型；并且将传输线作为图模型中的节点，传输线的连接作为图模型的边，电气设备作为图模型的注入，从而将配电网中的传输线以及传输线的连接关系进行了抽象表达；进一步的，基于图模型将所述配电网的目标传输线向量化，并嵌入目标传输线与相邻传输线、目标传输线与注入之间的连接关系，从而获得目标传输线的线路特征向量，该线路特征向量包含了目标传输线在配电网中所存在的特征信息，充分考虑了配电网中传输线连接的复杂性；进一步的，基于该线路特征向量进行预测模型的训练和故障预测，就可准确、快速的定位配电网中故障的传输线。

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

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：

图1示出了本发明第一实施例提供的一种基于神经网络的配电网线路向量化方法的流程图；

图2示出了本发明第二实施例提供的一种基于神经网络的配电网线路向量化装置的功能模块框图；

图3示出了本发明第三实施例提供的一种配电网线路故障定位方法的流程图；

图4示出了本发明第三实施例中示例性的配电网的图模型构建过程示意图；

图5示出了本发明第三实施例中示例性的特征嵌入过程示意图；

图6示出了本发明第三实施例中示例性的线路特征向量迭代更新的示意图；

图7示出了本发明第四实施例提供的一种一种配电网线路故障定位装置的功能模块框图。

具体实施方式

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。

第一实施例

请参见图1，本发明第一实施例提供了一种基于神经网络的配电网线路向量化方法，图1示出了该基于神经网络的配电网线路向量化方法的流程图。

具体的，该方法包括如下步骤：

步骤s10：基于配电网的传输线以及电气设备之间的连接关系，构建图模型；其中，所述传输线作为所述图模型中的节点，所述传输线的连接作为所述图模型的边，所述电气设备作为所述图模型的注入；

步骤s20：基于所述图模型，获取目标传输线分别对应的注入特征向量、线路邻接矩阵以及注入邻接矩阵；其中，所述目标传输线为任一节点对应的传输线；所述注入特征向量表示所述目标传输线的属性以及对应的注入；所述线路邻接矩阵表示所述目标传输线与相邻传输线之间的连接关系；所述注入邻接矩阵表示注入与所述目标传输线之间的连接关系；

步骤s30：基于神经网络，将所述注入特征向量以及所述注入邻接矩阵在所述图模型的节点进行特征嵌入，获得所述目标传输线的第一线路特征向量；其中，所述第一线路特征向量包含所述目标传输线与所述注入的连接关系；

步骤s40：基于所述线路邻接矩阵对所述第一线路特征向量进行更新，获得所述目标传输线的第二线路特征向量。

在步骤s10中，配电网中采用传输线(即电力传输线)进行电力的传输，与传输线相连的有电力系统中的负载、变电站、发电站、开关等电气设备。具体的，可以配电网的电气图确定传输线的相互连接关系构建拓扑连接图，形成图模型。其中的每条传输线的属性可包含导线的数量以及导线的物理属性，例如，导线的电阻率、直径、长度等。传输线的属性可采用向量化表示，例如二维向量表示。

注入包括负载、变电站、发电站、开关等处于线路末端的电气设备。具体的，专用变压器和公用变压器等消耗电力资源的抽象为注入的消耗，一个消耗由一个有功功耗和一个无功功耗定义；将电网中的发电机、变电站等生产电力资源的电气设备抽象为注入的生产，每个生产由有功输入和输入电压定义。注入的总数为注入的消耗数量与注入的生产数量之和。每个注入都可采用一个二维信息进行表示。

在步骤s20中，目标传输线为任一节点对应的传输线，即在配电网中每条传输线均可进行步骤s20-s40，从而获得传输线的第二特征向量。

进一步的，对于目标传输线而言，注入特征向量的获取，包括如下过程：

1、基于注入的类型，获得注入的消耗和注入的生产；其中，注入的消耗为消耗电能的电气设备，注入的生成为生产电能的电气设备；

2、将目标传输线的属性、注入的消耗和注入的生产均表示为二维信息；

3、基于目标传输线的属性、注入的消耗和注入的生产对应的二维信息，获得注入特征向量。

从而通过注入特征向量就可将目标传输线的属性信息以及与注入的连接信息进行数据化表示，便于后续的处理过程。

进一步的，对于目标传输线的线路邻接矩阵包括：起点邻接矩阵和终点邻接矩阵；具体的，线路邻接矩阵的获取包括如下步骤：

1、基于图模型，将目标传输线确定为双极对象；其中，双极对象表示目标传输线具有起点和终点；

2、基于目标传输线的起点的第一连接信息，获得起点邻接矩阵；其中，第一连接信息包括：目标传输线的起点与相邻传输线的起点连接，以及目标传输线的起点与相邻传输线的终点连接；

3、基于目标传输线的终点的第二连接信息，获得终点邻接矩阵；其中，第二连接信息包括：目标传输线的终点与相邻传输线的起点连接，以及目标传输线的终点与相邻传输线的终点连接。

起点邻接矩阵可以将与目标传输线的起点相邻接的传输线信息进行数据化表示，终点邻接矩阵可以将与目标传输线的终点相邻接的传输线信息进行数据化表示；从而将目标传输线的至少四种邻接信息进行保留(起点连接起点、起点连接终点、终点连接起点、终点连接终点)，提高准确性。

进一步的，目标传输线的注入邻接矩阵的获取，包括：

基于目标传输线与注入的第三连接信息，获得注入邻接矩阵；其中，第三连接信息包括：注入与目标传输线的起点连接，以及注入与目标传输线的终点连接。

在步骤s20中，通过目标传输线对应的注入特征向量、线路邻接矩阵以及注入邻接矩阵的获取，就可将目标传输线的线路邻接关系、以及注入连接关系进行表征，保证目标传输线在向量化后能够包含配电网的多种特征，避免特征单一化，提高了数据的准确性。

由于在步骤s20中获取了配电网的多个特征，因此需要在步骤s30中进行特征融合以获取一个能够对目标传输线进行综合表达的数据。步骤s30的特征嵌入具体包括：

1、基于神经网络，将注入特征向量映射到d维空间中，获得d维向量；其中，d为大于2的整数；具体的一种实施方式为：基于神经元个数分别为(din,10,d)的三层神经网络，将注入特征向量映射到d维空间中，获得d维向量；其中，din为注入特征向量的维数。din可为二维、三维等，应当保证d大于din，可提高数据的鲁棒性，很好的抵抗噪声，避免数据局部污染造成数据严重失真。

2、将d维向量右乘于注入邻接矩阵，获得第一线路特征向量；从而使得第一线路特征向量中包含了目标传输线的属性特征，以及注入和目标传输线的连接信息。

在步骤s40中，进一步的对线路邻接矩阵进行了融合，具体包括：

1、基于起点邻接矩阵和终点邻接矩阵分别与第一保留信息的乘积的和，获得第一传播信息；其中，第一保留信息为第一线路特征向量；

2、基于第一传播信息和第一保留信息的和，获得第二保留信息；

3、基于起点邻接矩阵和终点邻接矩阵分别与第二保留信息的乘积的和，获得第二传播信息；

4、基于第二传播信息和第二保留信息的和继续对第二保留信息进行迭代更新，直至获得所述第二线路特征向量。

在步骤s40的具体执行过程中，迭代更新的次数可更具经验进行设置，例如可为1次、5次、10次、50次、100次、1000次、等等，不作限制。在迭代1次时，第二保留信息即为第二线路特征向量，不再执行3、4步骤。最终获得的第二线路特征向量不仅包含了目标传输线的属性特征、注入和目标传输线的连接信息，还包含了目标传输线与相邻传输线的邻接信息。从而使得第二线路特征向量可以更加准确的对配电网中的传输线的特征进行表示，使得配电网可数据化后广泛的应用于线路故障、电力转供等场景下的数据分析与预测。

本实施例提供的一种基于神经网络的配电网线路向量化方法，通过对配电网的传输线以及电气设备之间的连接关系构建为图模型；并且将传输线作为图模型中的节点，传输线的连接作为图模型的边，电气设备作为图模型的注入，从而将配电网中的传输线以及传输线的连接关系进行了抽象表达；进一步的，基于图模型，获取目标传输线分别对应的注入特征向量、线路邻接矩阵以及注入邻接矩阵，通过注入特征向量、线路邻接矩阵以及注入邻接矩阵就可将目标传输线对应的属性，对应连接的注入以及邻接的传输线进行抽象，数据化；最后，基于神经网络，将注入特征向量以及注入邻接矩阵在所述图模型的节点进行特征嵌入，获得目标传输线的第一线路特征向量，使得第一线路特征向量中包含目标传输线对应的属性、对应连接的注入相关的特征，并且由于采用神经网络的方式进行的特征嵌入，使得获取的数据具有更好的稳定性，不易失真；最后基于线路邻接矩阵对第一线路特征向量进行更新，获得目标传输线的第二线路特征向量，在第二线路特征向量中不仅包含了目标传输线的属性特征、注入和目标传输线的连接信息，还包含了目标传输线与相邻传输线的邻接信息；因此，使用第二线路特征向量就可对配电网的细节特征进行加准确的表示，并且充分考虑了配电网中传输线特征的复杂性，使得配电网可数据化后得到的第二线路特征向量可广泛的应用于线路故障、电力转供等场景下的数据分析与预测，并且具备更高的准确度。

第二实施例

基于同一发明构思，本发明第二实施例提供了一种基于神经网络的配电网线路向量化装置300。图2示出了本发明第二实施例提供的基于神经网络的配电网线路向量化装置300的功能模块框图。

具体的，所述基于神经网络的配电网线路向量化装置300包括：

图模型构建模块301，用于基于配电网的传输线以及电气设备之间的连接关系，构建图模型；其中，所述传输线作为所述图模型中的节点，所述传输线的连接作为所述图模型的边，所述电气设备作为所述图模型的注入；

特征获取模块302，用于基于所述图模型，获取目标传输线分别对应的注入特征向量、线路邻接矩阵以及注入邻接矩阵；其中，所述目标传输线为任一节点对应的传输线；所述注入特征向量表示所述目标传输线的属性以及对应的注入；所述线路邻接矩阵表示所述目标传输线与相邻传输线之间的连接关系；所述注入邻接矩阵表示注入与所述目标传输线之间的连接关系；

注入嵌入模块303，用于基于神经网络，将所述注入特征向量以及所述注入邻接矩阵在所述图模型的节点进行特征嵌入，获得所述目标传输线的第一线路特征向量；其中，所述第一线路特征向量包含所述目标传输线与所述注入的连接关系；

特征向量获取模块304，用于基于所述线路邻接矩阵对所述第一线路特征向量进行更新，获得所述目标传输线的第二线路特征向量。

作为一种可选的实施方式，所述特征获取模块302，具体用于：

基于所述注入的类型，获得所述注入的消耗和所述注入的生产；其中，所述注入的消耗为消耗电能的电气设备，所述注入的生成为生产电能的电气设备；

将所述目标传输线的属性、所述注入的消耗和所述注入的生产均表示为二维信息；

基于所述目标传输线的属性、所述注入的消耗和所述注入的生产对应的二维信息，获得所述注入特征向量。

需要说明的是，本发明实施例所提供的基于神经网络的配电网线路向量化装置300，其具体实现及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

第三实施例

请参见图3，本发明第三实施例提供了一种配电网线路故障定位方法的方法，图1示出了该配电网线路故障定位方法的流程图。

具体的，该方法包括如下步骤：

步骤s100：基于配电网的传输线以及电气设备之间的连接关系，构建图模型；其中，所述传输线作为所述图模型中的节点，所述传输线的连接作为所述图模型的边，所述电气设备作为所述图模型的注入；

步骤s200：基于所述图模型将所述配电网的目标传输线向量化，并嵌入所述目标传输线与相邻传输线、所述目标传输线与所述注入之间的连接关系，获得所述目标传输线的线路特征向量；其中，所述目标传输线为任一节点对应的传输线；

步骤s300：将所述线路特征向量输入到训练完成的预测模型中，获得所述目标传输线的故障概率。

步骤s100的详细阐述可参照第一实施例步骤s10的阐述，不再赘述。具体的以一实例进行说明(后续对该实例进行继续沿用)，可用li表示第i条总线，s和e分别表示总线的起点和终点，传输线抽象为图模型中的节点，将传输线对应的起点和终点连接情况抽象为边，将电力系统中的负载、变电站、发电站、开关等处于传输线末端的电气设备抽象为注入，inj表示第j个注入。如图4所示，其中示出了4个节点，3个注入(in1、in2、in3)，以及4条边(l1、l2、l3、l4)。

在步骤s200中，具体包括：

步骤s210：基于所述图模型，获取目标传输线分别对应的注入特征向量、线路邻接矩阵以及注入邻接矩阵；其中，所述注入特征向量表示所述目标传输线的属性以及对应的注入；所述线路邻接矩阵表示所述目标传输线与相邻传输线之间的连接关系；所述注入邻接矩阵表示注入与所述目标传输线之间的连接关系；

步骤s220：基于神经网络，将所述注入特征向量以及所述注入邻接矩阵在所述图模型的节点进行特征嵌入，获得所述目标传输线的第一线路特征向量；其中，所述第一线路特征向量包含所述目标传输线与所述注入的连接关系；

步骤s230：基于所述线路邻接矩阵对所述第一线路特征向量进行更新，获得所述目标传输线的第二线路特征向量。

本实施例中步骤s210-s230的详细阐述可参照第一实施例中的步骤s20-s40的说明，不再赘述。

沿用本实施例中的上述实例对步骤s210-s230进行说明，将电网中的专用变压器和公用变压器等消耗电能的抽象为注入的消耗，一个消耗c∈c，由一个有功功耗pc(兆瓦)和一个无功功耗qc(兆伏特-安培无功)定义；将电网中的发电机、变电站等生产电能的抽象为注入的生产，每个生产p∈p由有功输入pp(以兆瓦为单位)和输入电压vp(以伏特为单位)定义。用nin表示注入的总数：nin＝|p|+|c|，其中，|p|表示生产的数量，|c|表示消耗的数量，p为生产的集合，c为消耗的集合。每个传输线的属性或注入都有一个din＝2维的信息。则采用表示所有注入的特征向量。

进一步的，将传输线建模为双极对象，所以需要区分每条传输线的起点和终点。因此，两条传输线之间的每个连接可以有四种不同的类型：(sⁱ,s^j)、(s^j,e^j)、(eⁱ,s^j)、(eⁱ,e^j)，其中，sⁱ和eⁱ分别为传输线i的起点和终点，s^j和e^j分别为传输线j的起点和终点，如图4所示。进一步的，各传输线的起点和终点的邻接矩阵和表示如下：

进一步的，用矩阵表示注入(注入的生产和注入的消耗)与传输线的起点和终点的连接方式，具体为：

进一步的，进行注入特征向量以及所述注入邻接矩阵的融合。特征嵌入目的是将传输线的属性信息和注入(din维)中包含的特征信息嵌入到d维空间中。对每一个传输线的属性信息和注入均可采用一个神经元个数分别为(din,10,d)的三层神经网络e:为了将注入与线路的连接信息考虑进去，将获得的d维空间中的注入的特征向量e(x)右乘于注入的邻接矩阵ain后，即可得到第一线路特征向量，即：

h⁽⁰⁾即为第一线路特征向量，最终结果就是一个n×d的结果，n为传输线的数量，每条传输线用一个d维向量表示，具体可参阅图5所示的嵌入过程。

进一步的，基于线路邻接矩阵对第一线路特征向量进行更新，以融合。通过传输线之间的邻接关系进行传输线特征信息的迭代地更新。可设置迭代次数为k，采用as和ae分别与当前时间步所学到的特征向量h^(k)(保留信息)相乘然后相加，得到图模型中的k次迭代的传播信息info^(k)，用以更新传输线的特征向量，及第一线路特征向量，具体为：

info^(k)＝sum(ash^(k),aeh^(k))

具体迭代中间过程如图6所示。将保留信息h^(k)和传播信息info^(k)进行相加，表示当前时间步所学习到的特征信息h^(k+1)，如下所示：

h^(k+1)＝h^(k)+sum(ash^(k),aeh^(k))＝(i+sum(as,ae))(h^(k))

其中，对于k∈{0,…,k-1}，其中i为恒等函数，迭代结束后获得第二线路特征向量。

在步骤s300中，以预测模型为逻辑回归模型为例进行说明，该逻辑回归模型的训练包括：

1、基于所述配电网的历史数据，获得训练样本；其中，所述训练样本包括所述目标传输线的故障情况，以及所述目标传输的历史线路特征向量；

2、基于所述训练样本和预设的损失函数对所述逻辑回归模型进行训练，获得所述逻辑回归模型的模型参数；其中，损失函数为交叉熵函数；

3、基于所述逻辑回归模型的模型参数，获得训练完成的逻辑回归模型。

具体的，本实施例中采用的逻辑回归模型基本式子为：

hθ(x)＝g(θ^tx),其中，x为线路特征向量(第二线路特征向量)，θ为模型参数，hθ(x)为所述目标传输线的故障概率。利用交叉熵函数作为模型的损失函数，具体形式如下：

其中，y⁽ⁱ⁾表示第i条线路的故障真实情况，1表示故障，0表示非故障。

进一步的，对模型中的参数进行优化，可通过梯度下降法进行参数的优化，如下式：

最终确定模型参数，获得训练完成的逻辑回归模型，该模型即可应用在实际场景中对传输线的故障情况进行预测，由于训练样本为传输线对应的历史情况的线路特征向量表示，因此可得到更加准确的预测模型，实现更高的预测效果。

在步骤s400中，根据已经训练好的预测模型，在现实场景中的配电网线路故障中，用向量表示n条线路的故障情况，其中1表示故障，0表示非故障。本实施例的预测模型所构成的预测系统可表示为y＝s(x,as,ae,ainj)。

本实施例中提供的一种配电网线路故障定位方法，通过配电网的传输线以及电气设备之间的连接关系，构建图模型；并且将传输线作为图模型中的节点，传输线的连接作为图模型的边，电气设备作为图模型的注入，从而将配电网中的传输线以及传输线的连接关系进行了抽象表达；进一步的，基于图模型将所述配电网的目标传输线向量化，并嵌入目标传输线与相邻传输线、目标传输线与注入之间的连接关系，从而获得目标传输线的线路特征向量，该线路特征向量包含了目标传输线在配电网中所存在的特征信息，充分考虑了配电网中传输线连接的复杂性；进一步的，基于该线路特征向量进行预测模型的训练和故障预测，就可准确、快速的定位配电网中故障的传输线。

另外本实施例所提供的方法中部分未提及之处，其实施过程以及实施效果，可参考前述方法实施例中相应内容。

第四实施例

基于同一发明构思，本发明第二实施例提供了一种配电网线路故障定位装置400。图7示出了本发明第二实施例提供的一种配电网线路故障定位装置400的功能模块框图。

所述配电网线路故障定位装置400，包括：

图模型构建模块401，用于基于配电网的传输线以及电气设备之间的连接关系，构建图模型；其中，所述传输线作为所述图模型中的节点，所述传输线的连接作为所述图模型的边，所述电气设备作为所述图模型的注入；

特征向量获取模块402，用于基于所述图模型将所述配电网的目标传输线向量化，并嵌入所述目标传输线与相邻传输线、所述目标传输线与所述注入之间的连接关系，获得所述目标传输线的线路特征向量；其中，所述目标传输线为任一节点对应的传输线；

故障定位模块403，用于将所述线路特征向量输入到训练完成的预测模型中，获得所述目标传输线的故障概率。

作为一种可选的实施方式，所述预测模型为逻辑回归模型；所述装置还包括模型训练模块，用于：

基于所述配电网的历史数据，获得训练样本；其中，所述训练样本包括所述目标传输线的故障情况，以及所述目标传输的历史线路特征向量；

基于所述训练样本和预设的损失函数对所述逻辑回归模型进行训练，获得所述逻辑回归模型的模型参数；其中，损失函数为交叉熵函数；

基于所述逻辑回归模型的模型参数，获得训练完成的逻辑回归模型。

需要说明的是，本发明实施例所提供的一种配电网线路故障定位装置400，其具体实现及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本发明提供的装置集成的功能模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。