配电网故障定位这件事，做过的都知道，十次里有八次不是算法不够，而是数据、场景、现场约束拧在一起。我第一次把“数据驱动配电网故障诊断定位方法”接到某配电网故障诊断项目里时，头一个月几乎都在整理波形数据和时间戳，真正调模型的时间不到三分之一。这期内容就围绕这个主题，把我验证过的技术路径、踩过的坑、可以直接改来用的代码框架一次讲透。内容偏实操，适合两类人：一类是刚接手配网数据、想从传统故障定位转到AI路线的工程师；另一类是算法背景但不太懂配电一次系统、需要快速理解故障波形特征的算法同学。
先说结论：数据驱动方法不是用来替代传统故障定位理论的，它是传统方法在复杂配网场景下的补充和升级。配电网分支多、负荷波动大、中性点接地方式复杂，单靠阻抗法或者行波法经常定位不准，而数据驱动方法可以把故障瞬间的电压电流波形、开关状态、历史故障记录全部融合起来，用模式识别的方式逼近真实故障位置。这篇文章里我会讲清楚整体框架、特征提取、模型选型和实操代码，也会把我自己踩过的数据泄漏、样本不平衡、时间同步这几个大坑单独列一节，希望能帮你少走弯路。
1. 整体设计思路与方案选型：先搭框架再谈算法
1.1 传统定位方法的核心痛点
在讨论数据驱动之前，得先明白配电网故障定位为什么难。传统方法大致分三类：阻抗法、行波法和信号注入法。阻抗法原理简单，利用故障时测量到的电压电流计算故障回路阻抗，再按单位长度阻抗估算距离。但配电网不是一条均匀传输线，中间有很多分支、T接点，负荷也经常变化，算出来的阻抗距离可能对应好几条不同的物理路径，定位结果往往是一个“模糊区间”。行波法精度高，利用故障产生的暂态行波到达多个测量点的时间差来定位，但配电网线路短、分支多，行波反射复杂，而且现场采样率不够时很难抓准波头，设备成本也高。信号注入法则是主动向线路注入特定频率信号，适合小电流接地系统查找单相接地，但注入设备需要安装到线路上，操作起来并不轻松。
这些方法还有一个共同问题：它们依赖一个比较理想的物理模型。一旦遇到高阻接地、电弧故障、中性点经消弧线圈接地、分布式电源接入后的双向潮流，模型参数就变得不确定，精度会明显下降。实际故障数据里信息量远没有被传统方法充分使用，这正是数据驱动方法能发挥作用的地方。
1.2 数据驱动定位的整体框架
我认为做数据驱动配电网故障定位，绝对不能上来就调用一个神经网络。正确做法是先搭一个完整的数据处理框架，再逐步往里填模型。我常用的框架可以概括成五段式：数据采集、数据预处理、特征提取、诊断定位建模、结果修正与解释。
数据采集层解决“有什么数据可用”。常见来源包括馈线终端单元（FTU）、站所终端单元（DTU）、故障指示器、配电自动化主站系统、保护装置录波文件。这里面有的是实时采样波形，有的是故障事件记录，有的只是开关分合状态。数据预处理层负责把不同设备、不同采样率、不同时间基准的数据清洗对齐，剔除坏数据、补全缺失值。特征提取层是数据驱动方法的核心，要从暂态波形里挖掘故障类型、故障区段和故障距离的表征量。诊断定位建模层则负责把特征向量映射到故障类别和位置，常用模型包括随机森林、XGBoost、卷积神经网络、循环神经网络和图神经网络。最后一层是结果修正，结合线路拓扑、保护动作信息、检修经验，把模型输出修正成可执行的故障排查建议。
这个框架的精髓在于每层都是可替换的：数据源变了，只改采集和预处理；模型效果不满意，只换模型层；现场拓扑变了，修正层跟着调整。项目做到后面，维护成本低，复用性也高。
2. 核心细节解析：特征工程与模型选型是成败关键
2.1 三类最常用的输入数据怎么选
数据驱动故障定位能用的数据源很多，但不能盲目全收。我一般按“信息量、采样率、现场可获取性”三个维度来选。下表是我在项目中经常使用的数据源对比：
| 数据来源 | 典型采样率 | 定位信息量 | 标注难度 | 适用场景 |
|---|---|---|---|---|
| 故障录波（电压/电流暂态波形） | 1k~20k Hz | 高，包含暂态过程 | 中，需要结合事件记录标定 | 变电站出线、重要分支 |
| 配电终端FTU/DTU遥测数据 | 几十~几百Hz | 中，偏稳态量 | 较低，可按告警关联 | 配网主干线路 |
| 故障指示器状态 | 秒级遥信 | 低，只给故障电流“流过/未流过” | 高，需要现场巡线确认 | 分支线、末端线路 |
| 同步相量测量单元（PMU/μPMU） | 10~100Hz，时间同步强 | 中高，可做相量分析 | 低，自带时标 | 有同步测量条件的线路 |
| 台账/拓扑/历史检修记录 | 静态 | 辅助信息，不参与波形分析 | 低 | 模型修正与先验融合 |
我个人的经验是：如果条件允许，优先保证“故障时刻前后至少2个周波、采样率不低于4kHz”的三相电压电流录波数据。采样率太低，暂态特征被抹掉，后面特征提取的余地很小。同步问题也很重要，后面我会单独讲。
2.2 特征提取核心：时域、频域与时频域到底提取什么
很多初学同学拿到波形后直接交给模型，以为深度学习能自动学特征。训练数据充足时确实可以，但配电网故障样本通常不像图像数据集那么充足，标注成本也高，所以做好特征工程依然重要，而且特征好的时候，一个随机森林就能赶上复杂神经网络的效果。
时域特征最直观。一相电流在故障后会出现幅值突增，零序电流在单相接地时明显抬升，三相电压会呈现不对称。常用的时域特征包括：故障前/后各相电流电压的有效值、峰值、相位变化量、负序和零序分量幅值、突变量、波形相关系数。这些特征能直接反映故障类型和严重程度。
频域特征则关注稳态谐波和暂态高频分量。故障电弧、消弧线圈谐振、线路分布电容都会产生特定频段的能量变化。通常用FFT计算各次谐波含量，再提取频谱质心、谱能量、主频位置等。典型的例子是：单相接地故障时零序电流的5次谐波分量占比有明显规律。
时频域特征更适合捕捉暂态过程。小波变换是录波数据分析中最常用的工具，它能同时保留时间和频率信息，把故障起始时刻和频带能量变化同时抓出来。我在代码里常用小波包分解，提取各频带的能量占比和小波熵。另一种有效工具是S变换，它比小波变换在高频段分辨率更好，但计算量偏大。变分模态分解（VMD）也可以用来分解出不同的暂态模态，适合强噪声环境下的特征提取。
打个比方，这段特征提取的工作就像医生看心电图，不会只看一个点，而是看波形整体形态、ST段变化、频率规律。特征工程的目的就是把这种专业经验转成模型能直接用的数值向量。
2.3 模型选型：分类、回归与图方法的取舍
特征准备充分之后，模型选型就清晰了。故障诊断本质是多分类：正常态、单相接地、两相短路、两相接地短路、三相短路，还可能加上高阻接地、电弧接地等细分类型。如果样本量不大，随机森林、XGBoost这类树模型非常可靠，它们对特征缩放不敏感，也能输出特征重要性，方便后续分析。SVM在样本少且特征维度高时也有效，但对核函数和参数比较敏感，调参成本高一些。
故障区段定位有两种建模思路。第一种是“区段分类”，把配网划分成若干区段，模型输出故障概率最高的区段，适合线路结构相对固定的场景。第二种是“精确测距回归”，模型直接输出故障点距离参考点的距离。回归问题比分类更难，样本覆盖不均匀时误差很大，我的建议是先分类到区段，再在区段内做回归测距，这样既能给出排查范围，又能给出大致距离。
近两年图神经网络也被用在配网故障定位上。思路是把线路拓扑当成图，节点是开关或杆塔，边是线路，故障信息在图上传播。这种方法的好处是能适配拓扑变化，新装一个分支不需要完全重训模型。缺点是实现复杂度高，需要维护图结构数据，对团队技术水平要求高。我的建议是：项目起步阶段先用随机森林+区段分类打底，等数据积累到一定规模、拓扑相对清晰之后，再考虑图神经网络。
| 模型类型 | 优点 | 缺点 | 适用阶段 |
|---|---|---|---|
| 随机森林/XGBoost | 稳定、可解释、样本需求少 | 对复杂暂态时序模式表达有限 | 冷启动、做基线 |
| SVM | 小样本表现好 | 调参复杂 | 特征维度不高的诊断任务 |
| CNN/残差网络 | 能自动学习波形局部特征 | 数据需求大、解释性弱 | 大量录波样本 |
| LSTM/Transformer | 适合长时序依赖 | 训练时间长、易过拟合 | 长暂态过程、时序分类 |
| 图神经网络 | 适配拓扑、泛化性好 | 实现复杂 | 有稳定拓扑数据的深度应用 |
3. 实操过程：从仿真样本集到可运行代码
3.1 步骤一：搭建带标签的故障样本集
数据驱动方法最怕的不是模型效果差，而是没有可靠带标签的样本。真实故障记录少，而且标签经常不完整，可能只知道“某线路跳闸”，但不知道精确故障点。因此第一步通常是搭建仿真模型批量生成故障样本。
以某配电网仿真模型为例，我会在仿真软件里搭一个含多条馈线、若干分支和一个分布式电源接入的简化配网模型。然后批量扫描以下几类参数：故障类型、故障位置、过渡电阻、故障初相角、负荷水平、中性点接地方式。比如故障位置从线路首端到末端每隔0.2公里设置一档，过渡电阻从0.1欧姆到500欧姆取对数分布，故障初相角从0度到330度每隔30度取一档。每组参数跑一次暂态仿真，输出故障前后各5个周波的三相电压电流波形和零序分量，同时记录该样本对应的故障类型、区段编号和故障距离。这批仿真样本就是训练和验证的基础。
批量生成样本时要注意波形窗口对齐。录波设备触发时间点和仿真故障起始时间不完全一致，建议统一以故障发生时刻为基准，往前保留2个周波、往后保留3个周波。后面做特征提取时，是否包含故障前稳态数据直接决定了突变量特征能不能算出来。
下面是一段简化版的批量参数生成脚本，用于生成仿真任务清单：
import pandas as pd import numpy as np cases = [] line_length = 10 # 线路长度,单位km for fault_type in ['AG', 'BG', 'CG', 'AB', 'ABG', 'ABC']: for dist in np.arange(0.2, line_length, 0.2): for Rf in [0.1, 1, 10, 50, 100, 300, 500]: for angle in np.arange(0, 360, 30): cases.append({ 'fault_type': fault_type, 'fault_dist': round(dist, 1), 'Rf': Rf, 'fault_angle': int(angle), 'case_id': len(cases) }) df_cases = pd.DataFrame(cases) df_cases.to_csv('fault_cases.csv', index=False) print(f'生成仿真任务 {len(df_cases)} 个') # 注：真实项目中需要用仿真软件提供的脚本接口逐个调用 # 常见做法是：读取 fault_cases.csv，按行设置故障参数并触发仿真， # 仿真完成后另存采样点为 wave_data_{case_id}.csv，保存标签为 labels_{case_id}.csv实际跑仿真时，每个样本可能要几秒甚至几十秒，几千个样本意味着几个小时到几天的仿真时间。如果条件有限，可以先用正交实验替代全扫描，减少样本量；或者先用粗网格扫描确定大致规律，再用细网格在重点区域加密。
3.2 步骤二：特征提取的核心代码实现
仿真波形存成CSV后，下一步是特征提取。我把常用的特征提取封装成独立函数，输入是一段多通道录波数据，输出是一维特征向量。下面这段代码可以直接改到自己的项目里用：
import numpy as np import pandas as pd import pywt def extract_features_from_wave(ts, data, fs=10000): """ ts: 时间轴 data: dict, 包含 ia, ib, ic, i0, ua, ub, uc, u0 等通道 返回: 特征字典, 再转成 DataFrame 行 """ features = {} # 找出故障时刻: 用零序电流突变粗略定位 i0 = data['i0'] diff = np.abs(np.diff(i0)) start_idx = int(np.argmax(diff)) + 1 # 故障前稳态: 取故障前1个周波, 故障后取2个周波 cycle = int(fs / 50) # 50Hz系统, 每个周波采样点数 pre = data['ia'][start_idx - cycle: start_idx] post = data['ia'][start_idx: start_idx + 2 * cycle] # 时域特征: 电流突变量 features['ia_rms_pre'] = np.sqrt(np.mean(pre ** 2)) features['ia_rms_post'] = np.sqrt(np.mean(post ** 2)) features['ia_delta'] = features['ia_rms_post'] - features['ia_rms_pre'] # 零序电流有效值 features['i0_rms'] = np.sqrt(np.mean(i0[start_idx: start_idx + 2 * cycle] ** 2)) # 三相电压不平衡度: 用零序电压占比 u0_rms = np.sqrt(np.mean(data['u0'][start_idx: start_idx + 2 * cycle] ** 2)) ua_rms = np.sqrt(np.mean(data['ua'][start_idx: start_idx + 2 * cycle] ** 2)) features['u0_ratio'] = u0_rms / (ua_rms + 1e-6) # 小波包能量熵: 对零序电流做3层小波包分解 coeffs = pywt.wavedec(data['i0'][start_idx: start_idx + 2 * cycle], 'db4', level=3) total_energy = np.sum([np.sum(c ** 2) for c in coeffs]) energy_entropy = 0.0 for c in coeffs: energy = np.sum(c ** 2) if energy > 0 and total_energy > 0: p = energy / total_energy energy_entropy -= p * np.log(p + 1e-12) features['i0_wavelet_entropy'] = energy_entropy # FFT频域特征: 谐波含量 seg = data['i0'][start_idx: start_idx + 2 * cycle] spectrum = np.abs(np.fft.fft(seg))[:len(seg) // 2] freq = np.fft.fftfreq(len(seg), 1 / fs)[:len(seg) // 2] fundamental = spectrum[np.argmin(np.abs(freq - 50))] fifth = spectrum[np.argmin(np.abs(freq - 250))] features['i0_5th_ratio'] = fifth / (fundamental + 1e-6) return features这段代码虽然简单，但包含几个关键点：故障起始点自动定位、故障前稳态窗口和故障后暂态窗口分离、零序分量单独计算、小波包能量熵和5次谐波占比。实际项目里我还会加入更多通道的相似特征，比如每相电流突变量、三相电压相位差变化、相邻周波相关系数等。
一定要记住，特征提取的窗口必须来自同一个物理事件，不能把故障前和故障后的数据混在一个窗口里算有效值。有些时候设备触发时间不准，我会先用零序电流突变点做一次粗对齐，再重新截取窗口。这样处理之后，模型输入质量会好很多。
3.3 步骤三：训练区段分类模型与测距回归模型
特征准备好之后，训练模型这部分其实很机械。我的项目里分两个模型：第一个是故障区段分类，输出故障区段编号；第二个是故障距离回归，在已知区段内输出距离参考点的公里数。这样好处是回归难度被限制在较小区段内，误差不会跨区段漂移。
下面是一个用随机森林做区段分类和测距回归的代码示例：
import pandas as pd from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor from sklearn.metrics import accuracy_score, mean_absolute_error from sklearn.model_selection import train_test_split # 假设已经有特征表 feature_table.csv # 列: 特征字段, fault_section(区段编号), fault_dist(故障距离km), fault_type(故障类型) df = pd.read_csv('feature_table.csv') X = df.drop(columns=['fault_section', 'fault_dist', 'fault_type']) y_section = df['fault_section'] y_dist = df['fault_dist'] # 按事件/样本ID分组划分, 防止同一个仿真场景被切到训练和测试 X_train, X_test, ys_train, ys_test = train_test_split( X, y_section, test_size=0.2, random_state=42, stratify=y_section ) # 区段分类模型 clf = RandomForestClassifier(n_estimators=300, max_depth=10, random_state=42) clf.fit(X_train, ys_train) sec_acc = accuracy_score(ys_test, clf.predict(X_test)) print(f'区段定位准确率: {sec_acc:.4f}') # 测距模型: 只针对分类正确的样本评估回归误差, 更贴近实际 dist_train = df['fault_dist'][y_section.index.isin(ys_train.index)] # 实际场景建议合并重置索引 # 简化示例: 直接分区段训练 mask = df['fault_section'] == y_section.mode()[0] # 取样本数最多的区段做演示 X_sec = df[mask].drop(columns=['fault_section', 'fault_dist', 'fault_type']) y_sec = df[mask]['fault_dist'] Xa, Xb, ya, yb = train_test_split(X_sec, y_sec, test_size=0.2, random_state=42) reg = RandomForestRegressor(n_estimators=200, max_depth=10, random_state=42) reg.fit(Xa, ya) mae = mean_absolute_error(yb, reg.predict(Xb)) print(f'测距平均绝对误差: {mae:.3f} km')在实际工程中，评估指标要用我下面这张表来定义：
| 指标 | 含义 | 目标参考值 |
|---|---|---|
| 故障类型诊断准确率 | 正确识别故障类型的样本比例 | >95% |
| 区段定位准确率 | 正确输出故障区段编号的比例 | 主干区段>90% |
| 测距平均绝对误差 | 预测距离与真实距离的绝对差均值 | 高阻故障<500m，低阻故障<200m |
| 定位误差95%分位数 | 90%以上测试样本的误差上限 | <1km |
| 误动率 | 把正常态判成故障态的比例 | <0.5% |
模型训练出来只是第一步，真正上线还要做阈值校验。比如分类模型输出“区段5”，但置信度只有0.4，这个结果不应该直接派单，而是应该转人工复核。这类工程细节看起来不起眼，却最能影响现场同事对数据驱动方法的信任。
4. 常见问题与排坑实录：这些坑我替你踩过了
4.1 数据泄漏是最容易踩的坑
我在第一次做配网故障定位模型时，踩过最深的坑就是数据泄漏。当时为了增加训练样本，把每个故障波形用滑动窗口切成了十几段，每段都当成独立样本。训练集和测试集随机划分后，指标漂亮得惊人，区段定位准确率99%。但换到真实新故障数据上，准确率直接掉到60%多。原因很简单：同一个故障事件切出来的样本高度相似，训练集和测试集中混入了同一事件的内容，模型等于提前看到了“答案”。
正确做法是按“故障事件”或“仿真场景编号”分组划分数据，同一个事件的所有样本只能出现在训练集或测试集中，绝不能跨组划分。如果只有少量真实故障样本，宁可做留一法交叉验证，也不要贪图样本量去做随机切分。这个原则我后来在每次做数据划分时都会写进流程里，避免团队里新人重蹈覆辙。
4.2 样本不平衡：高阻接地样本太少怎么办
配电网故障中单相接地占比最高，但高阻接地故障因为电流变化小、特征微弱，既难诊断，又难定位。仿真批量生成时高阻样本数量往往不够，真实故障里高阻样本更是稀有。如果直接训练，模型会倾向于把高阻故障判成正常或附近区段。
我的处理办法有三个。第一，在仿真阶段刻意增加高阻故障样本的采样密度，过渡电阻高于100欧姆的场景多跑一些；第二，使用SMOTE等过采样方法合成少数类样本，但要注意只在训练集内合成，避免影响真实评估；第三，训练时给不同故障类别加权，让高阻故障的误判代价更高。多个方法组合使用后，高阻接地定位准确率能明显提升。
4.3 时间戳不同步：多终端数据没法直接拼
真实配网中，FTU、DTU、故障指示器来自不同厂家，时钟基准不一致很正常。不同设备时间戳相差几十毫秒，对于稳态量影响不大，但对于暂态特征就是灾难。故障起始时刻对不齐，三相之间的相位关系也会错乱。
遇到这种情况，不要只依赖设备自带时标。我会先用故障发生时刻附近的波形做互相关对齐，把各通道的时间偏移量算出来，再截取统一窗口。如果某条数据怎么对齐都对不上，直接丢弃比强行使用更好。时间同步问题还直接影响行波类特征，越是依赖高频细节的特征，对同步误差越敏感。
4.4 模型上线几个月后准确率下降
数据驱动模型上线后并非一劳永逸。配电网结构会变化，比如新增分支、更换变压器、调整中性点接地方式；负荷结构也会变，比如分布式光伏大量接入后，白天和夜间的潮流模式完全不同。模型训练时见过的分布和新数据分布不一致，准确率自然会下降。
我现在的做法是建立模型监控和定期更新机制。每周统计模型预测结果的置信度分布和告警命中率，每月用最近三个月的新增标注数据重新训练一次；如果网络拓扑发生结构性变化，会立即在仿真模型里同步更新，再生成一批新样本做增量训练。这套机制听起来繁琐，但比出了问题再补救要省钱省力得多。
4.5 常见问题速查表
| 现象 | 可能原因 | 解决办法 |
|---|---|---|
| 训练集指标极高，测试新数据很差 | 数据泄漏/同事件样本混入 | 按事件ID分组划分 |
| 高阻故障识别率低 | 样本不足、特征不敏感 | 增加高阻样本、类别加权、SMOTE |
| 三相数据波形对不上 | 多设备时间戳不同步 | 互相关对齐、人工裁齐、丢弃坏数据 |
| 模型在晴天负荷小场景准，雨天负荷大场景差 | 数据分布偏移 | 增加负荷水平扫描、引入环境变量 |
| 定位结果在拓扑分支处混乱 | 模型没学懂拓扑关系 | 增加拓扑特征，或改用图神经网络 |
| 输出结果不稳定，同条件各有不同 | 模型方差大 | 集成多个模型做平均，或增加训练数据 |
5. 经验沉淀：数据驱动故障定位真正能落地的小心得
5.1 先用简单模型建立基线，再考虑复杂模型
我见过不少团队一上来就上深度学习，最后卡在数据量不足和调参成本上。更务实的路径是先把特征工程做好，用随机森林跑一版基线。这个基线的意义不只是给一个准确率数字，更重要的是能通过特征重要性排序反过来检验特征提取是否合理。如果某个物理上应该很明显的特征排在最后，那大概率是特征计算或者数据质量出了问题。基线稳定之后，再去尝试深度学习或图模型，才有明确的比较基准。
5.2 把整个流程做成配置文件驱动
故障定位项目越到后期，越需要在不同线路、不同数据源之间切换。我把仿真参数、特征列表、模型超参数、阈值全部外置到配置文件中，每次换现场或换数据只需要改配置文件，不用改代码。这个习惯帮我节省了大量重复工作，也方便团队成员接手。代码版本和配置版本分开管理，每次实验记录都能追溯，复现结果也变得很容易。
5.3 后面还能怎么扩展
这套数据驱动框架继续往深走，可以接入强化学习做故障后的自动恢复策略，也可以结合数字孪生仿真做故障推演，甚至把气象、雷击、负荷预测等外部特征融合进来提升高阻故障和间歇性弧光接地故障的识别能力。数据驱动方法的价值是一点点积累的，先把定位做准，再往控制和调度端延伸，路会越走越宽。
最后再分享一个小习惯：每次修改特征或模型之后，我都会保留一份改了哪里、为什么改、效果变化多少的实验记录。故障定位这类任务里，数据脏、样本少、现场条件复杂，真正能帮你稳定提升的不是某一个聪明算法，而是一套可追溯、可复现、可回归的工作流。希望这篇文章里讲的框架和代码，能让你在自己的配网故障定位项目里少走几步弯路。
