CN113625103B - 小电流接地系统单相接地故障的选线方法 - Google Patents

Abstract

本发明公开了一种小电流接地系统单相接地故障的选线方法，包括获取电网调度控制系统的原始数据，给原始数据设定标签；对带有标签的数据集进行数据预处理；将预处理后的数据集通过深度学习模型进行训练，得到训练中的故障线路数据；对训练数据集中的故障线路数据进行故障特征分量提取，建立故障特征库；测试数据集中的数据训练效果，优化模型参数；根据深度学习模型训练结果计算线路故障概率；结合深度学习模型训练结果和线路故障概率完成选线。本发明通过调度控制系统推送配网线路原始数据，结合深度学习模型训练，实现小电流系统单相接地故障的可靠选线，提高目前电网中单相接地故障选线的准确率。

Description

小电流接地系统单相接地故障的选线方法

技术领域

本发明涉及小电流接地故障选线技术领域，具体涉及一种小电流接地系统单相接地故障的选线方法。

背景技术

在单相接地故障的时候，小电流接地系统中将会存在正序、负序和零序分量。已经研究出的选线方法大致可分为两类：基于稳态分量的故障选线方法和基于暂态分量的故障选线方法。

在常见的配电网故障中，我们常常习惯于从故障的稳态分量差异去考虑并分析，其中常会根据接地故障的零序分量的相关特性提出一系列的算法。常见的零序电流幅值比较法，应用微机技术采集并比较接地母线上所有出现零序电流。其问题是在母线故障时会出现误判断，且不适用于谐振接地电网，易造成选线失败，影响可靠性。零序电流有功分量法，常常因为故障电流中有功分量非常小并且受三相参数不平衡的影响，可靠性无法得到保证。谐波法进行故障选线时，谐波分量小，灵敏度低。负序电流法在正常选线时也会在线路中存在较大的负序电流。

而小电流接地故障暂态电流幅值是稳态对地电容电流的几倍到十几倍，数值在数十安到数百安之间，并且不受消弧线圈影响。因此，利用暂态信号进行接地选线可以克服稳态选线法存在灵敏度低，受消弧线圈影响的缺点。暂态保护技术的实施关键是接地电容电流的暂态特征分量的提取和暂态保护判据的建立，而暂态量的成分和大小都受到系统的运行方式、故障类型、故障时刻等因素的影响，由于暂态过程短，且受线路结构、参数及故障条件的影响。但是在电力系统中，暂态过程十分短暂，很有可能因为投切负荷产生的冲击量造成误判，可靠性无法得到保证。

可以知道的是，电网的运行方式复杂，出现数量多，线路长，架空线和地下电缆并存，部分落后地区的配电网线路的运行条件恶劣。此外，配网负荷波动较大，电压波动较大，线路的投切频率相对较高，导致零序电流发生变化。且无论是基于稳态信号还是基于暂态信号，都面临着故障特征量微弱的问题，同时小电流单相接地故障造成的间歇性弧光接地使得零序回路发生剧烈变化，故障点不稳定，导致一些基于稳态的单一选线方法失效。因此，传统的单一小电流接地故障选线方法都是利用弱信号做出识别的技术，这些传统的基于单一选线原理的常规方法难以实现小电流接地系统故障线路的可靠识别。

发明内容

本发明的目的在于提供小电流接地系统单相接地故障的选线方法，可以解决现有技术中因弱信号做出识别的技术难以实现小电流接地系统故障线路的可靠识别的问题。

本发明的目的是通过以下技术方案实现的：

本发明提供一种小电流接地系统单相接地故障的选线方法，包括以下步骤：

步骤S1、获取电网调度控制系统的原始数据，给原始数据设定标签；

步骤S2、对带有标签的数据集进行数据预处理；

步骤S3、将预处理后的数据集通过深度学习模型进行训练，得到训练中的故障线路数据；

步骤S4、对训练数据集中的故障线路数据进行故障特征分量提取，建立故障特征库；

步骤S5、测试数据集中的数据训练效果，优化模型参数；

步骤S6、根据深度学习模型训练结果计算线路故障概率；

步骤S7、结合深度学习模型训练结果和线路故障概率完成选线。

进一步的，所述故障特征分量提取包括：

零序电流基波幅值与相角特征提取；

零序电流有功分量与极性提取；

线路故障纵向特征提取。

进一步的，所述零序电流基波幅值与相角特征提取具体包括：

选择一个周期作为时间窗；

利用所选的时间窗计算基波幅值和基波相角；

将基波幅值和基波相角作为故障选线的特征分量。

进一步的，所述零序电流有功分量与极性特征提取具体包括：

提取出的零序电流电压的幅值，用于计算有功分量；

将计算有功分量结果的绝对值作为有功分量幅值特征，其符号作为有功分量极性特征。

进一步的，所述线路故障纵向特征提取具体包括：

选取一条馈线线路；

比较线路当前配电终端安装处的故障零序电流与馈线处的电流互感器安装处的故障零序电流的相位或者幅值；

构造终端故障测度隶属度函数；

定义终端权系数函数；

得到本馈线的线路故障隶属度函数；

计算出所有馈线的线路故障隶属度函数，反映单相接地故障的故障特征以作为其故障特征分量。

进一步的，所述构造终端故障测度隶属度函数具体包括：

当线路当前配电终端安装处的故障零序电流与馈线处的电流互感器安装处的故障零序电流的相位相同，幅值不同时，配电终端处幅值小于馈线处幅值，构造终端故障测度隶属度函数，式子如下：其中：/>为当前配电终端故障零序电流；/>为终端故障隶属度函数参数；

当线路当前配电终端安装处的故障零序电流与馈线处的电流互感器安装处的故障零序电流的相不同，配电终端处故障零序电流幅值比电流互感器处小，构造终端故障测度隶属度函数，式子如下：其中：/>为当前配电终端故障零序电流；/>为终端故障隶属度函数参数。

进一步的，所述定义终端权系数函数具体包括：

对于中性点不接地或消弧线圈欠补偿系统，当配电终端处与馈线处零序电流极性相反时，定义终端权系数函数，式子如下：/>其中：/>为本线路配电终端总数；/>为馈线上所有终端中零序电流极性与馈线处相反的配电终端个数；/>为当前配电终端处与出口电流互感器处零序电流极性比较结果，若极性相同，则，若极性相反，则/>为终端权系数函数参数；

对于消弧线圈欠补偿系统，当配电终端处的零序电流极性与馈线处相同时，

定义终端权系数函数：式子如下：/>其中：/>为本线路配电终端总数；/>为馈线上所有终端中出现下游零序电流幅值大于上游的次数；/>为当前配电终端处与其之前的配电终端或零序电流互感器的幅值比较结果；/>为终端权系数函数参数。

进一步的，所述数据预处理包括对数据中的空缺值、错误值以及噪声进行预处理。

进一步的，所述电网调度控制系统的原始数据包括电流、电压、无功功率以及有功功率。

进一步的，所述给原始数据设定标签包括线路编号标签和是否故障标签。

本申请的小电流接地系统单相接地故障的选线方法，在电网调度系统数据的基础上，通过调度控制系统推送配网线路原始数据，结合深度学习模型训练再训练及验证算法模型，实现小电流系统单相接地故障的可靠选线，提高目前电网中单相接地故障选线的准确率，且不需要额外加装电力二次设备进行相应得数据采集。与传统的小电流接地系统的单相故障选线方法和人工拉线法相比，该方法实现起来准确率更高，响应时间更快。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请的小电流接地系统单相接地故障的选线方法的步骤示意图；

图2为本申请实施例的单相接地时电容电流分布图；

图3为本申请实施例的单相接地故障零序等效网络示意图；

图4为本申请实施例的终端故障测度隶属度函数示意图；

图5为本申请实施例的选线识别学习模型训练流程示意图；

图6为本申请实施例的神经网络基础结构示意图；

图7为本申请实施例的长短期记忆人工神经网络单元结构示意图。

实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

请参阅图1，本申请实施例提供了一种小电流接地系统单相接地故障的选线方法，包括以下步骤：

本发明提供一种小电流接地系统单相接地故障的选线方法，包括以下步骤：

步骤S1、获取电网调度控制系统的原始数据，给原始数据设定标签；

研究电力调度系统中配电网采集到的电压、电流、无功功率、有功功率等数据和故障识别准确率的内在机理关系，可以确定用于故障识别训练模型的故障特征分量的原始数据，针对本专业技术人员均可以清楚了解用于故障识别训练模型的故障特征分量的原始数据。

步骤S2、对带有标签的数据集进行数据预处理；

在实际的电力调度控制系统中，常常由于噪声干扰或是通信的原因，使得调度系统数据库原始数据存在错误值、空缺值、噪声等，导致数据质量降低，影响数据的准确度。因此，通过对原始数据进行预处理降低数据的错误值、空缺值以及噪声的干扰从而提高数据质量，有利于提高选线准确度。

步骤S3、将预处理后的数据集通过深度学习模型进行训练，得到训练中的故障线路数据；

请参阅图5，深度学习模型训练以长短期记忆人工神经网络（LSTM）为例，具体识别模型训练优化过程如下：

对于一般的人工神经网络来说，我们是给定输入与权重参数/>结合，以/>的形式输入隐藏层，经过激活函数/>的处理，得到输出结果/>，然后与对应的权重、偏置结合，作为输出层的输入，经过激活函数得到最终的输出结果，如图6所示。

长短期记忆人工神经网络（LSTM）不同于传统的人工神经网络，隐藏层不仅与输入层有关，而且与前一时刻的隐藏层的输出有关。函数表达式如公式（1）所示，因此其可以处理序列变化的时间序列数据。（1）

LSTM由多个连接的单元组成，以形成整体结构，如图7所示。与一般地处理时间序列的循环神经网络（RNN）相比，单元状态c被添加到隐藏层中，并且隐藏层结构更加复杂。LSTM具有长期记忆功能，便于序列建模，可以在一定程度上克服梯度消失的问题。 LSTM的单元包括输入门，遗忘门/>和输出门/>三个门的输出值都是从0到1的实数，并且用于描述当前输入单元状态。 LSTM的正向计算包括下步骤：

遗忘门确定前一时刻状态的数量，并确定输出当前时刻的单位状态，决定丢弃或保留一些信息，来自前一个隐藏状态的信息和当前输入的信息同时传递到激活函数/>中，值域为[0,1],越接近0意味着应该丢弃，越接近1意味着越应该保留。

激活函数为sigmoid函数，见公式（3），其值域为[-1,1]，而实际输出值如公式（4）所示。/>输入门用于更新细胞状态。首先将前一层隐藏状态的信息和当前输入的信息传递到激活函数/>中，将值调整至[0,1]中来决定更新信息类型，0表示不重要，1表示重要。/> 细胞状态的计算首先将前一层的细胞状态与遗忘向量相乘。若其与接近0的值相乘，意味着在新的细胞状态中这些信息应丢弃。之后再将该值与输入门的输出值逐点相加，将神经网络发现的新信息更新至细胞状态中。

输出门用来确定下一个隐藏状态的值，隐藏状态包含了之前输入的信息。首先，将前一个隐藏状态和当前输入传递到激活函数中，然后将新得到的细胞状态传递给tanh函数。最后将tanh的输出与的输出/>相乘，以确定隐藏状态应携带的信息。再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。在执行正向计算后，需要根据误差计算LSTM的反向传播，并使用梯度下降法计算反向传播。

在LSTM模型训练中，初始化权重参数和偏差/>后，根据公式（1）至公式（8）计算遗忘门、输入门、输出门和细胞状态的值。然后根据公式（9）计算短期记忆h(t)的值，并根据公式（10）计算输出值/>。训练建立的LSTM模型后，根据特征量的输入获得的结果/>显示该线路是否为故障线路。

步骤S4、对训练数据集中的故障线路数据进行故障特征分量提取，建立故障特征库；

小电流接地系统中的中性点不接地系统发生单相接地故障时，假设线路电阻为零、负荷电流在线路上没有压降、则故障相电压为0，非故障相电压升高为倍，每条线路的三相对地电容相等，分别为/>；母线及背后电源对地电容为/>。当线路Ⅱ的 A 相发生金属性接地故障时，系统稳态的单相接地时电容电流分布和单相接地故障零序等效网络分别如图2和图3所示。由图 2和图3可以看出，小电流接地故障的稳态电气量还具有以下特征：流过故障点的电流数值是正常运行状态下电网三相对地电容电流的代数和；母线处非故障相线路零序电流为线路本身的对地电容电流，其方向由母线流向线路，零序无功功率由母线流向线路；母线处故障相中故障线路的零序电流为电网所有非故障元件对地电容电流的总和，其方向由线路流向母线，与非故障线路相反，零序无功功率由线路流向母线。由这些单相接地故障的特征我们可以进行故障特征分量选择，如零序电流、有功分量、无功功率等。

步骤S5、测试数据集中的数据训练效果，优化模型参数；

步骤S6、根据深度学习模型训练结果计算线路故障概率；得到深度学习模型训练后的故障线路指示结果后，可以在其基础上结合其电气特征分量计算选出的线路故障概率，对线路进行综合选线，提高选线识别的准确率。正常状态下，线路电流包含阻性电流、感性电流两个分量，最终与电压相量产生角度为的功率因数角。接地故障发生后，故障线路流过相位超前于电压/>的容性电流分量，最终导致线路功率和电流幅值均出现明显变化。

接地后的相电流将大于原负荷电流/>，而其他非接地负荷线路对应的此相电流变化将很小。这就是电流判据的原理。电流的突变量不仅受电容电流的影响，而且也受负荷电流的影响，我们可以从三角函数的关系推导出：当电容电流一定，负荷电流越大，相电流变化量越不明显。线路功率一般采用两表法进行测量，其原理如式（12）所示。/>接地故障发生后，功率为：变化的功率为/>，由此得到的接地故障后的功率有较大的变化，而其他线路功率变化会较小。结合电流和功率的变化，可得到出现发生接地故障后的概率计算公式，如公式（14）所示。式中,/>为经验值权重，且/>。根据公式（14）计算得到的概率值/>可以进一步确定故障线路，其结果进一步对深度学习模型中的权重参数优化，两者进行综合选线以尽可能高的提高选线准确率，最终完成单相接地故障选线。

步骤S7、结合深度学习模型训练结果和线路故障概率完成选线。

进一步的，所述故障特征分量提取包括：

零序电流基波幅值与相角特征提取：

各线路的零序电流基波分量幅值与相角，通过离散全波傅里叶算法提取。首先，选择适当的时间窗，考虑到暂态过程较为复杂，数据波形时长较长，故选择故障发生后的两周波后的一个周期作为时间窗，做如下计算： 其中/>为采样频率，/>为一个周期采样点数。

通过以下公式计算基波幅值：通过以下公式计算基波相角：/>其中在提取基波分量时，取n=1。

由此提取出的基波幅值与极性特征，故障线路明显异于非故障线路，可作为故障选线的特征分量。

零序电流有功分量与极性提取：

记提取出的零序电流电压的幅值分别为。则有功分量的计算方法为：/>其中/>为零序电压与零序电流的相角差。将计算结果的绝对值/>作为有功分量幅值特征，其符号/>作为有功分量极性特征。由此对单相接地故障进行的零序电流有功分量幅值与极性特征提取，其故障线路明显异于非故障线路，可作为故障选线的特征分量。

线路故障纵向特征提取：

在处理配电网数据时可以构造故障隶属度函数来量化并融合线路纵向不同位置的数据对所在线路为故障线路的支持度。故障测度函数是一个值域在[-1,1]的函数，其取值越接近1，则该线路越是故障线路的可能越大；其取值越接近-1，则表明该线路越是正常线路的可能性越大。

以其中一条线路为例，首先，对每一个故障指示器终端构造终端故障测度隶属度函数。对于每一配电终端，首先比较当前配电终端安装处的故障零序电流与馈线处的电流互感器安装处的故障零序电流的相位。若相位相同，则比较幅值，如果配电终端处幅值大于馈线处幅值，则说明本线路很可能是故障线路，且差值越大，可能性越高；如果配电终端处幅值小于馈线处幅值，则说明本线路很可能是非故障线路，且差值越大，可能性越高。因此，构造终端故障测度隶属度函数如公式（20）与图4（a）所示。若相位不同，则说明本线路是故障线路的可能性较大，此时对幅值进行比较，一般来说，配电终端处故障零序电流幅值比电流互感器处小的多，若两者差值很小，则有可能误判了相角。因此，构造终端故障测度隶属度函数如公式（21）与图4（b）所示。其中：/>，为当前配电终端故障零序电流；/>为终端故障隶属度函数参数；这些参数的意义是函数在特定区间内的斜率。

对于中性点不接地或消弧线圈欠补偿系统，当配电终端处与馈线处零序电流极性相反时，本线路为故障线路的可能性较大，在确定隶属度函数取值时，需对反极性配电终端数据更加注重，考虑到隶属度函数的取值应该落在[-1,1]区间内，定义终端权系数函数，如式子（22)：/>其中：/>为本线路配电终端总数；/>为馈线上所有终端中零序电流极性与馈线处相反的配电终端个数；/>为当前配电终端处与出口电流互感器处零序电流极性比较结果，若极性相同，则/>，若极性相反，则为终端权系数函数参数；其意义为反极性终端相比正极性终端的受重视程度倍数。

对于消弧线圈过补偿系统，无论是故障线路还是非故障线路，配电终端处的零序电流极性与馈线处都相同，上述终端权系数函数无意义。由于非故障线路一般严格满足下游零序电流幅值小于上游的关系，若出现下游配电终端的零序电流幅值大于上游，则其线路发生故障的可能性较大，考虑到隶属度函数的取值应该落在[-1，1]区间内，定义终端权系数函数，如式子（23）：/>式中，/>为本线路配电终端总数；/>为馈线上所有终端中出现下游零序电流幅值大于上游的次数；/>为当前配电终端处与其之前的配电终端或零序电流互感器的幅值比较结果；若当前配电终端的幅值较大，则/>若当前配电终端的幅值较小，则/>为终端权系数函数参数。其意义为幅值大于上游的配电终端数据相比幅值小于上游的配电终端数据的受重视程度倍数。

在定义了馈线各配电终端的终端故障测度隶属度函数与终端权系数函数后， 即可获得本馈线的线路故障隶属度函数，如式（24）所示：其中：/>为本线路配电终端总数，/>分别为第/>台配电终端处数据计算得到的终端故障测度隶属度与终端权系数。

根据式（20）至式（24）可计算出所有馈线的线路故障隶属度函数，反映单相接地故障的故障特征以作为其故障特征分量；

根据以上故障特征分量选取，结合电力调度控制系统中采集到的原始数据基础上构建了新的故障特征，最终选择的故障特征如下表所示：

进一步的，所述数据预处理包括对数据中的空缺值、错误值以及噪声进行预处理。

空缺值是指数据中某一属性值的缺失，数据的大范围缺失是无法修复的，但是对于少数几个值的空缺，通常可以用一个值来进行填补。在确定这一填补值时，通常有几种方法：

a、使用一个常量来填补空缺值。

b、使用缺失属性均值来填补。

c、预测一个可能值来填补，如通过回归来预测缺失值。

在基于调度系统中数据的故障选线问题中，面对的原始数据主要是各类波形数据，而波形通常是连续的，因此若出现空缺值情况，可以通过插值的方法来确定空缺值。

噪声是指互感器在测量电压、电流时产生的随机错误或偏差，包括错误值或者孤立点值。通常使用以下数据平滑技术进行处理：

分箱法：分箱法考察数据周围的值并将其分到不同的箱中，然后根据箱中数据的特点来平滑箱中数据，起到数据平滑作用。

回归法：回归法通过寻找合适的回归函数来将不同的变量互相关联，然后使用其他变量来预测一个变量，起到数据平滑的效果。

聚类法：聚类是一种识别孤立点或离群点的常用方法，那些明显偏离聚类中心的数据很可能是错误数据，通过对其删除或更正可以提高数据的质量。

在数据清洗后，对数据进行标准化，如下式所示：上式中，/>表示标准化后的特征分量数据，/>是标准化前的特征分量数据，/>表示该数据分量的均值和标准差。

进一步的，本申请的一个优选实施例中，所述电网调度控制系统的原始数据包括电流、电压、无功功率以及有功功率。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，read-onlymemory）、随机存取存储器（RAM，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (8)

1.一种小电流接地系统单相接地故障的选线方法，其特征在于，包括以下步骤：

步骤S1、获取电网调度控制系统的原始数据，给原始数据设定标签；

步骤S2、对带有标签的数据集进行数据预处理；

步骤S3、将预处理后的数据集通过深度学习模型进行训练，得到训练中的故障线路数据；

步骤S4、对训练数据集中的故障线路数据进行故障特征分量提取，建立故障特征库；

所述故障特征分量提取包括：

零序电流基波幅值与相角特征提取；

零序电流有功分量与极性提取；

线路故障纵向特征提取；

所述线路故障纵向特征提取具体包括：

选取一条馈线线路；

比较线路当前配电终端安装处的故障零序电流与馈线处的电流互感器安装处的故障零序电流的相位或者幅值；

构造终端故障测度隶属度函数；

定义终端权系数函数；

得到本馈线的线路故障隶属度函数；

计算出所有馈线的线路故障隶属度函数，反映单相接地故障的故障特征以作为其故障特征分量；

步骤S5、测试数据集中的数据训练效果，优化模型参数；

步骤S6、根据深度学习模型训练结果计算线路故障概率；

步骤S7、结合深度学习模型训练结果和线路故障概率完成选线。

2.根据权利要求1所述的小电流接地系统单相接地故障的选线方法，其特征在于，所述零序电流基波幅值与相角特征提取具体包括：

选择一个周期作为时间窗；

利用所选的时间窗计算基波幅值和基波相角；

将基波幅值和基波相角作为故障选线的特征分量。

3.根据权利要求1所述的小电流接地系统单相接地故障的选线方法，其特征在于，所述零序电流有功分量与极性特征提取具体包括：

提取出的零序电流电压的幅值，用于计算有功分量；

将计算有功分量结果的绝对值作为有功分量幅值特征，其符号作为有功分量极性特征。

4.根据权利要求1所述的小电流接地系统单相接地故障的选线方法，其特征在于，所述构造终端故障测度隶属度函数具体包括：

当线路当前配电终端安装处的故障零序电流与馈线处的电流互感器安装处的故障零序电流的相位相同，幅值不同时，配电终端处幅值小于馈线处幅值，构造终端故障测度隶属度函数，式子如下：

，其中：/>为当前配电终端故障零序电流；为终端故障隶属度函数参数；

当线路当前配电终端安装处的故障零序电流与馈线处的电流互感器安装处的故障零序电流的相不同，配电终端处故障零序电流幅值比电流互感器处小，构造终端故障测度隶属度函数，式子如下：

，其中：/>为当前配电终端故障零序电流；为终端故障隶属度函数参数。

5.根据权利要求1所述的小电流接地系统单相接地故障的选线方法，其特征在于，所述定义终端权系数函数具体包括：

对于中性点不接地或消弧线圈欠补偿系统，当配电终端处与馈线处零序电流极性相反时，定义终端权系数函数 ，式子如下：

，其中：/>为本线路配电终端总数；/>为馈线上所有终端中零序电流极性与馈线处相反的配电终端个数；/>为当前配电终端处与出口电流互感器处零序电流极性比较结果，若极性相同，则/>，若极性相反，则为终端权系数函数参数；

对于消弧线圈欠补偿系统，当配电终端处的零序电流极性与馈线处相同时，定义终端权系数函数：式子如下：/>其中：/>为本线路配电终端总数；/>为馈线上所有终端中出现下游零序电流幅值大于上游的次数；为当前配电终端处与其之前的配电终端或零序电流互感器的幅值比较结果；/>为终端权系数函数参数。

6.根据权利要求1所述的小电流接地系统单相接地故障的选线方法，其特征在于，所述数据预处理包括对数据中的空缺值、错误值以及噪声进行预处理。

7.根据权利要求1所述的小电流接地系统单相接地故障的选线方法，其特征在于，所述电网调度控制系统的原始数据包括电流、电压、无功功率以及有功功率。

8.根据权利要求1所述的小电流接地系统单相接地故障的选线方法，其特征在于，所述给原始数据设定标签包括线路编号标签和是否故障标签。