CN118035694A - 一种配电网故障预测方法及其预测系统 - Google Patents

Abstract

本发明提供一种配电网故障预测方法及其预测系统，属于电力系统技术领域，预测方法包括基于待预测配电网的拓扑结构数据，对配电网的物理区间进行分割，得到多个区段；获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据；基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测，本发明综合考虑了配电网的拓扑结构特性、数据关联性和动态变化特性，提高预测的准确性，能够更精确地确定故障段。

Description

一种配电网故障预测方法及其预测系统

技术领域

本发明涉及电力系统技术领域，尤其涉及一种配电网故障预测方法及其预测系统。

背景技术

随着电力行业的快速发展和智能电网的广泛推广，配电网作为电力系统的关键环节，其安全稳定运行对于保障电力供应、提高供电质量具有重要意义。然而，配电网运行过程中往往会出现各种故障，这些故障可能导致停电、设备损坏等问题，给用户带来极大的不便和经济损失。因此，如何准确预测配电网故障，提前采取措施进行防范和修复，成为电力行业亟待解决的问题。

传统的配电网故障预测方法主要依赖于人工巡检和经验判断，这种方法不仅效率低下，而且容易受到人为因素的影响，导致预测结果不准确。近年来，随着大数据、人工智能等技术的不断发展，越来越多的学者和工程师开始探索基于数据驱动的配电网故障预测方法。

因此，本发明提供一种配电网故障预测方法及其预测系统解决上述技术问题。

发明内容

为解决上述技术问题，本发明提供一种配电网故障预测方法及其预测系统，综合考虑了配电网的拓扑结构特性、数据关联性和动态变化特性，可以提高预测的准确性和可靠性，为配电网的安全稳定运行提供有力保障，并且能够更精确地确定故障发生的具体分段，从而加速维护工作的响应与执行。

本发明提供的一种配电网故障预测方法，预测方法包括以下步骤：

基于待预测配电网的拓扑结构数据，对配电网的物理区间进行分割，得到多个区段；

获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据；

基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测。

优选的，所述基于待预测配电网的拓扑结构，对配电网的物理区间进行分割，得到多个区段，具体包括：

获取待预测配电网的拓扑结构数据，其中，所述拓扑结构数据包括各个节点的连接关系；

基于各个节点之间的连接关系对配电网的物理区间进行区段划分，分割为多个区段。

优选的，所述获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据，具体包括：

获取配电网的电力数据，并进行预处理；

将所述配电网的电力数据与相应的区段进行关联，得到配电网的电力数据与区段之间的关系；

基于配电网的电力数据与区段之间的关系，将配电网的电力数据根据区段划分为多个子数据。

优选的，所述基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，具体包括：

设定数据阈值条件，其中，所述数据阈值条件为数据密度阈值；

基于数据密度阈值对所有区段进行n次分割，得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

获取经过n次分割后的所有第n子数据的当前数据密度；

逐一判断第n子数据的当前数据密度是否小于设定的数据密度阈值，

若当前数据密度不小于数据密度阈值的第n子数据的个数不少于当前数据密度小于数据密度阈值的第n子数据的个数，则停止分割，反之，则继续进行分割。

优选的，基于神经网络的故障预测模型的构建，具体包括：

收集与配电网运行状态关联的历史配电网数据；

基于特征关联度从历史配电网数据中提取出配电网故障特征；

利用提取的电网故障特征训练基于神经网络的故障预测模型，使其学习配电网故障特征与故障状态之间的关系。

优选的，所述基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测，具体包括：

先将区段对应的子数据输入所述故障预测模型进行配电网故障预测，若预测结果为故障，则将预测结果为故障的区段对应的第一子数据至第n子数据逐级输入故障预测模型进行故障预测，得到故障的第n分段。

本发明还提供了一种配电网故障预测系统，预测系统包括：

区段分割模块，用于基于待预测配电网的拓扑结构数据，对配电网的物理区间进行分割，得到多个区段；

数据分解模块，用于获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据；

分段分割模块，用于基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

预测模块，用于基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测。

优选的，所述区段分割模块包括：

拓扑结构获取模块，用于获取待预测配电网的拓扑结构数据，其中，所述拓扑结构数据包括各个节点的连接关系；

划分模块，用于基于各个节点之间的连接关系对配电网的物理区间进行区段划分，分割为多个区段。

优选的，所述数据分解模块包括：

数据获取模块，用于获取配电网的电力数据，并进行预处理；

关联模块，用于将所述配电网的电力数据与相应的区段进行关联，得到配电网的电力数据与区段之间的关系；

数据划分模块，用于基于配电网的电力数据与区段之间的关系，将配电网的电力数据根据区段划分为多个子数据。

优选的，所述分段分割模块包括：

阈值设定模块，用于设定数据阈值条件，其中，所述数据阈值条件为数据密度阈值；

分割模块，用于基于数据密度阈值对所有区段进行n次分割，得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

数据密度获取模块，用于获取经过n次分割后的所有第n子数据的当前数据密度；

判断模块，用于逐一判断第n子数据的当前数据密度是否小于设定的数据密度阈值，

若当前数据密度不小于数据密度阈值的第n子数据的个数不少于当前数据密度小于数据密度阈值的第n子数据的个数，则停止分割，反之，则继续进行分割。

与相关技术相比较，本发明提供的一种配电网故障预测方法及其预测系统具有如下有益效果：

本发明通过对待预测配电网进行拓扑结构分析和物理区间分割，得到多个区段，并获取相应的电力数据，然后，根据预设的数据阈值条件对每个区段进行多次分割，得到更细粒度的分段，最后，利用预构建的基于神经网络的故障预测模型对分割后的分段的数据进行处理和分析，实现对配电网故障的准确预测，本发明综合考虑了配电网的拓扑结构特性、数据关联性和动态变化特性，可以提高预测的准确性和可靠性，为配电网的安全稳定运行提供有力保障，并且能够更精确地确定故障发生的具体分段，从而加速维护工作的响应与执行。

附图说明

图1为本发明提供的一种配电网故障预测方法的流程图；

图2为本发明提供的一种配电网故障预测方法中步骤S1的流程图；

图3为本发明提供的一种配电网故障预测方法中步骤S2的流程图；

图4为本发明提供的一种配电网故障预测方法中步骤S3的流程图；

图5为本发明提供的一种配电网故障预测方法中步骤S4的流程图；

图6为本发明提供的一种配电网故障预测系统的模块图。

具体实施方式

下面结合附图和实施方式对本发明做进一步说明。

实施例一

参考图1所示，本发明提供的一种配电网故障预测方法，预测方法包括以下步骤：

S1：基于待预测配电网的拓扑结构数据，对配电网的物理区间进行分割，得到多个区段。

在本实施例中，获取待预测配电网的拓扑结构数据，这些数据通常包括配电网中各个节点的连接关系、线路长度、导线类型等信息，然后，选择其中的各个节点的连接关系对配电网的物理区间进行分割，根据节点的连接关系和线路特性，将配电网划分为多个相对独立的区段，有助于将复杂的配电网系统分解为若干个较小的、更易于管理的区段，以便进行后续的数据分析和故障预测，且可以更有针对性地收集和分析每个区段的电力数据，提高故障预测的准确性和效率。

S2：获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据。

在本实施例中，从配电网信息系统中获取配电网在运行过程中的各类电力数据，各类电力数据包括电压波形数据、电流波形数据、系统拓扑参数和温度等，并根据步骤S1中得到的区段划分，将电力数据分解为与每个区段对应的子数据，这是因为不同区段的电力数据可能具有不同的特征和规律，因此需要将电力数据按照区段进行分解，以便后续的分析和预测，并且通过数据分解，可以更好地理解每个区段的电力特性，为后续的故障预测提供更为准确的数据支持。

S3：基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数。

在本实施例中，设定一个数据阈值条件，这个条件是基于数据的密度，然后，基于数据阈值条件对每个区段进行多次分割，直至满足数据阈值条件，且每次分割都会得到更小的分段和对应的子数据，通过多次分割可以更精细地分析配电网中的数据变化，有助于发现潜在的故障征兆，实施时，通过n次分割，可以得到更为详细的数据分段和子数据，为后续的故障预测提供更为精确的数据基础。

S4：基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测。

在本实施例中，构建一个基于神经网络的故障预测模型，并使用历史数据对该模型进行训练，然后，将步骤S2和S3中得到的区段、子数据以及第n分段以及与第n分段对应的第n子数据输入到模型中，进行故障预测。

因为神经网络具有强大的学习和泛化能力，能够从大量历史数据中学习出配电网故障的特征和规律，从而实现对配电网故障的快速、准确预测，为配电网的安全运行提供有力保障，并且能够更精确地确定故障发生的具体分段，从而加速维护工作的响应与执行。

参考图2所示，步骤S1具体包括：

S101：获取待预测配电网的拓扑结构数据，其中，所述拓扑结构数据包括各个节点的连接关系。

在本实施例中，配电网的拓扑结构数据是配电网物理结构的数字化表示，它反映了配电网中各元素之间的空间关系，拓扑结构数据中节点连接关系是拓扑结构数据的重要组成部分，因为它们直接决定了电流、电压等电力参数的流动路径，因此，获取拓扑结构数据为后续的物理区间分割提供了必要的输入，通过明确节点间的连接关系，能够更准确地理解配电网的整体布局和各个部分之间的关联，为后续的故障预测工作奠定了基础。

S102：基于各个节点之间的连接关系对配电网的物理区间进行区段划分，分割为多个区段。

在本实施例中，在获取了配电网的拓扑结构数据后，根据节点之间的连接关系对配电网进行物理区间的分割，可以采用图论分析算法来确定分割的边界和区段的数量，具体为：分析节点间的连接紧密程度、线路长度、设备类型等因素，以确定哪些节点应该归属于同一个区段。

区段划分有助于降低故障预测的复杂度，提高预测的准确性，通过将配电网划分为多个区段，可以更有针对性地收集和分析每个区段的电力数据，进而更准确地识别出潜在的故障风险，此外，区段划分还有助于实现故障的快速定位和隔离，一旦某个区段发生故障，可以迅速采取措施进行修复，减少对整个配电网的影响。

参考图3所示，步骤S2具体包括：

S201：获取配电网的电力数据，并进行预处理。

在本实施例中，通过配电网的信息采集系统，实时或定期地获取配电网在运行过程中的各类电力数据，这些电力数据包括但不限于电压波形数据、电流波形数据、系统拓扑参数和温度等，这些数据反映了配电网的实时运行状态，是后续故障预测的基础。

随后，对这些原始电力数据进行预处理，预处理的主要目的是消除数据中的噪声、异常值、缺失值等不利因素，提高数据的质量和一致性，具体的预处理操作可能包括数据清洗、数据平滑、数据标准化等，通过这些操作，可以使电力数据更加适合后续的故障预测分析。

S202：将所述配电网的电力数据与相应的区段进行关联，得到配电网的电力数据与区段之间的关系。

在本实施例中，根据步骤S1中得到的区段划分结果，通过建立数据映射关系来将预处理后的电力数据与相应的区段进行关联，确保每个区段都有对应的电力数据作为支持，这样，可以建立起电力数据与区段之间的直接联系，实现对配电网不同区域运行状态的精细化分析，这是因为不同区段的电力数据可能具有不同的特征和规律，关联后可以更好地挖掘每个区段的运行特性，为故障预测提供更为准确的数据支持，为后续的故障定位和处理提供了有力的数据支持。

S203：基于配电网的电力数据与区段之间的关系，将配电网的电力数据根据区段划分为多个子数据。

在本实施例中，步骤S202中建立的电力数据与区段之间的关系，将电力数据按照区段进行划分，得到多个子数据，每个子数据对应一个具体的区段，包含了该区段的实时运行信息，通过对不同区段的电力数据进行细分，可以更加深入地了解每个区段的运行状况，发现潜在的故障风险，同时，子数据的划分也有利于后续的故障定位，一旦发生故障，可以快速确定故障所在的区段和具体的子数据范围。

参考图4所示，步骤S3具体包括：

S301：设定数据阈值条件，其中，所述数据阈值条件为数据密度阈值。

在本实施例中，根据配电网的特点和运行数据的历史分析，设定一个合适的数据密度阈值，数据密度阈值是指对配电网电力数据在特定时间段或特定区段内的分布密集程度的一个量化标准，数据密度高通常意味着该区段或时间段内的电力数据变化较为频繁。

设定数据密度阈值是后续进行区段分割的基础，它确保了分割过程有一个明确的参考标准，能够确保分割的合理性和有效性，同时，通过设定合适的数据密度阈值，可以实现对配电网电力数据的精细化分析，有助于发现潜在的故障征兆。

S302：基于数据密度阈值对所有区段进行n次分割，得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数。

在本实施例中，根据步骤S301中设定的数据密度阈值，开始对每一个区段进行分割，分割的过程是迭代的，即每次分割后都会得到更小的分段（即第n分段）和对应的子数据（即第n子数据），每次分割都是基于当前分段的数据密度进行的，通过基于数据密度阈值的多次分割，可以将配电网的物理区间进一步细化为多个更小的分段，每个分段对应着特定的电力数据子集，这样的细分有助于更精确地识别和分析配电网中可能存在故障的区域，提高了故障预测的精度和可靠性。

S303：获取经过n次分割后的所有第n子数据的当前数据密度。

在本实施例中，在每次分割完成后，需要计算每个新生成的第n子数据的数据密度，数据密度的计算可以基于子数据中的样本数量、变化率、标准差等多种统计指标进行，通过计算数据密度，可以了解每个子数据的数据分布情况，为后续的判断提供依据。

同时，获取每个子数据的当前数据密度是判断是否需要继续分割的关键步骤，通过比较子数据的数据密度与设定的数据密度阈值，可以决定是否需要对该子数据进行进一步的分割，从而实现对配电网数据的精细化处理。

S304：逐一判断第n子数据的当前数据密度是否小于设定的数据密度阈值，

若当前数据密度不小于数据密度阈值的第n子数据的个数不少于当前数据密度小于数据密度阈值的第n子数据的个数，则停止分割，反之，则继续进行分割。

在本实施例中，在获取了当前分段中所有第n子数据的当前数据密度后，开始逐一判断这些子数据的数据密度是否小于设定的数据密度阈值，如果当前数据密度不小于阈值的子数据个数不少于数据密度小于阈值的子数据个数，说明当前分割已经足够精细，能够捕捉到大部分潜在故障区域，因此停止分割；反之，如果数据密度小于阈值的子数据个数较多，说明当前分割还不够精细，可能遗漏了一些潜在故障区域，因此需要继续进行分割，直至满足数据阈值条件。

通过这一步骤的判断，可以确保分割过程既不会过于粗糙导致遗漏故障信息，也不会过于精细导致计算量过大，同时，根据数据密度的变化动态调整分割次数，可以实现对配电网数据的自适应处理，提高了故障预测的准确性和效率。

参考图5所示，步骤S4具体包括：

S401：收集与配电网运行状态关联的历史配电网数据。

在本实施例中，需要对配电网运行过程中的历史数据进行全面收集。这些数据都与配电网的运行状态紧密相关，通过收集全面的历史数据，可以为后续的故障特征提取和模型训练提供丰富的样本，使故障预测模型能够学习到更多的故障特征和规律，从而提高预测的准确性和可靠性。

历史数据的收集基于配电网的信息管理系统或数据采集与监控系统，这些系统能够实时或定期地收集配电网的各种运行数据，并将其存储在数据库中。收集到的数据需要进行清洗和预处理，以消除异常值和噪声，提高数据质量。

S402：基于特征关联度从历史配电网数据中提取出配电网故障特征。

在本实施例中，特征提取时，首先，需要分析历史数据中各种特征与故障之间的关联度，找出与故障发生关系最为密切的特征，然后，利用统计分析方法，从数据中提取出这些关键特征，形成故障特征集，通过提取故障特征，可以将原始数据转化为更有价值的信息，为后续的模型训练提供关键输入，同时，特征提取还可以降低数据的维度和复杂性，提高故障预测模型的计算效率和性能。

S403：利用提取的电网故障特征训练基于神经网络的故障预测模型，使其学习配电网故障特征与故障状态之间的关系。

在本实施例中，将提取出的故障特征作为输入，利用神经网络算法构建故障预测模型，然后，使用历史数据中的故障样本对模型进行训练，通过调整模型的参数和结构，使其能够学习到故障特征与故障状态之间的映射关系。

神经网络的训练基于反向传播算法和梯度下降优化算法，通过不断调整网络中的权重和偏置项，使模型的预测结果与实际结果之间的差距最小化，通过训练基于神经网络的故障预测模型，可以使模型具备强大的学习和预测能力，模型能够从历史数据中学习到故障的发生规律和特征，从而在未来的运行中实现对故障的快速、准确预测。

S404：先将区段对应的子数据输入所述故障预测模型进行配电网故障预测，若预测结果为故障，则将预测结果为故障的区段对应的第一子数据至第n子数据逐级输入故障预测模型进行故障预测，得到故障的第n分段。

在本实施例中，将区段对应的子数据作为输入，输入到训练好的故障预测模型中进行初步预测，如果预测结果显示为故障，则进一步将故障区段对应的第一子数据至第n子数据逐级输入模型进行更精细化的预测，通过逐级预测，可以逐步缩小故障发生的范围，最终定位到故障发生的具体分段。

实施时，故障预测模型的预测过程基于网络的前向传播算法，通过计算输入数据与模型参数之间的点积和激活函数的非线性变换，得到最终的预测结果，在逐级预测的过程中，模型能够利用更细粒度的数据进行分析和判断，从而提高故障定位的准确性和精度。

通过逐级进行预测，可以实现对配电网故障的精确判断和定位，不仅能够快速发现故障的存在，还能进一步确定故障发生的具体位置，为后续的故障处理和恢复工作提供有力的支持，同时，逐级预测的方式还可以提高预测的效率和准确性，减少不必要的维护成本和时间损失。

本发明提供的一种配电网故障预测方法的工作原理如下：本发明通过对待预测配电网进行拓扑结构分析和物理区间分割，得到多个区段，并获取相应的电力数据，然后，根据预设的数据阈值条件对每个区段进行多次分割，得到更细粒度的分段，最后，利用预构建的基于神经网络的故障预测模型对分割后的分段的数据进行处理和分析，实现对配电网故障的准确预测，本发明综合考虑了配电网的拓扑结构特性、数据关联性和动态变化特性，可以提高预测的准确性和可靠性，为配电网的安全稳定运行提供有力保障，并且能够更精确地确定故障发生的具体分段，从而加速维护工作的响应与执行。

实施例二

参考图6所示，本发明还提供了一种配电网故障预测系统，预测系统包括：

区段分割模块500，用于基于待预测配电网的拓扑结构数据，对配电网的物理区间进行分割，得到多个区段。

数据分解模块600，用于获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据。

分段分割模块700，用于基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数。

预测模块800，用于基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测。

其中，所述区段分割模块包括：

拓扑结构获取模块，用于获取待预测配电网的拓扑结构数据，其中，所述拓扑结构数据包括各个节点的连接关系；

划分模块，用于基于各个节点之间的连接关系对配电网的物理区间进行区段划分，分割为多个区段。

其中，所述数据分解模块包括：

数据获取模块，用于获取配电网的电力数据，并进行预处理；

关联模块，用于将所述配电网的电力数据与相应的区段进行关联，得到配电网的电力数据与区段之间的关系；

数据划分模块，用于基于配电网的电力数据与区段之间的关系，将配电网的电力数据根据区段划分为多个子数据。

其中，所述分段分割模块包括：

阈值设定模块，用于设定数据阈值条件，其中，所述数据阈值条件为数据密度阈值；

分割模块，用于基于数据密度阈值对所有区段进行n次分割，得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

数据密度获取模块，用于获取经过n次分割后的所有第n子数据的当前数据密度；

判断模块，用于逐一判断第n子数据的当前数据密度是否小于设定的数据密度阈值，

若当前数据密度不小于数据密度阈值的第n子数据的个数不少于当前数据密度小于数据密度阈值的第n子数据的个数，则停止分割，反之，则继续进行分割。

本申请是参照根据本申请实施例的方法、设备（系统）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一种计算机可读存储介质中，存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read Only Memory，EPROM）、一次可编程只读存储器（One-time Programmable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器，或者能够用于携带或存储数据的计算机可读的任何其他介质。

还需要说明的是，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

Claims (10)

1.一种配电网故障预测方法，其特征在于，预测方法包括以下步骤：

基于待预测配电网的拓扑结构数据，对配电网的物理区间进行分割，得到多个区段；

获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据；

基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测。

2.根据权利要求1所述的一种配电网故障预测方法，其特征在于，所述基于待预测配电网的拓扑结构，对配电网的物理区间进行分割，得到多个区段，具体包括：

获取待预测配电网的拓扑结构数据，其中，所述拓扑结构数据包括各个节点的连接关系；

基于各个节点之间的连接关系对配电网的物理区间进行区段划分，分割为多个区段。

3.根据权利要求2所述的一种配电网故障预测方法，其特征在于，所述获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据，具体包括：

获取配电网的电力数据，并进行预处理；

将所述配电网的电力数据与相应的区段进行关联，得到配电网的电力数据与区段之间的关系；

基于配电网的电力数据与区段之间的关系，将配电网的电力数据根据区段划分为多个子数据。

4.根据权利要求3所述的一种配电网故障预测方法，其特征在于，所述基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，具体包括：

设定数据阈值条件，其中，所述数据阈值条件为数据密度阈值；

基于数据密度阈值对所有区段进行n次分割，得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

获取经过n次分割后的所有第n子数据的当前数据密度；

逐一判断第n子数据的当前数据密度是否小于设定的数据密度阈值，

若当前数据密度不小于数据密度阈值的第n子数据的个数不少于当前数据密度小于数据密度阈值的第n子数据的个数，则停止分割，反之，则继续进行分割。

5.根据权利要求4所述的一种配电网故障预测方法，其特征在于，基于神经网络的故障预测模型的构建，具体包括：

收集与配电网运行状态关联的历史配电网数据；

基于特征关联度从历史配电网数据中提取出配电网故障特征；

利用提取的电网故障特征训练基于神经网络的故障预测模型，使其学习配电网故障特征与故障状态之间的关系。

6.根据权利要求5所述的一种配电网故障预测方法，其特征在于，所述基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测，具体包括：

先将区段对应的子数据输入所述故障预测模型进行配电网故障预测，若预测结果为故障，则将预测结果为故障的区段对应的第一子数据至第n子数据逐级输入故障预测模型进行故障预测，得到故障的第n分段。

7.一种配电网故障预测系统，其特征在于，预测系统包括：

区段分割模块，用于基于待预测配电网的拓扑结构数据，对配电网的物理区间进行分割，得到多个区段；

数据分解模块，用于获取配电网的电力数据，并将所述配电网的电力数据分解为与所述多个区段对应的多个子数据；

分段分割模块，用于基于预设的数据阈值条件对所有区段进行n次分割，每次分割后得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

预测模块，用于基于区段以及对应的子数据与第n分段以及对应的第n子数据通过预构建的基于神经网络的故障预测模型进行配电网故障预测。

8.根据权利要求7所述的一种配电网故障预测系统，其特征在于，所述区段分割模块包括：

拓扑结构获取模块，用于获取待预测配电网的拓扑结构数据，其中，所述拓扑结构数据包括各个节点的连接关系；

划分模块，用于基于各个节点之间的连接关系对配电网的物理区间进行区段划分，分割为多个区段。

9.根据权利要求8所述的一种配电网故障预测系统，其特征在于，所述数据分解模块包括：

数据获取模块，用于获取配电网的电力数据，并进行预处理；

关联模块，用于将所述配电网的电力数据与相应的区段进行关联，得到配电网的电力数据与区段之间的关系；

数据划分模块，用于基于配电网的电力数据与区段之间的关系，将配电网的电力数据根据区段划分为多个子数据。

10.根据权利要求9所述的一种配电网故障预测系统，其特征在于，所述分段分割模块包括：

阈值设定模块，用于设定数据阈值条件，其中，所述数据阈值条件为数据密度阈值；

分割模块，用于基于数据密度阈值对所有区段进行n次分割，得到多个第n分段以及与第n分段对应的第n子数据，其中，n为正整数；

数据密度获取模块，用于获取经过n次分割后的所有第n子数据的当前数据密度；

判断模块，用于逐一判断第n子数据的当前数据密度是否小于设定的数据密度阈值，

若当前数据密度不小于数据密度阈值的第n子数据的个数不少于当前数据密度小于数据密度阈值的第n子数据的个数，则停止分割，反之，则继续进行分割。