基于IELM算法的配电网故障区段定位方法及系统

技术领域

本公开属于配电网故障定位技术领域，具体涉及一种基于IELM算法的配电网故障区段定位方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

配电网快速、准确定位故障区段是及时隔离故障区域以及恢复非故障区域供电的前提，对于提升系统可靠性具有重要意义。在配网故障定位领域，国内外学者提出了诸如故障选线、故障测距、故障区段定位等多种方式。随着配电网自动化以及通信技术的不断发展，馈线终端单元(Feeder Terminal Unit，FTU)、故障指示器(Fault Indicators，FI)等馈线监控设备在配电网中逐渐普及，以此为基础的配电网故障区段定位算法成为当前研究的热点。该类算法主要分为两类：矩阵算法和智能优化算法。

矩阵算法的基本思想是基于网络拓扑信息建立网络描述矩阵，并与馈线终端监控设备上传的故障信息相结合生成故障判别矩阵，通过对故障判别矩阵综合分析获得故障区段。含多微网的主动配电网故障区段定位算法(论文)中提出一种可以应用于含多微网的配电网故障区段定位矩阵算法，该算法适用多种网络结构，具有一定的自适应性。基于贝叶斯估计的配电网智能分布式故障区段定位算法(论文)中提出一种不依靠主站参与的故障区段定位方法，仅通过FTU间的信息交互来确定故障区段，并通过建立基于贝叶斯概率模型的评价函数在一定程度上提高了算法的容错性。矩阵算法和优化算法相结合的配电网故障定位(论文)中提出一种矩阵算法与智能优化算法相结合的故障定位方法，无信息畸变时利用矩阵算法直接定位故障，有信息畸变时筛选可疑故障区段通过智能优化算法进行故障定位。矩阵算法原理简单，运算速度快。但是，矩阵算法容错性较差，需要建立网络描述矩阵，当配电网结构复杂、线路区段数目众多时，建立网络描述矩阵需要耗费大量人力资源。虽然一些学者提出了一些具有一定容错性的矩阵算法，但矩阵算法的实现需要建立网络描述矩阵的问题一直未能解决，使得矩阵算法较难应用于复杂配电网中。

智能优化算法的基本思想是通过故障假说将所有可能故障情形组成解空间，在解空间内通过逼近及优化理论寻找最优解，使得该最优解对于馈线终端监控设备上传的故障信息有最优解释。目前主流的智能优化算法有粒子群算法、遗传算法、免疫算法、蚁群算法、和声算法和仿电磁学算法等。基于改进遗传算法的配电网故障定位(论文)中提出一种具有更强全局寻优能力的改进遗传算法，并将配网划分为若干区域，依据先定位区域后定位区段的规则定位故障区段，可以达到缩减解空间规模的效果。量子计算和免疫优化算法相结合的有源配电网故障定位(论文)中提出一种量子计算与免疫算法结合的故障定位方法，并通过达到缩减解空间规模的目的。配电网故障区间定位的仿电磁学算法(论文)中详细阐述了仿电磁学(Electromagnetism-Like Mechanism，ELM)算法在配电网故障定位中的原理及数学模型，通过与遗传算法相比较证明了其在运算效率和容错性等方面的优势。

智能优化算法通用性强、容错性好且无需建立复杂的网络描述矩阵。其相较于矩阵算法，在配电网故障区段定位领域有更广阔的前景。智能优化算法理论上具有全局收敛性，但在实际应用中，因在解空间内的搜索具有随机性，致使智能优化算法存在局部收敛的可能。且其解空间规模与配网规模成正比，这使得智能优化算法在大规模配网应用中具有准确性差的致命缺陷。一些专家学者提出按区域划分配电网，通过先定位故障区域后定位故障区段的方法，实现缩减智能优化算法解空间规模的目的，此举的确在一定程度上提升了算法的准确性，但仍不满足配电网对算法准确性高的要求。受限于此，智能优化算法始终难以应用于大规模配电网。

发明内容

为了解决现有技术的不足，本公开提出了一种基于IELM算法的配电网故障区段定位方法及系统，提出了分层处理及全局寻优思想，通过IELM算法对配电网故障区段进行定位，对不同结构和规模的配电网具有良好的准确性及容错性，实现了缩减解空间规模的目的。

为了实现上述目的，本公开采用了如下的技术方案：

本公开的第一方面提供了一种基于IELM算法的配电网故障区段定位方法。

一种基于IELM算法的配电网故障区段定位方法，包括以下步骤：

读取配电网信息，结合分层处理思想建立第一层配电网故障和第二层配电网故障；

遍历所建立的第一层配电网故障，构建第一层配电网故障的拟合度函数；

对所构建的第一层配电网故障的拟合度函数进行优化判断，若达到最优解，则直接输出配电网的故障区段，否则进入下一步：

通过全局寻优思想进行第一层配电网故障的拟合度函数的可疑区段搜索，构建可疑区段集合，将所构建的可疑区段集合作为第二层配电网故障的解空间，利用IELM算法进行配电网故障区段的定位。

本公开的第二方面提供了一种基于IELM算法的配电网故障区段定位系统。

一种基于IELM算法的配电网故障区段定位系统，采用了第一方面所述的基于IELM算法的配电网故障区段定位方法，包括：

信息采集模块，被配置为：读取配电网信息，结合分层处理思想建立第一层配电网故障和第二层配电网故障；

构建第一层配电网故障的拟合度函数，被配置为：遍历所建立的第一层配电网故障，构建第一层配电网故障的拟合度函数；

故障区段定位模块，被配置为：对对所构建的第一层配电网故障的拟合度函数进行优化判断，若达到最优解，则直接输出配电网的故障区段；否则通过全局寻优思想进行第一层配电网故障的拟合度函数的可疑区段搜索，构建可疑区段集合，将所构建的可疑区段集合作为第二层配电网故障的解空间，利用IELM算法进行配电网故障区段的定位。

本公开第三方面提供了一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于IELM算法的配电网故障区段定位方法中的步骤。

本公开第四方面提供了一种电子设备。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于IELM算法的配电网故障区段定位方法中的步骤。

与现有技术相比，本公开的有益效果为：

1.本公开基于分层思想对传统故障定位算法结构进行优化，实现单一故障与多重故障的分层处理，优先对单一故障进行定位可有效提高算法对于单一故障定位的准确性及效率；

2.本公开基于全局寻优思想遴选可疑区段，对多重故障的解空间具有显著的降维效果，可大幅提高多重故障定位的准确性及效率；

3.本公开在ELM算法的基础上提出IELM算法，使算法学习能力得到提高，全局搜索性能得以增强，对不同结构和规模的配电网具有良好的准确性及容错性；

4.本公开所构建的故障定位分层结构模型和IELM算法在大规模复杂配电网的故障定位中有良好的应用前景。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开实施例一中基于IELM算法的配电网故障区段定位方法的一种流程图；

图2是本公开实施例一中基于IELM算法的配电网故障区段定位方法的单电源13节点辐射配电网示意图；

图3是本公开的实施例一中基于IELM算法的配电网故障区段定位方法的双电源配电网示意图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

名词解释：

ELM，Electromagnetism-Like Mechanism的简称，仿电磁学算法。

IELM，Improved Electromagnetism-Like Mechanism的简称，改进仿电磁学算法。

实施例一

本实施例介绍了一种如图1所示的基于IELM算法的配电网故障区段定位方法。

针对传统智能优化算法在配电网故障区段定位中存在准确率随配网规模扩大而大幅下降的问题，本实施例提出了一种基于IELM算法的配电网故障区段定位方法。首先，基于分层处理以及全局寻优思想对传统故障定位方法一体式的结构进行优化，第一层为单一故障区段定位，通过遍历所有故障情形的方式完成定位，这使得IELM算法在无信息缺失和畸变时，对单一故障定位有100％的准确性，基于全局寻优思想搭建连接第一层与第二层的桥梁，在第一层的基础上通过一定规则筛选可疑区段，并将所有可疑区段组成第二层故障定位的解空间，以此达到缩减解空间规模的目的，通过改变算法结构，实现单一故障及多重故障的分层处理以及缩减多重故障定位的解空间规模。在此结构优化的基础上，对ELM算法进行改进，忽略全局电荷对单一电荷的影响力，突出单一电荷对最优电荷的学习能力，提高其全局收敛能力及运算效率。最后，分别以单电源13节点辐射配电网和四电源119节点配电网为仿真测试系统，测试结果表明本文所提故障区段定位方法面对不同结构和规模的配电网具有准确性高、容错性好、定位速度快以及降维效果佳等优点，在大规模配电网中具有良好的应用前景。

1.故障区段定位算法结构改进

智能优化算法是在优化解空间内通过不停的迭代逼近最优解，由于在迭代过程中存在一定的随机性，导致有一定概率出现局部收敛。这一概率与配电网规模成正比，而缩减解空间规模是降低局部收敛概率最直接、有效的方式。基于此，本实施例通过分层处理及全局寻优思想对配电网故障区段定位算法结构进行优化，以实现缩减解空间规模的目的。

1.1分层处理思想

由于配电网中的多重故障的概率较低，因而将单一故障与多重故障分层处理可以提升定位的准确性及效率。基于此，将故障定位方法分为两层。第一层为单一故障区段定位，第二层为多重故障区段定位。在第一层中，由于所有单一故障的可能情形数量等于配网区段总数，完全可以通过遍历的方式获得每种情形的评价函数值，即拟合度。

式中，f

式中：

当配电网发生单一故障且FTU上传故障信息无畸变时，式(1)存在最优值2。在第一层运算中，若拟合度函数达到最优值，则认定此情形对应的区段发生单一故障。若第一层中拟合度函数未达到最优值，则该算法需进入第二层，在第二层实现多重故障区段定位。由于多重故障的所有可能情形存在“维数灾难”问题，导致第一层中的遍历方式并不适用于第二层。为此，本实施例应用全局寻优思想，获取可疑区段集合，将该集合作为第二层中IELM算法的解空间，通过IELM算法对故障区段进行定位。

1.2全局寻优思想

由式(1)可知，第一层中各故障情形越接近真实故障情形，其拟合度越大。以图2中的单电源辐射配电网为例，阐述全局寻优思想。

假设图2中的区段6与区段10发生故障，FTU上传的节点状态矩阵为[1，1，1，1，1，1，0，0，0，1，0，0，0]。根据式(1)对各区段分别发生单一故障进行拟合度计算，计算结果如下：[0.154，0.182，0.222，0.286，0.4，0.667，0.4，0.154，0.133，0.4，0.286，0.4，0.286]。区段6的上游区段为区段5，下游区段为区段7、12，而区段6的拟合度在其邻近区域内有极大值。同理，区段10的拟合度也为邻近区域内极大值。

基于拟合度的全局寻优方式搜索可疑区段，具体为：

首先，定义配电网主电源侧的区段为起点，无下游的区段为终点，将配电网划分为不同路径，获取配电网路径矩阵。如图1所示，该配电网共有四条路经：路径1为区段1、2、8、9；路径2为区段1、2、3、4、10、11；路径3为区段1、2、3、4、5、6、12、13；路径4为区段1、2、3、4、5、6、7。其次，依据如下规则搜索可疑区段：(1)取拟合度在所有路径上都为极大值的区段为可疑区段；(2)路径上拟合度最大的区段若为此路径的端点，取此区段为可疑区段；(3)路径上拟合度连续相等的区段，取起止区段为可疑区段。通过以上规则获取的可疑区段为区段6、10，将搜索到的可疑区段组成IELM算法的解空间，所以其解空间维数仅为2，而图1中范例的初始解空间维数为13，可见通过全局寻优思想搜索可疑区段可以有效缩减IELM算法的解空间规模，从而大幅提升多重故障定位的准确性及效率。

2.基于ELM算法的改进

ELM算法是由美国北卡罗莱纳州立大学博士Birbil于2003年提出的一种新型全局优化算法。该算法将空间中的每个解看作带电电荷，通过计算每个电荷的电荷量获得电荷间的相互作用力。该作用力促使电荷移动以实现种群的进化，从而达到对优化问题求解的目的。ELM算法具有易实现、效率高等优点，但其同样存在易早熟、全局性差等问题。

基于此，本实施例忽略全局电荷对单一电荷的影响，强调最优电荷与单一电荷间的作用力，增强算法的学习能力，提高收敛性；同时，引入了突变机制以提高算法的全局寻优能力。

2.1传统的ELM算法

在ELM算法求解过程中，从解空间随机生成一组初始种群，将种群中的每个可行解看作带电电荷，并称其为X

式中，q

根据库仑定律，电荷之间的相互作用力与其电荷量的乘积成正比，与电荷间的距离成反比。电荷在空间中所受作用力的代数和为：

式中，F

电荷受作用力的影响，在空间中向作用力中心点靠拢，由式(5)表示电荷移动。

式中，

完成电荷移动后，电荷的模型不再遵循0-1离散约束条件，需要对电荷模型进行二进制化。

式中，θ为突变因子，取0～1的随机数，进一步加强算法的突变性。

2.2改进的ELM算法

式(3)与式(4)的构造都是基于全局电荷对单一电荷的影响，对于最优电荷的学习性不够强，极易出现局部收敛的情况，因而对式(3)、式(4)进行如下的改进：

q

式中，l为可疑区段总数；G为全局评价函数值最优的电荷，G.f即该电荷的评价函数值：

式中，C为自定义常数，为了避免分母为0，本文统一取0.1。

式(5)中权重因子λ的引入会使电荷整体产生一致的移动，缺乏单一维度上的突变性，增加了算法局部收敛的概率。针对此问题，对式(5)进行如下改进：

在去除权重因子的同时，通过式(10)增强算法的全局搜索性能。

式中，U为随机搜索函数，意为从变量中随机选取1个；H为可疑区段集合；X

3.基于IELM算法的故障区段定位

当配电网发生故障时，FTU检测故障特征，并将故障特征信息上传至馈线自动化(Feeder Automation，FA)主站，在主站中通过本实施例所提故障定位方法进行故障区段定位[26-28]。

3.1故障定位数学建模

将配电网依据分段规则划分为若干区段，以各区段状态表征故障情形，将区段状态矩阵转换为节点状态期望矩阵，通过式(1)评价函数值表征节点状态期望矩阵与FTU上传节点状态矩阵的拟合度。在第一层中遍历所有单一故障情形，若拟合度达到最优值，则直接定位故障区段；否则将基于第一层拟合度结果通过全局寻优思想搜索可疑区段，然后将可疑区段组成解空间，进入第二层多重故障区段定位。在第二层中，利用IELM算法定位故障区段。

1)节点、区段划分及编号规则

以图3所示的简单辐射状配电网拓扑图为例，依据以下规则对该配电网进行划分及编号：将具有FTU的开关作为节点，并根据主电源辐射方向依次对节点进行编号，两个节点之间的线路称为一个区段，区段的编号与上游节点编号相同，划分及编号结果如图3所示。

2)区段状态模型

式中，L

3)节点状态模型

式中，取流过主电源侧第1个节点的故障特征方向为正方向，1代表流过节点i的故障特征方向与节点1相同；-1流过节点i的故障特征方向与节点1相反；0代表节点i没有流过故障特征。

4)开关函数

开关函数为由区段状态矩阵获得节点状态期望矩阵的转换函数。

式中，I

为便于理解，以图3双电源配电网为例，解释开关函数的原理。

假设区段3发生故障，根据式(14)得出节点1的状态：

同理，可以推得I

5)收敛判据

当满足式(15)中三条收敛判据之一时，即可认为算法已收敛。

式中，f

3.2算法求解流程

基于IELM算法的配电网故障区段定位流程如图1所示。

具体操作步骤如下：

1)读取配电网信息，设置初始参数。读取FTU上传的节点状态信息，建立配电网路径矩阵，对算法种群规模、迭代次数等参数进行设置。

2)第一层求解。对单一故障进行遍历，根据式(1)计算所有单一故障的拟合度，取拟合度最大的电荷为全局最优电荷G。

3)判断G的拟合度是否达到评价函数最优值。若达到最优值，直接输出故障区段，算法结束；否则进入步骤(4)。

4)全局寻优获取可疑区段。根据步骤(2)中获得的各拟合度，基于全局寻优思想以及配电网路径矩阵获得可疑区段集合。

5)第二层求解。将可疑区段作为IELM算法的解空间，随机生成初始电荷种群，并根据式(1)计算拟合度。

6)计算电荷所带电荷量以及所受作用力。根据式(7)、式(8)计算种群中每个电荷所带电荷量以及所受作用力。

7)电荷移动与突变。电荷根据式(9)进行移动，根据式(10)发生单一维度的随机突变，并根据式(6)将电荷二进制化。

8)更新全局最优电荷G。更新种群电荷拟合度，搜索种群中拟合度最大的电荷并与G作比较，若其拟合度大于G的拟合度，则将G更新为该电荷；否则，保持G不变。

9)判断是否满足结束条件。根据式(15)判断是否满足收敛条件。若满足收敛条件，则输出故障区段；否则转入步骤(6)。

4.算例分析

为验证算法的有效性，分别以改进的单电源13节点辐射配电网和四电源119节点配电网为例，对提出的基于IELM算法的配电网故障区段定位方法进行仿真测试。并与矩阵算法(算法1)、矩阵与智能结合算法(算法2)、量子计算与免疫结合算法(算法3)、ELM算法(算法4)分别在准确性、容错性、计算效率及降维效果等方面进行比较。

4.1单电源辐射网

单电源13节点辐射配电网如图2所示，该配电网由1个电源、1个断路器、12个分段开关以及13个线路区段组成。涉及智能优化算法的参数设置如下：种群数量N＝20，最大迭代次数D＝15。

4.1.1算法准确性

由于智能优化算法结果存在不确定性，分别将算法2、算法3、算法4以及IELM算法循环运行100次，取正确判断次数所占总运行次数的比值来描述算法的准确性。算法1则直接用正确或错误表示判断结果。IELM算法与各算法准确性比较结果如表1所示。

表1单电源辐射配电网无信息畸变故障定位仿真结果

由表1可知，算法1、算法2及本实施例中所提IELM算法均有100％的准确率，表明IELM算法对于无信息畸变的单电源辐射配网有相当于矩阵算法(算法1、算法2)的准确性。算法3准确率接近100％，但仍存在误判的可能性，而算法4则有10％～20％的可能性发生误判。表明IELM算法相较于智能优化算法(算法3、算法4)对于无信息畸变的单电源辐射配网准确性可提高至100％。

4.1.2算法容错性

算法的容错性是衡量一个算法是否符合配电网可靠性要求的重要指标。在实际应用中，FTU上传的节点状态信息经常会出现错报、漏报等状况。为满足配电网可靠性要求，故障区段定位算法须在FTU上传信息发生小规模畸变的情况下仍能准确定位故障区段[31]。

在4.1.1算法准确性中所述内容的基础上，随机选取1-2个节点进行畸变，以检验IELM算法的容错性，仿真结果如表2所示。

表2单电源辐射配电网有信息畸变故障定位仿真结果

由表2可知，算法1全部判断错误，算法2全部判断正确。算法3与算法4准确性相较于4.1.1变化不大，容错性虽好，但这两种算法仍有一定概率出现误判。而本实施例所提IELM算法准确率依旧保持100％，表明IELM算法具有与算法2相当的容错性。结合4.1.1中的结论，表明IELM算法对于单电源辐射状的简单配电网，具有良好的容错性。

4.1.3算法效率

将各算法循环运行100次，取单次平均耗时作为衡量算法效率的指标，算法效率如表3所示。

表3单电源辐射配电网故障定位效率

注：f1为单一故障无信息畸变；f2为单一故障有信息畸变；f3为多重故障无信息畸变；f4为多重故障有信息畸变。

由表3可知，算法1在各故障情形下的运算效率相近，均能达到0.03～0.05毫秒；算法2在f1、f3的情形下，其运算效率与算法1相近，在f2、f4的情形下，其运算效率在10毫秒左右；算法3、算法4运算效率相近，在各故障情形下的运算效率均为30毫秒左右；而本实施例所提IELM算法在f1情形下，运算效率在1毫秒之内，这是由于算法在第一层中只遍历单一故障，在无信息畸变时，评价函数达到最优值2，直接定位故障区段，无需运行智能优化算法。在f3情形下，运算时间相较于算法4降低约80％，计算效率显著提高，这是由于收敛判据中加入次最优值，使得在无信息畸变时双重故障可以被直接定位。在f2、f4情形下，计算效率与算法4相近。

4.1.4算法降维效果

在解空间规模较大的情况下，通过减少解空间维数，可以提升智能优化算法的准确性及运算效率。

为了验证本实施例所提IELM算法具有优越的降维效果，在4.1.2的基础上，将其与算法2、算法3进行降维效果比较，比较结果如表4所示。

表4单电源辐射配电网降维效果

由表4可知，在初始解空间维数为13的情况下，IELM算法降维效果与算法2相近，可以将解空间维数降低至2～4位。而在F2-2中，该两种算法都没有通过智能优化算法进行故障定位，因而解空间维数为0。IELM算法相较于算法3的降维效果提升3～4倍。由此可见，本实施例所提的分层结构及全局寻优思想具有显著的降维效果。

4.2四电源119节点系统

四电源119节点配电网见附录图A1，该配电网由4个电源、4个断路器、115个分段开关以及119个线路区段组成。智能优化算法的参数设置如下：种群数量N＝50，迭代次数D＝30。

4.2.1算法准确性

表5四电源配电网无畸变故障定位仿真结果

由表5可知，算法1、IELM算法均有100％的准确率。算法2则无法做出正确判断，表明算法2不适用于潮流双向流动的配电网系统。算法3与算法4的准确率较4.1.1均发生了大幅下降，算法3准确率为50％左右，而算法4准确率仅为20％左右，这表明配电网规模对算法3与算法4的准确性影响较大。可见，相比于以上四种算法，本实施例中的IEML算法准确性受配电网规模影响极小。

4.2.2算法的容错性

由4.2.1可知，算法2不适用于潮流双向流动的配电网系统，因而本部分内容只将IELM算法与算法1、算法3和算法4进行对比，在4.2.1的基础上，随机选取1～4个节点进行畸变，仿真结果如表6所示。

表6四电源配电网有畸变故障定位仿真结果

表6可知，本实施例中的IELM算法与算法1、算法4的仿真结果与4.1.2结论相同。算法3在除F4-8、F4-10之外的算例中准确率较4.2.1也无明显变化，而在算例F4-8、F4-10中准确率仅为个位数。表明IELM算法在多电源的大规模配电系统中仍具有良好的容错性。

4.2.3算法运算效率

将本实施例中的IELM算法与算法1、算法3和算法4运算效率作对比，比较结果如表7所示。

表7四电源配电网故障定位效率

由表7可知，算法1在各故障情形下的运算效率均在1毫秒之内。算法3在各故障情形下的运算效率均在500～600毫秒左右。算法4的运算效率在2000毫秒左右。IELM算法在f1、f3情形下运算效率在20毫秒左右，在f2、f4情形下运算效率在140毫秒左右。表明本实施例中所提出的IELM算法在多电源大规模配电网系统中具有良好的计算效率。

4.2.4算法降维效果

在4.2.2的基础上，将本实施例所提出的IELM算法与算法3的降维效果进行比较，降维结果如表8所示。

表8四电源配电网降维效果

由表8可知，在初始解空间维数为119的情况下，IELM算法可以将解空间维数降至个位数，而算法2只能将解空间维数降至30～50左右。结合4.2.1、4.2.2、4.2.3中的结果，证明本实施例所提出的IELM算法对于多电源的大规模配电系统具有较好的适用性。

实施例二

本实施例介绍了一种基于IELM算法的配电网故障区段定位系统，采用了实施例一所述的基于IELM算法的配电网故障区段定位方法，包括：

信息采集模块，被配置为：读取配电网信息，结合分层处理思想建立第一路径矩阵和第二路径矩阵；

构建第一拟合度函数模块，被配置为：遍历所建立的第一路径矩阵，构建第一拟合度函数；

故障区段定位模块，被配置为：对所构建的第一拟合度函数进行优化判断，若达到最优解，则直接输出配电网的故障区段；否则通过全局寻优思想进行第一拟合度函数的可疑区段搜索，构建可疑区段集合，将所构建的可疑区段集合作为第二路径矩阵的解空间，利用IELM算法进行配电网故障区段的定位。

详细步骤与实施例一提供的基于IELM算法的配电网故障区段定位方法相同，在此不再赘述。

实施例三

本公开实施例三提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于IELM算法的配电网故障区段定位方法中的步骤。

详细步骤与实施例一提供的基于IELM算法的配电网故障区段定位方法相同，在此不再赘述。

实施例四

本公开实施例四提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于IELM算法的配电网故障区段定位方法中的步骤。

详细步骤与实施例一提供的基于IELM算法的配电网故障区段定位方法相同，在此不再赘述。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、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。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。