1.基于粒子滤波算法多信息融合的配网故障定位方法，其特征在于包括以下步骤：步骤1:提取暂态信息，利用离散小波变换提取暂态零序电流高频分量；

步骤2:计算各测量点暂态零序电流高频分量的相对熵、偏态系数，得到各自相对应的初步故障区段位置；

步骤3:利用粒子滤波算法将两初步故障区段位置进行融合，得到故障区段位置；

步骤4:确定故障区段首末故障稳态零序电压、功率；

步骤5: 采用前推迭代法切割故障区段，利用粒子滤波融合不同故障时刻切割点零序电压、功率的权重，得到下一切割点的零序电压、功率，迭代切割，直至满足阈值条件，输出故障位置。

2.根据权利要求1所述基于粒子滤波算法多信息融合的配网故障定位方法，其特征在于：所述步骤1中，利用离散小波变换(Discrete Wavelet Transform，DWT)引入暂态信息，将小波基函数 进行平移和尺度变换得到母小波函数系数 ，如式（1）所示：(1)；

其中， ，为尺度因子，反映了小波基函数自身的变化；为反映平移的参数，表示小波基函数在信号的时域位置；为短路故障后所截取待分析信号数据窗的开始时刻；

为母小波函数；

再将母小波函数与待分析信号 进行内积，得到待分析信号小波系数 ，如式（2）所示：(2) ；

其中， 表示待分析信号与母小波函数的内积； 表示待分析信号的小波系数为关于 的函数；

此时待分析信号暂态分量 如式（3）所示：

(3) ；

将所截取的零序电流数据窗带入式（1）、（2）、（3），可得所提取的暂态零序电流高频分量如式（4）所示：(4)。

3.根据权利要求1所述基于粒子滤波算法多信息融合的配网故障定位方法，其特征在于：所述步骤2包括以下步骤：

S2.1:基于步骤1所提取的暂态零序电流高频分量，随机变量 、为故障线路任意两测量点暂态零序电流状态；计算故障线路任意两测量点之间的相对熵，如式（5）所示：

(5) ；

其中， 表示状态 相对于状态 相对熵值； 表示状态 相对于状态相对熵值； 表示故障线路测量点 的概率； 表示故障线路测量点 的概率；最后形成如式（6）所示的相对熵矩阵：

(6) ；

其中， 表示故障线路任意两测量点的相对熵矩阵；即矩阵 、 中元素相较于矩阵、 中元素明显较小；据此能够初步判断故障区段位置(m,n)；

表示矩阵 中元素值明显较小的且位于左上角的矩阵； 表示矩阵 中元素值明显较大的且位于右上角的矩阵； 表示 中元素值明显较大的且位于左下角的矩阵；

表示矩阵 中元素值明显较小的且位于右下角的矩阵；

表示测量点1相对与测量点1的相对熵； 表示测量点m相对与测量点1的相对熵； 表示测量点1相对与测量点m的相对熵； 表示测量点m相对与测量点m的相对熵; 表示测量点n相对与测量点1的相对熵； 表示测量点k相对与测量点1的相对熵； 表示测量点n相对与测量点m的相对熵； 表示测量点k相对与测量点m的相对熵； 表示测量点1相对与测量点n的相对熵； 表示测量点m相对与测量点n的相对熵； 表示测量点1相对与测量点k的相对熵； 表示测量点m相对与测量点k的相对熵； 表示测量点n相对与测量点n的相对熵；

表示测量点k相对与测量点n的相对熵； 表示测量点n相对与测量点k的相对熵； 表示测量点k相对与测量点k的相对熵；

S2.2:计算暂态分量偏态系数，如式（7）所示：(7) ；

其中， 表示偏态系数； 表示的待分析的序列的第i个数值； 表示待分析的序列的平均值；表示待分析的序列的数值个数；

S2.3:通过两暂态故障信息得到两个初步故障区段位置，即矩阵 、 中元素相较于矩阵 、 中元素明显较小；据此可以初步判断故障区段位置(m,n)；

由式（7）可得该故障线路各个测量点偏态系数为 ，分别表示故障线路测量点1、2、……、m的偏态系数； 分别表示故障线路测量点n、……、q的偏态系数；

若其中测量点1至测量点m偏态系数都小于零，测量点n至测量点q偏态系数都大于零，能够初步得故障区段为(m,n)。

4.根据权利要求2所述基于粒子滤波算法多信息融合的配网故障定位方法，其特征在于：偏态系数的大小反映了数据分布的不对称程度；当偏态系数大于零时，表示数据分布向右偏斜，即数值较大的项更多；当偏态系数小于零时，表示数据分布向左偏斜，即数值较小的项更多；偏态系数的绝对值越大，表示数据的偏斜程度越明显；能够通过数据分布图形或使用偏态系数进行定量分析，以判断数据的分布特征。

5.根据权利要求1所述基于粒子滤波算法多信息融合的配网故障定位方法，其特征在于：所述步骤3中，引入粒子滤波算法，将预处理之后偏态系数定位结果对相对熵系数得到初步故障区段定位结果进行矫正，得到最终故障区段位置；

粒子滤波算法流程包括如下步骤：

步骤3.1：设系统状态模型方程、观测模型方程，如式（8）、（9）所示：(8)；

(9)；

其中， 、 表示随机变量， 、 为关于变量 的函数；为迭代步数； 表示迭代前关于变量 的函数； 表示预测的噪声的； 表示观测的噪声；

步骤3.2：根据式（8）的系统模型，对每个粒子进行状态预测，以得到下一时刻的粒子样本，预测方程如下：(10)；

其中，表示粒子总数； 表示第 个粒子； 表示第 个粒子预测权重； 表示狄拉克函数； 表示下一时刻粒子样本； 表示被预测的变量； 表示粒子当前粒子样本与第 个粒子差的单位冲激；

步骤3.3：根据观测模型和观测数据，计算每个粒子的权重，并进行归一化处理；权重表示了每个粒子与观测数据的一致程度，更新方程如式（11）所示：(11) ；

其中， 表示第 个粒子权重； 表示变量 的后验概率密度； 表示第 个粒子权重和的倒数； 表示第 个粒子预测权重；表示粒子总数； 表示观测噪声概率密度；

将上述粒子滤波算法流程带入配网测量数据；

首先初始化，将配电网各测量点经偏态系数系数预处理之后的偏态系数定位结果进行粒子初始化得到 ，表示第 步时的第 个粒子， ，为配电网测量点总数，表示测量点m第 步时的第 个粒子； 表示测量点n第 步时的第 个粒子；

赋予粒子初始权重值 ；随后预测，生成t时刻样本 ， 表示粒子初始化前的粒子样本； 表示预测时的噪声；

并计算t时刻粒子对应权重值：如式（12）

(12) ；

其中， 表示t时刻粒子对应权重值； 表示粒子初始化前的权重值； 表示粒子初始化后的t时刻样本； 表示预测后生成的t时刻样本； 表示样本粒子初始化后与预测后的差的脉冲；表示配电网测量点总数；

再更新，以式（12）得到的结果作为观测量对配电网预处理之后的相对熵系数故障定位结果按照式（13）进行矫正；

(13) ；

其中， 表示粒子预测后进行矫正的样本； 表示相对熵系数定位结果t时刻预测后与预测前粒子权重值之差； 表示相对熵系数定位结果粒子初始化样本； 表示相对熵系数定位结果预测前粒子权重值；表示第 个粒子权重和的倒数；

最后重采样：假设 步时的粒子为 ， 分别表

示测量点1、2、……、k的粒子样本；

经过迭代生成的下一步粒子为 ，当检测到 的权重值 小于设定阈值 时，生成一个 的随机数 ，令 ，进行重新迭代生成 ，循环此过程直至 。

6.根据权利要求1所述基于粒子滤波算法多信息融合的配网故障定位方法，其特征在于：所述步骤4中，由于DG接入的变压器有三角形接线，DG对于零序分量影响可忽略不计；

、 为故障上游区间中第 个无限小区间的首端、末端零序电压； 、 为故障下游区间中第 个无限小区间的首端、末端零序电压； 、 为无线小区间 、流过的零序电流； 、 、 、 为线路单位长度零序电感、电阻、电容、电导；故障点左右两侧电压 、 满足式（14）：(14)；

其中， 表示线路零序阻抗； 表示角频率；

由式（14）可得故障区段零序电压幅值分布，故障点的零序电压幅值最大；将故障区段划分为无穷个子区间， 、 为子区间首端、末端零序电压。

7.根据权利要求1所述基于粒子滤波算法多信息融合的配网故障定位方法，其特征在于：所述步骤5中，基于迭代算法以及粒子滤波原理进行最终故障区段进行切割：定义首端流向末端为正向，末端流向首端为反向，假设已知故障区段 ，其中：为故障区段首端零序功率、 为故障区段首端零序电压、 为故障区段末端零序功率、为故障区段末端零序电压； 为mk段正向零序横向电压降、 为mk段正向零序纵向电压降 为mk段正向零序功率损耗； 为kI段正向零序横向电压降、 为kI段正向零序纵向电压降、 为kI段正向零序功率损耗； 为kI段反向零序横向电压降、 为kI段反向零序纵向电压降、 为kI段反向零序功率损耗； 为In段反向零序横向电压降、 为In段反向零序纵向电压降、 为In段反向零序功率损耗； 为被切割区段所对应线路零序阻抗；

取故障区段首末两端零序电压、功率；此时正向推算计算故障区段 中有限个切割点k、I零序电压 、 ，经过前推迭代方法得到下一切割点首末零序电压、功率如式（15）、（16）、（17）所示：(15)；

其中， 表示测量点m的有功功率； 表示测量点m的无功功率； 表示测量点m的电压； 表示测量点k的有功功率； 表示测量点k的无功功率; 表示测量点k的电压； 表示测量点m、k之间的电阻； 表示测量点m、k之间的电抗；

(16)；

(17)；

反向推算计算故障区段 中有限个切割点k、I零序电压，如式（18）、（19）、（20）所示(18)；

其中， 表示反向推算时I点有功功率； 表示反向推算时I点无功功率； 表反向推算时I点电压；

(19)；

其中， 表示In段纵向电压降；

(20)；

其中， 表示反向推算时I点电压； 表示反向推算时k点电压；

将故障区段每一次切割时正向、反向结果利用粒子滤波算法融合得到下一个切割点功率、电压信息；然后继续迭代切割，直至得到故障精确位置。