4. 故障定位技术分类与选型

配电网故障定位没有“万能算法”。同一段10 kV架空线路，发生单相接地与发生相间短路，适合的定位手段可能完全不同；同样是单相接地，中性点不接地系统与经小电阻接地系统，可用的判据也不一样。因此，工程选型的核心不是比较哪种技术“更先进”，而是判断故障特征、系统接地方式、设备条件与精度要求之间的匹配关系。

四类主流技术的原理与特征

阻抗法基于线路集中参数模型，利用变电站出口处测得的故障电压、电流计算故障回路阻抗，再按单位长度阻抗折算故障距离。其典型计算式为：

故障距离 L ≈ (U_meas / I_meas) / z_unit
其中 z_unit 为线路单位长度阻抗（Ω/km），
U_meas、I_meas 为故障期间测量到的电压、电流工频量。

阻抗法只需单端数据，不需要额外设备，成本最低，但精度受过渡电阻、线路分支、负荷电流和互感器误差影响明显。在含大量分支的配电线路中，阻抗法通常只能给出“大致区段”，难以定位到具体分支点。

行波法利用故障产生的暂态行波在母线与故障点之间往返传播的时间差定位。双端行波法通过两端到达时间差计算：

L = (v × Δt) / 2
v 为行波在线路中的传播速度（架空线约 2.9×10^8 m/s），
Δt 为行波到达线路两端的时间差。

行波法精度可达数十米级，且不受过渡电阻和系统运行方式影响，特别适合长距离架空线路和电缆混合线路。但它要求高采样率（通常≥1 MHz）、两端时钟同步（GPS或北斗对时），对信号识别和波头标定要求高，在强噪声或分支密集的配电网中容易误判。

信号注入法是在故障后向系统注入特定频率的检测信号，通过沿线检测该信号的分布或强度确定故障点。常见方式包括S注入法、交流注入法和直流注入法。其突出优点是适用于高阻接地和间歇性接地，因为注入信号不依赖故障本身的工频特征。但注入法需要额外信号源和检测装置，且注入信号可能影响系统运行，通常用于中性点不接地或经消弧线圈接地系统。

人工智能法不依赖单一物理模型，而是利用历史故障数据训练分类或回归模型，输入通常包括故障电流、电压波形、零序分量、行波特征等，输出为故障区段或故障类型。常见方法有BP神经网络、支持向量机、随机森林和卷积神经网络。AI方法的优势在于能融合多源信息、适应复杂工况，但依赖高质量标注数据，且模型泛化能力受训练集覆盖范围限制，在配电网拓扑频繁变化的场景中需要持续更新。

工程选型的判断逻辑

实际选型时，建议按以下顺序判断。第一步，明确故障类型与过渡电阻水平。金属性短路和低阻接地，阻抗法与行波法均可；高阻接地或间歇性接地，应优先考虑信号注入法或AI方法。第二步，确认系统中性点接地方式。不接地或经消弧线圈接地系统，零序电流微弱，阻抗法效果差，信号注入法更合适；经小电阻接地系统，零序电流较大，阻抗法和AI方法都有较好基础。第三步，评估线路结构与设备条件。纯架空长线路且两端具备对时条件，行波法精度优势明显；分支密集的城市电缆线路，行波波头识别困难，AI方法或阻抗法结合区段开关信息更实用。第四步，权衡精度与投资。行波法精度最高但设备投入大；阻抗法成本最低但精度有限；信号注入法需要额外信号源；AI方法需要数据积累和持续维护。

多技术融合的工程实践

单一技术往往难以覆盖所有工况，实际工程中越来越多采用融合策略。例如，某10 kV架空线路发生单相接地，变电站选线装置报出接地线路后，先由阻抗法给出故障区段（如距变电站3.2 km处），再在该区段两端投入行波检测装置进行精确波头比对，将定位结果缩小到具体杆塔附近。若过渡电阻较高导致行波波头不明显，则切换至信号注入法，向故障相注入220 Hz检测信号，沿线用钳形电流表逐基杆塔检测信号强度，信号突降点即为故障点。这种“阻抗法粗定位 + 行波法精定位 + 注入法兜底”的组合，兼顾了速度、精度和可靠性。

对于已具备配电自动化条件的区域，还可将AI方法与SCADA、故障指示器数据结合。例如，以馈线终端单元（FTU）上报的故障电流越限信息作为区段初判，再以历史故障样本训练的分类模型对候选区段进行排序，输出概率最高的3个区段供运维人员核查。这种方式不追求单次定位的绝对精确，而是缩小排查范围，降低现场巡线工作量。

选型决策表（示例）

综上，故障定位技术选型应遵循“故障特征定方向、系统条件定可行、精度成本定方案”的原则。阻抗法适合作为基础手段快速缩小范围，行波法适合对精度要求高的关键线路，信号注入法在高阻接地场景中不可替代，人工智能法则在数据条件具备时提供融合判断能力。工程实践中，根据线路重要程度和运维资源，合理组合两到三种技术，往往比追求单一“最优算法”更可靠。