在电力网络的运行维护中，快速且准确地识别并定位故障是保障电网安全的核心环节。本文详细阐述一套完整的故障诊断技术路线：通过Simulink构建电网模型生成仿真数据，注入环境噪声以模拟真实工况，随后利用小波变换进行信号降噪与特征提取，最终结合机器学习算法实现故障模式的自动分类。

电网模型构建与仿真数据生成

首先，在Simulink环境中搭建包含发电机、升压变压器、长距离输电线路及终端负载的电力系统模型。通过配置不同的短路模块参数，可模拟单相接地、两相短路及三相短路等典型故障工况，并采集故障发生前后的电流与电压暂态信号。

% 加载并运行电网暂态仿真模型
sysName = 'grid_fault_sim_model';
load_system(sysName);
simOut = sim(sysName, 'SaveTime', 'on', 'SaveOutput', 'on');

% 提取仿真输出的时间向量与电流信号
timeVector = simOut.get('tout');
rawCurrentSignal = simOut.get('yout');

测量噪声注入

理想的仿真信号无法反映实际传感器采集时的电磁干扰。为了提升算法的鲁棒性，需向原始信号中注入高斯白噪声，以模拟真实测量环境中的信噪比（SNR）衰减。

% 注入高斯白噪声以模拟实际测量误差
targetSNR = 15; % 设定目标信噪比为15dB
measuredSignal = awgn(rawCurrentSignal, targetSNR, 'measured');

基于小波变换的信号降噪

故障暂态信号具有典型的非平稳特征，传统的傅里叶变换难以兼顾时频分辨率。小波分析通过多尺度分解，能够有效分离高频噪声与低频有效信号。此处选用对称性更好的sym6小波基进行多层分解与全局阈值降噪。

% 采用sym6小波进行多层分解与阈值降噪
waveletBase = 'sym6';
decompLevel = 4;

% 计算默认全局阈值及参数
[threshVal, softHard, keepEnergy] = ddencmp('den', 'wv', measuredSignal);

% 执行小波降噪重构
cleanSignal = wdencmp('gbl', measuredSignal, waveletBase, decompLevel, ...
                      threshVal, softHard, keepEnergy);

故障特征向量提取

降噪后的信号仍包含大量冗余数据。通过提取各分解层级的细节系数，并计算其能量分布，可以构建出对故障类型敏感的低维特征向量。不同故障类型会导致特定频段能量的显著突变。

% 提取各层细节系数并计算能量特征
[cCoeffs, lCoeffs] = wavedec(cleanSignal, decompLevel, waveletBase);

energyFeatures = zeros(1, decompLevel);
for level = 1:decompLevel
    % 获取第level层的细节系数
    detailCoeffs = detcoef(cCoeffs, lCoeffs, level);
    % 计算该层系数的能量（平方和）
    energyFeatures(level) = sum(detailCoeffs.^2);
end

% 将能量特征归一化，消除幅值绝对值的影响
featureVector = energyFeatures / sum(energyFeatures);

基于支持向量机的故障模式识别

获取特征向量后，采用支持向量机（SVM）构建分类器。由于故障类型包含正常、单相接地、两相短路和三相短路四个类别，属于多分类问题，因此使用误差校正输出码（ECOC）模型结合SVM二分类器来实现多类别的精准划分。

% 配置SVM模板，启用径向基核函数与数据标准化
svmTemplate = templateSVM('KernelFunction', 'rbf', 'Standardize', true, ...
                          'BoxConstraint', 10);

% 训练多分类ECOC模型
% trainFeatures: N x 4 的特征矩阵, faultLabels: N x 1 的类别标签
classifierModel = fitcecoc(trainFeatures, faultLabels, ...
                           'Learners', svmTemplate, 'Coding', 'onevsall');

% 对未知测试样本进行故障类型预测
[predictedFaults, classScores] = predict(classifierModel, testFeatures);

% 计算分类准确率
accuracy = sum(predictedFaults == testLabels) / numel(testLabels);
fprintf('故障分类准确率为: %.2f%%\n', accuracy * 100);