根据本文算法得到归一化后的近似熵值及其验证结果，见表2。
表2 零模电流各子频带近似熵值及定位结果
表3 不同定位方法比较
从数据验证情况看，故障点同侧近似熵值相差很小，故障点两侧近似熵值差异明显。而针对不同固有模态分量，故障区段两侧IMF1、IMF2分量的近似熵值差异较原始数据的近似熵值差异更明显，这也很好地验证了本文为何应用EMD分解计算综合近似熵，以此提高定位成功率的合理性。
为与其他定位检测技术进行比较，对现场录波数据加以验证，暂不考虑同步问题，得到表3的定位结果。
表3中，“+”表示无功功率流向线路；“-”表示流向母线；“*”表示因故障点下游暂态电流幅值小，FTU没有启动，或是因FTU没有接入故障相电压，无法计算相应的无功功率。
通过表3不难发现，无功功率可靠性较高，但需终端附加零序电压接口，使得实用化受到局限；综合相关系数与极性的方法，在图9（b）电流互感器饱和的情况下，健全区段相似系数小于阈值将导致误判，且该种方法与本文仅需上传主站熵值矩阵不同，需上传大量波形数据，在通信通道有限或极端恶劣情况下，易引发通信堵塞或延迟，从而造成定位失败。综上所述，本文算法确实行之有效，有待进一步实用化推进。
4、结语
利用EMD对故障暂态零模电流进行多频带分解，求取不同频带内信号分量，对该分量进行近似熵计算，并求取相关性系数，实现在线故障定位，适用于配电自动化分布较广的区域内。该方法灵敏度高，克服了幅值小、时间不同步和定位可靠性差等不利因素，且传输量小，降低了通信的负担及成本，避免了大批量数据传输引起的堵塞，为现场的实际应用提供了理论支持。
