[发明专利]一种智能变电站故障诊断与跟踪方法

权利要求书

1.一种智能变电站故障诊断与跟踪方法，其特征在于，具体包括以下步骤：

S1、建立基于MapReduce并行大数据架构的故障状态信息处理框架；

S2、将智能变电站数据采集与故障状态信息处理框架相结合，将变电站信息分成多个数据块，再将多个数据块并行处理，提取故障数据；

S3、将粗糙集和遗传算法相融合后对故障数据进行约简；

S4、基于MapReduce大数据平台，采用故障诊断算法进行故障诊断与故障跟踪定位。

2.根据权利要求1所述的智能变电站故障诊断与跟踪方法，其特征在于，所述故障状态信息处理框架的故障诊断算法采用MapReduce框架，MapReduce框架中的变电站侧采用分布式存储技术用于获取和管理变电站信息数据。

3.根据权利要求2所述的智能变电站故障诊断与跟踪方法，其特征在于，所述智能变电站数据采集与故障状态信息处理框架相结合包括数据采集、数据存储、数据分析和数据接入。

4.根据权利要求3述的智能变电站故障诊断与跟踪方法，其特征在于，所述数据采集由SAC和传感器采集；

数据存储层集成了HDFS和MySQL；

数据分析采用Hive-to-MapReduce，对变电站设备状态监测数据进行分布式OLAP分析。

5.根据权利要求4述的智能变电站故障诊断与跟踪方法，其特征在于，所述数据接入包括数据挖掘、改进遗传算法等功能组件。

6.根据权利要求5所述的智能变电站故障诊断与跟踪方法，其特征在于，所述约简包括如下步骤：

(1)粗糙集对智能变电站采集的实时数据或历史数据进行预处理；

(2)若得到的结果满足决策要求，则直接输出结果；

(3)若得到的结果不满足决策要求，则通过遗传算法生成新个体，并通过粗糙集再次获得适应度最高的搜索结果。

7.根据权利要求6所述的智能变电站故障诊断与跟踪方法，其特征在于，所述若得到的结果不满足决策要求，则通过遗传算法生成新个体，并通过粗糙集再次获得适应度最高的搜索结果的具体步骤如下：

(31)S_count(D)-S_C(D)的值小于0时产生初始染色体，初始染色体通过随机均匀交叉算法进行交叉变异，交叉产生的新个体；

(32)对新个体和初始染色体计算重要度和决策度；

(33)计算适应度函数F(x)；

(34)对适应度函数F(x)计算结果进行判断是否需要持续交叉变异，需要时将适应度函数计算结果作为初始染色体进行再计算，不需要时输出结果。

8.根据权利要求7所述的智能变电站故障诊断与跟踪方法，其特征在于，所述粗糙集决策属性对条件属性的决策度S_C(D)定义如下：

其中，U为非空有限集，C＝{c₁，c₂，...，c_m}表示条件属性集，D＝{d₁，d₂，...，d_m}为决策属性集，U/C＝{A₁，A₂，...，A_m}，U/D＝{B₁，B₂，...，B_m}，pos_C(B_i)是B_i的条件属性C的下近似值；

S_count(D)表示决策属性D对count(C)的决策度；

条件属性集C中任意属性c的重要度定义为：

S_C-{c}(D)表示C中缺少属性c后，条件属性与决策属性的依赖度。