[发明专利]一种基于大数据技术的配电网故障诊断方法及系统

摘要

本发明公开了一种基于大数据技术的配电网故障诊断方法及系统，是一种在数据量大、维度多、数据种类多的配电网中，能够利用现有的大数据信息及时准确的诊断配电网中存在的故障并快速抢修的机制，该系统主要包括三个部分：数据离散器、属性约简器、样本训练器。本发明将粗糙集理论用于神经网络训练数据的预处理，首先运用粗糙集的理论计算缩减并生成规则，在约简的过程中删除了不必要的条件属性，有助于提高网络的学习效率，同时保持了较低的稳定的近似分类差错率，最后成的规则作为配电网的推理机进行高层次的抽象表达，可以很好地保证配电网的安全运行。

主权项

1.一种基于大数据技术的配电网故障诊断方法，其特征在于，具体步骤如下：步骤1：对配电网中采集到的数据进行连续属性值的提取，提取出的连续属性值作为原始决策表，用来进行网络训练；步骤2：对步骤1中形成的原始决策表中的连续属性值进行离散化处理，离散化后的连续属性值作为初始决策表；其中，对原始决策表中的连续属性值进行离散化处理，具体为：2.1)定义训练样本集的连续属性值集合为w，令采用相似矩阵将原始决策表中的连续属性值排列为矩阵的形式，其中，绝对指数函数为原始决策表中的第l₁类属性，为原始决策表中的第k₁类属性，n为初始决策表中条件属性的个数；2.2)定义相似矩阵H中各不相同的元素组成的集合为K,对任意q∈K依次采用q‑离关系公式Lq＝{(s,t)|L(s,t)≥q}计算出原始决策表中任意两个连续属性值之间的离关系，其中，s、t均为训练样本集中的连续属性值，L(s,t)为连续属性值s和t的模糊关系，q∈[0,1]；用编网法得到聚类结果A1，通过q‑离关系处理将原始决策表中的连续属性值进行初步离散化，形成初步离散化属性集；2.3)构造保留度函数对初步离散化的属性集进行冗余信息的剔除，其中，W_c(x)为决策属性x的保留集，U为初步离散化的属性集，R_c(x)表示决策属性x对条件属性c的保留度；2.4)构造分类控制函数对步骤2.3)中剔除冗余后的离散化属性集进行聚类处理，其中，n_l为剔除冗余后的离散化属性集中第l类属性的个数，m为剔除冗余后的离散化属性集中属性的总类数，y为剔除冗余后的离散化属性集中第l类属性的中心，为剔除冗余后的离散化属性集中属性的类中心，r为剔除冗余后的离散化属性集中的属性个数，为剔除冗余后的离散化属性集中第l类属性与第k类属性中心间的距离；2.4)利用遗传算法求解目标函数ming(x)；2.5)定义综合函数Qq＝n1Rc(x)+n2g(x)，其中n1和n2为保留度函数和分类控制函数的权重系数，令Q＝0，若Qq‑Q＜0,则转入步骤2.2)；若Qq‑Q＞0，则令A＝A1且Q＝Qq，再转入步骤2.2)；2.6)当原始决策表中的连续属性集离散结束时，取Qq的最大值作为聚类结果A，并对聚类结果各类进行编码；步骤3：采用动态约简的方法，构造条件属性约简函数，对初始决策表中的条件属性进行约简，形成的最小条件属性集；步骤4，将步骤3中最小条件属性集所对应的配电网数据集作为新的训练样本集；步骤5：根据步骤4中形成的新的训练样本集对BP神经网络进行训练学习；步骤6：将步骤5中训练完成的BP神经网络作为配电网故障诊断器，从而实现在线故障诊断。