CN104659917A - 一种基于多约简和可信度的故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于多约简和可信度的故障诊断方法，所述故障诊断方法包括以下步骤：根据数字化变电站实际运行情况建立变电站故障诊断系统的原始决策表；不考虑故障装置决策属性的情况下对变电站故障诊断系统的决策表采用Apriori算法进行约简；通过约简后的变电站故障诊断系统的决策表获取故障区域可信度，根据最大可信度值确定发生故障的区域，通过对只包含该故障区域的部分原始决策表采用Apriori算法进行约简，通过约简后的部分原始决策表计算故障装置可信度，根据最大可信度值确定发生故障的装置。该方法充分利用了数字化变电站GOOSE报文和采样值报文，在信息传输有误的情况下也有较好的诊断效果。

Description

一种基于多约简和可信度的故障诊断方法

技术领域

本发明涉及数字化变电站技术领域，尤其涉及一种基于多约简和可信度的故障诊断方法。

背景技术

变电站故障诊断系统对提高电力系统安全性、经济性有着重要作用。由于数字化变电站通信方式的改变，其故障告警信息来源于GOOSE报文和采样值报文。针对变电站故障告警信息具有多源性以及不确定性，为了能在变电站故障发生的时候及时准确地排除故障，需要研究一种能快速准确地找到故障发生区域的方法。

由于当今社会科学技术的发展，并且伴随着电子式互感器等智能一次设备的出现，还有IEC61850标准的制定、以太网技术的发展，使得变电站由传统经历数字化最后再到智能化的实现。在这个变电站智能化的时代，IEC61850的研究应用，变电站间的设备可以进行大量并且多样化的信息数据实现共享的功能，数字化的保护也通过该通信方式的变化而发生了巨大的改变，开辟了新的故障诊断模型。一些新的故障诊断技术的研究和发展，使得变电站的运行具有安全和可靠性。进而，变电站发展的智能化也更符合更贴近了电网的智能化建设的大潮流、大趋势、大政策。

通过分析学习研究了智能电网的构造以及组成，智能变电站是其发展的重要根基。变电站如果发生故障，运行人员会通过监控系统获得大量并且冗杂的故障信息，若要判断地准确可靠，那么就需要工作人员投入大量的精力以及时间，还不一定能够达到很好的供电诊断的可靠性效果。这样有悖于电网的经济性以及高效性，降低实际意义。

现在的电力网络，以变电站系统为例，当发生故障情况，会获得大量的数据信息。而现在的诊断方法多数无法将大量的信息进行筛选过滤，也就是说，大部分需要全部的信息来作为原始数据库，无法进行筛选和提取，这样就会对算法产生大量的冗余性，可能会有数据风暴的现象出现，造成数据无法很好地被利用。

故障诊断中的信息源提取是一个完全由数据驱动的海量数据信息的提取过程，优化信息源就可以得到优化的诊断信息过程。在最近几年，伴随着人工智能方法的普及和应用，一些方法例如粗糙集等逐渐显露出在数据挖掘方面的重要性。寻找一种在处理大量数据、冗余数据方面可以显示了强大的功能性的算法，具有重要意义。

发明内容

本发明提供了一种基于多约简和可信度的故障诊断方法，本发明实现了粗糙集多约简方法和可信度融合技术的变电站故障区域诊断，详见下文描述：

一种基于多约简和可信度的故障诊断方法，所述故障诊断方法包括以下步骤：

根据数字化变电站实际运行情况建立变电站故障诊断系统的决策表；

不考虑故障装置决策属性，对变电站故障诊断系统的原始决策表采用Apriori算法进行约简；

通过约简后的变电站故障诊断系统的决策表获取故障区域可信度，根据最大可信度值确定发生故障的区域，然后通过对只包含该故障区域的部分原始决策表进行约简，获取部分原始决策表的约简，通过计算故障装置可信度，根据最大可信度值确定何种装置故障。

所述对变电站故障诊断系统的原始决策表采用Apriori算法进行约简的步骤具体为：

1)计算决策属性D对决策表条件属性C的依赖度γ(C,D)，且给决策表条件属性的核H赋初值为C，n表示决策表条件属性C中元素的数目，i表示决策表条件属性C中元素的编号，且i←1；

2)将决策表条件属性C减去其第i个元素后赋给A，计算γ(A,D)，其中A为中间变量，γ(A,D)表示A与决策属性D之间的依赖度；

3)如果γ(C,D)＝γ(A,D)，则H←H∩A；如果i≤n，则i←i+1，跳转到2)；

4)将非核条件属性集合C-H记为B；建立一个约简队列Q和两个非核条件属性集合队列X、Y；如果γ(C,D)＝γ(H,D)，则把H加到约简队列Q，且枚举结束，否则用m表示B中元素的数目，用i表示B中元素的编号，且i←1，k←0；

5)将H加上B中第i个元素后赋给A，计算γ(A,D)；

6)如果γ(C,D)＝γ(A,D)，则把A加到约简队列Q，否则把B中第i个元素作为一个非核条件属性集合加到队列Y，然后执行步骤7)；如果i≤m，则i←i+1，跳转到步骤5)；

7)X←Y，如果队列X仅有1个成员，则枚举结束，否则用p表示队列X的成员数目，用i、j表示队列X的成员位置，且i←1，j←i+1，清空队列Y，然后执行步骤8)；

8)如果队列X成员i、j的前k个元素不相同，则跳转到步骤10)，否则A←H∪X[i]∪X[j]，计算决策属性D对条件属性A的依赖度γ(A,D)，然后执行步骤9)；

9)如果γ(C,D)＝γ(A,D)，则把A加到约简队列Q，否则把X[i]∪X[j]作为一个非核条件属性集合加到队列Y，整个流程结束；

10)如果j≤p，则j←j+1，跳转到步骤8)如果i＜p，则i←i+1，j←i+1，跳转到步骤8)，如果i≥p，k←k+1，跳转到步骤7)，扫描完毕，枚举结束。

事例可信度

$p(s,j)={\mathrm{\δ}}^{t\left(j\right)}\frac{n(s,j)}{N\left(s\right)}$

其中，δ是信息传输有误的概率，t(j)是原始决策表第j个事例的条件属性取值与故障告警信息不一致的个数，N(s)是第s个约简的条件属性数，n(s,j)是第s个约简的第j个事例的条件属性取值与故障告警信息相一致的个数；

将相同故障区域属性值事例中最大的事例可信度作为该故障区域的可信度，归一化后有

$M(s,i)=\frac{\max {\left\{p(s,j)\right\}}_{j\∈I}}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\max {\left\{p(s,j)\right\}}_{j\∈K}}$

其中，I、K分别是故障区域为i、k的事例集合，L是故障区域的数目；

采用信息融合技术获取总的故障区域可信度，其合成规则为

$M\left(i\right)=\frac{\underset{s=1}{\overset{R}{\mathrm{\Π}}}M(s,i)}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\underset{s=1}{\overset{R}{\mathrm{\Π}}}M(s,k)}$

其中，R是约简表的个数。

本发明提供的技术方案的有益效果是：本发明将故障区域和故障装置作为决策对象，对电压、电流条件属性值作适当的离散，形成比较详细的变电站故障诊断原始决策表，并给出了基于Apriori算法的约简枚举方法。在定义事例相似度的基础上，采用信息融合技术确定故障区域可信度和故障装置可信度，并通过层次分析法实施故障诊断。实践表明，该方法充分利用了数字化变电站GOOSE报文和采样值报文，在信息传输有误的情况下也有较好的诊断效果。

附图说明

图1为变电站的部分电气主接线示意图；

图2为一种基于多约简和可信度的故障诊断方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

本发明提出了一种基于多约简和可信度的故障诊断方法，参见图1和图2，该方法包括以下步骤：

101：根据数字化变电站实际运行情况建立变电站故障诊断系统的决策表；

其中，数字化变电站故障诊断的输入信息来自两个方面：一是来源于GOOSE报文，包括：断路器、保护信号；二是来源于采样值报文，包括：电压、电流的测量信息。在变电站实际运行中，发生电力系统短路故障的同时，也可能伴随着发生诸如保护装置拒动、断路器拒动等装置故障。为了同时诊断出故障区域和故障装置，将故障装置的类别也作为决策对象。因此，这里的决策表条件属性包括：断路器、保护信号、电压和电流；决策属性包括：故障区域和故障装置。这样决策表能使故障事例进一步细化，从而提高了变电站故障诊断系统对复合故障的辨识能力。

电力系统短路时的母线电压和线路电流大小与系统电压、短路故障类型、短路故障位置，以及短路过渡阻抗有关，故电压和电流条件属性的取值是一个模糊的区间数。离散化之后形成原始决策表，进行约简算法。

102：对变电站故障诊断系统的决策表进行约简；

其中，寻找约简的方法分两步：①通过从决策表条件属性中逐个删减元素的方式求得条件属性的核；②通过把非核条件属性逐个加入核的方式得到约简。

在从核扩展到约简的过程中，采用Apriori算法的思想，从含n个元素的非核条件属性集合推出含n+1个元素的非核条件属性集合。下面是基于Apriori算法的决策表约简的枚举过程。

1、计算决策属性D对决策表条件属性C的依赖度γ(C,D)，且给决策表条件属性的核H赋初值为C(即核H的初值是决策表条件属性)。用n表示决策表条件属性C中元素的数目，用i表示决策表条件属性C中元素的编号，且i←1(箭头表示赋值的意思，即将1赋值给i，下文中的所有箭头的含义均表示赋值，在此不再赘述)。

2、将决策表条件属性C减去其第i个元素后赋给A，计算γ(A,D)，其中A为中间变量，γ(A,D)表示A与决策属性D之间的依赖度。

3、如果γ(C,D)＝γ(A,D)，则H←H∩A。如果i≤n，则i←i+1，跳转到步骤2。即依赖度相等的时候的A和H相交，则为本发明所需要的核。

4、将非核条件属性集合C-H记为B。建立一个约简队列Q和两个非核条件属性集合队列X、Y(非核条件属性集合的元素排列次序与B的元素排列次序一致)。如果γ(C,D)＝γ(H,D)，则把H加到约简队列Q，且枚举结束，否则用m表示B中元素的数目，用i表示B中元素的编号，且i←1，k←0。

5、将H加上B中第i个元素后赋给A，计算γ(A,D)。

6、如果γ(C,D)＝γ(A,D)，则把A加到约简队列Q，否则把B中第i个元素作为一个非核条件属性集合加到队列Y，然后执行步骤7。如果i≤m，则i←i+1，跳转到步骤5。

7、X←Y。如果队列X仅有1个成员，则枚举结束，否则用p表示队列X的成员数目，用i、j表示队列X的成员位置，且i←1，j←i+1，清空队列Y，然后执行步骤8。

8、如果队列X成员i、j的前k个元素不相同，则跳转到步骤10，否则A←H∪X[i]∪X[j]，计算决策属性D对条件属性A的依赖度γ(A,D)，然后执行步骤9。

9、如果γ(C,D)＝γ(A,D)，则把A加到约简队列Q，否则把X[i]∪X[j]作为一个非核条件属性集合加到队列Y，整个流程结束。

10、如果j≤p，则j←j+1，跳转到步骤8。如果i＜p，则i←i+1，j←i+1，跳转到步骤8，如果i≥p，k←k+1，跳转到步骤7，扫描完毕，枚举结束。

103：通过约简后的变电站故障诊断系统的决策表获取故障区域可信度，确定故障区域。

将故障告警信息直接与原始决策表中的事例进行比较，可能因为信息传输错误得不到完全匹配的事例，或者因为装置故障得到多个完全匹配的事例。为了描述故障区域可信度，定义事例可信度

$p(s,j)={\mathrm{\δ}}^{t\left(j\right)}\frac{n(s,j)}{N\left(s\right)}---\left(1\right)$

其中，δ是信息传输有误的概率，t(j)是原始决策表第j个事例的条件属性取值与故障告警信息不一致的个数，N(s)是第s个约简的条件属性数，n(s,j)是第s个约简的第j个事例的条件属性取值与故障告警信息相一致的个数。

将相同故障区域属性值事例中最大的事例可信度作为该故障区域的可信度，归一化后有

$M(s,i)=\frac{\max {\left\{p(s,j)\right\}}_{j\∈I}}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\max {\left\{p(s,j)\right\}}_{j\∈K}}---\left(2\right)$

其中，I、K分别是故障区域为i、k的事例集合，L是故障区域的数目。

为了综合各种约简表对故障区域和故障装置做出的初步判断，采用信息融合技术获取总的故障区域可信度和故障装置可信度，其合成规则为

$M\left(i\right)=\frac{\underset{s=1}{\overset{R}{\mathrm{\Π}}}M(s,i)}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\underset{s=1}{\overset{R}{\mathrm{\Π}}}M(s,k)}---\left(3\right)$

其中，R是约简表的个数。

应特别注意：计算故障区域可信度用原始决策表的约简(不考虑故障装置决策属性)。

104：对只包含上述确定的故障区域的部分变电站故障诊断系统的决策表采用Apriori算法进行约简；

其中，寻找约简的方法分两步：①通过从决策表条件属性中逐个删减元素的方式求得条件属性的核；②通过把非核条件属性逐个加入核的方式得到约简。

在从核扩展到约简的过程中，采用Apriori算法的思想，从含n个元素的非核条件属性集合推出含n+1个元素的非核条件属性集合。下面是基于Apriori算法的决策表约简的枚举过程。

1、计算决策属性D对决策表条件属性C的依赖度γ(C,D)，且给决策表条件属性的核H赋初值为C(即核H的初值是决策表条件属性)。用n表示决策表条件属性C中元素的数目，用i表示决策表条件属性C中元素的编号，且i←1(箭头表示赋值的意思，即将1赋值给i，下文中的所有箭头的含义均表示赋值，在此不再赘述)。

2、将决策表条件属性C减去其第i个元素后赋给A，计算γ(A,D)，其中A为中间变量，γ(A,D)表示A与决策属性D之间的依赖度。

3、如果γ(C,D)＝γ(A,D)，则H←H∩A。如果i≤n，则i←i+1，跳转到步骤2。即依赖度相等的时候的A和H相交，则为本发明所需要的核。

4、将非核条件属性集合C-H记为B。建立一个约简队列Q和两个非核条件属性集合队列X、Y(非核条件属性集合的元素排列次序与B的元素排列次序一致)。如果γ(C,D)＝γ(H,D)，则把H加到约简队列Q，且枚举结束，否则用m表示B中元素的数目，用i表示B中元素的编号，且i←1，k←0。

5、将H加上B中第i个元素后赋给A，计算γ(A,D)。

6、如果γ(C,D)＝γ(A,D)，则把A加到约简队列Q，否则把B中第i个元素作为一个非核条件属性集合加到队列Y，然后执行步骤7。如果i≤m，则i←i+1，跳转到步骤5。

7、X←Y。如果队列X仅有1个成员，则枚举结束，否则用p表示队列X的成员数目，用i、j表示队列X的成员位置，且i←1，j←i+1，清空队列Y，然后执行步骤8。

8、如果队列X成员i、j的前k个元素不相同，则跳转到步骤10，否则A←H∪X[i]∪X[j]，计算决策属性D对条件属性A的依赖度γ(A,D)，然后执行步骤9。

9、如果γ(C,D)＝γ(A,D)，则把A加到约简队列Q，否则把X[i]∪X[j]作为一个非核条件属性集合加到队列Y，整个流程结束。

10、如果j≤p，则j←j+1，跳转到步骤8。如果i＜p，则i←i+1，j←i+1，跳转到步骤8，如果i≥p，k←k+1，跳转到步骤7，扫描完毕，枚举结束。

105：通过约简后的部分原始决策表获取故障装置可信度，确定故障装置。

将故障告警信息直接与原始决策表中的事例进行比较，可能因为信息传输错误得不到完全匹配的事例，或者因为装置故障得到多个完全匹配的事例。为了描述故障装置可信度，定义事例可信度

$p(s,j)={\mathrm{\δ}}^{t\left(j\right)}\frac{n(s,j)}{N\left(s\right)}---\left(1\right)$

其中，δ是信息传输有误的概率，t(j)是原始决策表第j个事例的条件属性取值与故障告警信息不一致的个数，N(s)是第s个约简的条件属性数，n(s,j)是第s个约简的第j个事例的条件属性取值与故障告警信息相一致的个数。

将相同故障装置属性值事例中最大的事例可信度作为该故障装置的可信度，归一化后有

$M(s,i)=\frac{\max {\left\{p(s,j)\right\}}_{j\∈I}}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\max {\left\{p(s,j)\right\}}_{j\∈K}}---\left(2\right)$

其中，I、K分别是故障装置为i、k的事例集合，L是故障装置的数目。

为了综合各种约简表对故障装置做出的初步判断，采用信息融合技术获取总故障装置可信度，其合成规则为

$M\left(i\right)=\frac{\underset{s=1}{\overset{R}{\mathrm{\Π}}}M(s,i)}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\underset{s=1}{\overset{R}{\mathrm{\Π}}}M(s,k)}---\left(3\right)$

其中，R是约简表的个数。

应特别注意：计算故障装置可信度采用部分原始决策表的约简(不考虑故障区域决策属性)。

通过故障区域可信度和故障装置可信度分别确认故障区域和故障装置。

其中，故障诊断分两步：①根据故障区域可信度确定哪个区域发生了故障；②根据故障装置可信度确定哪个装置发生了故障。

这种先确定故障区域后确定故障装置的变电站故障诊断方法称为层次分析法。这种方法不仅增加了原始决策表的约简数量，充分发挥冗余信息的作用，而且使部分原始决策表的约简针对性更强，提高了故障诊断的正确率。

本发明采用基于Apriori算法的决策表约简递推方法提高了枚举效率，解决了条件属性过多造成的组合爆炸问题。最终采用信息融合技术合成的故障区域可信度和故障装置可信度反映了故障告警信息与约简规则的关联程度，在信息传输有误的情况下也有较好的诊断效果。

下面结合附图和实施例子，进一步详细说明本发明的具体实施过程。

图1是某220/110kV变电站的110kV侧的部分电气主接线。设变压器低压侧配备过流保护CO₁，断路器CB₁，线路配备速断保护TO₂、过流保护CO₂，断路器CB₂，待诊断的故障区域F有F₁、F₂、F₃。M表示母线，T表示变压器。

为简化分析，电压、电流条件属性仅选变压器低压侧电流I₁和线路电流I₂，且用三相电流有效值的最大值来描述。规定故障装置E的取值，E₀表示无故障装置，E₁表示保护装置，E₂表示断路器装置。按照图1给出的保护配置，建立表1所示的原始决策表。在这过程中，采用基于关联度的区间数离散方法，步骤表示如下：

1、将事例按照区间数[c(x)^-,c(x)⁺](其中，[c(x)^-,c(x)⁺]表示区间数中的较小值和较大值)中的c(x)^-从小到大排列，得n个事例的排列次序x₁，x₂，…，x_n。规定关联度阈值η，用i表示事例编号，且i←1，K←c(x₁)⁺(即将较大值赋值给k)。

2、如果i＝n，结束断点搜索。

3、如果G(c(x_i),c(x_i+1))＜η和d(x_i)≠d(x_i+1)，则将min(K,c(x_i+1)^-)添加到断点集中，K←c(x_i+1)⁺，否则K←max(c(x_i)⁺,c(x_i+1)⁺)。i←i+1，跳转到步骤2(即，如果关联度小于阈值η，或者决策值不相等，那么将min(K,c(x_i+1)^-)添加到断点集中，将较大值赋值给k，如果关联度大于等于阈值，或者决策值相等，那么将K←max(c(x_i)⁺,c(x_i+1)⁺))。

4、将断点按由小到大的次序重新排列，对区间数进行离散，形成变电站故障诊断的原始决策表。

按照上述步骤，把电流值分为5个区间，用1、2、3、4、5表示，数值越大，电流值越小。

表1 原始决策表

设在区域F₃发生两相短路故障，故障告警信息列于表2。

表2 故障告警信息

假设信息传输有误的概率δ为0.001。用原始决策表计算事例可信度，其结果是10、12事例同时具有最大事例可信度。也就是说，采用原始决策表无法判断故障区域是F₂还是F₃。(即，将表1中的10还有12分别和表2进行对比，都只有1个不同的，那么采用公式2，无法区分10和12，所以无法判断F2还是F3)。

不考虑故障装置决策属性，采用Apriori算法得到原始决策表的所有约简，约简步骤参见上述步骤。

约简结果列于表3。从表3看出，无核属性出现。

表3 原始决策表的约简

注：0表示无该属性，1表示有该属性。

按式(3)计算表3各种约简的故障区域可信度，按式(4)计算表3各种约简合成的故障区域可信度，结果列于表4。

表4 故障区域的可信度

F₃的可信度值最大，则最有可能发生故障的区域为F₃。

将表1中故障区域值不是F₃的事例删除，形成部分原始决策表，采用Apriori算法得到以F₃为故障区域的部分原始决策表的约简，结果列于表5。从表5看出，也无核属性出现。

表5 部分原始决策表的约简

注：0表示无该属性，1表示有该属性。

按式(3)计算表5各种约简的故障装置可信度，按式(4)计算表5各种约简合成的故障装置可信度，结果列于表6。

表6 故障装置的可信度

E₁的可信度值最大，则最有可能发生故障的装置为E₁。

表2故障告警信息可以解释为：区域F₃发生两相短路故障，短路电流较小不至于使TO₂动作。由于CO₂故障，由CO₁启动CB₁切除故障线路，但由于通信网络传输问题造成TO₂有误。

综上所述，本方法能在变电站发生故障时快速准确地定位各个故障区域以及判断何种装置故障，并且对传输错误有很好的应对能力。本发明将装置故障也作为决策对象，形成比较详细的变电站故障诊断原始决策表，能够提高变电站故障诊断系统的辨识能力。将电压、电流作为条件属性不仅使约简的数量大幅度增加，而且有效地避免核属性的出现，有利于提高故障诊断的正确率。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于多约简和可信度的故障诊断方法，其特征在于，所述故障诊断方法包括以下步骤：

根据数字化变电站实际运行情况建立变电站故障诊断系统的决策表；

不考虑故障装置决策属性，对变电站故障诊断系统的原始决策表采用Apriori算法进行约简；

通过约简后的变电站故障诊断系统的决策表获取故障区域可信度，根据最大可信度值确定发生故障的区域，然后通过对只包含该故障区域的部分原始决策表进行约简，获取部分原始决策表的约简，通过计算故障装置可信度，根据最大可信度值确定何种装置故障。

2.根据权利要求1所述的一种基于多约简和可信度的故障诊断方法，其特征在于，所述对变电站故障诊断系统的原始决策表采用Apriori算法进行约简的步骤具体为：

1)计算决策属性D对决策表条件属性C的依赖度γ(C,D)，且给决策表条件属性的核H赋初值为C，n表示决策表条件属性C中元素的数目，i表示决策表条件属性C中元素的编号，且i←1；

2)将决策表条件属性C减去其第i个元素后赋给A，计算γ(A,D)，其中A为中间变量，γ(A,D)表示A与决策属性D之间的依赖度；

3)如果γ(C,D)＝γ(A,D)，则H←H∩A；如果i≤n，则i←i+1，跳转到2)；

4)将非核条件属性集合C-H记为B；建立一个约简队列Q和两个非核条件属性集合队列X、Y；如果γ(C,D)＝γ(H,D)，则把H加到约简队列Q，且枚举结束，否则用m表示B中元素的数目，用i表示B中元素的编号，且i←1，k←0；

5)将H加上B中第i个元素后赋给A，计算γ(A,D)；

6)如果γ(C,D)＝γ(A,D)，则把A加到约简队列Q，否则把B中第i个元素作为一个非核条件属性集合加到队列Y，然后执行步骤7)；如果i≤m，则i←i+1，跳转到步骤5)；

7)X←Y，如果队列X仅有1个成员，则枚举结束，否则用p表示队列X的成员数目，用i、j表示队列X的成员位置，且i←1，j←i+1，清空队列Y，然后执行步骤8)；

8)如果队列X成员i、j的前k个元素不相同，则跳转到步骤10)，否则A←H∪X[i]∪X[j]，计算决策属性D对条件属性A的依赖度γ(A,D)，然后执行步骤9)；

9)如果γ(C,D)＝γ(A,D)，则把A加到约简队列Q，否则把X[i]∪X[j]作为一个非核条件属性集合加到队列Y，整个流程结束；

10)如果j≤p，则j←j+1，跳转到步骤8)如果i＜p，则i←i+1，j←i+1，跳转到步骤8)，如果i≥p，k←k+1，跳转到步骤7)，扫描完毕，枚举结束。

3.根据权利要求1所述的基于多约简和可信度的故障诊断方法，其特征在于，事例可信度为：

$p(s,j)={\mathrm{\δ}}^{t\left(j\right)}\frac{n(s,j)}{N\left(s\right)}$

其中，δ是信息传输有误的概率，t(j)是原始决策表第j个事例的条件属性取值与故障告警信息不一致的个数，N(s)是第s个约简的条件属性数，n(s,j)是第s个约简的第j个事例的条件属性取值与故障告警信息相一致的个数；

将相同故障区域属性值事例中最大的事例可信度作为该故障区域的可信度，归一化后有

$M(s,i)=\frac{\max \{p(s,j){\}}_{j\∈I}}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\max \{p(s,j){\}}_{j\∈K}}$

其中，I、K分别是故障区域为i、k的事例集合，L是故障区域的数目；

采用信息融合技术获取总的故障区域可信度，其合成规则为

$M\left(i\right)=\frac{\underset{s=1}{\overset{R}{\mathrm{\Π}}}M(s,i)}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\underset{s=1}{\overset{R}{\mathrm{\Π}}}M(s,k)}$

其中，R是约简表的个数。