CN115408196A - 一种高容错电网故障诊断方法及系统 - Google Patents

Abstract

本发明公开一种高容错电网故障诊断方法及系统，在数据输入神经网络模型进行诊断前进行数据预处理操作：基于KMP算法高效的进行数据校核、通过匹配校核的开关动作数据建立原始决策表，对原始决策表进行属性约简处理得到最佳属性约简组合；属性约简处理进行特征简化，不仅提高诊断模型的容错能力，配合神经网络的拟合能力，还降低了故障诊断模型对数据可靠性的依赖程度，提高模型的学习速度、精度和容错性；数据校核与属性约简操作相结合能够做到性能优势互补，改善了多源故障信息异常所带来的容错性低的问题，且模型整体结构简单，诊断速度快，精度高，具有较好的实用价值。

Description

一种高容错电网故障诊断方法及系统

技术领域

本发明涉及故障诊断技术领域，具体涉及一种高容错电网故障诊断方法及系统。

背景技术

配电网络作为整个电力系统中非常关键的一个组成部分，是直接面向电力用户的最后终端，配电网对于整个电力系统的运行、用户用电质量等具有不言而喻的重要性。在过去数十年间，配电网因其结构复杂、内部电气设备冗杂繁多，各地电网公司常常不会过多关注其供电可靠性，相应的配网故障诊断技术发展也不尽如人意。随着电力系统的不断发展，用户逐渐希望能够获得更高的用电可靠性，电网公司也逐步把目光投放到配电网故障诊断技术上。目前配电网络故障诊断主要的科研方法有专家知识库、模糊理论、传统机器学习方法、深度神经网络方法、数据挖掘技术等等。这些方法针对其适应的原始故障数据在许多场景下都有一定的效果，但是面对规模越来越大、结构越来越复杂的配电网系统，以上方法均无法很好地适应多源故障信息质量较低的情况，它们的诊断效果没有达到可用的标准。

发明内容

本发明所要解决的技术问题是：传统配电网络故障诊断主要针对其适应的大量原始故障数据在许多场景下都有一定的效果，但是面对规模越来越大、结构越来越复杂的配电网系统，传统方法无法适应多源故障信息质量较低的情况，诊断精度难以达到标准；本发明目的在于提供一种高容错电网故障诊断方法及系统，在数据输入神经网络模型进行诊断前进行数据预处理操作：基于KMP算法高效的进行数据校核、基于通过匹配校核的开关动作数据建立原始决策表，对原始决策表进行属性约简处理得到最佳属性约简组合；最佳属性约简组合通过属性约简处理对特征进行简化得到，不仅提高了诊断模型的容错能力，配合神经网络的拟合能力，还降低了故障诊断模型对数据可靠性的依赖程度，提高了模型的学习速度、精度和容错性。

本发明通过下述技术方案实现：

本方案提供一种高容错电网故障诊断方法，包括步骤：

步骤一：采集电网的多源实时故障遥信数据并进行预处理；

步骤二：将预处理后的故障遥信数据进行归一化处理得到保护器和断路器的开关动作数据，对开关动作数据使用KMP算法进行数据匹配校核；

步骤三：基于通过匹配校核的开关动作数据建立原始决策表，并对原始决策表进行属性约简处理得到最佳属性约简组合；

步骤四：将最佳属性约简组合所对应的故障遥信数据输入已训练好的反向传播神经网络模型中进行实时故障诊断。

多源实时故障遥信数据主要包括调度自动化系统的开关分闸告警及保护动作、配网自动化系统的开关变位及故障跳闸、用电信息采集系统的配变及电表运行状态以及配电线路在线监测系统的故障指示器信号。

本方案工作原理：传统配电网络故障诊断主要针对其适应的大量原始故障数据，对原始数据的依赖强度高，随着电网范围的扩大，为了获得更精准的诊断结果，原始故障数据的量剧增，不仅影响计算速度，诊断精度也随着数据量的增加而下降，随着配电网范围增大，其中未加装有监测设备的开关，或者某些开关监测设备信息错报漏报的情况很容易发生，例如：由于故障发生后所得多源故障数据的描述对象存在大量不一致的情况，也就导致了同一件故障事件中，对多个测点的遥信数据进行匹配会产生匹配失败的问题，这给数据校核带来了较大的困难；目前主流的配电网故障诊断技术是根据开关跳闸信息来判断，然而配电网中不是所有开关都加装有监测设备，并且存在某些开关监测设备信息错报漏报的情况，传统方法无法实现高容错性的故障诊断；而本方案基于KMP算法高效的数据校核速度、基于通过匹配校核的开关动作数据建立原始决策表，对原始决策表进行属性约简处理得到最佳属性约简组合，通过属性约简处理对特诊进行简化以提高诊断模型的容错能力，配合神经网络的拟合能力，降低了故障诊断模型对数据可靠性的依赖程度，提高了模型的学习速度、精度和容错性；效解决配电网开关未加装有监测设备或者某些开关监测设备信息错报漏报的情况时利用传统方法无法对配电网进行高度容错的故障诊断问题。

进一步优化方案为，所述预处理包括过程：对多源实时故障遥信数据进行抽样审核、筛选分类、统一标准和剔除冗余。

进一步优化方案为，所述归一化处理包括过程：

T1，将预处理后的故障遥信数据输入专家库系统利用电网的树状图描述出电网的拓扑结构；

T2，基于电网的拓扑结构和故障遥信数据计算多源文本字符串之间的相关度，输出故障遥信数据中相关度最大的文本字符串；

T3，基于相关度最大的文本字符串提取出电网中的各保护器和断路器的开关动作数据。

将所获得的归一化后的开关动作数据与相应的原始故障数据使用KMP算法进行匹配，合理调节匹配控制参数，若匹配成功则该组多源故障数据正常，若匹配失败则该组多元故障数据存在异常，进入人工校核阶段。

进一步优化方案为，原始决策表的建立方法包括以下子步骤：

S1，获取通过匹配校核的开关动作数据并确定电网的所有故障事故，以各故障事故作为一个事故样本；

S2，对每个事故样本建立条件属性和决策属性；所述条件属性包括各保护器和断路器的开关状态、所述决策属性包括当前故障事故中发生故障的器件；

S3，将电网所有事故样本的条件属性和决策属性建立在同一个表格中得到原始决策表。

进一步优化方案为，所述属性约简处理方法包括：

G1,对每个原始决策表建立一个可辨识矩阵；

G2,基于可辨识矩阵对特征属性进行约简筛选后得到若干个属性约简组合；

G3,计算各属性约简组合的平均互信息，将平均互信息最小的视为最佳属性约简组合。

进一步优化方案为，所述原始决策表建立方法包括：

以每个事故样本作为一个行表头，每个条件属性作为一个列表头，决策属性作为最后一个列表头来建立表格；

设置条件属性对应的表身为各条件属性的开关状态，用分布变量表示；最后一列的表身为决策属性发生故障的器件；所述分布变量表示的方法为：把条件属性的开关状态设定为0和1分布的变量，其中0表示保护器或者断路器没有动作，1值表示保护器或者断路器已动作。

进一步优化方案为，可辨识矩阵建立方法包括：根据原始决策表表身第i行的数据和第j行的数据确定可辨识矩阵第i行第j列的元素m _ij ：

当决策表表身中的第i行数据与第j行数据之间的条件属性值出现不一致，且决策属性值也不一致时，元素m _ij 为不同属性值的合并；

当决策表表身中的第i行信息与第j行信息之间的条件属性值与决策属性值全部一致时，元素m _ij 为0；

当决策表表身中的第i行信息与第j行信息之间的决策属性值不同而条件属性值一致时，元素m _ij 为-1。

进一步优化方案为，所述平均互信息的计算方法包括：

计算出属性约简组合中两两特征属性之间的互信息；

将所有互信息求和后再求平均值得到属性约简组合的平均互信息值；

计算出所有属性约简组合的平均互信息值，将平均互信息值最小的属性约简组合视为最佳属性约简组合。

进一步优化方案为，所述互信息的计算方法包括：

属性约简组合中的特征属性确定为等价关联

和等价关联

；

式中：

和

表示属性约简组合中n个事故样本所对应的条件属性集合和决策属性集合；

等价关联

的信息熵值用H(G)表示，等价关联

对于等价关联G的条件熵值用H(Q/G)表示，则等价关联G和等价关联Q的互信息为：

式中：

和

表示每个属性约简组合中n个事故样本所对应的条件属性集合和决策属性集合，P表示求概率，x表示条件属性，y表示决策属性。

本方案还提供一种高容错电网故障诊断系统，包括：采集模块、数据校核模块、粗糙集模块和诊断模块；

所述采集模块用于采集电网的多源实时故障遥信数据并进行预处理；

所述数据校核模块用于将预处理后的故障遥信数据进行归一化处理得到保护器和断路器的开关动作数据，对开关动作数据使用KMP算法进行数据匹配校核；

粗糙集模块用于基于通过匹配校核的开关动作数据建立原始决策表，并对原始决策表进行属性约简处理得到最佳属性约简组合；

所述诊断模块用于将最佳属性约简组合所对应的故障遥信数据输入已训练好的反向传播神经网络模型中进行实时故障诊断。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明提供的一种高容错电网故障诊断方法及系统，在数据输入神经网络模型进行诊断前进行数据预处理操作：基于KMP算法高效的进行数据校核、基于通过匹配校核的开关动作数据建立原始决策表，对原始决策表进行属性约简处理得到最佳属性约简组合；最佳属性约简组合通过属性约简处理对特征进行简化得到，不仅提高了诊断模型的容错能力，配合神经网络的拟合能力，还降低了故障诊断模型对数据可靠性的依赖程度，提高了模型的学习速度、精度和容错性；数据校核与属性约简操作相结合能够做到性能优势互补，将KMP算法优秀的校核速度以及属性约简过程的特征简化与容错能力相结合，改善了多源故障信息异常所带来的容错性低的问题，且模型整体结构简单，诊断速度快，精度高，具有较好的实用价值。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：

图1为高容错电网故障诊断方法流程示意图；

图2为高容错电网故障诊断系统结构图；

图3为数据匹配校核过程示意图；

图4为实施例3的配电网结构示意图；

图5为实施例3的训练损失与验证损失收敛图；

图6为实施例3的训练精度与验证精度图。

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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

本实施例提供一种高容错电网故障诊断方法，如图1所示，包括步骤：

步骤一：采集电网的多源实时故障遥信数据并进行预处理； 实时故障遥信数据主要包括调度自动化系统的开关分闸告警及保护动作、配网自动化系统的开关变位及故障跳闸、用电信息采集系统的配变及电表运行状态以及配电线路在线监测系统的故障指示器信号。

所述预处理包括过程：对多源实时故障遥信数据进行抽样审核、筛选分类、统一标准和剔除冗余。

步骤二：将预处理后的故障遥信数据进行归一化处理得到保护器和断路器的开关动作数据，对开关动作数据使用KMP算法进行数据匹配校核；

归一化处理包括过程：

T1，将预处理后的故障遥信数据输入专家库系统利用电网的树状图描述出电网的拓扑结构；

T2，基于电网的拓扑结构和故障遥信数据计算多源文本字符串之间的相关度，输出故障遥信数据中相关度最大的文本字符串；

T3，基于相关度最大的文本字符串提取出电网中的各保护器和断路器的开关动作数据。

如图3所示，将全部故障数据输入专家库系统，由专家库特有的逻辑推理方法对其进行故障分析，充分利用配电网的树状图描述配电网的拓扑结构，计算多源文本字符串之间的相关度，输出多源数据中相关度最大的文本字符串，由此可实现对多源故障数据的归一化处理。接着将所获得的归一化数据与相应的原始故障数据使用KMP算法进行匹配，合理调节匹配控制参数，若匹配成功则该组多源故障数据正常，若匹配失败则该组多元故障数据存在异常，进入人工校核阶段。

步骤三：基于通过匹配校核的开关动作数据建立原始决策表，并对原始决策表进行属性约简处理得到最佳属性约简组合；

原始决策表的建立方法包括以下子步骤：

S1，获取通过匹配校核的开关动作数据并确定电网的所有故障事故，以各故障事故作为一个事故样本；

S2，对每个事故样本建立条件属性和决策属性；所述条件属性包括各保护器和断路器的开关状态、所述决策属性包括当前故障事故中发生故障的器件；

S3，将电网所有事故样本的条件属性和决策属性建立在同一个表格中得到原始决策表。

所述属性约简处理方法包括：

G1，对每个原始决策表建立一个可辨识矩阵；

G2，基于可辨识矩阵对特征属性进行约简筛选后得到若干个属性约简组合；

G3，计算各属性约简组合的平均互信息，将平均互信息最小的视为最佳属性约简组合。

所述原始决策表建立方法包括：

以每个事故样本作为一个行表头，每个条件属性作为一个列表头，决策属性作为最后一个列表头来建立表格；

设置条件属性对应的表身为各条件属性的开关状态，用分布变量表示；最后一列的表身为决策属性发生故障的器件；所述分布变量表示的方法为：把条件属性的开关状态设定为0和1分布的变量，其中0表示保护器或者断路器没有动作，1值表示保护器或者断路器已动作。

以某配电网为例建立原始决策表，此决策表包括七个配电网事故样本，其条件属性分别是过流保护器OC1、过流保护器OC2、过流保护器OC3，距离保护器DR1，断路器CB1、断路器CB2和断路器CB3。根据保护器和断路器的开关状态把条件属性设定为0-1分布的变量，其中0值表示保护器或者断路器没有动作，1值表示保护器或者断路器已动作。决策属性为发生故障的元件，这里依次假设为元件D1、D2、D3、No（表示无故障）。由上述方法得到的原始决策表如下：

本方案基于可辨识矩阵进行约简筛选，决策表的可辨识矩阵

为一n×n阶矩阵，依据决策表的第i行数据和第j行数据，来得出与可辨识矩阵相应的i行j列的数据：

式中：

为对象的有限集合，称为论域；

，

称其为属性集，

和

称为条件属性集和决策属性集且

；是一种映射函数，表示唯一定值

为U中任一元素

（取属性

）的对应值。

可辨识矩阵建立方法包括：根据原始决策表表身第i行的数据和第j行的数据确定可辨识矩阵第i行第j列的元素m _ij ：

当决策表表身中的第i行数据与第j行数据之间的条件属性值出现不一致，且决策属性值也不一致时，元素m _ij 为不同属性值的合并；

当决策表表身中的第i行信息与第j行信息之间的条件属性值与决策属性值全部一致时，元素m _ij 为0；

当决策表表身中的第i行信息与第j行信息之间的决策属性值不同而条件属性值一致时，元素m _ij 为-1。

所述平均互信息的计算方法包括：

C1，计算出属性约简组合中两两特征属性之间的互信息；所述互信息的计算方法包括：

属性约简组合中的特征属性确定为等价关联

和等价关联

；

式中：

和

表示属性约简组合中n个事故样本所对应的条件属性集合和决策属性集合；

等价关联

的信息熵值用H(G)表示，等价关联

对于等价关联G的条件熵值用H(Q/G)表示，则等价关联G和等价关联Q的互信息为：

式中：

和

表示每个属性约简组合中n个事故样本所对应的条件属性集合和决策属性集合，P表示求概率，x表示条件属性，y表示决策属性。

C2，将所有互信息求和后再求平均值得到属性约简组合的平均互信息值；

C3，计算出所有属性约简组合的平均互信息值，将平均互信息值最小的属性约简组合视为最佳属性约简组合。

通过上述互信息计算方法求得互信息之和后再求平均，便可得到平均互信息值，所得最小平均互信息值对应的组合即所求，而最小的平均互信息值说明该组合各个属性之间的依赖度最小，根据神经网络特征选择“最小冗余”原则，该组合可作为最佳属性约简组合。

步骤四：将最佳属性约简组合所对应的故障遥信数据输入已训练好的反向传播神经网络模型（BP神经网络模型）中进行实时故障诊断。

反向传播神经网络是基于逆向传播loss来训练的深度前馈网络，对非线性数据分析具备很好的学习能力。而反向传播神经网络的原理，就是通过从后层至前层逐层反向传播输出层loss，以间接而非直接的方式来计算隐藏层的loss。具体来说包括两个部分：第一部分为正向传播过程，输入信息后从输入层经隐藏层逐层算出各层的输出；第二部分为反向传播层过程，由输出loss逐层向前算出隐藏层的loss，再以此误差更新前面层的权重。

实施例2

本实施例提供一种高容错电网故障诊断系统，如图2所示，包括：采集模块、数据校核模块、粗糙集模块和诊断模块；

所述采集模块用于采集电网的多源实时故障遥信数据并进行预处理；

所述数据校核模块用于将预处理后的故障遥信数据进行归一化处理得到保护器和断路器的开关动作数据，对开关动作数据使用KMP算法进行数据匹配校核；

粗糙集模块用于基于通过匹配校核的开关动作数据建立原始决策表，并对原始决策表进行属性约简处理得到最佳属性约简组合；

所述诊断模块用于将最佳属性约简组合所对应的故障遥信数据输入已训练好的反向传播神经网络模型中进行实时故障诊断。

实施例3

本实施例采用如图4所示配电网系统进行算例分析，基于python3.7编写本算例程序，使用Keras框架搭建神经网络模型，该系统共有两根母线、四根线路、四台变压器以及八个用户。其内部设有母差保护器BR1和BR2，电流保护器OR1、OR2、OR3、OR4、OR5、OR6和OR7，距离保护器DR1、DR2、DR3、DR4，变压器差动保护器TR1、TR2、TR3和TR4，断路器CB1、CB2、CB3、CB4、CB5、CB6、CB7、CB8、CB9、CB10、CB11、CB12、CB13、CB14、CB15、CB16、CB17、CB18、CB19、CB20、CB21、CB22、CB23、CB24和CB25。事故样本只选取单一故障情况，由此建立含有42个条件属性、1000个事故样本的决策表。

首先将每一个事故样本所对应的多源数据全部送入专家库系统，然后将得到的输出数据运用KMP算法进行匹配，若发现无法匹配的数据，则存入另外的数组，待所有数据校核完成后，单独对该数组中的数据进行人工矫正。完成之后，与匹配成功的数据一同送入粗糙集模块。

经过校核的数据生成决策表，通过可辨识矩阵方法对决策表进行约简，得到七组约简结果，如下表所示：

再算出这七组约简组合的平均互信息分别如下：0.09627，0.0765，0.0535，0.08146，0.03677，0.04209，0.04903。其中组合5最小，选其作为最佳属性约简组合，所需条件属性从原有的42个减少到18个，消除了多源数据中的冗余特征。

将每一个可能故障的元件采用one-hot方式分别编号，即本模型为单标签多分类模型。BP神经网络的参数设置为：隐藏层为2层dense，隐藏层神经元数量为48；学习率为0.01，权重衰减为0.01；随机丢弃值为0.05以防止过拟合；选用adam算法对网络进行训练，损失函数选用交叉熵函数，隐藏层激活函数选用relu函数，输出层选用softmax函数作分类器，对网络进行训练，迭代1000轮。训练损失与验证损失如图5所示，训练精度与验证精度如图6所示，由此可见，本发明所提模型已经充分拟合多元故障数据。

下表展示了本发明所提方法与在该方法基础上去除数据校核过程的方法、在该方法基础上去除属性约简处理的方法以及只有深度神经网络的方法在训练时间和验证精度上的对比，以上4种方法从1-4依次编号。

结果表明，方法1即本发明所提算法具有最好的训练速度与最高的验证精度，性能最佳；方法2由于未经过数据校核导致多源数据中的异常数据没有被发现和纠正，其中可能包括核属性的数据，这给属性约简操作的容错性带来了困难，所以学习精度较低；方法3由于没有经过属性约简操作，所以输入特征没有按照“最大相关，最小冗余”的原则进行筛选，冗余的数据加大了神经网络的学习难度，所以学习精度大大降低，且相比于方法1数据的特征维度大大增加，这也导致了训练时间大大增加；方法4由于没有任何数据预处理的措施，所以不仅训练时间最长学习精度也最低。

算例表明，数据校核与属性约简操作相结合能够做到性能优势互补，将KMP算法优秀的校核速度以及粗糙集理论优秀的特征简化与容错能力相结合，改善了多源故障信息异常所带来的容错性低的问题，且模型整体结构简单，诊断速度快，精度高，具有较好的实用价值。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高容错电网故障诊断方法，其特征在于，包括步骤：

步骤一：采集电网的多源实时故障遥信数据并进行预处理；

步骤二：将预处理后的故障遥信数据进行归一化处理得到保护器和断路器的开关动作数据，对开关动作数据使用KMP算法进行数据匹配校核；

步骤三：基于通过匹配校核的开关动作数据建立原始决策表，并对原始决策表进行属性约简处理得到最佳属性约简组合；

步骤四：将最佳属性约简组合所对应的故障遥信数据输入已训练好的反向传播神经网络模型中进行实时故障诊断。

2.根据权利要求1所述的一种高容错电网故障诊断方法，其特征在于，所述预处理包括过程：对多源实时故障遥信数据进行抽样审核、筛选分类、统一标准和剔除冗余。

3.根据权利要求1所述的一种高容错电网故障诊断方法，其特征在于，所述归一化处理包括过程：

T1，将预处理后的故障遥信数据输入专家库系统利用电网的树状图描述出电网的拓扑结构；

T2，基于电网的拓扑结构和故障遥信数据计算多源文本字符串之间的相关度，输出故障遥信数据中相关度最大的文本字符串；

T3，基于相关度最大的文本字符串提取出电网中的各保护器和断路器的开关动作数据。

4.根据权利要求1所述的一种高容错电网故障诊断方法，其特征在于，原始决策表的建立方法包括以下子步骤：

S1，获取通过匹配校核的开关动作数据并确定电网的所有故障事故，以各故障事故作为一个事故样本；

S2，对每个事故样本建立条件属性和决策属性；所述条件属性包括各保护器和断路器的开关状态、所述决策属性包括当前故障事故中发生故障的器件；

S3，将电网所有事故样本的条件属性和决策属性建立在同一个表格中得到原始决策表。

5.根据权利要求4所述的一种高容错电网故障诊断方法，其特征在于，所述属性约简处理方法包括：

G1，对每个原始决策表建立一个可辨识矩阵；

G2，基于可辨识矩阵对特征属性进行约简筛选后得到若干个属性约简组合；

G3，计算各属性约简组合的平均互信息，将平均互信息最小的视为最佳属性约简组合。

6.根据权利要求5所述的一种高容错电网故障诊断方法，其特征在于，所述原始决策表建立方法包括：

以每个事故样本作为一个行表头，每个条件属性作为一个列表头，决策属性作为最后一个列表头来建立表格；

设置条件属性对应的表身为各条件属性的开关状态，用分布变量表示；最后一列的表身为决策属性发生故障的器件；所述分布变量表示的方法为：把条件属性的开关状态设定为0和1分布的变量，其中0表示保护器或者断路器没有动作，1值表示保护器或者断路器已动作。

7.根据权利要求6所述的一种高容错电网故障诊断方法，其特征在于，可辨识矩阵建立方法包括：根据原始决策表表身第i行的数据和第j行的数据确定可辨识矩阵第i行第j列的元素m _ij ：

当决策表表身中的第i行数据与第j行数据之间的条件属性值出现不一致，且决策属性值也不一致时，元素m _ij 为不同属性值的合并；

当决策表表身中的第i行信息与第j行信息之间的条件属性值与决策属性值全部一致时，元素m _ij 为0；

当决策表表身中的第i行信息与第j行信息之间的决策属性值不同而条件属性值一致时，元素m _ij 为-1。

8.根据权利要求5所述的一种高容错电网故障诊断方法，其特征在于，所述平均互信息的计算方法包括：

计算出属性约简组合中两两特征属性之间的互信息；

将所有互信息求和后再求平均值得到属性约简组合的平均互信息值；

计算出所有属性约简组合的平均互信息值，将平均互信息值最小的属性约简组合视为最佳属性约简组合。

9.根据权利要求8所述的一种高容错电网故障诊断方法，其特征在于，所述互信息的计算方法包括：

属性约简组合中的特征属性确定为等价关联

和等价关联

；

式中：

和

表示属性约简组合中n个事故样本所对应的条件属性集合和决策属性集合；

等价关联

的信息熵值用H(G)表示，等价关联

对于等价关联G的条件熵值用H(Q/G)表示，则等价关联G和等价关联Q的互信息为：

式中：

和

表示每个属性约简组合中n个事故样本所对应的条件属性集合和决策属性集合，P表示求概率，x表示条件属性，y表示决策属性。

10.一种高容错电网故障诊断系统，其特征在于，包括：采集模块、数据校核模块、粗糙集模块和诊断模块；

所述采集模块用于采集电网的多源实时故障遥信数据并进行预处理；

所述数据校核模块用于将预处理后的故障遥信数据进行归一化处理得到保护器和断路器的开关动作数据，对开关动作数据使用KMP算法进行数据匹配校核；

粗糙集模块用于基于通过匹配校核的开关动作数据建立原始决策表，并对原始决策表进行属性约简处理得到最佳属性约简组合；

所述诊断模块用于将最佳属性约简组合所对应的故障遥信数据输入已训练好的反向传播神经网络模型中进行实时故障诊断。

Images