一种基于大数据技术的配电网故障诊断方法及系统与流程

技术特征：

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；

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。

2.根据权利要求1所述的一种基于大数据技术的配电网故障诊断方法，其特征在于，步骤1中连续属性值包括条件属性和决策属性值。

3.根据权利要求1所述的一种基于大数据技术的配电网故障诊断方法，其特征在于，步骤2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；

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L_q＝{(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Q_q＝n₁R_c(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Q_q-Q＜0,则转入步骤2.2)；若Q_q-Q＞0，则令A＝A1且Q＝Q_q，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Q_q的最大值作为聚类结果A，并对聚类结果各类进行编码。

4.根据权利要求3所述的一种基于大数据技术的配电网故障诊断方法，其特征在于，步骤2.4)中利用遗传算法求解目标函数ming(x)，具体流程如下：

a)将步骤2.3)中剔除冗余后的离散化属性集作为初始种群，并初始化；

b)利用适应度函数评价种群中个体的优劣，其中，N是离散化属性集中条件属性类内各点的选择范围，C_(a,b)是a类条件属性对b类条件属性的适应度返回值，T_b是b类条件属性的适应度目标值；

c)根据b)中适应度值的大小对种群中的个体进行优胜劣汰的选择；

d)以预定概率从当前种群中选择适应度值较大的个体作为父代繁殖子代；

e)对当前子种群个体进行基因交叉、基因突变和重组；

f)进入种群下一代遗传，实现目标函数的最优值逼近。

5.根据权利要求1所述的一种基于大数据技术的配电网故障诊断方法，其特征在于，步骤3中采用动态约简的方法，构造条件属性约简函数S_i＝m₁L_i+m₂N_i，其中，m₁和m₂为重要度权重，且m₁+m₂＝1；L_i为条件属性关系重要度，n为初始决策表中条件属性的个数，N_i为条件属性特征重要度，|*|表示条件属性集合中包含的数据个数，D为初始决策表的条件属性集，G为数据特征常数，M_iv为条件属性T_i和T_v之间的依赖关系，pos_j(D)表示第j类条件属性集在初始决策表中的特征重要级数，j＝1,...,n。

6.一种基于大数据技术的配电网故障诊断系统，其特征在于，包括数据离散器、属性约简器、样本训练器，其中，数据离散器，用于对对配电网中采集到的数据进行连续属性值进行离散化处理，形成初始决策表；属性约简器，用于对初始决策表中的条件属性进行约简，形成最小条件属性集；样本训练器，用于根据最小条件属性集对应的配电网数据对BP神经网络进行学习，输出训练完成的BP神经网络作为配电网故障诊断器。