一种基于大数据技术的配电网故障诊断方法及系统技术方案

本发明专利技术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。本发明专利技术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。

Distribution network fault diagnosis method and system based on big data technology

The invention discloses a fault diagnosis method and system of distribution network based on big data technology, is a large amount of data, dimensions and data types of distribution network, according to the fault existing big data of the existing information timely and accurate diagnosis of distribution network and fast repair mechanism of the system it mainly includes three parts: data is discrete, attribute reduction, sample training. The rough set theory is used for the pretreatment of the training data of the neural network, using rough set theory to calculate reduction and rules, conditions to delete unnecessary attributes in the reduction process, helpful to improve the learning efficiency, and maintain similar classification error rate is low and stable, finally the rules of inference engine as distribution network abstract expression of high level, can effectively ensure the safe operation of distribution network.

【技术实现步骤摘要】
一种基于大数据技术的配电网故障诊断方法及系统
本专利技术涉及一种基于大数据技术的配电网故障诊断方法及系统，用于解决配电网在线故障诊断的问题，属于分布式计算软件领域。
技术介绍
随着现代电力的迅猛发展，配电网规模的不断增大，配电网故障的不可避免性又使得提高配电网故障诊断率成为衡量供电可靠性的一个关键技术指标之一。配电网故障的诊断是配电网运行的重要工作，但是故障原因、故障现象、故障过程错综复杂，为提高配电网中故障诊断的快速性，国内外学者提出了模糊理论、遗传算法、人工神经网络等多种故障诊断方法，当故障诊断所依据的是信息正确、完整时，这些方法都能得到较为满意的结果，但是由于配电网中的信息存在干扰而丢失信息等诸多不确定因素，配电网中的大数据是大量、高速、多变的信息，它是数据的量和复杂程度发展到某个阶段的产物，对数据计算能力，分析算法的运行效率等方面提出了更高的要求，上述方法均存在一定的局限性。配电网中一个单点故障如不及时处理，将会引起故障的扩大化，甚至会造成人员和财产的巨大损失，如何在配电网中减少故障的发生，并能在故障发生后能及时处理，迅速恢复生产，已成为确保配电网安全运行的关键所在。配电网系统的高度可靠性与可维护性密切相关的故障诊断技术显得格外重要，现有的故障诊断方法有故障树诊断法、故障模式识别法、基于专家系统的诊断方法、基于神经网络的故障诊断、基于粗糙集的故障诊断等，但是这些方法在故障诊断中都存在一些弊端，不能及时有效的诊断在线故障，有必要提出一种鲁棒性强、适应各种不利情况的配电网故障诊断方法，帮助调度人员迅速识别故障，保证配电网的安全稳定运行。因此，科学高效的对配电网中的故障进行诊断对提高配电网供电可靠性和配电网服务质量意义重大。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于大数据技术的配电网故障诊断方法及系统，来解决配电网大数据环境下故障诊断问题，本专利技术是一种策略性方法，通过使用本方法可以使得配电网中的故障得到快速诊断，保证配电网的安全稳定运行。本专利技术为解决上述技术问题采用以下技术方案：一方面，本专利技术提供一种基于大数据技术的配电网故障诊断方法，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中测试好的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。作为本专利技术的进一步优化方案，步骤1中连续属性值包括条件属性和决策属性值。作为本专利技术的进一步优化方案，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，Wc(x)为决策属性x的保留集，U为初步离散化的属性集，Rc(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，nl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，并对聚类结果的各类进行编码。作为本专利技术的进一步优化方案，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，Tb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。作为本专利技术的进一步优化方案，步骤3中采用动态约简的方法，构造条件属性约简函数Si＝m1Li+m2Ni，其中，m1和m2为重要度权重，且m1+m2＝1；Li为属性关系重要度，其中，n为初始决策表中条件属性的个数，Ni为属性特征重要度，|*|表示属性集合中包含的数据个数，D为初始决策表的属性集，G为数据特征常数，Miv为条件属性Ti和Tv之间的依赖关系，posj(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。另一方面，本专利技术还提供一种基于大数据技术的配电网故障诊断系统，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。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术方法一种基于大数据技术的配电网故障诊断方法，主要用于解决配电网中故障及时诊断问题，通过使用本专利技术中提出的方法可以根据当前配电网中的大数据，利用粗糙集理论和BP神经网络相结合的方法对配电网中的故障进行及时诊断，从而很好的保证配电网的安全稳定运行。附图说明图1是配电网故障诊断系统结构图。图2是参考体系结构示意图。图3是本专利技术方法的流程示意图。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：基于大数据技术的配电网故障诊断系统主要需考虑两个方面的问题：(1)如何从模糊、不确定、不完整的信息中提取知识的相关性，并通过有监督的学习，经过训练数据集合进行分类归并，挖掘出配电网存在的在线故障原因。(2)如何本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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，Wc(x)为决策属性x的保留集，U为初步离散化的属性集，Rc(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，nl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...

【专利技术属性】
技术研发人员：邓松，张利平，岳东，付雄，葛辉，黄崇鑫，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32