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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。