一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法及系統(tǒng)技術(shù)方案

本發(fā)明專利技術(shù)公開了一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法及系統(tǒng)，是一種在數(shù)據(jù)量大、維度多、數(shù)據(jù)種類多的配電網(wǎng)中，能夠利用現(xiàn)有的大數(shù)據(jù)信息及時準(zhǔn)確的診斷配電網(wǎng)中存在的故障并快速搶修的機(jī)制，該系統(tǒng)主要包括三個部分：數(shù)據(jù)離散器、屬性約簡器、樣本訓(xùn)練器。本發(fā)明專利技術(shù)將粗糙集理論用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的預(yù)處理，首先運(yùn)用粗糙集的理論計(jì)算縮減并生成規(guī)則，在約簡的過程中刪除了不必要的條件屬性，有助于提高網(wǎng)絡(luò)的學(xué)習(xí)效率，同時保持了較低的穩(wěn)定的近似分類差錯率，最后成的規(guī)則作為配電網(wǎng)的推理機(jī)進(jìn)行高層次的抽象表達(dá)，可以很好地保證配電網(wǎng)的安全運(yùn)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.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法及系統(tǒng)
本專利技術(shù)涉及一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法及系統(tǒng)，用于解決配電網(wǎng)在線故障診斷的問題，屬于分布式計(jì)算軟件領(lǐng)域。
技術(shù)介紹
隨著現(xiàn)代電力的迅猛發(fā)展，配電網(wǎng)規(guī)模的不斷增大，配電網(wǎng)故障的不可避免性又使得提高配電網(wǎng)故障診斷率成為衡量供電可靠性的一個關(guān)鍵技術(shù)指標(biāo)之一。配電網(wǎng)故障的診斷是配電網(wǎng)運(yùn)行的重要工作，但是故障原因、故障現(xiàn)象、故障過程錯綜復(fù)雜，為提高配電網(wǎng)中故障診斷的快速性，國內(nèi)外學(xué)者提出了模糊理論、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)等多種故障診斷方法，當(dāng)故障診斷所依據(jù)的是信息正確、完整時，這些方法都能得到較為滿意的結(jié)果，但是由于配電網(wǎng)中的信息存在干擾而丟失信息等諸多不確定因素，配電網(wǎng)中的大數(shù)據(jù)是大量、高速、多變的信息，它是數(shù)據(jù)的量和復(fù)雜程度發(fā)展到某個階段的產(chǎn)物，對數(shù)據(jù)計(jì)算能力，分析算法的運(yùn)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。配電網(wǎng)中一個單點(diǎn)故障如不及時處理，將會引起故障的擴(kuò)大化，甚至?xí)斐扇藛T和財(cái)產(chǎn)的巨大損失，如何在配電網(wǎng)中減少故障的發(fā)生，并能在故障發(fā)生后能及時處理，迅速恢復(fù)生產(chǎn)，已成為確保配電網(wǎng)安全運(yùn)行的關(guān)鍵所在。配電網(wǎng)系統(tǒng)的高度可靠性與可維護(hù)性密切相關(guān)的故障診斷技術(shù)顯得格外重要，現(xiàn)有的故障診斷方法有故障樹診斷法、故障模式識別法、基于專家系統(tǒng)的診斷方法、基于神經(jīng)網(wǎng)絡(luò)的故障診斷、基于粗糙集的故障診斷等，但是這些方法在故障診斷中都存在一些弊端，不能及時有效的診斷在線故障，有必要提出一種魯棒性強(qiáng)、適應(yīng)各種不利情況的配電網(wǎng)故障診斷方法，幫助調(diào)度人員迅速識別故障，保證配電網(wǎng)的安全穩(wěn)定運(yùn)行。因此，科學(xué)高效的對配電網(wǎng)中的故障進(jìn)行診斷對提高配電網(wǎng)供電可靠性和配電網(wǎng)服務(wù)質(zhì)量意義重大。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)所要解決的技術(shù)問題是提供一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法及系統(tǒng)，來解決配電網(wǎng)大數(shù)據(jù)環(huán)境下故障診斷問題，本專利技術(shù)是一種策略性方法，通過使用本方法可以使得配電網(wǎng)中的故障得到快速診斷，保證配電網(wǎng)的安全穩(wěn)定運(yùn)行。本專利技術(shù)為解決上述技術(shù)問題采用以下技術(shù)方案：一方面，本專利技術(shù)提供一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法，具體步驟如下：步驟1：對配電網(wǎng)中采集到的數(shù)據(jù)進(jìn)行連續(xù)屬性值的提取，提取出的連續(xù)屬性值作為原始決策表，用來進(jìn)行網(wǎng)絡(luò)訓(xùn)練；步驟2：對步驟1中形成的原始決策表中的連續(xù)屬性值進(jìn)行離散化處理，離散化后的連續(xù)屬性值作為初始決策表；步驟3：采用動態(tài)約簡的方法，構(gòu)造條件屬性約簡函數(shù)，對初始決策表中的條件屬性進(jìn)行約簡，形成的最小條件屬性集；步驟4，將步驟3中最小條件屬性集所對應(yīng)的配電網(wǎng)數(shù)據(jù)集作為新的訓(xùn)練樣本集；步驟5：根據(jù)步驟4中形成的新的訓(xùn)練樣本集對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；步驟6：將步驟5中測試好的BP神經(jīng)網(wǎng)絡(luò)作為配電網(wǎng)故障診斷器，從而實(shí)現(xiàn)在線故障診斷。作為本專利技術(shù)的進(jìn)一步優(yōu)化方案，步驟1中連續(xù)屬性值包括條件屬性和決策屬性值。作為本專利技術(shù)的進(jìn)一步優(yōu)化方案，步驟2中對原始決策表中的連續(xù)屬性值進(jìn)行離散化處理，具體為：2.1)定義訓(xùn)練樣本集的連續(xù)屬性值集合為w，令采用相似矩陣將原始決策表中的連續(xù)屬性值排列為矩陣的形式，其中，絕對指數(shù)函數(shù)為原始決策表中的第l1類屬性，為原始決策表中的第k1類屬性；2.2)定義相似矩陣H中各不相同的元素組成的集合為K,對任意q∈K依次采用q-離關(guān)系公式Lq＝{(s,t)|(L(s,t)≥q}計(jì)算出原始決策表中任意兩個連續(xù)屬性值之間的離關(guān)系，其中，s、t均為訓(xùn)練樣本集中的連續(xù)屬性值，L(s,t)為連續(xù)屬性值s和t的模糊關(guān)系，q∈[0,1]；用編網(wǎng)法得到聚類結(jié)果A1，通過q-離關(guān)系處理將原始決策表中的連續(xù)屬性值進(jìn)行初步離散化，形成初步離散化屬性集；2.3)構(gòu)造保留度函數(shù)對初步離散化的屬性集進(jìn)行冗余信息的剔除，其中，Wc(x)為決策屬性x的保留集，U為初步離散化的屬性集，Rc(x)表示決策屬性x對條件屬性c的保留度；2.4)構(gòu)造分類控制函數(shù)對步驟2.3)中剔除冗余后的離散化屬性集進(jìn)行聚類處理，其中，nl為剔除冗余后的離散化屬性集中第l類屬性的個數(shù)，m為剔除冗余后的離散化屬性集中屬性的總類數(shù)，y為剔除冗余后的離散化屬性集中第l類屬性的中心，為剔除冗余后的離散化屬性集中屬性的類中心，r為剔除冗余后的離散化屬性集中的屬性個數(shù)，為剔除冗余后的離散化屬性集中第l類屬性與第k類屬性中心間的距離；2.4)利用遺傳算法求解目標(biāo)函數(shù)ming(x)；2.5)定義綜合函數(shù)Qq＝n1Rc(x)+n2g(x)，其中，n1和n2為權(quán)重系數(shù)，令Q＝0，若Qq-Q＜0,則轉(zhuǎn)入步驟2.2)；若Qq-Q＞0，則令A(yù)＝A1且Q＝Qq，再轉(zhuǎn)入步驟2.2)；2.6)當(dāng)原始決策表中的連續(xù)屬性集離散結(jié)束時，取Qq的最大值作為聚類結(jié)果A，并對聚類結(jié)果的各類進(jìn)行編碼。作為本專利技術(shù)的進(jìn)一步優(yōu)化方案，步驟2.4)中利用遺傳算法求解目標(biāo)函數(shù)ming(x)，具體流程如下：a)將步驟2.3)中剔除冗余后的離散化屬性集作為初始種群，并初始化；b)利用適應(yīng)度函數(shù)評價種群中個體的優(yōu)劣，其中，N是是離散化屬性集中條件屬性類內(nèi)各點(diǎn)的選擇范圍，C(a,b)是a類條件屬性對b類條件屬性的適應(yīng)度返回值，Tb是b類條件屬性的適應(yīng)度目標(biāo)值；c)根據(jù)b)中適應(yīng)度值的大小對種群中的個體進(jìn)行優(yōu)勝劣汰的選擇；d)以預(yù)定概率從當(dāng)前種群中選擇適應(yīng)度值較大的個體作為父代繁殖子代；e)對當(dāng)前子種群個體進(jìn)行基因交叉、基因突變和重組；f)進(jìn)入種群下一代遺傳，實(shí)現(xiàn)目標(biāo)函數(shù)的最優(yōu)值逼近。作為本專利技術(shù)的進(jìn)一步優(yōu)化方案，步驟3中采用動態(tài)約簡的方法，構(gòu)造條件屬性約簡函數(shù)Si＝m1Li+m2Ni，其中，m1和m2為重要度權(quán)重，且m1+m2＝1；Li為屬性關(guān)系重要度，其中，n為初始決策表中條件屬性的個數(shù)，Ni為屬性特征重要度，|*|表示屬性集合中包含的數(shù)據(jù)個數(shù)，D為初始決策表的屬性集，G為數(shù)據(jù)特征常數(shù)，Miv為條件屬性Ti和Tv之間的依賴關(guān)系，posj(D)表示第j類條件屬性集在初始決策表中的特征重要級數(shù)，j＝1,...,n。另一方面，本專利技術(shù)還提供一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷系統(tǒng)，包括數(shù)據(jù)離散器、屬性約簡器、樣本訓(xùn)練器，其中，數(shù)據(jù)離散器，用于對對配電網(wǎng)中采集到的數(shù)據(jù)進(jìn)行連續(xù)屬性值進(jìn)行離散化處理，形成初始決策表；屬性約簡器，用于對初始決策表中的條件屬性進(jìn)行約簡，形成最小條件屬性集；樣本訓(xùn)練器，用于根據(jù)最小條件屬性集對應(yīng)的配電網(wǎng)數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，輸出訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)作為配電網(wǎng)故障診斷器。本專利技術(shù)采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本專利技術(shù)方法一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法，主要用于解決配電網(wǎng)中故障及時診斷問題，通過使用本專利技術(shù)中提出的方法可以根據(jù)當(dāng)前配電網(wǎng)中的大數(shù)據(jù)，利用粗糙集理論和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對配電網(wǎng)中的故障進(jìn)行及時診斷，從而很好的保證配電網(wǎng)的安全穩(wěn)定運(yùn)行。附圖說明圖1是配電網(wǎng)故障診斷系統(tǒng)結(jié)構(gòu)圖。圖2是參考體系結(jié)構(gòu)示意圖。圖3是本專利技術(shù)方法的流程示意圖。具體實(shí)施方式下面結(jié)合附圖對本專利技術(shù)的技術(shù)方案做進(jìn)一步的詳細(xì)說明：基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷系統(tǒng)主要需考慮兩個方面的問題：(1)如何從模糊、不確定、不完整的信息中提取知識的相關(guān)性，并通過有監(jiān)督的學(xué)習(xí)，經(jīng)過訓(xùn)練數(shù)據(jù)集合進(jìn)行分類歸并，挖掘出配電網(wǎng)存在的在線故障原因。(2)如何本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法，其特征在于，具體步驟如下：步驟1：對配電網(wǎng)中采集到的數(shù)據(jù)進(jìn)行連續(xù)屬性值的提取，提取出的連續(xù)屬性值作為原始決策表，用來進(jìn)行網(wǎng)絡(luò)訓(xùn)練；步驟2：對步驟1中形成的原始決策表中的連續(xù)屬性值進(jìn)行離散化處理，離散化后的連續(xù)屬性值作為初始決策表；步驟3：采用動態(tài)約簡的方法，構(gòu)造條件屬性約簡函數(shù)，對初始決策表中的條件屬性進(jìn)行約簡，形成的最小條件屬性集；步驟4，將步驟3中最小條件屬性集所對應(yīng)的配電網(wǎng)數(shù)據(jù)集作為新的訓(xùn)練樣本集；步驟5：根據(jù)步驟4中形成的新的訓(xùn)練樣本集對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；步驟6：將步驟5中訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)作為配電網(wǎng)故障診斷器，從而實(shí)現(xiàn)在線故障診斷。

【技術(shù)特征摘要】
1.一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法，其特征在于，具體步驟如下：步驟1：對配電網(wǎng)中采集到的數(shù)據(jù)進(jìn)行連續(xù)屬性值的提取，提取出的連續(xù)屬性值作為原始決策表，用來進(jìn)行網(wǎng)絡(luò)訓(xùn)練；步驟2：對步驟1中形成的原始決策表中的連續(xù)屬性值進(jìn)行離散化處理，離散化后的連續(xù)屬性值作為初始決策表；步驟3：采用動態(tài)約簡的方法，構(gòu)造條件屬性約簡函數(shù)，對初始決策表中的條件屬性進(jìn)行約簡，形成的最小條件屬性集；步驟4，將步驟3中最小條件屬性集所對應(yīng)的配電網(wǎng)數(shù)據(jù)集作為新的訓(xùn)練樣本集；步驟5：根據(jù)步驟4中形成的新的訓(xùn)練樣本集對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；步驟6：將步驟5中訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)作為配電網(wǎng)故障診斷器，從而實(shí)現(xiàn)在線故障診斷。2.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法，其特征在于，步驟1中連續(xù)屬性值包括條件屬性和決策屬性值。3.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)技術(shù)的配電網(wǎng)故障診斷方法，其特征在于，步驟2中對原始決策表中的連續(xù)屬性值進(jìn)行離散化處理，具體為：2.1)定義訓(xùn)練樣本集的連續(xù)屬性值集合為w，令采用相似矩陣將原始決策表中的連續(xù)屬性值排列為矩陣的形式，其中，絕對指數(shù)函數(shù)為原始決策表中的第l1類屬性，為原始決策表中的第k1類屬性；2.2)定義相似矩陣H中各不相同的元素組成的集合為K,對任意q∈K依次采用q-離關(guān)系公式Lq＝{(s,t)|(L(s,t)≥q}計(jì)算出原始決策表中任意兩個連續(xù)屬性值之間的離關(guān)系，其中，s、t均為訓(xùn)練樣本集中的連續(xù)屬性值，L(s,t)為連續(xù)屬性值s和t的模糊關(guān)系，q∈[0,1]；用編網(wǎng)法得到聚類結(jié)果A1，通過q-離關(guān)系處理將原始決策表中的連續(xù)屬性值進(jìn)行初步離散化，形成初步離散化屬性集；2.3)構(gòu)造保留度函數(shù)對初步離散化的屬性集進(jìn)行冗余信息的剔除，其中，Wc(x)為決策屬性x的保留集，U為初步離散化的屬性集，Rc(x)表示決策屬性x對條件屬性c的保留度；2.4)構(gòu)造分類控制函數(shù)對步驟2.3)中剔除冗余后的離散化屬性集進(jìn)行聚類處理，其中，nl為剔除冗余后的離散化屬性集中第l類屬性的個數(shù)，m為剔除冗余后的離散化屬性集中屬性的總類數(shù)，y為剔除冗余后的離散化屬性集中第l類屬性的中心，為剔除冗余后的離散化屬性集中屬性的類中心，r為剔除冗余后的離散化屬性集中的屬性個數(shù)，為剔除冗余...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鄧松，張利平，岳東，付雄，葛輝，黃崇鑫，
申請(專利權(quán))人：南京郵電大學(xué)，
類型：發(fā)明
國別省市：江蘇,32