基于粗糙集与决策树的配电网故障诊断研究.docVIP

基于粗糙集与决策树的配电网故障诊断研究 　　摘要：随着电网故障发生率的增多，越来越多的不确定因素也随之增多，导致诊断结果不够准确。文章提出了一种粗糙决策树配电网故障算法，并针对决策表进行规则提取。这种算法的应用能够对不完整的信息进行处理，对决策进行简要分析。 中国论文网 /8/view-7193298.htm 　　关键词：配电网；粗糙集；决策树；故障诊断；电网故障发生率 文献标识码：A 　　中图分类号：TM711 文章编号：1009-2374（2016）02-0022-02 DOI：10.13535/ki.11-4406/n.2016.02.010 　　粗糙集理论是一种处理不确定因素与精度问题的重要方法，随着电网配电故障发生率的不断提升，粗糙集理论被广泛应用到了配电网故障诊断中，其目的是对装置与断路器的误动作、信号传输代码进行保护，还能够对不完整的故障信息做出纠正。本文将使用粗糙集模拟出故障样本中的诊断规则，但是在对知识逻辑理论处理中效率非常低；尤其是在规则间的关系构建上较少，在诊断过程中需要做好对规则库的检查与搜索，诊断的速度慢，经常会造成信息丢失或者是遗忘的情况。为此，本文将重点研究利用粗糙集与决策树分析配电网的故障诊断。 　　1 基于粗糙集与决策树的配电网故障诊断提出的背景 　　为了使故障诊断的准确性与科学性大大提高，国内很多学者对其进行了研究，并在研究基础上提出了以专家系统、人工神经网络、模糊理论、遗传算法、Petri为基础的网络故障诊断方法。故障诊断参照的基础是信息完整性、稳定性、准确性等，在这些方法下能够使诊断具备良好效果，但是在配电网一旦出现故障以后，比如开关、保护误动、拒动等造成的信息干扰使信息完整性降低的故障时，使用以上故障诊断方法将存在局限性。为此，有专家提出了一种鲁棒性强、能够适应不同配电环境的电网故障诊断方法，其功能是对故障做出准确识别，确保电网可以稳定、安全运行。粗糙集的出现能够对规则库做出搜集与分析，进而使诊断速度增加，会影响到出错警报信息关键信号诊断结果。为此，在不断改进下提出了基于粗糙集与神经元网络联合故障诊断方法，可以使用决策树对表进行约简，进而使神经元网络并行优势得以体现，实现故障分类处理。但是神经元网络学习起来速度较慢，这是制约故障诊断的重要因素，并且神经元网络故障诊断解释上不够清晰，需要使用解释器作为支持。 　　本文在上述背景下，通过结合粗糙集与决策树的特征，提出了几点粗糙集决策树故障诊断方法。决策树具有的功能非常多，能够在无序状态下对记忆进行分类，进而产生的树状结构是规则的，并且规则间的相互关系较为清晰，方便记忆，在推理结果上也将更容易；可以将配电网作为一个原始样本，利用粗糙集对决策表属性约简后，能够将样本集转化为决策表，在这种约简基础上可以将信息熵作为决策树的函数评判指标，进而将诊断规则提取出来，此过程的优点是能够避免产生规则提取的盲目性与冗余性，使规则提取的效率提高。此外，这种方法下，还能够按照信息熵所提供的分层结构特点对信号进行分级处理，各层结点内的信号可作为优先处理的级别，在搜索与诊断过程中，诊断速度要控制好；容错能力非常强，一旦出现警报致使信息丢失时，可以利用决策树规则进行快速搜集，最终也可以得出准确诊断结果。使用粗糙集与决策树进行演算，具有简单、方便、易于操作等特点，并且通过这种方法还能够得到规则的诊断方法，进而构建出专用故障诊断网络，还可以依据此构建出故障诊断知识库，对电网故障诊断系统提供支持。为此，鉴于以上背景，电网配电故障诊断需要使用粗糙集与决策树故障诊断方法。 　　2 基于粗糙集与决策树的故障诊断 　　2.1 基于粗糙集的属性约简 　　粗糙集理论是由波兰科学家在20世纪80年代提出，将其定义为一种不确定的新型数学工具，在将其引入到信息系统中以后，能够对知识进行定义分析，并按照论域进行换分；还将不可分辨的关系引入进来，用来对规则相似的质量进行衡量，对知识核做出了定义，被认为是一种知识基本属性集，作为属性约束的理论基础。 　　一个信息系统可以由一个关系表示。在过去的研究结果中，Skowron将辨识矩阵理论提出来，这一理论的提出为简约属性分析提供了思路，通过使用矩阵能够得到信息表属性核。 　　将M设为一个可辨识的矩阵，那么S则是属性中的集合总称，重复项不包含其中。如果S中有非常多的s集合属性，每个属性可以用Bi表示，用公式描述为：，如果将Card（Bi）的值设置为m，那么Bi中属性就可以用Bi，k（k=1，2，……，m）表示，其中card（1，则可以将决策记录划分开，将不可用的属性去除，将本地属性留下。 　　2.2 基于决策树规则提取 　　2.2.1 信息熵概念。信息熵有以下定义： 　　定义1：设U=（u1，u2，……，ur）这些都表示从信息源