粗糙集与决策树配电网故障诊断研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇粗糙集与决策树配电网故障诊断研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
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：BiS,BjS,Bi≠Bj(i,j=1,2,3......,s)，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，数。矩阵中的元素属性可以标记为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头发出的信息集合；V＝（v1，v2，……，vj，……，uq）这一集合则表示信宿接收到的信息。发生概率可用P（ui）表示；当P（ui/vj）接收到了vj留下的ui概率以后，信息U就能够提供一个U信息（熵）。当底数n为2时，信息熵的单位则为比特。2.2.2决策树规则提取算法。在决策表属性计算中，熵的最大取值分布在Q队伍中，并能够将Q中的属性作为结点，将Q列队清空。按照结点上的属性分支，可以对分支结点测试，如果发现某个分支结点与决策不是一个类别，则将其标记为叶结点。如果是不符合分支测试标准的支路，要选择一个分支周转，分支到叶结点为止。
2.3故障诊断过程
在故障诊断中，要先明确报警信号中的条件属性，再对决策表中的属性按照熵大小排序，熵越小，则表示不确定因素较多，这一属性的重要性就越突出，能够将搜索到的信息量降到最低，并将报警信号诊断规则做好匹配，进而得出准确的诊断结果。2.4基于有序信息熵的决策树算法决策树已经被证实了在提取规则与分类模型方便非常有效。在进行决策树构建的过程中，需要思考的问题有：分裂准则，按照给定的节点特征去构建核心内容。在普通的分类问题处理上，信息熵被广泛应用到了决策树分裂准则上，并且不能及时将单调分类特种工与决策间的有序关系反映出来。基于信息熵决策树的算法能够有机替换成决策树的分裂准则，并最终构建出了决策树的算法，这种算法下，能够将有序的信息当成是决策树的分裂准则，将决策树的学习算法构建出来，这种算法能够将单调数据集规律生成，并将有序的信息引入到建模中。
3仿真算例
在电网中，故障诊断决策表存在的属性非常多，比如保护装置属性、断路器信息、故障征兆信息等。本文列举断路器信息条件作为既定属性，结合仿真结果构建决策表。在此过程中，故障样本分为：故障发生时断路器正常工作；通信装置传输报警故障。该配电网母线为2根（Busl、Bus2），有3个变压器与4个用电区间，表示为（Seel、sec2、sec3）母线主保护（BR1、BR2）配备母线差，电网内的系统电流保护（OR1、OR2、OR3）也是母线后备保护中的一种；在线路上有L1、L2的保护；而电流保护则由L3、L4表示。按照约简算法，可以对故障诊断表属性进行简约。属性分布由20到10。通过决策树规则提取算法，能够将决策表的最初熵与属性计算出来，并最终得到决策树。
4测试结果比较分析
从以上内容可以看出，本文所提出的算法有较多优势，体现在：过去所采用的算法在数据存放上无序、杂乱，这样排放在数据库中将使规则匹配不够完整，故障诊断需要对整个匹配规则进行重列。而本文所提出的算法能够对决策树结构规则做出有序储存，不用搜索到最下层也能够得出准确的诊断结果，使诊断时间大大缩短了，并增强了诊断效率。从仿真结果上看，一旦报警信号不是属性内，使用哪种算法都能得出诊断结果。但是当信息破损或丢失，样本将不能用原来的算法计算出来，现有算法也不能搜索到结果，导致错误信息对诊断结果造成了影响。
5结语
使用粗糙集与决策树对配电网故障进行诊断，能够对冗余的决策表做出简化处理，在决策树中分类与快速生成的优势能够提取准确的决策表，减少了逻辑处理的繁琐性，简化了故障信息搜集步骤，将产生的决策树规则应用到故障诊断中，容错性将增强，对配电网故障诊断有借鉴意义。
作者：江书荣 刘月 单位：河北工业大学廊坊分校