基于粗糙集与决策树的配电网故障诊断方法

针对配电网发生故障后故障诊断警报信息存在不确定性和不完整性导致难以得出准确诊断结果的问题,提出一种基于粗糙集与决策树的配电网故障诊断算法,实现了对故障样本决策表进行无教师的规则提取。该算法将配电网的原始样本集转化成决策表,利用粗糙集具有较强的处理不确定和不完备信息的能力,对决策表的条件属性进行约简处理;同时,利用决策树具有快速学习及分类的优势对约简后的决策表进行诊断规则提取;将产生的规则运用于配电网故障诊断中以实现快速故障诊断。该算法提高了配电网故障诊断的精度和鲁棒性,最后通过算例验证了该算法的有效性。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析（PCA）和粗糙集理论结合继而构建决策树的故障诊断方法。该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策。测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.     

基于粗糙集和小生境遗传算法的电网故障诊断规则提取

用粗糙集理论进行电网的故障诊断,关键是对知识表的约简.本文以粗糙集理论中的决策表为主要工具,首先将继电保护和断路器的动作信号作为对故障分类的条件属性集,故障区域作为对故障分类的决策属性,建立决策表,然后利用小生境遗传算法适合于进行多峰值函数优化的特点,提出了一种基于小生境遗传算法的粗糙集属性约简方法,用于求解决策表的多个约简,进而进行值约简后抽取出诊断规则.算例结果说明了本算法的正确性和可行性.     

基于粗糙集理论的配电网故障诊断方法的研究

本文将粗糙集理论运用到配电网故障诊断中,将保护和断路器等信号作为对故障分类的条件属性集,以决策表为主要工具,通过属性约简和规则提取,实现了在信号缺失情况下配电网的故障诊断。通过算例表明,该方法能有效解决故障诊断中信号不完备的问题,提高配电网故障诊断的诊断性能和应用价值。     

基于粗糙集理论的配电网故障诊断方法的研究

本文将粗糙集理论运用到配电网故障诊断中,将保护和断路器等信号作为对故障分类的条件属性集,以决策表为主要工具,通过属性约简和规则提取,实现了在信号缺失情况下配电网的故障诊断.通过算例表明,该方法能有效解决故障诊断中信号不完备的问题,提高配电网故障诊断的诊断性能和应用价值.     

基于故障投诉电话信息的配电网故障定位粗糙集方法

运用粗糙集理论研究并提出了利用故障投诉电话信息实现配电网故障定位的新方法.该方法首先根据配电网拓扑结构的特点,将配电网络描述为树状结构,以便自动形成基于故障投诉电话的故障定位决策表,然后利用粗糙集方法对决策表进行化简,导出故障定位规则的最小约简形式,揭示故障投诉电话信息内在的冗余性.该方法既不需要进行繁琐的计算,大大缩短了对故障的定位和隔离时间,又保证了规则的客观性,而且在故障投诉电话信息不完备的情况下,仍能达到快速、准确故障定位的目的,具有良好的容错性能.大量仿真算例表明,该方法简单、可行、有效.     

基于粗糙集的改进约简算法和决策树的电网故障诊断模型

采用基于粗糙集的决策树方法建立电网故障诊断模型,可以方便地处理含有非数值特征的、不精确的故障样本,且当丢失或出错的故障信息不是关键信号时,不会影响诊断结果,具有较强的容错能力和适应性。该文基于粗糙集理论,首先利用可辨识矩阵的改进算法对由断路器和保护为条件属性、考虑各种故障情况所组成的诊断决策表进行简化;然后采用加权平均粗糙度的概念,作为选择分离属性的标准,构造电网故障决策树,从而实现对电网的故障诊断。通过实例表明,该方法能有效地约简知识,具有很强的容错能力,能准确地判断电网故障以及对其进行定位。与规则表示相比,决策树直观、易于理解、维护和修改。     

粗糙集结合Petri网进行分区域并行推理的配电网故障诊断方法研究

针对配电网规模庞大且发生故障后警报信息存在不确定性和不完整性的问题,提出了一种粗糙集结合Petri网进行分区域并行推理的配电网故障诊断方法。该方法先将配电网划分为多个独立的区域,对于各个区域分别建立故障决策表,再利用粗糙集对决策表进行属性优选和诊断规则提取,最后构建Petri网模型,通过Petri网的并行推理实现故障诊断。诊断实例证明了该方法不仅诊断快速准确,而且容错能力强、适应性好、灵活性高。     

基于粗糙集的改进约简算法和决策树的电网故障诊断模型

采用基于粗糙集的决策树方法建立电网故障诊断模型,可以方便地处理含有非数值特征的、不精确的故障样本,且当丢失或出错的故障信息不是关键信号时,不会影响诊断结果,具有较强的容错能力和适应性.该文基于粗糙集理论,首先利用可辨识矩阵的改进算法对由断路器和保护为条件属性、考虑各种故障情况所组成的诊断决策表进行简化;然后采用加权平均粗糙度的概念,作为选择分离属性的标准,构造电网故障决策树,从而实现对电网的故障诊断.通过实例表明,该方法能有效地约简知识,具有很强的容错能力,能准确地判断电网故障以及对其进行定位.与规则表示相比,决策树直观、易于理解、维护和修改.     

粗糙集用于建立基于多变量决策树的变压器故障诊断模型

采用决策树方法建立变压器故障诊断模型,可以方便地处理含有非数值特征的故障样本,且能够从样本中学习知识并简化知识,具有较好的适应性.但是采用单变量决策树描述复杂关系仍存在一定的局限性,本文提出基于多变量决策树的变压器故障诊断方法.并通过粗糙集辨识矩阵确定多变量检测特征选取,来实现多变量决策树的建立,能有效地约简知识,直观且易于理解.最后通过实例比较验证了方法的有效性.     

电网故障诊断的决策表约简新算法

采用粗糙集理论的决策表方法对电网进行故障诊断,其关键过程就是决策表的简化过程(即约简)。为此,提出了基于粗糙集理论与二元逻辑运算相结合的属性约简算法以及改进的值约简算法,并将其应用于由断路器和保护作为条件属性、故障区域作为决策属性的诊断决策表的约简过程中,利用决策表的约简形成综合混合知识模型。整个算法简单、快速,可有效应用于电网的故障诊断中。运用Visual C 编程实现了对故障算例决策表的约简过程,结果证明了该约简算法的正确性。     

基于粗糙集的关联规则挖掘方法的研究与应用

基于粗糙集理论知识,对关联规则挖掘算法作出一定的改进。该算法的主要思想是把集合的近似质量作为迭代准则,初始约简集是所有的条件属性集合,在保证近似质量不变的前提下通过逐步缩减的方式来求取约简集,保证了所求的约简不会减弱对问题的分类决策能力。约简后得到新的决策表,在此基础上应用基于贪心思想的Apriori算法挖掘关联规则。算法的主要优势是在不影响对问题分类决策能力的前提下,以较小的属性和候选项集数目以及有限的扫描次数生成决策规则。通过应用实例和实验分析验证了算法的有效性。     

基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

基于知识粗糙度的多变量决策树在变压器故障诊断系统中的应用

详细介绍了利用粗糙集的基本理论构造变压器的多变量故障决策树的具体过程．考虑了属性间的关联性,避免了生成决策树时故障特征的重复检测,适用于大量样本的自动处理,具有较好的自组织性和自适应性。通过粗糙集分辨矩阵确定多变量检测特征的选取．将相对泛化的概念用于构造多变量检验,采用知识粗糙度作为选择决策树属性的度量．方便有效地解决了构造多变量故障决策树的关键问题。与传统的信息熵算法相比．基于知识粗糙度的决策树计算量大大减少．且可能得到最优的故障树。故障实例分析表明,该方法有效地简化了决策树．减少了故障信息的冗余性．诊断效率高．结果易于被人理解。     

面向属性的决策规则挖掘算法的研究与应用

粗集理论是一种新型处理模糊和不确定知识的数学工具,其中属性约简是它的核心内容。粗集理论的主要思想是在保持分类能力不变的前提下,通过属性约简,导出问题的决策或分类规则。深入研究粗集理论,在属性约简过程中加入了启发式信息,大大提高了挖掘效率,得出了一种新的决策规则挖掘算法。实例分析表明,该算法能够发现良好的决策规则。     

基于信息熵最优约简算法的电网故障诊断模型

介绍粗糙集理论及信息熵约简方法,应用粗糙集理论对电网故障样本数据进行分析统计,建立决策表,采用信息熵约简算法对其进行条件属性约简,得到一组最小知识系统,再用粗糙集值约简方法对其进行简化,得到一组故障诊断的最小决策规则集,结合模型进行分析,证明该方法简便、快速、有效。     

用粗糙集理论和贝叶斯网络诊断SF6断路器故障

为了在断路器故障时能快速、准确地找出故障原因,提出了一种基于粗糙集理论和贝叶斯网络的高压SF6断路器故障诊断的方法。该方法首先根据断路器的故障样本集找出征兆集合和故障集合之间的关系以建立断路器故障诊断决策表,然后利用粗糙集理论属性约简中的区分矩阵算法对决策表进行约简,剔除冗余知识,简化专家知识得到最小诊断规则进而构建贝叶斯网络可以有效降低网络结构的复杂性,最后利用贝叶斯网络的概率推理实现了对断路器故障原因的快速分析。经过实例证明,该方法用于高压SF6断路器的故障诊断是可行有效的,并且最后给出的结果还可以为断路器的状态检修提供依据。