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.     

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.     

基于贝叶斯网的电网多区域复杂故障诊断研究

针对大电网复杂拓扑结构的电网故障情况,先对其进行分割,提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型。利用粗糙集理论的知识约简和处理不确定信息的能力,对电网故障诊断知识进行分层挖掘,实行属性优选,再运用贝叶斯网络完成故障区域及故障元件的识别。该方法对复杂故障采用多区域并行诊断。算例结果表明,该方法正确、有效,能提高系统丢失关键信息情况下的容错性,实时性也很高,具有很好的实用价值。     

基于粗糙集理论的变压器故障的诊断方法

由于电力变压器故障的不完备性和复杂性,提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法,它能够根据不完整兆信息对电力变压器故障进行诊断。基于粗糙集的知识获取方法,通过构造属性决策表,进一步构造区分矩阵和区分函数,通过相应的析取和合取运算,获取改进的三比值属性决策表。实验结果表明,这种新的诊断方法扩展了原始IEC三比值的编码范围,提高了故障诊断能力,优化了诊断时间,提高了诊断精度,有实际工程应用价值。粗糙集理论的决策表约简方法能够处理变压器的复合故障,解决了IEC三比值法在此种情况下的不足。同时该法有一定的容错能力,能处理含有遗漏或错误的变压器故障征兆,提高故障诊断准确率。     

基于贝叶斯网的电网多区域复杂故障诊断研究

针对大电网复杂拓扑结构的电网故障情况,先对其进行分割,提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型.利用粗糙集理论的知识约简和处理不确定信息的能力,对电网故障诊断知识进行分层挖掘,实行属性优选,再运用贝叶斯网络完成故障区域及故障元件的识别.该方法对复杂故障采用多区域并行诊断.算例结果表明,该方法正确、有效,能提高系统丢失关键信息情况下的容错性,实时性也很高,具有很好的实用价值.     

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。     

基于多变量决策树与粗糙集的配电网故障诊断

采用多变量决策树方法对配电网故障进行分类;运用粗糙集理论对故障特征进行提取,构造了多变量决策树;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。最后用实际的配电网模型对该方法进行了验证。     

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。     

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。     

基于加权平均粗糙度的配电网故障诊断分层模型

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结论的问题,提出了利用改进可辨识矩阵对故障样本进行约简,在约简的基础上根据加权平均粗糙度的大小对故障样本进行分层从而建立模型的方法。该方法避免了分层的盲目性和冗余性,大大缩小了诊断模型空间,且加权平均粗糙度计算简单,易于实现。按加权平均粗糙集的大小区分层内各特征信息的优先级,具有很强的容错能力。仿真实例证明了该模型的有效性。     

On the application of a machine learning technique to faultdiagnosis of power distribution lines

This paper presents one method for fault diagnosis of power distribution lines by using a decision tree. The conventional method, using a decision tree, applies only to discrete attribute values. To apply it to fault diagnosis of power distribution lines in practice, it must be revised in order to treat attributes whose values range over certain widths. This is because the sensor value or attribute value varies owing to the resistance of the fault point or is influenced by noise. The proposed method is useful when the attribute value has such a property, and it takes into consideration the cost of acquiring the information and the probability of the occurrence of a fault     

输电网故障的与或树诊断模型

为进一步提高诊断算法的准确度及容错性,文中提出一种基于与或树模型的输电网故障诊断方案。在目前诊断模型的基础上加入保护启动信息及电网拓扑元素,使与或树诊断模型对故障的描述更加确切。通过对电网拓扑的搜索形成遍历生成树,反映出了可疑故障元件与断路器之间的连接关系,然后将保护启动信息、保护出口动作信息以及断路器跳闸信息三者形成的与树引入其中,形成最终的与或树诊断模型。通过对与或树的求解及最优匹配算法能够确定故障元件以及丢失的报警信息,最后通过故障诊断算例验证了该方法的有效性。     

基于DGA与鲸鱼算法优化Logit Boost-决策树的变压器故障诊断方法

为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis, DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将Logit Boost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-Logit Boost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。     

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。     

基于BP网络算法优化粗糙-Petri网的电网故障诊断

为了使电网故障诊断的过程更简洁、快速和直观,提出了一种基于BP网络算法优化粗糙-Petri网的电网故障诊断方法。首先用粗糙集理论对电网的故障征兆数据进行处理,从冗余的故障信息中约简出最小决策表;然后基于得到的最小决策表提取诊断规则并建立最优的 Petri 网模型,利用 Petri 网处理并行推理的能力来实现高效的电网故障诊断。其中引入神经网络中的BP算法对电网故障诊断Petri 网模型的权值参数进行网络优化训练。电网实例分析结果表明该模型能准确找到故障区域,具有较好的快速性、自适应性和一定的容错性。     

基于决策树群的多维电能表状态检验技术及其应用

随着电力用户的不断增加,智能电能表的应用数量呈几何式增长,目前现场检验方式存在着作业模式简单、异常发现周期长、无效工作繁多、故障发现及时性差等问题。基于决策树群的多维电能表状态检验技术可有效地解决这些问题,基于决策树群异常诊断模型对电能表状态检验系统进行设计,实现了电能表运行状况的检测与维护,降低人力、物力等经济成本,解决现场校验不足、校验无目标等问题,提高电能表在运检测的科学性与有效性。     

基于ACT-Apriori算法的电网故障诊断方法研究

电网拓扑结构愈加复杂,故障后难以快速从海量数据中挖掘有效故障信息且具有较高的计算复杂度;当故障数据不完整或不确定时,无法得到正确的诊断结果。针对此问题,将Apriori算法与自编码算法结合改进,形成改进的自编码关联规则挖掘算法(ACT-Apriori)并引入电网故障诊断之中。以保护和断路器动作数据作为条件属性,故障线路为决策属性,建立故障初始决策表;然后利用ACT-Apriori算法进行核属性提取并利用动态阈值交互式挖掘技术确定最佳阈值;最后形成最简故障决策表,实现故障信息的诊断推理。文中采用四母线配电系统作为仿真对象,与传统的Apriori算法和FP-growth算法及目前最新的FP-Network算法进行对比分析,算例结果表明：改进的算法相较于传统关联规则算法,运行时间分别缩减了90.69%和83.55%,内存占用分别缩减了21.43%和15.38%,相较于FP-Network算法,在时间复杂度和空间复杂度上均有一定程度优化;且本文算法对故障数据不完备情况下的单重、双重、稀有故障诊断的容错性较高,准确率达到95.24%,可以有效实现故障的快速诊断。