基于粗糙集和朴素贝叶斯的电网故障诊断方法研究

随着电网规模的不断扩大和调度自动化水平的不断提高，越来越全面的报警信息传送到各级电网调度中心。电网发生故障后，当故障信息存在不完整或不确定性，甚至关键信息丢失时，会导致故障诊断难以得出正确结论。 针对此问题，文章尝试采用粗糙集(Rough Set)和朴素贝叶斯(Naive Bayesian networks)网络相结合(RSNB)的局部电网故障诊断方法。首先以保护、断路器作为条件属性，故障区域作为决策属性，考察各种故障情况并建立决策表，然后利用基于可辨识矩阵和信息熵的属性约简方法提取最佳属性约简组合，最后以最佳属性约简组合形成的约简决策表建立朴素贝叶斯网络模型，并对节点概率进行训练。 在此基础上，考虑故障诊断的局域性和电网的连通性，尝试采用分布式故障诊断，即先将大电网分块，然后在子网中采用RSNB法进行故障诊断。在深入研究了现有电网分割方法的基础上，本文采用图形分割和蝶型分割相结合的方法进行电网分块，它能够将大电网分割为给定数目的连通子网络，各子网络的故障诊断负担基本相等。该网络分割法主要由3部分组成：形成给定电力网络的深度优先搜索树；用图形分割法将网络分割为计算负担基本平衡的子网络；在图形分割的基础上实现蝶型分割，保证电网在最小冗余基础上的连通性。 运用VC++编写了基于RSNB的分布式故障诊断软件，算例结果表明，该方法正确、有效，所述的电网分割方法能对大电网进行有效分割，RSNB法能提高故障诊断在丢失核属性情况下的容错性，具有较好的实用价值。