基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動診斷研究.doc

基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動診斷研究 摘要：針對電網(wǎng)故障進(jìn)行診斷的過程中，故障信息存在不完整或不確定性，甚至存在關(guān)鍵信息丟失的情況，造成故障診斷難以得出正確結(jié)論的問題，提出一種基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動診斷方法。首先進(jìn)行支持度計算，得到電網(wǎng)故障的表述參數(shù)，并將電網(wǎng)故障類別看作是貝葉斯網(wǎng)絡(luò)的父節(jié)點，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，對各父節(jié)點的先驗概率及各子節(jié)點的條件概率進(jìn)行計算，完成對電網(wǎng)故障的自動診斷。仿真實驗結(jié)果表明，采用所提方法對電網(wǎng)故障進(jìn)行自動診斷，正確性高，容錯性好，實用性強，具有很高的診斷精度。關(guān)鍵詞：弱關(guān)聯(lián)挖掘；電網(wǎng)；故障診斷；支持度計算：TN926?34；TM711：A：1004?373X（xx）10?0152?04ResearchonpowergridfaultautomaticdiagnosisbasedonweakassociationminingtechnologyMALiqiang，WANGTianzheng，YANGDongdong，WANGZhipeng（ElectricPowerResearchInstitute，ShanxiElectricPowerCompanyofStateGrid，Taiyuan030001，China）Abstract：Intheprocessoffaultdiagnosisofpowergrids，itisdifficulttoobtainthecorrectconclusionofthefaultdiagnosisduetotheimperfectionoruncertaintyoffaultinformation，eventhekeyinformationloss.Apowergridfaultautomaticdiagnosismethodbasedonweakassociationminingtechnologyisputforward.Thesupportdegreecalculationisexecutedfirsttoobtaintheexpressionparametersofpowergridfault.ThepowergridfaultcategoryisregardedasthefathernodeofBayesianwork，andweakassociationminingruleasthechildnodetoconstructtheBayesianworkmodelbasedonweakassociationmining.Afterthatthepriorprobabilityofeachfathernodeandconditionalprobabilityofeachchildnodearecalculatedtopletetheautomaticdiagnosisofpowergridfailure.Thesimulationresultsshowthattheproposedmethodcanautomaticallydiagnosethepowergridfault，andhashighauracy，goodfault?tolerance，strongpracticability，andhighdiagnosticauracy.Keywords：weakassociationmining；powergrid；faultdiagnosis；supportdegreecalculation0引言近年來，隨著我國電網(wǎng)規(guī)模的逐漸擴大，電網(wǎng)出現(xiàn)故障的情況也逐漸增多，給人們的生活帶來了很大的影響1?2。因此，研究一種電網(wǎng)故障自動診斷方法對電力系統(tǒng)的快速恢復(fù)具有重要意義，已經(jīng)成為相關(guān)學(xué)者研究的重點課題，受到越來越廣泛的關(guān)注3?5。目前，常用的電網(wǎng)故障自動診斷方法主要包括模糊理論方法、人工神經(jīng)網(wǎng)絡(luò)方法和信息理論方法等，相關(guān)研究也取得了一定的成果。其中，文獻(xiàn)6提出一種基于粗糙集理論的電網(wǎng)故障自動診斷方法，通過粗糙集理論對電網(wǎng)故障進(jìn)行診斷，該方法在丟失的故障信息并非關(guān)鍵信息的情況下不會對診斷結(jié)果產(chǎn)生影響，但在丟失的故障信息是關(guān)鍵信息的情況下會造成診斷錯誤；文獻(xiàn)7提出一種基于特征挖掘的電網(wǎng)故障自動診斷方法，結(jié)合電網(wǎng)故障信息特征對電網(wǎng)故障進(jìn)行判斷，該方法在某種程度上提高了系統(tǒng)在缺失關(guān)鍵信息情況下的容錯性，但當(dāng)電網(wǎng)故障較多時，該方法的診斷速度會受到影響；文獻(xiàn)8提出一種基于貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自動診斷方法，對節(jié)點概率進(jìn)行訓(xùn)練，從而實現(xiàn)電網(wǎng)故障的自動診斷，但該方法在電網(wǎng)規(guī)模較大時無法實現(xiàn)自動建模；文獻(xiàn)9提出一種基于人工智能網(wǎng)絡(luò)的電網(wǎng)故障自動診斷方法，通過人工智能網(wǎng)絡(luò)對電網(wǎng)故障信息進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練的結(jié)果實現(xiàn)電網(wǎng)故障的自動診斷，但該方法會造成診斷所依據(jù)的信息不確定與不完整，導(dǎo)致診斷結(jié)果不準(zhǔn)確；文獻(xiàn)10提出一種基于遺傳算法的電網(wǎng)故障自動診斷方法，依據(jù)內(nèi)斷路器跳閘的分段時序信息識別電網(wǎng)故障，但該方法很難構(gòu)建合理的電網(wǎng)故障診斷模型，導(dǎo)致診斷結(jié)果不準(zhǔn)確。1電網(wǎng)故障檢測參數(shù)的選擇1.1電網(wǎng)故障數(shù)據(jù)的支持度支持度就是給定模式在給定故障數(shù)據(jù)庫中出現(xiàn)的頻率。對弱關(guān)聯(lián)規(guī)則故障進(jìn)行挖掘時，模式不是電網(wǎng)故障屬性的集合，而是和故障屬性對應(yīng)的弱關(guān)聯(lián)值的集合，也就是弱關(guān)聯(lián)模利用式（4）計算得到的電網(wǎng)故障置信度參數(shù)為第一置信度，其主要用于對弱關(guān)聯(lián)規(guī)則下的電網(wǎng)故障有效性進(jìn)行判斷，若某弱關(guān)聯(lián)規(guī)則的故障第一置信度大于其值，則認(rèn)為該規(guī)則是有效的；反之，認(rèn)為該故障是無效的。利用式（5）計算得到的規(guī)則后件的置信度為第二置信度，其主要用于弱關(guān)聯(lián)規(guī)則電網(wǎng)設(shè)備的完備性判斷，若某規(guī)則的第二置信度大于其值，則認(rèn)為該設(shè)備是完備的；反之，認(rèn)為該設(shè)備是不完備的。2電網(wǎng)故障自動診斷實現(xiàn)本文在第1節(jié)故障參數(shù)選擇的前提下，構(gòu)建電網(wǎng)故障診斷結(jié)構(gòu)流程圖，以此為模板建立基于弱關(guān)聯(lián)挖掘樸素貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自主診斷模型，流程圖見圖1。圖1電網(wǎng)故障診斷結(jié)構(gòu)流程圖模型的詳細(xì)構(gòu)建過程如下：（1）假設(shè)存在電網(wǎng)故障樣本；（2）假設(shè)選擇的故障參數(shù)都是有效的；（3）完成對電網(wǎng)故障類別的判斷；（4）取出電網(wǎng)故障數(shù)據(jù)的置信度，同時將電網(wǎng)故障類別看作是基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)的父節(jié)點，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，如圖2所示。圖2電網(wǎng)故障自動診斷模型采用基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型對電網(wǎng)故障進(jìn)行自動診斷的詳細(xì)過程為：（1）假設(shè)電網(wǎng)故障樣本各個屬性值確定，該電網(wǎng)故障樣本屬于某故障類Ci的概率是可以求出的，如果該電網(wǎng)故障樣本屬于某故障類別的上述概率值最大，則該電網(wǎng)故障樣本即屬于該故障類。因為針對全部電網(wǎng)故障類別而言，故障的數(shù)據(jù)類型均為常數(shù)，所以，僅需使屬于某個故障類型的概率達(dá)到最大即可完成判斷。通過上述過程，對各電網(wǎng)設(shè)備的先驗概率及各子設(shè)備的條件概率進(jìn)行計算，則與最大概率相應(yīng)的Ck就是與電網(wǎng)故障樣本相應(yīng)的故障類別。3方法的應(yīng)用試驗分析為了驗證本文提出的電網(wǎng)故障自動診斷方法的有效性，需要進(jìn)行相關(guān)的實驗分析。實驗將傳統(tǒng)基于粗糙集的電網(wǎng)故障自動診斷方法作為對比，在Matlab環(huán)境下進(jìn)行仿真。本文首先將某局部電力系統(tǒng)繼電保護(hù)系統(tǒng)作為研究對象，該系統(tǒng)共28個元件、84個保護(hù)以及40個斷路器。28個元件依次為A1，A4，T1，T8，B1，B8，L1，L8。40個斷路器依次為K1，K40。84個保護(hù)中分別為A1m，A4m，T1m，T8m，B1m，B8m，L1Sm，L8Sm，L1Rm，L8Rm，T1p，T8p，T1s，T8s，L1Sp，L8Sp，L1Rp，L8Rp，L1Ss，L8Ss，L1Rs，L8Rs。本文將該電力網(wǎng)劃分成4個子網(wǎng)絡(luò)，劃分結(jié)果見圖3。圖3示例電力網(wǎng)在上述分析的基礎(chǔ)上，采用本文方法對電網(wǎng)故障診斷規(guī)則庫進(jìn)行提取，得到的電網(wǎng)聯(lián)合故障診斷規(guī)則庫如表1所示，限于篇幅，只給出前10個規(guī)則。表1電網(wǎng)故障診斷規(guī)則庫依據(jù)表1給出的規(guī)則庫，分別采用本文方法和粗糙集方法對電網(wǎng)故障進(jìn)行自動診斷，得到的結(jié)果如表2所示。表2示例電網(wǎng)故障診斷結(jié)果分析表2可以看出，針對每個樣本，本文方法的診斷結(jié)果均優(yōu)于粗糙集方法。尤其是當(dāng)出現(xiàn)如第5個樣本的聯(lián)絡(luò)線故障時，甚至出現(xiàn)如第6和第7個樣本的帶有聯(lián)絡(luò)線的復(fù)雜故障時，本文方法均可有效準(zhǔn)確地診斷出故障元件，說明本文方法具有很高的診斷準(zhǔn)確性，驗證了本文方法的有效性。從某省電力公司采集了238條故障記錄，構(gòu)建含200條記錄的挖掘庫以及含38條記錄的測試庫，在CPU為3.06GHz，內(nèi)存為1GB的WindowsXP系統(tǒng)計算機上進(jìn)行實驗。將這200條故障記錄擴展至400條和800條故障記錄，測試大樣本狀態(tài)下兩種方法的效率，得到的結(jié)果如表3所示。表3兩種方法效率比較結(jié)果分析表3可以看出，采用本文方法進(jìn)行電網(wǎng)故障挖掘所需的時間遠(yuǎn)遠(yuǎn)少于粗糙集方法，在規(guī)則覆蓋率相同的情況下，本文方法產(chǎn)生的規(guī)則數(shù)明顯低于粗糙集方法，因此，電網(wǎng)故障診斷效率很高。在挖掘庫中添加不良記錄時，對故障診斷中的丟失信息、錯誤信息和冗余信息進(jìn)行模擬，再采用本文方法和粗糙集方法進(jìn)行電網(wǎng)故障診斷，得到的結(jié)果如表4所示。表4中的樣本1是對200條正常故障進(jìn)行診斷的結(jié)果，樣本2，樣本3，樣本4是在樣本1的基礎(chǔ)上添加50條不良記錄的診斷結(jié)果，分析表4可以看出，粗糙集方法會產(chǎn)生更多的規(guī)則，但其并未分析電網(wǎng)自身的特點，很多規(guī)則不符合實際，降低診斷效率。不僅如此，本文方法診斷的可信度更高，進(jìn)一步驗證了本文方法的有效性。表4含有不良數(shù)據(jù)記錄的診斷結(jié)果4結(jié)論本文提出一種基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動診斷方法，對支持度進(jìn)行計算，得到頻繁弱關(guān)聯(lián)模式集，求出頻繁弱關(guān)聯(lián)模式集的置信度，獲取弱關(guān)聯(lián)規(guī)則。在弱關(guān)聯(lián)挖掘的基礎(chǔ)上，將電網(wǎng)故障類別看作是基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)的父節(jié)點，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，對各父節(jié)點的先驗概率及各子節(jié)點的條件概率進(jìn)行計算，最大概率相應(yīng)的就是電網(wǎng)故障樣本相應(yīng)的故障類別。仿真實驗結(jié)果表明，采用所提方法對電網(wǎng)故障進(jìn)行自動診斷，正確性高、容錯性好，實用性強，具有很高的診斷精度。參考文獻(xiàn)1張鑫.基于數(shù)據(jù)挖掘技術(shù)的SF_6氣體分析和故障診斷研究J.電氣開關(guān)，xx，51（5）：37?40.2袁文鐸.基于數(shù)據(jù)挖掘的故障診斷專家系統(tǒng)推理機設(shè)計J.航空維修與工程，xx（1）：67?69.3謝曉燕.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)故障診斷分析J.計算機光盤軟件與應(yīng)用，xx（15）：125?126.4薛毓強，李宗輝.基于因果時序網(wǎng)絡(luò)的FOA?GRNN電網(wǎng)故障診斷方法J.電力系統(tǒng)及其自動化學(xué)報，xx，26（11）：72?77.5熊國江，石東源，朱林，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)模糊元胞故障診斷J.電力系統(tǒng)自動化，xx，38（5）：59?65.6胡非，劉志剛，何士玉，等.一種基于模型的配電網(wǎng)故障診斷搜索算法J.電力自動化設(shè)備，xx，33（1）：81?84.7周麗麗，孫晶，王濤.面向設(shè)備故障診斷的數(shù)據(jù)挖掘技術(shù)方法的研究J.自動化技術(shù)與應(yīng)用，xx，34（2）：18?22.8陳鐵軍，寧美鳳.電網(wǎng)自愈控制中故障實時監(jiān)測及診斷研究J.自動化儀表，xx，34（1）：14?17. 摘要：針對電網(wǎng)故障進(jìn)行診斷的過程中，故障信息存在不完整或不確定性，甚至存在關(guān)鍵信息丟失的情況，造成故障診斷難以得出正確結(jié)論的問題，提出一種基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動診斷方法。首先進(jìn)行支持度計算，得到電網(wǎng)故障的表述參數(shù)，并將電網(wǎng)故障類別看作是貝葉斯網(wǎng)絡(luò)的父節(jié)點，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，對各父節(jié)點的先驗概率及各子節(jié)點的條件概率進(jìn)行計算，完成對電網(wǎng)故障的自動診斷。仿真實驗結(jié)果表明，采用所提方法對電網(wǎng)故障進(jìn)行自動診斷，正確性高，容錯性好，實用性強，具有很高的診斷精度。關(guān)鍵詞：弱關(guān)聯(lián)挖掘；電網(wǎng)；故障診斷；支持度計算：TN926?34；TM711：A：1004?373X（xx）10?0152?04ResearchonpowergridfaultautomaticdiagnosisbasedonweakassociationminingtechnologyMALiqiang，WANGTianzheng，YANGDongdong，WANGZhipeng（ElectricPowerResearchInstitute，ShanxiElectricPowerCompanyofStateGrid，Taiyuan030001，China）Abstract：Intheprocessoffaultdiagnosisofpowergrids，itisdifficulttoobtainthecorrectconclusionofthefaultdiagnosisduetotheimperfectionoruncertaintyoffaultinformation，eventhekeyinformationloss.Apowergridfaultautomaticdiagnosismethodbasedonweakassociationminingtechnologyisputforward.Thesupportdegreecalculationisexecutedfirsttoobtaintheexpressionparametersofpowergridfault.ThepowergridfaultcategoryisregardedasthefathernodeofBayesianwork，andweakassociationminingruleasthechildnodetoconstructtheBayesianworkmodelbasedonweakassociationmining.Afterthatthepriorprobabilityofeachfathernodeandconditionalprobabilityofeachchildnodearecalculatedtopletetheautomaticdiagnosisofpowergridfailure.Thesimulationresultsshowthattheproposedmethodcanautomaticallydiagnosethepowergridfault，andhashighauracy，goodfault?tolerance，strongpracticability，andhighdiagnosticauracy.Keywords：weakassociationmining；powergrid；faultdiagnosis；supportdegreecalculation0引言近年來，隨著我國電網(wǎng)規(guī)模的逐漸擴大，電網(wǎng)出現(xiàn)故障的情況也逐漸增多，給人們的生活帶來了很大的影響1?2。因此，研究一種電網(wǎng)故障自動診斷方法對電力系統(tǒng)的快速恢復(fù)具有重要意義，已經(jīng)成為相關(guān)學(xué)者研究的重點課題，受到越來越廣泛的關(guān)注3?5。目前，常用的電網(wǎng)故障自動診斷方法主要包括模糊理論方法、人工神經(jīng)網(wǎng)絡(luò)方法和信息理論方法等，相關(guān)研究也取得了一定的成果。其中，文獻(xiàn)6提出一種基于粗糙集理論的電網(wǎng)故障自動診斷方法，通過粗糙集理論對電網(wǎng)故障進(jìn)行診斷，該方法在丟失的故障信息并非關(guān)鍵信息的情況下不會對診斷結(jié)果產(chǎn)生影響，但在丟失的故障信息是關(guān)鍵信息的情況下會造成診斷錯誤；文獻(xiàn)7提出一種基于特征挖掘的電網(wǎng)故障自動診斷方法，結(jié)合電網(wǎng)故障信息特征對電網(wǎng)故障進(jìn)行判斷，該方法在某種程度上提高了系統(tǒng)在缺失關(guān)鍵信息情況下的容錯性，但當(dāng)電網(wǎng)故障較多時，該方法的診斷速度會受到影響；文獻(xiàn)8提出一種基于貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自動診斷方法，對節(jié)點概率進(jìn)行訓(xùn)練，從而實現(xiàn)電網(wǎng)故障的自動診斷，但該方法在電網(wǎng)規(guī)模較大時無法實現(xiàn)自動建模；文獻(xiàn)9提出一種基于人工智能網(wǎng)絡(luò)的電網(wǎng)故障自動診斷方法，通過人工智能網(wǎng)絡(luò)對電網(wǎng)故障信息進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練的結(jié)果實現(xiàn)電網(wǎng)故障的自動診斷，但該方法會造成診斷所依據(jù)的信息不確定與不完整，導(dǎo)致診斷結(jié)果不準(zhǔn)確；文獻(xiàn)10提出一種基于遺傳算法的電網(wǎng)故障自動診斷方法，依據(jù)內(nèi)斷路器跳閘的分段時序信息識別電網(wǎng)故障，但該方法很難構(gòu)建合理的電網(wǎng)故障診斷模型，導(dǎo)致診斷結(jié)果不準(zhǔn)確。1電網(wǎng)故障檢測參數(shù)的選擇1.1電網(wǎng)故障數(shù)據(jù)的支持度支持度就是給定模式在給定故障數(shù)據(jù)庫中出現(xiàn)的頻率。對弱關(guān)聯(lián)規(guī)則故障進(jìn)行挖掘時，模式不是電網(wǎng)故障屬性的集合，而是和故障屬性對應(yīng)的弱關(guān)聯(lián)值的集合，也就是弱關(guān)聯(lián)模利用式（4）計算得到的電網(wǎng)故障置信度參數(shù)為第一置信度，其主要用于對弱關(guān)聯(lián)規(guī)則下的電網(wǎng)故障有效性進(jìn)行判斷，若某弱關(guān)聯(lián)規(guī)則的故障第一置信度大于其值，則認(rèn)為該規(guī)則是有效的；反之，認(rèn)為該故障是無效的。利用式（5）計算得到的規(guī)則后件的置信度為第二置信度，其主要用于弱關(guān)聯(lián)規(guī)則電網(wǎng)設(shè)備的完備性判斷，若某規(guī)則的第二置信度大于其值，則認(rèn)為該設(shè)備是完備的；反之，認(rèn)為該設(shè)備是不完備的。2電網(wǎng)故障自動診斷實現(xiàn)本文在第1節(jié)故障參數(shù)選擇的前提下，構(gòu)建電網(wǎng)故障診斷結(jié)構(gòu)流程圖，以此為模板建立基于弱關(guān)聯(lián)挖掘樸素貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自主診斷模型，流程圖見圖1。圖1電網(wǎng)故障診斷結(jié)構(gòu)流程圖模型的詳細(xì)構(gòu)建過程如下：（1）假設(shè)存在電網(wǎng)故障樣本；（2）假設(shè)選擇的故障參數(shù)都是有效的；（3）完成對電網(wǎng)故障類別的判斷；（4）取出電網(wǎng)故障數(shù)據(jù)的置信度，同時將電網(wǎng)故障類別看作是基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)的父節(jié)點，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，如圖2所示。圖2電網(wǎng)故障自動診斷模型采用基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型對電網(wǎng)故障進(jìn)行自動診斷的詳細(xì)過程為：（1）假設(shè)電網(wǎng)故障樣本各個屬性值確定，該電網(wǎng)故障樣本屬于某故障類Ci的概率是可以求出的，如果該電網(wǎng)故障樣本屬于某故障類別的上述概率值最大，則該電網(wǎng)故障樣本即屬于該故障類。因為針對全部電網(wǎng)故障類別而言，故障的數(shù)據(jù)類型均為常數(shù)，所以，僅需使屬于某個故障類型的概率達(dá)到最大即可完成判斷。通過上述過程，對各電網(wǎng)設(shè)備的先驗概率及各子設(shè)備的條件概率進(jìn)行計算，則與最大概率相應(yīng)的Ck就是與電網(wǎng)故障樣本相應(yīng)的故障類別。3方法的應(yīng)用試驗分析為了驗證本文提出的電網(wǎng)故障自動診斷方法的有效性，需要進(jìn)行相關(guān)的實驗分析。實驗將傳統(tǒng)基于粗糙集的電網(wǎng)故障自動診斷方法作為對比，在Matlab環(huán)境下進(jìn)行仿真。本文首先將某局部電力系統(tǒng)繼電保護(hù)系統(tǒng)作為研究對象，該系統(tǒng)共28個元件、84個保護(hù)以及40個斷路器。28個元件依次為A1，A4，T1，T8，B1，B8，L1，L8。40個斷路器依次為K1，K40。84個保護(hù)中分別為A1m，A4m，T1m，T8m，B1m，B8m，L1Sm，L8Sm，L1Rm，L8Rm，T1p，T8p，T1s，T8s，L1Sp，L8Sp，L1Rp，L8Rp，L1Ss，L8Ss，L1Rs，L8Rs。本文將該電力網(wǎng)劃分成4個子網(wǎng)絡(luò)，劃分結(jié)果見圖3。圖3示例電力網(wǎng)在上述分析的基礎(chǔ)上，采用本文方法對電網(wǎng)故障診斷規(guī)則庫進(jìn)行提取，得到的電網(wǎng)聯(lián)合故障診斷規(guī)則庫如表1所示，限于篇幅，只給出前10個規(guī)則。表1電網(wǎng)故障診斷規(guī)則庫依據(jù)表1給出的規(guī)則庫，分別采用本文方法和粗糙集方法對電網(wǎng)故障進(jìn)行自動診斷，得到的結(jié)果如表2所示。表2示例電網(wǎng)故障診斷結(jié)果分析表2可以看出，針對每個樣本，本文方法的診斷結(jié)果均優(yōu)于粗糙集方法。尤其是當(dāng)出現(xiàn)如第5個樣本的聯(lián)絡(luò)線故障時，甚至出現(xiàn)如第6和第7個樣本的帶有聯(lián)絡(luò)線的復(fù)雜故障時，本文方法均可有效準(zhǔn)確地診斷出故障元件，說明本文方法具有很高的診斷準(zhǔn)確性，驗證了本文方法的有效性。從某省電力公司采集了238條故障記錄，構(gòu)建含200條記錄的挖掘庫以及含38條記錄的測試庫，在CPU為3.06GHz，內(nèi)存為1GB的WindowsXP系統(tǒng)計算機上進(jìn)行實驗。將這200條故障記錄擴展至400條和800條故障記錄，測試大樣本狀態(tài)下兩種方法的效率，得到的結(jié)果如表3所示。表3兩種方法效率比較結(jié)果分析表3可以看出，采用本文方法進(jìn)行電網(wǎng)故障挖掘所需的時間遠(yuǎn)遠(yuǎn)少于粗糙集方法，在規(guī)則覆蓋率相同的情況下，本文方法產(chǎn)生的規(guī)則數(shù)明顯低于粗糙集方法，因此，電網(wǎng)故障診斷效