裴求根， 黄达文， 高祥斌

(1. 华中科技大学 电气与电子工程学院， 武汉 430074； 2. 广东电网有限责任公司 a. 信息中心， b. 肇庆供电局信息中心， 广州 510600； 3. 临沂大学 计算机教研室， 山东 临沂 273400)

智能电网的应用越来越广泛、成熟，生活各方面对电力的依赖性逐渐增强.随着电力设备使用寿命和使用频率的提高，故障发生的概率必然会增加，在保证其技术含量和实际效率的同时，很难保证其安全性，因此，故障诊断技术在智能电网中的应用显得尤为重要.

文成林等[1]运用统计学习算法来分析关键性能指标以检测网络的异常，并在出现故障后及时将相关信息上传系统，但由于操作过程中会出现开关或保护的拒动、误动及传输信息丢失等不确定因素，从而导致故障元件诊断范围扩大，出现误判等情况.向健平等[2]针对风电机组主轴承故障率及运维成本高的问题，通过相关性分析系统的历史数据，并采用粒子群优化BP神经网络算法建立主轴承故障预警模型，但其计算过程较为复杂.郑大勇等[3]通过传播神经网络法来计算贝叶斯的故障参数，基于故障参数来进行训练，但要想达到较好的训练效果，就需要大量完备的实际故障样本进行训练，这在大规模复杂系统情况下实施是非常困难的.

为了得到更满意的结果，需要获得完整、准确的故障信息，然而，在电网发生故障时会产生各种因素，导致信息的不确定性，如保护区设置引起的信息混乱、开关拒动、误……