粗糙集理论是集合论的扩展,是一种新的软计算方法,可以有效地分析和处理不完备信息,近年来被成功地应用于人工智能、数据挖掘、模式识别等诸多领域。本文主要对粗糙集中的核心问题——连续属性离散化和知识约简问题进行了研究。并且结合配网自动化,运用粗糙集的理论方法对电力变压器故障进行了诊断分析,同时结合神经网络对电力负荷进行了有效预测。本文系统地阐述了粗糙集的基本理论和概念,在这些基本理论的框架下,主要做了以下几个方面的研究:1.粗糙集连续属性离散化。介绍了基于布尔逻辑与粗糙集相结合的离散化方法和基于属性重要性的离散化方法。第一种算法能够求得较为完备的离散化划分,但基于粗糙集和集合论的代数运算,计算量大,不利于处理大量数据信息。基于属性重要性的启发式离散化算法,它能够处理大量的数据,但求得的离散划分并非最优。2.粗糙集理论的属性约简。介绍了基于可辨识矩阵与逻辑运算的属性约简算法,该算法能够获得较为完备的属性约简集,但是计算复杂度度高。接着在MIBARK算法基础上,引入基于属性重要性和适应度的算法。该算法将属性重要度作为启发信息,采用Gini指标函数参与信息熵的计算,以适应度作为算法结束的条件,避开了计算信息决策表的核,复杂度最坏的情况为O(n~2),降低了计算的复杂性。3.利用粗糙集对电力变压器故障进行诊断。利用粗糙集进行数据预处理,然后以ID3算法构建决策树,改进了经典决策树算法的局限性;同时利用粗糙集结合神经网络,基于DGA色谱分析对故障进行诊断定位,有效提高了故障诊断的准确性。4.基于粗糙集与神经网络的电力负荷预测。介绍了不完备数据情况下的负荷预测,采用补齐算法对数据进行补齐,然后利用改进的约简离散算法对属性进行处理,最后用神经网络对属性进行训练,得到预测结果。算例表明取得了满意的结果。