1.基于GHPSO-BP的高压断路器故障诊断方法，其特征在于，具体按以下步骤实施：步骤1：选取典型的数据样本，将归一化处理后的样本数据按照特定比例分为测试样本和训练样本；

步骤2：对经步骤1归一化处理后所得的训练样本，利用故障特征数据建立条件属性表、决策属性表，根据条件属性表和决策属性表构建故障诊断决策表；利用改进的RST对各个属性进行评价并寻找最小属性集，消除特征信息中的冗余属性，最后对其条件属性约简特征信息并从中提取决策规则，构建约简决策表；

步骤3：将经步骤2中构建的约简决策表中的约简特征信息作为构建GHPSO-BP神经网络的输入，经过训练学习输出故障分类结果，以此建立起基于GHPSO-BP的高压断路器故障诊断模型；

步骤4：将步骤3训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类，得出故障分类结果，并统计模型诊断准确率。

2.根据权利要求1所述的基于GHPSO-BP的高压断路器故障诊断方法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1，提取断路器故障特征参数I1,I2,I3,t1,t2,t3,t4,t5；选取典型数据，随机分为两类，一类作为故障诊断模型的训练数据，另一类则用于测试验证模型准确率；

步骤1.2，对特征量进行归一化处理，故障诊断类型Y1,Y2,Y3,Y4,Y5,Y6进行二进制编码；

步骤1.3，将归一化后的样本数据按照特定比例分为训练集、以及测试集；其中，训练集为大量无标签样本构成，测试集为少量带有类标签的样本构成。

3.根据权利要求1所述的基于GHPSO-BP的高压断路器故障诊断方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1，构建信息决策系统S＝{U,Q,V,f}，M是S的分辨矩阵，M的元素为Uij，Uij是S第i个对象和第j个对象的有差别的所属性的集合；Q＝{A1,A2,A3,…,An}是S的所有属性的集合，C为条件属性集，对应输入的故障特征参数集，D为决策属性集，表示故障类型集，步骤2.2，SGF(Ak)表示属性Ak的重要性，P(Ak)是M中属性Ak与其它属性的依赖函数，C0是M的核心集合，并且R＝C0，得到约简后的属性集，其中R为属性约简后的属性集。

4.根据权利要求3所述的基于GHPSO-BP的高压断路器故障诊断方法，其特征在于，步骤

2.2中，所述属性约简的步骤如下：

(1)在分辩矩阵中找到C0；

(2)利用S的分辨矩阵M与矩阵B通过矩阵运算构造E矩阵，其中矩阵它表示R集合与Uij的交集不为空集的集合所构成的

矩阵，E＝M·B；

(3)对所有Ak∈E，计算其在E中的P(Ak)，且令

(4)R←R∪{Aq}，如果 则计算各自的重要性与依赖性，若SGF(Aq)＞SGF(Ap)，则R←R∪{Aq}，反之，R←R∪{Ap}，若SGF(Aq)＝SGF(Ap)，则选择属性组合最少的一个加入到R中；

(5)重复上述过程，直到 得到约简后的属性集。

5.根据权利要求1所述的基于GHPSO-BP的高压断路器故障诊断方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1，将步骤2中构建的约简决策表中的约简特征信息作为构建GHPSO-BP神经网络的输入；

步骤3.2，网络初始化，给各连接权值分别赋一个区间(-1,1)内的随机数，设定误差函数E，给定计算精度值ε和最大学习次数H，设定GHPSO参数:种群大小为M＝100，进化终止代数为T＝200，c1＝c2＝1；

步骤3.3，激励函数的选择，激励函数使用S型函数：

式中，x为输入参量，f(x)为输出参量，通过S型函数把函数输出限制到0～1之间；

步骤3.4，采取GHPSO对BP神经网络算法的权值与偏置进行优化，BP神经网络算法在进行迭代时，它的权值以及偏置按照公式(2)及公式(3)进行更新：其中，E为误差函数， 为权值， 为偏置，α为学习速率，取值为(0，1)；

步骤3.5，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法，输出故障分类结果，得到基于GHPSO-BP的高压断路器故障诊断模型。

其中dk为理想输出值，yk为实际输出值，E为总误差。

6.根据权利要求5所述的基于GHPSO-BP的高压断路器故障诊断方法，其特征在于，步骤

3.4中，采取GHPSO对BP神经网络算法的权值与偏置进行优化具体步骤如下：(1)初始化一群微粒(群体规模为N)，包括随机位置和速度；

设搜索空间为D维，粒子群中粒子数为n；对于某个粒子i，它的位置和速度分别为Xi,Vi：Xi＝{xi1,,xid,,xiD} Vi＝{vi1,,vid,,viD}  (4)其中，1≤i≤n；1≤d≤D。

(2)计算每个粒子适应度值，比较各个粒子的适应度值并记录其自身最优值pi和群体最优粒子标号g；

对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；

对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest；

(3)它经历解空间的最好位置为Pi＝{Pi1,Pi2,…,Pid}，群体最优适应度粒子位置索引用g表示，记为Pg＝{Pg1,Pg2,…,Pgd}，速度进行进一步演化时，速度和位置按以下公式进行更新；

其中w为惯性权值，c1,c2是两个正常数学习因子，通常取值为2；r1，r2是在区间[0,1]内均匀分布的随机数。更新过程中，粒子每一维的速度与位置要求均被限制在[-Vmax,Vmax]内；

通过自适应变化的w(k)来控制算法进程，以兼顾粒子全局及局部搜索能力，w(k)的计算公式如下：其中 比例因子Δw＝δ×β，δ,β参量通过如下公式确定wmax＝0.9，wmin＝0.2，Gmax为最大迭代系数；

(4)根据适应度值计算每个个体的选择概率；

(5)执行选择、交叉操作，生成新一代种群；

采用交叉因子法，每次迭代选取适应度值较高的一半粒子直接进入下一代，同时用适应度好的前一半粒子的位置和速度矢量取代适应度较低的后一半粒子的相应矢量，而保持后者个体极值不变，后代粒子的位置和速度矢量如下所示：child1(x)＝p×parent1(x)+(1-p)xparent2(x)  (8)child2(x)＝p×parent2(x)+(1-p)parent1(x)  (9)其中，x是D维的位置向量，childk(x)和parentk(x)，k＝1,2分别指明是孩子粒子还是父母粒子的位置；p是D维均匀分布的随机向量，p的每个分量都在[0,1]取值；

其中，v是D维的速度向量,childk(v)和parentk(v)，k＝1,2分别指明是孩子粒子还是父母粒子的速度；

(6)检查是否满足GHPSO算法终止条件，若否，转至第(2)步，继续；若是，则求出最优解，即得到最佳的权重参数与偏置；

(7)将得到最佳的权重参数与偏置代入BP算法权值与偏置更新公式中进行计算。