1.基于粒子群优化广义回归神经网络和D‑S证据理论的电网分区故障诊断方法，其特征在于包括以下步骤：步骤1：通过改进图形分割法将大电网划分为相互重叠的不同子网；

步骤2：将接收到的保护和断路器的故障报警信息作为训练样本，通过训练每个子网的粒子群优化广义回归神经诊断模型，建立每个子网对应的故障诊断模块；

步骤3：根据故障警报信息，触发子网的故障诊断模块；根据报警信息的子网的数量以及是否相邻，判断故障是否发生在重叠区域，如果故障不是在重叠区域，则分析子网故障诊断模块的输出结果；如果故障在重叠区域，则通过D‑S证据理论再分析，通过融合相邻子网的诊断输出，得到诊断结果；

所述步骤2中，通过粒子群算法优化广义回归神经网络中的平滑因子，在每个子网中建立粒子群优化广义回归神经网络诊断模块；

所述步骤2中，训练每个子网的故障诊断模块，具体包括：

对于每个子网的神经网络输入都采取二进制的形式，如下式所示：

X＝(Ri,Cj)；

式中：Ri和Cj分别表示输入向量X中第i个保护动作情况和第j个断路器的状态；若为1则表示保护装置动作或断路器跳闸，元件发生故障，若为0则相反；输出形式为Y＝(y1,y2,...,yn)，yn表示神经网络输出结果中第n个元件的故障可信度；若结果大于0.5则认为相应元件发生故障，且越接近1则表明元件发生故障的可信度越高；

所述步骤3中，通过D‑S证据理论融合相邻子网的诊断输出的具体步骤如下：步骤3.1、构造识别框架Θ：

识别框架Θ＝{A1,A2,...,An}，框架内的元素为相邻子网内的所有元件,An为相邻子网内母线、输电线路和变压器元件，n为元件的个数；

步骤3.2、构造证据体和确定基本概率数：

将相邻子网各个PSO‑GRNN诊断模块的输出作为证据体；先将输出结果进行归一化处理，然后计算各证据体下识别框架中每个元件的基本概率数，计算公式如下：式中，yi(Aj)和mi(Aj)分别表示第i个子网诊断模块对第j个元件诊断结果的输出值和基本概率数，Ei为第i个诊断模块的误差，m(θ)作为D‑S证据理论的不确定度，tij和yij分别为第i个子网诊断模块中第j个元件故障可信度的期望值和实际值，C表示子网诊断模块中元件的个数；

步骤3.3、证据合成：

设m1和m2为两组基本概率数，对应的焦元分别为A1,A2,...,Ak和B1,B2,...,Bl，用m表示m1和m2组合后的新证据，则Dempster组合规则表示如下：表示空集的基本概率数为零，即其它所有子集的基本概率数之和等于1；m(A)为相邻子网重叠区域故障元件的最终可信度；m1(Ai)和m2(Bj)分别表示两个相邻子网各自诊断模块中位于重叠区域故障元件的基本概率数，即元件发生故障的可信度，越接近1则元件发生故障的可信度越高；Ai和Bj分别表示两个相邻子网各自诊断模块中位于重叠区域的元件；

其中：

k称为冲突系数，用于衡量证据焦元之间的冲突程度，k越大，则冲突越大。

2.根据权利要求1所述基于粒子群优化广义回归神经网络和D‑S证据理论的电网分区故障诊断方法，其特征在于：所述步骤1具体步骤如下：步骤1.1：将电网转化为无向图后，通过图形分割法划分为不同子网，将划分后的不同子网表示为Z＝(z1,z2,...,zr)，zr＝(b1,b2,...,bc)，其中：zr表示第r个子网，r表示子网的个数，bc表示每个子网所包含的顶点数值，c表示顶点的个数，令n表示无向图中边的个数，空矩阵B用来记录子网内部线路的位置，空矩阵E用来记录位于不同子网线路的位置，m＝0用来计数，矩阵C＝(1,2,...,n)；

步骤1.2：将电网转化的无向图用邻接矩阵表示，再将邻接矩阵转化为上三角矩阵,记录上三角矩阵中非零元素的位置，用矩阵A表示如下：式中：an1和an2表示第n条线路连接的两个顶点，以此定位线路在图中的位置；

步骤1.3：用i表示矩阵A的行号，并使i＝0，通过循环操作i＝i+1判断矩阵A每行中的两个元素是否全部位于zr，若满足则执行m＝m+1，并将该行号i赋值给B(m)；反之，跳出本次循环重复执行该步骤,直到i＝n时进行下一步操作；

步骤1.4：将矩阵C与矩阵B进行比较，判断矩阵C中的元素是否在矩阵B中,将不存在的元素存储在空矩阵D中并求出该矩阵中元素的个数d；此时矩阵D中的元素表示矩阵A中位于不同子网的线路连接的两个顶点所在的行号,d表示位于不同子网线路的个数；

步骤1.5：通过矩阵D将矩阵A的指定行存储到矩阵E：

式中：ed1和ed2表示第d条位于不同子网线路的两个顶点；算法终止。