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＝(R

式中：R

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＝{A

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，y

步骤3.3、证据合成：

设m

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＝(z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：a

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z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：e