1.一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：具体包括如下步骤：步骤1：选取样本；

步骤2：对步骤1选取的样本进行约简；

步骤3：对步骤2约简后的样本进行训练；

步骤4：对步骤3训练后的样本进行测试。

2.根据权利要求1所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：所述步骤1的具体过程如下：将箱变故障样本对象表示为Y＝{y1,y2,…,yn}，n为样本数量；特征参量表示为X＝{x1,x2,…,xm}，m为特征参量数量；故障类型表示为D＝{d1,d2,…,dh},h为故障类型数量；

利用变精度粗糙集对n个箱变故障样本进行约简，具体为：将样本构建为原始决策表，该决策表表示为一个四元组S＝，其中，U＝{y1,y2,…,yn}是论域，即由对象yi组成的有限集合；

A＝{a1,a2,…}＝C∪D是有限个属性集合且 C是条件属性集合X，D是决策属性集合；

Va是属性a的值域；f是信息函数，f：U×A→V为单一映射，即 y∈U,f(y,a)∈Va,f(y,a)为U中每个对象的每一个属性的信息值；

对于箱变故障样本Y，特征参量X为决策表的条件属性，故障类型D为决策表的决策属性。

3.根据权利要求2所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：所述步骤2的具体过程如下：步骤2.1：对原始决策表中的条件属性进行标准化处理，标准化使用Z-core正规化法，如公式(1)所示：其中，E(xi)表示原始样本集中特征变量xi的均值，D(xi)为特征变量xi对应的标准差；

步骤2.2：对原始决策表的条件属性和决策属性的数据进行离散化处理，将连续属性的值域划分为若干个子区间得到离散表S’；

步骤2.3：令属性核集合Core为空，0.5<β≤1，i＝1；对m个条件属性循环执行步骤2.4至步骤2.6；

步骤2.4：对步骤2.2获得的离散表S’中等价关系ind根据公式(2)计算相对正确分类率P，根据相对正确分类率P判断相对正确率是否大于β，若是，利用公式(3)计算正域POSβC：POSβC＝RCβ＝∪{C:P(C,D)≥β}                       (3)；

步骤2.5：利用公式(4)计算条件属性对决策属性的依赖度λ(C,D,β)：若单个属性i的依赖度λ(Ci,Di,β)等于λ(C,D,β)，则认为此条属性为冗余属性，予以删除；若λ(Ci,Di,β)不等于λ(C,D,β)，则利用公式(5)计算重要度SIG(C,{i})，当SIG(C，{i})≠

0时，将此条属性作为属性核之一，即Core＝{Ci,}；否则，此条属性为非属性核，令i＝i+1；

SIG(C,{i})＝λ(C,{i},β)+λ({i},D,β)                  (5)；

步骤2.6：判断条件属性循环；若i>m，约简结束，执行步骤2.7；如果否，返回步骤2.3；

步骤2.7：获得属性核集合，形成属性约简表。

4.根据权利要求3所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：所述步骤3的具体过程如下：步骤3.1：设定参数：初始RBF神经网络的学习速率η、收敛精度ε：步骤3.2：确定输入向量x、实际输出向量y和期望输出向量o，x＝[x1,x2,……xm]T,y＝T T[y1,y2,……yn] ,o＝[o1,o2,……on]；

步骤3.3：确定输入层；输入层为样本的条件属性向量，即步骤3.2中的输入向量x＝[x1,x2,……xm]T；输入层节点数量为样本的维度m；

步骤3.4：确定隐藏层；径向基神经元(径向基函数)数量为p(p>m)，采用高斯函数作为径向基函数Φj(x)如公式(6)：其中，x为m维的输入变量，cj是第j个径向基函数的中心，与x具有相同维数的向量；δj是第j个隐层神经元的径向基函数宽度；

步骤3.5：确定输出层；整个网络的输出是隐藏层隐神经单元输出的线性加权和，采用如下公式(7)表示：步骤3.6：采用梯度下降法对RBF网络结构中隐含层神经元的中心c、宽度σ以及输出权值w进行监督训练优化，寻求网络的自由参数使得网络输出和期望输出的均方误差ξ达到极小：其中，y(x)为网络的实际输出向量，o为期望输出向量；

步骤3.7：基于梯度下降法，对利用公式(8)、(9)、(10)、(11)对中心点、中心宽度和权重参数进行更新迭代计算；

其中， 为梯度向量；

步骤3.8：判断收敛性，若ξ≤ε，则执行步骤4；否则，执行步骤3.6。

5.根据权利要求4所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：所述步骤4的具体过程如下：选择约简后决策表中的剩余部分数据作为测试样本，将径向基神经训练结果与测试样本实际结果相对比，即得到故障诊断模型的故障诊断准确率。