1.一种基于C4.5算法和BP神经元的配电网故障辅助决策方法，其特征在于：该方法包括以下步骤：S1：整合电网各监控平台数据，结合调控人员日常使用需求进行分类优化阶段；

S2：基于C4.5算法，确定电网事故等级，制定多层级告警策略；

S3：基于BP神经网络，对电网事故进行辅助决策；

所述S2中，C4.5算法为：

①C4.5算法在ID3算法的基础上引入属性值空缺以及属性连续处理方案；对决策树的建立通过生成树和剪枝树两步进行；对每个属性节点计算其对应的信息增益率，并将信息增益率最高的节点属性作为集合S的测试属性，通过递归算法，由递归属性建立分支，通过C4.5算法得到决策树雏形的步骤具体如下：期望信息：设数据样本Si的集合为S，假定有m个不同值的类标号属性，并定义m个不同值的类为Ti(i＝1,...,m)，设类Ti中样本数为Si，对于一个给定的样本，计算分类所需的期望值公式为：②信息增益：由属性A划分成子集的信息量为：

期望信息与新的需求之间的差即为信息增益，公式为：

Gain(A)＝Info(s)‑E(A)  (3)

③信息增益率：以属性A例，其信息增益率的计算公式如下：

④剪枝：C4.5算法的剪枝方案为悲观剪枝法，作为一种后剪枝算法，C4.5不需要额外增加新的剪枝数据集，而是基于训练集进行剪枝操作；基本思路为：基于当前决策树，采用叶子节点替换字树，如果错误率降低，就执行该替换操作；

生成决策树的形成过程如下：

①根据预处理数据表及工作的实际要求，为数据表中每一个样本确定决策属性对应的值；

②计算取出的各属性的信息熵，并将信息熵最大的属性置于决策树顶端；

③根据已确定的属性，按照不同属性值，将样本划分为若干子集，并继续进行分析；

④将上一步得到的各个子集，重复(ii)和(iii)中的过程，不断循环直到最后子集满足以下条件：a.最终子集中全部信息均属于同一类；

b.最终子集经历过所有决策树属性的筛选；

c.最终子集中剩下的全部测试属性值都一致，分类属性不一样，且这些子集已经无根据要求继续划分；

⑤进行剪枝操作，将决策树中每个节点分支组个修剪，并计算剪枝前后分类错误率的大小，若剪枝后错误率表小，保留该剪枝操作，反之，对该分支进行保留；

多层级告警：电网将事故等级划分为4个层次，分别为：转入事件、一般事故、较大事故和重大事故；多层级告警即在电网发生故障时，通过对告警信息进行分类筛选后，基于决策树模型，判定事故对应等级，评估风险，针对不同用户，发送告警信息；

分层判定作为面向事件的综合智能告警技术的上层应用，对数据的识别、分类和筛选等，不仅要满足对故障设备的准确获取，该部分可数据库自动触发设置进行，同时还需要满足故障源开关消息的准确解析；多级告警步骤包括：①数据源获取，经预处理后，应主要包括：告警类型、负荷类型、报发间隔、上送频次、设备状态值、载流量大小、开关开闭状态等；

②决策树判定；

③现场反馈，优化更新。

2.根据权利要求1所述的一种基于C4.5算法和BP神经元的配电网故障辅助决策方法，其特征在于：所述S2中，BP神经网络包括两个阶段，第一阶段为信号的前向传播，该阶段信号从输入层经过隐含层，最后到达输出层；第二阶段为误差的反向传播，在阶段中误差信号从输出层到隐含层，最后到输入层，该阶段依次对隐含层到输出层以及输入层到隐含层的权重和偏置进行调节；

辅助决策模型库建立：以停电影响因素和辅助决策方案的典型基准数据库为输入层，输入到神经网络中；采用BP神经网络框架进行分层训练，最终建立停电方案与各影响因素之间的模型关系；针对每一次辅助决策，都进行上述分层训练，最终对基准数据库中所有决策模型进行精确校准和完善；

通过神经网络进一步对综合停电作业模型进行训练；输入层是每次决策的停电时长，输出层是计划停电时长；

优化更新：以半年为一个更新周期，在神经网络建模的基础上，结合大数据平台筛选分类后的数据结果，对典型基准数据库的部分内容进行修订覆盖，保持正常更新；加入后期班组作业实践检查整改环节，根据半年内区域内的工作特点，适当增减基准数据库中的典型决策项目，对现场工作人员进行跟踪汇报，细化考核，调整标准化作业时间范围；

利用BP神经网络对各辅助决策模型进行训练，探索不同决策组合对停电时长的影响。