課題名稱：基于Elman神經網絡的變壓器故障診斷分類及預測
版本日期：2024-02-10
運行方式：直接運行Elman0507.m文件
代碼獲取方式：私信博主或QQ：491052175
模型描述：
對變壓器油中溶解氣體進行分析是變壓器內部故障診斷的重要手段。我國當前大量應用的是改良三比值法，但利用三比值法作為變壓器故障診斷的依據存在兩方面的不足，即所謂編碼缺損和臨界值判據缺損。當前變壓器故障診斷系統大多數都是采用BP網絡模型，但由于BP網絡自身結構的點，在訓練樣本較大且要求精度較高時，網絡常常不收斂且容易陷入局部最優。油中溶解氣體分析的方法能很好地反映變壓器的潛伏性故障，且在各種診斷方法中以改良三比值法的判斷準確率最高，所以選擇油中溶解氣體含量的三對比值作為神經網絡的輸入特征向量而輸出特征向量則選用變壓器的故障類型。概率神經網絡結構簡單，訓練簡潔，利用概率神經網絡模型的強大的非線性分類能力，將故障樣本空間映射到故障模式空間中，可形成一個具有較強容錯能力和結構自適應能力的診斷網絡系統，從而提高故障診斷的準確率。
算法流程：
1.收集數據：數據中的data.mat是33*4維的矩陣，前三列為改良三比值法數據，第4列為分類輸出，也就是故障的類別。使用前23個樣本作為PNN訓練樣本，后10個樣本作為測試樣本
2. 創建PNN神經網絡：直接使用newpnn（）函數創建PNN神經網絡
3. 根據已有故障數據進行訓練：PNN神經網絡和BP網絡不同，不需要訓練，直接利用訓練數據和spread值創建網絡，網絡的預測精度與spread值大小有關
4. 網絡效果測試：將測試數據代入到PNN神經網絡進行測試
5. 結果分析：通過對比測試數據中變壓器實際故障類型和PNN預測的故障類型來驗證PNN神經網絡的預測精度
Elman神經網絡調用格式：
net=newelm（PR,[S1 S2...SN1],{TF1 TF2...TFN1},BTF,BLF,PF,IPF,OPF)
PR: R 組輸入元素的最小值和最大值的設定值，R*2維的矩陣
T：SN*Q2 的具有SN 個元素的輸出矩陣
Si：第i 層的長度；TFi 為第i層的傳遞函數，默認值：隱藏層為tansig，輸出層為purelin
BTF: 反向傳播神經網絡訓練函數，默認值:trainlm
BLF: 反向傳播神經網絡權值／闊值學習函數，默認值:learngdm
PF: PF為性能函數，默認值為mse
IPF: 輸入處理函數，默認值: fixunknowns/ removeconstantrows/ mapminmax
OPF: 輸出處理函數，默認值：removeconstantrows，mapminmax
改進方向：
標準程序無改進
待改進方向：
1.研究隱含層層數及其他網絡參數對于神經網絡的影響，采用自適應的方法選取最優參數帶入到仿真中。
2.利用智能算法去優化Elman神經網絡的權值和閾值，比如GA算法，PSO算法，SA算法，GASA算法等等
特殊說明：
神經網絡每一次的預測結果都不相同，為了得到更好的結果，建議多次運行取最佳值
Matlab仿真結果：
基于Elman神經網絡的變壓器故障診斷的預測精度：
基于GRNN神經網絡的變壓器故障診斷的測試數據預測和誤差：
)
)
隨筆)
