案例19概率神经网络的分类预测-基于pnn变压器故障诊断

1、案例背景：PNN 背景:变压器是电力系统中的重要且昂贵的设备，电力变压器故障将导致电力系统事故。过去，变压器的预防性主要建立在定期预防性试验的基础上，变压器的在过去主要是依靠定期做预防性试验为基础的预防性压等级的方向发展，传统的预防性监测为基础的。变压器故障。随着电力行业的发展，电力变压器向着高容量、高电在安全上、经济上都己不能满足当前的需要。研究以技术，以便实时或定时监测与潜伏性故障，提高变压器的运行水平，对电力系统的安全运行具有重要的现实意义。变压器油中溶解气体分析是变压器故障的重要。我国当前大量应用的是改良三比值法，但利用三比值法作为变压器故障的判据存在两方面的，即所谓编码缺损和临界值判

2、据缺损。人工神经网络以其分布式并行处理、自适应、习、联想以及非线性等优点，为解决这一问题开辟了新途径。当前变压器故障系统大多数都是采用BP 网络模型，但由于 BP 网络自身结构的特点，在训练样本较大且要求精度较高时，网络常常不收敛且容易陷入局部最优。针对 BP 网络的，本案例建立基于概率神经网络的变压器故障系统。概率神经网络在解决分类问题的应用中，用线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性，而且网络对应的权值就是模式样本的分布，网络不需要训练，因而能够满足训练上实时处理的要求。本案例对基于不同网络模型的两个系统进行了大量仿真，仿真结果表明基于概率神经

3、网络的变压器故障样本能力等各方面的能力都要优于 BP 网络系统。系统在速度、正确率以及追加.以下有更详细的说明和算法相关知识.程序实现(点击这里，预定此书，即可该案例完整程序)Cotents清空环境变量数据载入选取训练数据和测试数据 将期望类别指针转换为向量使用 newpnn 函数建立 PNN SPREAD 选取为 1.5训练数据回代 查看网络的分类效果通过作图 观察网络对训练数据分类效果*网络未知数据效果案例扩展一：PNN 与 BP 网络相比，在以下几方面具有明显的优势：(1) 过程简单，收敛速度快。BP 网络的输入输出和 PNN 相同，但其隐层单元的选取没有确定性法则，需要根据经验反复试算

4、得到。而 PNN 需调节的参数少，不需确定隐层数、隐层中的神经元等网络结构，比较容易使用。BP 网络的学习算法收敛速度慢，而且易陷入局部极小值。PNN 的训练过程一步到位，训练样本可直接赋值给网络，其训练时间仅仅略大于数据的时间，且不存在局部极小值。(2)网络总收敛于 Bayes 优化解，稳定性高。BP 网络各层的连接权值的训练对初始值敏感，会随初 BP 网络的分类结果是不确定的，而且 BP 网络的分类规则是没有确定解释的，缺乏透明度。而 PNN 是基于最小风险准则对对象进行分类的，可以最大程度地利用故障先验知识，无论分类问题多么复杂，只要有足够多的训练样本，概率神经网络能够保证获得斯准则下的

5、最优解，而 BP 神经网络却可能在一个局部最优解处中断，无法保证得到一个全局最优解。(3)样本的追加能力强，且可以个别错误的样本。如果在故障过程中有新的训练样本加入或需要除去某些旧的训练样本，PNN 只需增加或减少相应的模式层单元，新增加的输入层至模式层的连接权值只需将新样本直接赋值。而对于 BP 网络修改训练样本后则需要重新进行训练，网络的连接权值全部需要重新赋值，相当于重新建立整个网络。在实际应用中，需要建立变压器故障样本库，其内容会随着变压器故障的增加、变化而产生变化，此时 PNN 网络的样本的追加能力强的优越性就到充分的体现。综上所述，PNN变压器故障系统在速度、追加样本的能力以及在实际应用中的准确率等几方面的性能都要优于 BP