案例19概率神經網絡的分類預測-基于pnn變壓器故障診斷

1、案例背景：PNN 背景:變壓器是電力系統(tǒng)中的重要且昂貴的設備，電力變壓器故障將導致電力系統(tǒng)事故。過去，變壓器的預防性主要建立在定期預防性試驗的基礎上，變壓器的在過去主要是依靠定期做預防性試驗為基礎的預防性壓等級的方向發(fā)展，傳統(tǒng)的預防性監(jiān)測為基礎的。變壓器故障。隨著電力行業(yè)的發(fā)展，電力變壓器向著高容量、高電在安全上、經濟上都己不能滿足當前的需要。研究以技術，以便實時或定時監(jiān)測與潛伏性故障，提高變壓器的運行水平，對電力系統(tǒng)的安全運行具有重要的現實意義。變壓器油中溶解氣體分析是變壓器故障的重要。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的判據存在兩方面的，即所謂編碼缺損和臨界值判

2、據缺損。人工神經網絡以其分布式并行處理、自適應、習、聯想以及非線性等優(yōu)點，為解決這一問題開辟了新途徑。當前變壓器故障系統(tǒng)大多數都是采用BP 網絡模型，但由于 BP 網絡自身結構的特點，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(yōu)。針對 BP 網絡的，本案例建立基于概率神經網絡的變壓器故障系統(tǒng)。概率神經網絡在解決分類問題的應用中，用線性學習算法來完成以往非線性學習算法所做的工作，同時又能保持非線性算法的高精度等特性，而且網絡對應的權值就是模式樣本的分布，網絡不需要訓練，因而能夠滿足訓練上實時處理的要求。本案例對基于不同網絡模型的兩個系統(tǒng)進行了大量仿真，仿真結果表明基于概率神經

3、網絡的變壓器故障樣本能力等各方面的能力都要優(yōu)于 BP 網絡系統(tǒng)。系統(tǒng)在速度、正確率以及追加.以下有更詳細的說明和算法相關知識.程序實現(點擊這里，預定此書，即可該案例完整程序)Cotents清空環(huán)境變量數據載入選取訓練數據和測試數據 將期望類別指針轉換為向量使用 newpnn 函數建立 PNN SPREAD 選取為 1.5訓練數據回代 查看網絡的分類效果通過作圖 觀察網絡對訓練數據分類效果*網絡未知數據效果案例擴展一：PNN 與 BP 網絡相比，在以下幾方面具有明顯的優(yōu)勢：(1) 過程簡單，收斂速度快。BP 網絡的輸入輸出和 PNN 相同，但其隱層單元的選取沒有確定性法則，需要根據經驗反復試算

4、得到。而 PNN 需調節(jié)的參數少，不需確定隱層數、隱層中的神經元等網絡結構，比較容易使用。BP 網絡的學習算法收斂速度慢，而且易陷入局部極小值。PNN 的訓練過程一步到位，訓練樣本可直接賦值給網絡，其訓練時間僅僅略大于數據的時間，且不存在局部極小值。(2)網絡總收斂于 Bayes 優(yōu)化解，穩(wěn)定性高。BP 網絡各層的連接權值的訓練對初始值敏感，會隨初 BP 網絡的分類結果是不確定的，而且 BP 網絡的分類規(guī)則是沒有確定解釋的，缺乏透明度。而 PNN 是基于最小風險準則對對象進行分類的，可以最大程度地利用故障先驗知識，無論分類問題多么復雜，只要有足夠多的訓練樣本，概率神經網絡能夠保證獲得斯準則下的

5、最優(yōu)解，而 BP 神經網絡卻可能在一個局部最優(yōu)解處中斷，無法保證得到一個全局最優(yōu)解。(3)樣本的追加能力強，且可以個別錯誤的樣本。如果在故障過程中有新的訓練樣本加入或需要除去某些舊的訓練樣本，PNN 只需增加或減少相應的模式層單元，新增加的輸入層至模式層的連接權值只需將新樣本直接賦值。而對于 BP 網絡修改訓練樣本后則需要重新進行訓練，網絡的連接權值全部需要重新賦值，相當于重新建立整個網絡。在實際應用中，需要建立變壓器故障樣本庫，其內容會隨著變壓器故障的增加、變化而產生變化，此時 PNN 網絡的樣本的追加能力強的優(yōu)越性就到充分的體現。綜上所述，PNN變壓器故障系統(tǒng)在速度、追加樣本的能力以及在實際應用中的準確率等幾方面的性能都要優(yōu)于 BP