【变压器故障诊断分类及预测（三比值法）】基于BP神经网络

课题名称：

基于BP神经网络的变压器故障诊断分类及预测（三比值法）

版本日期：

2024-05-10

运行方式：

直接运行BP0507.m文件

代码获取方式(付费）：

QQ：491052175

VX：Matlab_Lover

模型描述：

对变压器油中溶解气体进行分析是变压器内部故障诊断的重要手段。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诊断的依据存在两方面的不足，即所谓编码缺损和临界值判据缺损。当前变压器故障诊断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。油中溶解气体分析的方法能很好地反映变压器的潜伏性故障，且在各种诊断方法中以改良三比值法的判断准确率最高，所以选择油中溶解气体含量的三对比值作为神经网络的输入特征向量而输出特征向量则选用变压器的故障类型。概率神经网络结构简单，训练简洁，利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。

算法流程：

1. 收集数据：数据中的data.mat是255*4维的矩阵，前三列为改良三比值法数据，第4列为分类输出，也就是故障的类别。使用前220个样本作为BP训练样本，后35个样本作为测试样本

2. 创建BP神经网络：利用Matlab自带的神经网络工具箱中的函数newff（）可以构建一个BP神经网络。

3. 根据已有故障数据进行训练：将训练数据输入网络，便可以对网络进行训练

4. 网络效果测试：将测试数据代入到BP神经网络进行预测得到预测数据

5. 结果分析：通过对比测试数据中变压器实际故障类型和PNN预测的故障类型来验证PNN神经网络的预测精度

BP神经网络函数调用形式：

net=newff（P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)

P:输入数据矩阵； T：输出数据矩阵； S：隐含层节点数

TF：节点传递函数；  BTF：训练函数；  BLF：网络学习函数

PF：性能分析函数；  IPF：输入处理函数；  OPF：输出处理函数； DDF：验证数据划分函数

改进方向：

标准程序无改进

待改进方向：

1.研究单隐含层的节点数，如何寻找到最佳隐含层节点数

2.将单隐含层替换为双隐含层，并且寻找到双隐含层的节点数.

3.利用智能算法去优化BP神经网络的权值和阈值，比如GA算法，PSO算法，SA算法，GASA算法等等

特殊说明：

2. 神经网络每一次的预测结果都不相同，为了得到更好的结果，建议多次运行取最佳值

Matlab仿真结果：

基于BP神经网络的变压器故障诊断的预测情况：

基于BP神经网络的变压器故障诊断的预测误差（优化排序后）：