【变压器故障诊断分类及预测】基于GRNN神经网络

课题名称：基于GRNN神经网络的变压器故障诊断分类及预测

版本日期：2024-02-10

运行方式：直接运行GRNN0507.m文件

代码获取方式：私信博主或QQ：491052175

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33*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23个样本作为PNN训练样本，后10个样本作为测试样本

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

GRNN神经网络函数调用形式：

其调用格式为net=newgrnn（P，T，SPREAD),其中：

P为Q组输入向量组成的R*Q维矩阵，即输入数据矩阵

T为Q组目标分类向量组成的S*Q维矩阵，即输出数据矩阵

SPREAD为径向基函数的扩展速度，默认值为1

改进方向：

标准程序无改进

待改进方向：

可以研究一下Spread值对于GRNN神经网络的影响，选择最佳Spread值应用到GRNN神经网络上

特殊说明：

1. 经过多次测试SPREAD值为默认值时，预测效果相对较好

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GRNN神经网络的变压器故障诊断的预测精度：

基于GRNN神经网络的变压器故障诊断的训练数据预测和误差：

基于GRNN神经网络的变压器故障诊断的测试数据预测和误差：