【DBN分类】基于DBN实现变压器故障诊断附matlab代码

-油中溶解气体的相关数据 -包括五种气体数据数据(见Sheet1)和对应的故障类型(见Sheet2) -样本总数为260个，故障类型6种

案例19 概率神经网络的分类预测-基于PNN变压器故障诊断.7z

变压器是电网的核心设备，其健康状态关系到电力系统的安全运行，开展变压器故障诊断既有实用价值，又有研究意义。变压器故障诊断的传统方法为国际电工委员会发布的IEC三比值法，该方法存在诊断准确率低、对编码以外的部分样本无法诊断等弊端。鉴于此，本文提出了一种基于统计规律的故障诊断方法，利用变压器油中溶解气体作为特征量，以故障类型为分类结果，采用朴素贝叶斯算法，建立了基于贝叶斯分类器的变压器故障诊断模型。为验证本文模型的效果，采取了两次实例测试：单次随机试验表明，本文模型将诊断准确率较IEC传统方法提高了10个百分点；多次随机试验表明，本文模型的平均诊断准确率在95%以上。因此，本文模型具有分类准确率高、泛化能力强等特点，能满足实际工程需要，可作为电力设备故障诊断的有效方法。

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：概率神经网络的分类预测_基于PNN的变压器故障诊断_matlab_RNN 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：概率神经网络的分类预测_基于PNN变压器故障诊断_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

基于传统BP神经网络的变压器故障诊断方法，当网络模型达到一定的深度时，模型的诊断性能会趋向于饱和，无法进一步提升网络模型的诊断性能，此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外，在小样本数据下，传统BP神经网络仍无法取得较好的诊断准确率。因此，为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能，提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度，将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时，在每个残差网络模块中，模块的输入信息可以在模块内跨层传输，使得每个模块的输入信息可以更好地向深层网络传递，从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明，相较于传统深层BP神经网络和传统浅层BP神经网络，所提方法具有更高的诊断准确率，同时在小样本数据下也体现出较好的诊断性能。

概率神经网络的分类预测-基于PNN变压器故障诊断 matlab程序

传统的深度信念网络规模大、难度大、训练时间长，导致其故障诊断的时间较长。针对该问题，提出了一种基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法。采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数，在保证网络精度的同时快速提高计算速度，从而提高网络的收敛速度。实验结果表明，经过贝叶斯正则化改进后，深度信念网络训练的泛化能力得到了提高，同时故障诊断的准确率也得到了保证。

当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点，容错性差，难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列，基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一，需通过排序、分组填充对模型输入进行重构改进，然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法，结果表明：经过数据重构后所提方法的准确率可达91.9 %；当特征指标数量减少约2/3时，所提方法的准确率仅下降约1%，而其他方法的准确率平均下降约6 %；当采样数据存在10%的随机错误时，所提方法诊断准确率仅下降2%~6 %，且通过改变隐藏层的数量可得到改善。