研究课题：
基于Elman神经网络的变压器故障诊断分类及预测（基于7种气体原始数据）
关键词：
变压器故障诊断分类; Elmam神经网络；Matlab
改进方向：
无
课题说明：
- 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。本次课题使用的是气体原始数据作为输入，当前大量应用的是改良三比值法即两种气体原始数据进行两两比值，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。
- 选用7种特征气体（氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳）作为判定故障类型的7个影响因素
- 对应的故障类型和正常状态的对应编码： 1: 正常；2: 中低温过热； 3: 高温过热；4: 高能放电；5: 低温过热； 6: 低能放电；7: 局部放电
算法流程：
- 收集数据：DGA数据中的第1-7列是5种气体的数据，第8列为分类输出，也就是故障的类别。随机选择400组数据作为Elman神经网络的训练数据，剩余的55组数据作为BP神经网络的测试数据
- 创建ELman神经网络：利用Matlab自带的神经网络工具箱中的函数newelm（）可以构建一个Elman神经网络。
- 神经网络训练：使用400组训练数据训练Elman神经网络
- 网络效果测试：将测试数据代入到Elman神经网络进行测试
- 结果分析：通过对比测试数据中变压器实际故障类型和BP预测的故障类型来验证Elman神经网络的预测精度
Elman神经网络调用格式：
net=newelm（PR,[S1 S2...SN1],{TF1 TF2...TFN1},BTF,BLF,PF,IPF,OPF)
- PR: R 组输入元素的最小值和最大值的设定值，R*2维的矩阵
- T：SN*Q2 的具有SN 个元素的输出矩阵
- Si：第i 层的长度；TFi 为第i层的传递函数，默认值：隐藏层为tansig，输出层为purelin
- BTF: 反向传播神经网络训练函数，默认值:trainlm
- BLF: 反向传播神经网络权值／阔值学习函数，默认值:learngdm
- PF: PF为性能函数，默认值为mse
- IPF: 输入处理函数，默认值: fixunknowns/ removeconstantrows/ mapminmax
- OPF: 输出处理函数，默认值：removeconstantrows，mapminmax
进一步改进方向：
- 利用智能算法优化BP神经网络的初始权值和阈值，包括PSO、GA、SSA等
- 进一步对智能算法进行优化
- 输入数据选用三比值后的数据
特殊说明：
- 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
- 根据测试发现，Elman神经网络在进行数据预测时，影响预测精度的主要因素是学习率和迭代次数
Matlab仿真结果：
