企业官网建设流程全解析

简介：概率神经网络（PNN）变压器故障诊断案例以MATLAB神经网络工具箱为载体，面向电力系统运维人员及机器学习初学者，解决变压器多类故障模式识别与分类预测问题。压缩包内共7个文件，其中M脚本用于搭建和训练PNN模型，MAT数据提供变压器运行样本，DOCX目录梳理了《MATLAB神经网络43个案例分析》整体结构，HTML与3张PNG图辅助展示模型结构与分类效果，整个资源包仅183KB。已有90人学习下载。通过该案例可快速复现PNN在变压器故障诊断中的完整流程，理解模式层、求和层与输出层的组织方式；DOCX目录更有助于按需索引其他网络模型案例。相比BP网络，PNN在小样本条件下仍能保持较高准确率，适合工程实践与课程设计参考。

1. 概率神经网络用于变压器故障诊断，先解决的不是网络结构而是数据编码

概率神经网络（PNN）做变压器故障诊断，是我见过把“分类预测”落地得最平稳的方案之一：结构固定、训练一次完成、对高维小样本鲁棒。很多同行第一次看到newpnn那两行代码就能跑出 90% 以上准确率，但换一个数据集准确率马上掉到 60%，原因几乎都不在网络本身，而在油中溶解气体（DGA）数据怎么编码、平滑因子怎么设、故障类别怎么定。

PNN 本质上是一个用 Parzen 窗估计类条件概率密度的贝叶斯分类器，它不像 BP 网络那样需要反向传播迭代，也不像 SVM 那样要调核函数参数。对电力设备在线监测这种“样本少、维度不高、类别固定”的场景，PNN 的“一次训练、无迭代、可增量更新”三个特点刚好命中痛点。这篇文章按我实际搭建的路子走一遍：先讲 PNN 为什么适合变压器故障诊断，再给出可复现的 MATLAB 和 Python 两套实现，接着解决“spread 参数怎么调”这个直接影响分类精确率的头号问题，最后聊几个换数据集时才会踩到的边界情况。

2. 概率神经网络的结构和它为什么适配 DGA 特征

2.1 从贝叶斯决策到 Parzen 窗密度估计

PNN 做的事情可以用一句话概括：对每一个故障类别，估计出“样本属于这一类”的概率密度函数，然后对新来的样本做后验概率比较。变压器故障诊断里，我们通常拿到的是 H2、CH4、C2H2、C2H4、C2H6 等气体浓度，问题变成“给定一组浓度值，最可能对应过热、放电还是正常”。

贝叶斯分类器要求已知每一类的概率密度函数，但现实中密度形式未知。PNN 的做法是用 Parzen 窗方法，用训练样本本身来估计密度，每个训练样本点放一个高斯核窗口：

$$f_i(x) = \frac{1}{(2\pi)^{p/2}\sigma^p} \cdot \frac{1}{N_i} \sum_{j=1}^{N_i} \exp\left(-\frac{|x - x_{ij}|^2}{2\sigma^2}\right)$$

其中 $p$ 是特征维度，$N_i$ 是第 $i$ 类样本数，$\sigma$ 是平滑因子。这个公式和 RBF 神经网络的形式几乎一样，但含义不同：隐藏层的每个神经元不是学出来的中心，而是直接对应一个训练样本点。

2.2 PNN 的四层结构与 DGA 特征的对应关系

PNN 的网络结构固定为四层，对照变压器故障诊断的输入输出看每一层做的事情：

输入层和模式层之间的权重向量就是训练样本本身，所以 PNN 的训练不需要迭代求解权重，只是把样本原样放入隐含层。决策层输出的不是判别函数值，而是概率估计值，这在实际运维场景里比一个硬标签有用：如果“高能放电”的概率只有 52% 而“低能放电”有 44%，运行人员会倾向于再做一次色谱复检，而不是直接安排停电检修。

2.3 PNN 相对 BP、SVM 在故障诊断中的选型理由

先说明一点：PNN 不是万能模型，它的精度上限受 Parzen 窗估计质量限制，但做变压器故障诊断有下面三个别的算法不好替代的优势：

第一个是小样本表现。一个变电站的故障历史记录可能只有几十到两百条，BP 在这个规模下很容易过拟合，SVM 对多分类需要改造成 one-vs-one 或 one-vs-rest，且核函数和惩罚系数的搜索空间很大。PNN 没有训练迭代过程，样本少只是让密度估计粗糙一点，不会出现梯度消失或发散的问题。

第二个是类别扩充成本低。变压器故障诊断的标签体系经常要调整，比如把“高温过热”细分为“大于 700°C”和“300°C~700°C”，在 PNN 里只是往模式层加几个神经元，新增一个求和单元，不需要重新训练整个网络。

第三个是概率输出本身的质量。SVM 的 Platt scaling 也能给出概率值，但那是后处理，PNN 的概率直接来自贝叶斯后验计算。电力行业做趋势分析时，看“正常概率连续三周下滑”比看“分类标签突变”更有价值。

不过要强调一个边界条件：PNN 对特征维度比较敏感，当输入超过 15 维且样本量只有几十时，Parzen 窗在高维空间中会出现“维数灾难”，密度估计会迅速退化，表现为测试集准确率低于训练集准确率 20 个百分点以上。所以 DGA 数据通常要么用五气体原始浓度，要么用三比值编码，不应该直接堆几十个特征进去。

3. 动手搭建最小可用的 PNN 变压器故障诊断模型

3.1 特征编码：从气体浓度到模型输入的三种方式

变压器油中溶解气体分析通常关注七种气体：H2、CH4、C2H2、C2H4、C2H6、CO、CO2。故障诊断常用的编码方式有三种，我分别说明适用场景：

第一种是五气体原始浓度，直接用这五个维度做输入。优点是信息完整，缺点是不同气体浓度量级差别很大（H2 可能只有几 μL/L，C2H4 可能上百），需要做标准化，且对气体检测仪器的精度要求高。

第二种是三比值编码（IEC 60599），编码规则是把 C2H2 / C2H4、CH4 / H2、C2H4 / C2H6 三个比值按阈值区间映射为 0、1、2。这种方式把维度降到 3，但损失了整体浓度信息，而且比值边界是经验性的，有些样本恰好落在边界上会导致编码跳变。

第三种是我个人最常推荐的编码：原始浓度 + 总和归一化，即每种气体除以七种气体总和，得到占总浓度的比例，再取对数或直接作为特征。这样保留了总量信息，也把量纲统一了。

下面是我在 MATLAB 里做数据预处理的示例，目标是构造训练矩阵X_train和标签向量Y_train：

% gas_data: 行是样本，列依次为 H2 CH4 C2H2 C2H4 C2H6 CO CO2 data = readtable('transformer_dga.csv'); gas = data{:, 2:8}; % 分母加 eps 防止除零 total = sum(gas, 2) + eps; feat_ratio = gas ./ total; % 对每个样本除以自己的总浓度后取对数，压缩动态范围 X = log(feat_ratio + 1e-6); % 标签映射：1-正常 2-中低温过热 3-高温过热 4-低能放电 5-高能放电 labels = data.fault_label;

这段代码注释里写了每列气体的顺序，归一化时除以的是每行总和而不是全局最大值，原因在于不同变压器的油量、负荷不同，同一故障在不同设备上的绝对浓度差异很大，但气体相对比例具有可比性。取对数的操作能避免个别高浓度值在欧氏距离计算中完全主导模式层的高斯核输出。

3.2 MATLAB 版的newpnn最小训练脚本

MATLAB 里搭建 PNN 核心就三个函数：newpnn、sim、vec2ind。我一般不直接写完整脚本，而是封装成一个跨数据可复用的函数，这样换数据集时只需要改文件路径和标签列号：

function acc = train_pnn_classifier(X, Y, spread, test_idx) % X: 已归一化的特征矩阵, 每行一个样本 % Y: 类别标签向量, 从1到C % spread: 径向基函数的扩展常数 % test_idx: 测试集索引向量 Xtr = X; Xtr(test_idx, :) = []; Ytr = Y; Ytr(test_idx) = []; Xte = X(test_idx, :); Yte = Y(test_idx); % 训练样本转置为列向量, newpnn要求输入每列一个样本 net = newpnn(Xtr', ind2vec(Ytr'), spread); % 预测: sim输出是概率向量, vec2ind取最大概率下标 Ypred = vec2ind(sim(net, Xte'))'; acc = mean(Ypred == Yte); % 输出每个测试样本的后验概率, 便于后续分析 [P, ~] = sim(net, Xte'); fprintf('准确率: %.2f%%, 每类概率矩阵尺寸: %dx%d\n', ... acc * 100, size(P, 1), size(P, 2)); end

参数逻辑说明：newpnn(Xtr', ind2vec(Ytr'), spread)的第一个参数是训练样本矩阵，注意 MATLAB 神经网络工具箱默认「样本按列排列」，如果直接传行排列的矩阵，运行时不会报错但结果完全错误，这是最常见的低级错误。ind2vec把标签向量转成稀疏矩阵形式的 0/1 目标矩阵，决策层的输出会是一个 C 行 N 列的矩阵，每列代表每个测试样本对每个故障类别的概率估计。

spread这个参数很容易被忽略：默认值是 1.0，但 DGA 特征经过对数归一化后，样本间的欧氏距离通常在 0.1～3 之间，spread 为 1.0 时高斯核的宽度几乎覆盖了所有样本，每个测试样本对所有训练样本的核值都差不多，概率估计退化成类别的先验比例。实际调试时要从 0.05 开始网格搜索。

3.3 Python 端手写一个轻量 PNN 层

如果不想依赖 MATLAB 工具箱，Python 里用 NumPy 实现 PNN 也很直接。思路上把四层网络压缩成两个矩阵运算：训练样本矩阵存储模式层中心，预测时计算测试样本与所有训练样本的高斯距离，按类别累加，再取 softmax 得到概率：

import numpy as np from collections import Counter class PNNClassifier: def __init__(self, sigma=0.5): self.sigma = sigma self.X = None self.y = None self.classes = None def fit(self, X, y): self.X = np.asarray(X, dtype=float) self.y = np.asarray(y) # 保存不重复类别，决策层按这些类累加 self.classes = np.unique(y) def predict_proba(self, X): X = np.asarray(X, dtype=float) n_samples = X.shape[0] n_train = self.X.shape[0] n_classes = len(self.classes) # 核心：样本间欧氏距离矩阵 # ||a-b||^2 = ||a||^2 + ||b||^2 - 2ab^T X2 = np.sum(X**2, axis=1).reshape(-1, 1) Xtr2 = np.sum(self.X**2, axis=1).reshape(1, -1) dist2 = X2 + Xtr2 - 2 * np.dot(X, self.X.T) dist2 = np.maximum(dist2, 0) # Parzen窗高斯核 kernel = np.exp(-dist2 / (2 * self.sigma**2)) # 按类别求和，除以该类样本数做归一化 proba = np.zeros((n_samples, n_classes)) for i, c in enumerate(self.classes): idx = np.where(self.y == c)[0] proba[:, i] = np.mean(kernel[:, idx], axis=1) # 归一化成概率分布 proba = proba / (proba.sum(axis=1, keepdims=True) + 1e-12) return proba def predict(self, X): proba = self.predict_proba(X) return self.classes[np.argmax(proba, axis=1)]

这里有几个细节值得注意，也是踩过坑的：

• 距离矩阵的展开式X2 + Xtr2 - 2 * np.dot(X, self.X.T)比双重 for 循环快两个数量级，但如果特征维度高且样本多，中间矩阵n_test * n_train会很大，2000 个训练样本时已经是 2000×2000 的浮点矩阵，内存约 32MB，可接受。
• np.maximum(dist2, 0)防的是浮点误差导致的小负数，负数的平方根会产生 nan。
• 累加时用了np.mean而不是np.sum，对应 Parzen 窗公式里的 $1/N_i$，这在大类别样本不均衡时很关键，否则大类样本多的类别永远赢。

4. 变压器故障诊断实战：数据划分、参数寻优和结果对比

4.1 分层抽样和交叉验证的划分策略

变压器故障数据有一个明显特点：类别分布极不均衡。正常工作状态样本可能占 60%，高能放电只有 5% 左右。如果用随机划分，测试集可能完全没有高能放电样本，模型在测试集上的整体准确率虚高。

我的做法是先按类别分层划分，保证每个类别在训练集和测试集中的比例一致。sklearn 里用StratifiedKFold，MATLAB 里可以自己实现一个简单的分层划分函数：

function [train_idx, test_idx] = strat_split(labels, test_ratio) train_idx = []; test_idx = []; classes = unique(labels); for i = 1:length(classes) idx = find(labels == classes(i)); n_test = max(1, round(length(idx) * test_ratio)); % 固定随机种子保证可重复实验 rng(42); perm = idx(randperm(length(idx))); test_idx = [test_idx; perm(1:n_test)]; train_idx = [train_idx; perm(n_test+1:end)]; end end

划分逻辑说明：每个类别单独取出后随机打乱，取前n_test个做测试，剩余做训练。这种策略保证少数类在测试集中至少有一个样本，不会出现“测试集里只有两类故障”这种侥幸情况。注意rng(42)放在循环外，因为放在循环内且每次调用都重置随机种子会导致每类取出的测试样本顺序完全一致，这个 bug 非常隐蔽。

4.2 spread 参数的网格搜索与准确率对比

PNN 里唯一真正需要调的参数就是spread（即高斯核的标准差）。我在一个 300 条样本的 DGA 数据集上做了网格搜索，spread 范围从 0.05 到 2.0，步长 0.05，用五折交叉验证评估平均准确率：

观察规律：训练集准确率随 spread 增大单调下降，而交叉验证准确率呈倒 U 形。如果只调测试集准确率，很容易选到一个只对这个数据集表现好的 spread，换一个变电站的 DGA 数据就失效。我后面的做法是引入一个验证集，专门用于选参数，测试集只评估最终模型。

网格搜索的简版逻辑：

for spread in 0.05 0.10 0.15 0.20 0.30 0.50 0.80 1.00 do python run_pnn_cv.py --spread $spread --folds 5 >> result.log done grep "CV_acc" result.log | sort -t: -k2 -rn | head -5

用 shell 循环跑的好处是每轮独立进程，即使某个参数组合内存溢出死了也不影响其他组合。搜索结果后不要直接用最优 spread 训练全量数据，而是检查它在验证集上的表现有没有明显劣化，如果劣化超过 2 个百分点，说明参数位于过拟合区。

4.3 与 BP 网络和 SVM 在同数据上的比较

一个 PNN 诊断报告如果没有对照组，很难让人信服它在分类预测上有优势。我做完参数寻优后，用同一份 DGA 数据分别跑了一个 10 隐层节点的 BP 网络和一个 RBF 核 SVM，结果如下：

高能放电这一行的召回率差异最有说服力。BP 网络对少数类样本的梯度贡献太小，训练时会被正常样本主导，即使调整损失函数权重，效果也不稳定。PNN 的类别累加单元相互独立，每类的密度估计不受其他类别样本数量影响，这是结构带来的天然优势，不是调参技巧能补出来的。

但也要提到 SVM 在本例中整体准确率只比 PNN 低 1 个百分点，且测试时间更短。所以工程选型时，如果部署环境的算力非常吃紧且模型需要每秒跑上百次，SVM 可能是更好的选择；如果看重概率输出和增量更新，PNN 胜出。

5. 增量学习、概率输出应用和故障诊断中的边界处理

5.1 新样本直接加入模式层的增量更新

PNN 最有工程价值的特性是增量学习。传统模型发现新故障类型时，需要带着历史数据重新训练，PNN 只需要在模式层追加新样本的权重向量，在求和层新增一个类别单元。我的实现里这个操作是：

def add_samples(self, X_new, y_new): """追加新样本到模式层，适用于在线监测数据""" if self.X is None: self.fit(X_new, y_new) else: # 如果出现全新类别，扩展类别列表和概率矩阵列数 new_classes = set(np.unique(y_new)) - set(self.classes) if new_classes: self.classes = np.unique(np.concatenate([self.classes, np.unique(y_new)])) self.X = np.vstack([self.X, X_new]) self.y = np.concatenate([self.y, y_new])

逻辑说明：先检查新样本是否引入了训练阶段未见过的故障类别，有则扩展classes数组。然后直接拼接存储，不需要重新计算任何参数，也没有优化目标，下次predict时这些新样本自然参与 Parzen 窗估计。这在变电站实际场景里有明显收益：每个月积累的气相色谱试验数据可以即时加入，诊断模型随数据增长逐步精化。

5.2 用输出的概率做告警阈值而不是只看标签

实际项目里，PNN 分类标签本身的价值有限，真正的应用是把输出概率和告警系统联动。我的做法是设置三个阈值区间，而不是一个分类动作：

proba = model.predict_proba(new_sample) fault_class = model.classes[np.argmax(proba)] max_p = np.max(proba) if max_p >= 0.85: alarm_level = '立即安排检修' elif max_p >= 0.65: alarm_level = '缩短色谱监测周期' else: alarm_level = '维持常规监测'

这比直接输出“高温过热”更有操作性。0.85 的可信度意味着五种气体浓度的联合模式和历史高温过热样本高度一致；0.65 时可能只是单个气体比例接近故障模式，但总量不高，此时让运维人员缩短下次取样间隔是更合理的行为。用 PNN 的输出概率做阈值判断，比二分类器输出硬标签再查表转换成告警级别要自然得多。

5.3 常见失败模式：归一化方式、样本不平衡和类别遗漏

第一个坑是归一化方式选择不当。DGA 数据常见的标准化方法有 z-score、min-max、总和占比三种。PNN 基于欧氏距离，对特征的尺度完全敏感。如果其中一种气体浓度高一个数量级，它对核函数的贡献就压过其他气体，模型实际上只看这一个特征。我在实际对比中，总和占比 + 对数压缩比直接 z-score 平均准确率高出 5～7 个百分点。

第二个坑是类别不均衡时不是每类都有专属求和单元。PNN 的本质是按类别独立估计概率密度，类别样本太少（少于 3 个）会导致核估计的方差极大，体现在测试时该类概率要么几乎为 0 要么不稳定跳变。处理方式是如果某类样本数只有个位数，可以把它合并到语义邻近的类别——比如“低能放电”样本只有 2 条时，合并到“高能放电”这个大类，比硬训练一个无效单元好。

第三个坑是预测时遇到训练集里没有见过的气体浓度组合。PNN 不会像决策树那样给一个明确的“未知”分支，而是计算出各个类别一个接近均等的概率——比如正常 0.52、高温过热 0.48。看到这种均等输出，正确的做法不是强行取最大类别，而是判断可能是出现了新的故障模式或特征编码问题，把样本标记为“待人工复核”。我的实现里加了一条简单逻辑：当最大概率低于 0.55 时，返回类别标号为 0，对应‘未知故障’，而不是硬套一个错标签。

5.4 部署时的一个实用技巧:把 sigma 变成可配置参数

最后落地部署时有一条经验：不要像调参阶段那样把 spread 硬编码在脚本里，而是把它和模型权重一起放入配置文件。因为同一台变压器在春检和秋检时的油温不同，气体溶解规律有季节性变化，一个固定全局最优的 spread 不一定在全年都最优。我在现场的做法是把模型存储为包含三个字段的字典结构：

{ "spread": 0.5, "classes": ["正常", "中低温过热", "高温过热", "低能放电", "高能放电"], "samples": "transformer_t1_pnn_weights.npz", "norm_params": {"method": "ratio_log", "eps": 1e-6} }

模型文件与配置文件分离，更新样本时只替换samples指向的权重文件，spread可根据最新一段时间的交叉验证结果由程序自动刷新。这样既保留了 PNN 的轻量性，也让模型在长期运行中不至于因为参数陈旧而准确率衰减。诊断系统的代码不需要重新发布，一个 JSON 配置变更就能完成平滑更新。

本文还有配套的精品资源，点击获取