SOM-BP复合神经网络在不接地IT系统对地绝缘故障相判别中的应用

张明远，杨 涛，慕洪胜，刘 洋，马 睿

（解放军65056部队，辽宁铁岭 112002）

SOM-BP复合神经网络在不接地IT系统对地绝缘故障相判别中的应用

张明远，杨 涛，慕洪胜，刘 洋，马 睿

（解放军65056部队，辽宁铁岭 112002）

分析了不接地IT系统故障前后对地电压变化量随接地电阻的变化过程，得出了故障前后系统对地电压变化量与故障相别的关系。对地电压变化量最大相的相位滞后相或者超前相为故障相，N线发生故障时系统对地电压变化量较小。结合SOM神经网络和BP神经网络的优点，提出了基于SOM-BP复合神经网络的故障相判别方法。利用实际工程试验数据进行了测试，结果表明SOM-BP复合神经网络经训练后能够准确判断故障相别。

不接地IT系统 对地绝缘故障 故障相判别 自组织映射神经网络 误差反向传播神经网络 复合神经网络

0 引言

不接地IT系统发生单相对地绝缘故障时，由于无法构成故障回路，系统仍可持续运行一段时间，具有较高的供电可靠性[1,2]。在一些供电连续性要求高、单相接地故障频繁的场所应用非常广泛，如医院、船舶、矿井、大型发电厂等[3,4]。而绝缘故障在系统中是不可避免的，及时发现故障、判断故障部位并做到及时处理，对于保障电网安全供电和连续供电具有十分重大的意义[5,6]。

文献[7]分析了三相三线制IT系统对地绝缘故障相与中性点对地电压幅值与相位的关系，并实现了一种以故障后中性点对地电压幅值和相位为基础的故障相判别方法，但是忽略了实际系统中存在的由于系统阻抗不平衡、容抗不平衡所产生的中性点电压漂移问题，且需要划分多个区间导致算法盲区较多。本文针对配出中性导体不接地IT系统，分析了考虑分布电容和阻抗不平衡情况下故障前后的系统对地电压的变化情况，找出了A、B、C三相及N线接地后的故障特征。由于故障特征值受接地电阻大小、分布电容和阻抗不平衡程度的影响，无法确定统一的判据。从信息融合的角度出发，利用自组织特征映射 (Self Organizing Mapping，SOM) 网络和误差反向传播(Error Back Propagation，BP)网络理论，提出了基于SOM-BP复合神经网络的故障相判定方法，并进行了试验验证。

1 配出中性导体IT系统单相接地故障特征分析

在实际系统中，各相对地绝缘电阻与系统的结构有关，不可能完全相等；同时现代电力系统中电容已经变得不可忽略。系统运行正常时，由节点电压法可知，中性点对地电压为：

三相对地电压满足下式：

假设B相发生对地绝缘故障，则故障后中性点对地电压为：

图1 配出中性导体IT系统示意图

发生单相对地绝缘故障后，三相对地电压满足下式：

由式(1)(4)可知，在考虑系统分布电容、容抗和阻抗不平衡等因素时，不同接地电阻情况下故障后A、B、C三相和中性点对地电压变化也不同，直接对公式进行分析很难找出其中的规律。

借助数学和工程计算Maple分析具体参数情况下的故障前后电压变化情况。假设系统中Ra=30 kΩ，Rb=40 kΩ，Rc=50 kΩ，Rn=50 kΩ，Ca=40 μF，Cb=30 μF，Cc=20 μF，Cn=20 μF，这种阻抗和容抗参数是一种比较极端的情况。分别模拟A、B、C相和中性导体发生接地故障，接地电阻大小从5 Ω到50 kΩ，故障前后系统对地电压变化量随接地电阻的变化过程如图2所示。

由图2可知，发生对地绝缘故障前后A、B、C三相及中性点对地电压变化量与故障相别存在一定的规律。相线发生接地故障时，故障相与对地电压变化量最大的相密切相关，故障相总是为对地电压变化量最大相的相位超前相或者滞后相。若对地电压变化量最大相的滞后相对地电压下降，则该滞后相为故障相，否则相位超前相为故障相。N线发生接地故障后相对于相线接地故障时三相对地电压变化较小，但是接地电阻不同时相线接地和N线接地系统对地电压在数值上没有可比性。由分析可知，故障相别与故障前后系统对地电压变化量之间存在一定的规律，却无法通过固定值和特定的表达式来描述。

图2 故障前后系统对地电压变化量随接地电阻变化规律

2 SOM-BP复合神经网络

人工神经网络(Artificial Neural Networks, ANN)具有自学习、自组织、联想记忆等优点，特别适合于解决一些相互耦合、无法通过特定表达式或者简练语言描述的问题，为故障诊断提供了一种新的解决途径[8,9]。

SOM神经网络是一种无教师自学习型神经网络，它不仅要对不同输入信号产生不同响应，即与竞争学习网络一样具有分类功能；更重要的是要实现功能相同的神经元在空间上的聚集，适合解决多种分类和识别问题。SOM神经网络在故障诊断中能对数据自动分类，训练时无需大量的样本数据和人工干预，实时性强；而缺点是需要大量的训练次数，且网络竞争层神经元的个数和排练极为重要，若神经元的个数不够，则可能无法对故障模式进行正确地分类。

BP神经网络是一种有教师指导的按误差反向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络具有自学习能力和非线性映射的能力，但需要对数据进行大量的样本训练，耗费时间长，实时性较差。

构建SOM-BP复合神经网络的目的是综合SOM神经网络无监督、自组织和BP神经网络有导师、自学习的优势，利用SOM神经网络对输入数据进行聚类，实现初步的判别；再将SOM神经网络输出的兴奋神经元位置信息输入到BP神经网络中，利用BP神经网络进行精确诊断，判断故障相别。将两种神经网络相结合能够优势互补，是一种较为新颖的故障诊断方法[10-12]。SOM-BP复合神经网络的拓扑结构如图3所示。

由图3可知，SOM-BP复合神经网络具有四层结构：输入层、竞争层、隐含层及输出层，前两层组合即为SOM神经网络，后三层组合即为BP神经网络。复合网络对输入数据进行聚类，将线性不可分数据映射到高维空间，使其线性可分，完成对输入样本的初步辨识，减轻了BP神经网络的识别难度，然后通过BP网络的训练，进行输入层到输出层之间的监督学习。

图3 SOM-BP复合神经网络拓扑结构图

3 SOM-BP复合神经网络的设计步骤

系统发生绝缘故障后，故障相的特征受系统分布电容、阻抗不平衡及接地电阻大小等因素的影响，其电气参数变化的规律较为复杂，产生影响的主要为电压参数。因此，将故障前后系统所有电压信号作为复合神经网络的输入，利用SOM神经网络对数据进行聚类，再把聚类结果即SOM神经网络的兴奋神经元位置信息输入BP神经网络，通过BP神经网络进行故障相的识别。SOM-BP复合神经网络各层设计如下：

3.1 输入层设计

系统发生接地故障后，会对各相对地电压产生影响，且不同的相别发生故障后对电压的影响不同，根据故障前后的电压情况可以判断故障相别。因此，将复合神经网络的输入层神经元数目设计为14，即输入矩阵X：

X中数据的含义为：

1）故障前系统A相对中性点电压EA1；

2）故障前系统B相对中性点电压EB1；

3）故障前系统C相对中性点电压EC1；

4）故障前系统A相对地电压UAG1；

5）故障前系统B相对地电压UBG1；

6）故障前系统B相对地电压UCG1；

7）故障前系统N线对地电压UNG1；

8）故障前系统A相对中性点电压EA2；

9）故障前系统B相对中性点电压EB2；

10）故障前系统C相对中性点电压EC2；

11）故障前系统A相对地电压UAG2；

12）故障前系统B相对地电压UBG2；

13）故障前系统B相对地电压UCG2；

14）故障前系统N线对地电压UNG2。

3.2 竞争层设计

为了提高SOM神经网络的聚类结果的准确度，将竞争层设计为16*16的二维平面。当输入层有数据输入时，竞争层中对应的神经元将兴奋，该层的输出即为兴奋神经元的位置信息。

3.3 隐含层设计

隐含层中神经元数目的确定是BP神经网络设计的一个难点。根据BP神经网络中隐含层神经元数目一般为输入层神经元数目的2～4倍，本文设置复合神经网络的隐含层神经元数目为4。

3.4 输出层设计

ITN系统发生故障后，故障相别的判定结果有一下四种情况：

第一种：系统N线故障，用标号T1表示；

第二种：系统A相故障，用标号T2表示；

第三种：系统B相故障，用标号T3表示；

第四种：系统C相故障，用标号T4表示。

输出矩阵Y：

输出层的输出结果意义如表1所示。

表1 输出层输出结果与模式对应表

通过以上步骤设计出SOM-BP复合神经网络，经过训练后可用于ITN系统故障相的判别。如果系统发生故障则把相应数据输入到复合神经网络的输入层，经过网络判别后输出结果Y，根据Y中各状态的值可判断具体故障相别。

4 SOM-BP复合神经网络在故障相判别中的应用

以某公司车间的配出中性导体IT系统为研究对象，在确保无二次故障的前提下设置接地电阻模拟单相接地故障，记录不同接地电阻情况下故障前后的电压，如表2所示。

以Rf为5 kΩ时的故障数据位训练样本，SOM神经网络的训练次数为4400次，训练目标为0。经过训练后，各组数据对应的兴奋神经元位置信息yc=[32,1,225,256]，竞争层中兴奋神经元的具体位置如图4所示，聚类的领域神经元距离权值如图5所示。由图可知，经过多次训练后，SOM神经网络将四种故障状态聚类为四种模式，且四种模式在二维竞争层所占的区域有较明显的边界。

图4 训练后兴奋神经元位置

在复合神经网络中，位置信息是BP神经网络的输入矩阵，对应的故障相别信息作为目标输出，训练次数为50，训练目标为0，对BP神经网络进行训练。

BP神经网络训练完后，选取表2中接地电阻Rf为1 kΩ时的四组数据对SOM-BP复合神经网络进行测试，输出矩阵Y如表3所示。为与传统故障相判别方法比较，本文列出了传统方法对同一数据的判别结果，比较结果如表3所示。

图5 训练后领域神经元距离权值

表2 原型系统中的故障前后系统数据

表3 两种方法比较

由表3的比较结果，可以判定SOM-BP复合神经网络判别方法满足选相要求，可以准确判定A、B、C三相和N线接地故障，准确度高于传统判别方法。

5 结论

针对绝缘故障诊断过程中存在多种因素影响，分析了故障前后系统对地电压的变化量随接地电阻的变化规律。从数据融合的角度出发，结合SOM神经网络和BP神经网络的特点和优势，提出了基于SOM-BP复合神经网络的故障相判别方法，给出了复合神经网络的设计步骤。根据实际工程的试验数据进行了测试，与传统故障相判别方法进行了比较，结果表明SOM-BP复合神经网络可准确判别A、B、C三相和N线的单相接地故障，相对传统方法有更高的精度。

[1] GB50054-2011, 低压配电设计规范 [S]. 中华人民共和国国家标准, . 2012.

[2] GB14050-2008, Types and safety technical requirements of system earthing[S]. 中华人民共和国国家标准, 系统接地的型式及安全技术要求, 2009.

[3] 王厚余. 论IT系统的应用[J]. 建筑电气, 2008(11)：3-6.

[4] 王厚余. 低压电气装置的设计安装和检验[M], 北京： 中国电力出版社, 2008.

[5] 王勇. 船舶交流电力系统绝缘监测系统的研究[D].武汉： 华中科技大学.2007.

[6] IEC61557-8-2007, Electrical safety in low voltage distribution systems up to 1000V a.c. and 1500V d.c.-equipment for testing, measuring and monitoring of protective measures-Part 8： Insulation monitoring devices for IT systems [S]. International Electrotechnical Commission. IEC Standard, Second edition, 2007.

[7] 林桦, 王兴, 李溪闻等. 交流浮地电网对地绝缘故障相判别方法[J]. 电力系统自动化设备, 2004, 24(1)： 78-81.

[8] 杨占华, 杨燕. SOM神经网络算法的研究与进展[J].计算机工程, 2006, 16： 201-202+228.

[9] 马永光, 殷喆, 马良玉. 基于SOM神经网络的凝汽器故障诊断研究[J]. 华北电力大学学报, 2006,（04）： 5-8.

[10] 罗亮, 李国璋, 杨权等. SOM-BP神经网络在机械故障诊断中的应用研究[J]. 车用发动机, 2008, （02）：72-75.

[11] 程鹏, 潘宏侠. SOM-BP复合神经网络在齿轮箱故障诊断中的应用研究[J]. 噪声与振动控制, 2010, (05)： 165-168.

[12] 龚明, 潘宏侠, 兰海龙. 基于最优小波包与SOM-BP融合的柴油机故障诊断[J]. 煤矿机械, 2012, 10： 278-280.

Application of SOM-BP Composite Neutral Network for Insulation Fault Phase Location to Unearthed IT System

Zhang Mingyuan, Yang Tao, Mu Hongsheng, Liu Yang, Ma Rui

(Institute of National Defense, PLA University of Science & Technology, Nanjing 210007, China)

The variations of ground voltage with ground resistance are analyzed before and after failure of IT system, and the relationship between the variation of the ground voltage and the fault before and after fault is obtained. The phase that advances or lags the phase that has max voltage variation is the fault phase, except the neutral conductor which leads to smaller variations than any phase. A fault phase locating method based on SOM-BP composite neutral network, which combines the advantage of SOM neutral network and the advantage of BP neutral network, is proposed. Simulation experiments using test data from the prototype system are conducted. The results show that the trained SOM-BP composite neutral network is able to locate the fault phase correctly.

unearthed IT system; phase to ground insulation fault; fault phase locating; self organizing mapping (SOM); error back propagation (BP); composite neural network

TP183 TP277

A

1003-4862（2016）12-0028-05

2016-08-01

张明远，男，硕士，总工程师。