SOM-BP復合神經網絡在不接地IT系統對地絕緣故障相判別中的應用

張明遠，楊 濤，慕洪勝，劉 洋，馬 睿

（解放軍65056部隊，遼寧鐵嶺 112002）

SOM-BP復合神經網絡在不接地IT系統對地絕緣故障相判別中的應用

張明遠，楊 濤，慕洪勝，劉 洋，馬 睿

（解放軍65056部隊，遼寧鐵嶺 112002）

分析了不接地IT系統故障前后對地電壓變化量隨接地電阻的變化過程，得出了故障前后系統對地電壓變化量與故障相別的關系。對地電壓變化量最大相的相位滯后相或者超前相為故障相，N線發生故障時系統對地電壓變化量較小。結合SOM神經網絡和BP神經網絡的優點，提出了基于SOM-BP復合神經網絡的故障相判別方法。利用實際工程試驗數據進行了測試，結果表明SOM-BP復合神經網絡經訓練后能夠準確判斷故障相別。

不接地IT系統 對地絕緣故障 故障相判別 自組織映射神經網絡 誤差反向傳播神經網絡 復合神經網絡

0 引言

不接地IT系統發生單相對地絕緣故障時，由于無法構成故障回路，系統仍可持續運行一段時間，具有較高的供電可靠性[1,2]。在一些供電連續性要求高、單相接地故障頻繁的場所應用非常廣泛，如醫院、船舶、礦井、大型發電廠等[3,4]。而絕緣故障在系統中是不可避免的，及時發現故障、判斷故障部位并做到及時處理，對于保障電網安全供電和連續供電具有十分重大的意義[5,6]。

文獻[7]分析了三相三線制IT系統對地絕緣故障相與中性點對地電壓幅值與相位的關系，并實現了一種以故障后中性點對地電壓幅值和相位為基礎的故障相判別方法，但是忽略了實際系統中存在的由于系統阻抗不平衡、容抗不平衡所產生的中性點電壓漂移問題，且需要劃分多個區間導致算法盲區較多。本文針對配出中性導體不接地IT系統，分析了考慮分布電容和阻抗不平衡情況下故障前后的系統對地電壓的變化情況，找出了A、B、C三相及N線接地后的故障特征。由于故障特征值受接地電阻大小、分布電容和阻抗不平衡程度的影響，無法確定統一的判據。從信息融合的角度出發，利用自組織特征映射 (Self Organizing Mapping，SOM) 網絡和誤差反向傳播(Error Back Propagation，BP)網絡理論，提出了基于SOM-BP復合神經網絡的故障相判定方法，并進行了試驗驗證。

1 配出中性導體IT系統單相接地故障特征分析

在實際系統中，各相對地絕緣電阻與系統的結構有關，不可能完全相等；同時現代電力系統中電容已經變得不可忽略。系統運行正常時，由節點電壓法可知，中性點對地電壓為：

三相對地電壓滿足下式：

假設B相發生對地絕緣故障，則故障后中性點對地電壓為：

圖1 配出中性導體IT系統示意圖

發生單相對地絕緣故障后，三相對地電壓滿足下式：

由式(1)(4)可知，在考慮系統分布電容、容抗和阻抗不平衡等因素時，不同接地電阻情況下故障后A、B、C三相和中性點對地電壓變化也不同，直接對公式進行分析很難找出其中的規律。

借助數學和工程計算Maple分析具體參數情況下的故障前后電壓變化情況。假設系統中Ra=30 kΩ，Rb=40 kΩ，Rc=50 kΩ，Rn=50 kΩ，Ca=40 μF，Cb=30 μF，Cc=20 μF，Cn=20 μF，這種阻抗和容抗參數是一種比較極端的情況。分別模擬A、B、C相和中性導體發生接地故障，接地電阻大小從5 Ω到50 kΩ，故障前后系統對地電壓變化量隨接地電阻的變化過程如圖2所示。

由圖2可知，發生對地絕緣故障前后A、B、C三相及中性點對地電壓變化量與故障相別存在一定的規律。相線發生接地故障時，故障相與對地電壓變化量最大的相密切相關，故障相總是為對地電壓變化量最大相的相位超前相或者滯后相。若對地電壓變化量最大相的滯后相對地電壓下降，則該滯后相為故障相，否則相位超前相為故障相。N線發生接地故障后相對于相線接地故障時三相對地電壓變化較小，但是接地電阻不同時相線接地和N線接地系統對地電壓在數值上沒有可比性。由分析可知，故障相別與故障前后系統對地電壓變化量之間存在一定的規律，卻無法通過固定值和特定的表達式來描述。

圖2 故障前后系統對地電壓變化量隨接地電阻變化規律

2 SOM-BP復合神經網絡

人工神經網絡(Artificial Neural Networks, ANN)具有自學習、自組織、聯想記憶等優點，特別適合于解決一些相互耦合、無法通過特定表達式或者簡練語言描述的問題，為故障診斷提供了一種新的解決途徑[8,9]。

SOM神經網絡是一種無教師自學習型神經網絡，它不僅要對不同輸入信號產生不同響應，即與競爭學習網絡一樣具有分類功能；更重要的是要實現功能相同的神經元在空間上的聚集，適合解決多種分類和識別問題。SOM神經網絡在故障診斷中能對數據自動分類，訓練時無需大量的樣本數據和人工干預，實時性強；而缺點是需要大量的訓練次數，且網絡競爭層神經元的個數和排練極為重要，若神經元的個數不夠，則可能無法對故障模式進行正確地分類。

BP神經網絡是一種有教師指導的按誤差反向傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡具有自學習能力和非線性映射的能力，但需要對數據進行大量的樣本訓練，耗費時間長，實時性較差。

構建SOM-BP復合神經網絡的目的是綜合SOM神經網絡無監督、自組織和BP神經網絡有導師、自學習的優勢，利用SOM神經網絡對輸入數據進行聚類，實現初步的判別；再將SOM神經網絡輸出的興奮神經元位置信息輸入到BP神經網絡中，利用BP神經網絡進行精確診斷，判斷故障相別。將兩種神經網絡相結合能夠優勢互補，是一種較為新穎的故障診斷方法[10-12]。SOM-BP復合神經網絡的拓撲結構如圖3所示。

由圖3可知，SOM-BP復合神經網絡具有四層結構：輸入層、競爭層、隱含層及輸出層，前兩層組合即為SOM神經網絡，后三層組合即為BP神經網絡。復合網絡對輸入數據進行聚類，將線性不可分數據映射到高維空間，使其線性可分，完成對輸入樣本的初步辨識，減輕了BP神經網絡的識別難度，然后通過BP網絡的訓練，進行輸入層到輸出層之間的監督學習。

圖3 SOM-BP復合神經網絡拓撲結構圖

3 SOM-BP復合神經網絡的設計步驟

系統發生絕緣故障后，故障相的特征受系統分布電容、阻抗不平衡及接地電阻大小等因素的影響，其電氣參數變化的規律較為復雜，產生影響的主要為電壓參數。因此，將故障前后系統所有電壓信號作為復合神經網絡的輸入，利用SOM神經網絡對數據進行聚類，再把聚類結果即SOM神經網絡的興奮神經元位置信息輸入BP神經網絡，通過BP神經網絡進行故障相的識別。SOM-BP復合神經網絡各層設計如下：

3.1 輸入層設計

系統發生接地故障后，會對各相對地電壓產生影響，且不同的相別發生故障后對電壓的影響不同，根據故障前后的電壓情況可以判斷故障相別。因此，將復合神經網絡的輸入層神經元數目設計為14，即輸入矩陣X：

X中數據的含義為：

1）故障前系統A相對中性點電壓EA1；

2）故障前系統B相對中性點電壓EB1；

3）故障前系統C相對中性點電壓EC1；

4）故障前系統A相對地電壓UAG1；

5）故障前系統B相對地電壓UBG1；

6）故障前系統B相對地電壓UCG1；

7）故障前系統N線對地電壓UNG1；

8）故障前系統A相對中性點電壓EA2；

9）故障前系統B相對中性點電壓EB2；

10）故障前系統C相對中性點電壓EC2；

11）故障前系統A相對地電壓UAG2；

12）故障前系統B相對地電壓UBG2；

13）故障前系統B相對地電壓UCG2；

14）故障前系統N線對地電壓UNG2。

3.2 競爭層設計

為了提高SOM神經網絡的聚類結果的準確度，將競爭層設計為16*16的二維平面。當輸入層有數據輸入時，競爭層中對應的神經元將興奮，該層的輸出即為興奮神經元的位置信息。

3.3 隱含層設計

隱含層中神經元數目的確定是BP神經網絡設計的一個難點。根據BP神經網絡中隱含層神經元數目一般為輸入層神經元數目的2～4倍，本文設置復合神經網絡的隱含層神經元數目為4。

3.4 輸出層設計

ITN系統發生故障后，故障相別的判定結果有一下四種情況：

第一種：系統N線故障，用標號T1表示；

第二種：系統A相故障，用標號T2表示；

第三種：系統B相故障，用標號T3表示；

第四種：系統C相故障，用標號T4表示。

輸出矩陣Y：

輸出層的輸出結果意義如表1所示。

表1 輸出層輸出結果與模式對應表

通過以上步驟設計出SOM-BP復合神經網絡，經過訓練后可用于ITN系統故障相的判別。如果系統發生故障則把相應數據輸入到復合神經網絡的輸入層，經過網絡判別后輸出結果Y，根據Y中各狀態的值可判斷具體故障相別。

4 SOM-BP復合神經網絡在故障相判別中的應用

以某公司車間的配出中性導體IT系統為研究對象，在確保無二次故障的前提下設置接地電阻模擬單相接地故障，記錄不同接地電阻情況下故障前后的電壓，如表2所示。

以Rf為5 kΩ時的故障數據位訓練樣本，SOM神經網絡的訓練次數為4400次，訓練目標為0。經過訓練后，各組數據對應的興奮神經元位置信息yc=[32,1,225,256]，競爭層中興奮神經元的具體位置如圖4所示，聚類的領域神經元距離權值如圖5所示。由圖可知，經過多次訓練后，SOM神經網絡將四種故障狀態聚類為四種模式，且四種模式在二維競爭層所占的區域有較明顯的邊界。

圖4 訓練后興奮神經元位置

在復合神經網絡中，位置信息是BP神經網絡的輸入矩陣，對應的故障相別信息作為目標輸出，訓練次數為50，訓練目標為0，對BP神經網絡進行訓練。

BP神經網絡訓練完后，選取表2中接地電阻Rf為1 kΩ時的四組數據對SOM-BP復合神經網絡進行測試，輸出矩陣Y如表3所示。為與傳統故障相判別方法比較，本文列出了傳統方法對同一數據的判別結果，比較結果如表3所示。

圖5 訓練后領域神經元距離權值

表2 原型系統中的故障前后系統數據

表3 兩種方法比較

由表3的比較結果，可以判定SOM-BP復合神經網絡判別方法滿足選相要求，可以準確判定A、B、C三相和N線接地故障，準確度高于傳統判別方法。

5 結論

針對絕緣故障診斷過程中存在多種因素影響，分析了故障前后系統對地電壓的變化量隨接地電阻的變化規律。從數據融合的角度出發，結合SOM神經網絡和BP神經網絡的特點和優勢，提出了基于SOM-BP復合神經網絡的故障相判別方法，給出了復合神經網絡的設計步驟。根據實際工程的試驗數據進行了測試，與傳統故障相判別方法進行了比較，結果表明SOM-BP復合神經網絡可準確判別A、B、C三相和N線的單相接地故障，相對傳統方法有更高的精度。

[1] GB50054-2011, 低壓配電設計規范 [S]. 中華人民共和國國家標準, . 2012.

[2] GB14050-2008, Types and safety technical requirements of system earthing[S]. 中華人民共和國國家標準, 系統接地的型式及安全技術要求, 2009.

[3] 王厚余. 論IT系統的應用[J]. 建筑電氣, 2008(11)：3-6.

[4] 王厚余. 低壓電氣裝置的設計安裝和檢驗[M], 北京： 中國電力出版社, 2008.

[5] 王勇. 船舶交流電力系統絕緣監測系統的研究[D].武漢： 華中科技大學.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] 林樺, 王興, 李溪聞等. 交流浮地電網對地絕緣故障相判別方法[J]. 電力系統自動化設備, 2004, 24(1)： 78-81.

[8] 楊占華, 楊燕. SOM神經網絡算法的研究與進展[J].計算機工程, 2006, 16： 201-202+228.

[9] 馬永光, 殷喆, 馬良玉. 基于SOM神經網絡的凝汽器故障診斷研究[J]. 華北電力大學學報, 2006,（04）： 5-8.

[10] 羅亮, 李國璋, 楊權等. SOM-BP神經網絡在機械故障診斷中的應用研究[J]. 車用發動機, 2008, （02）：72-75.

[11] 程鵬, 潘宏俠. SOM-BP復合神經網絡在齒輪箱故障診斷中的應用研究[J]. 噪聲與振動控制, 2010, (05)： 165-168.

[12] 龔明, 潘宏俠, 蘭海龍. 基于最優小波包與SOM-BP融合的柴油機故障診斷[J]. 煤礦機械, 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

張明遠，男，碩士，總工程師。