0  引言

    高壓電力電纜因具有良好的電性能和熱性能,，并且結(jié)構(gòu)簡單，制造周期短,，工作耐受溫度高,，敷設(shè)方便等優(yōu)勢，被廣泛應(yīng)用于電力系統(tǒng)中的各個(gè)電壓等級,，由于制造工藝的問題,，另外在敷設(shè)的時(shí)候，極有可能受到來自外界機(jī)械力的作用而造成損害,，或長期運(yùn)行受環(huán)境侵蝕等原因,，可能造成電纜絕緣缺陷隱患，從而給電力系統(tǒng)安全造成很大影響,。目前,，電纜投運(yùn)或交接預(yù)防試驗(yàn)主要有工頻耐壓法、直流耐壓,、0.1 Hz超低頻及振蕩波電壓法,。工頻耐壓法對測試設(shè)備提出了很高的要求，而直流耐壓法,、0.1 Hz超低頻電壓法對電纜具有一定的損傷,，可能會引起電纜新的缺陷，振蕩波電壓法對設(shè)備的容量需求較小,，操作簡單,，作用時(shí)間短，不會對電纜絕緣造成傷害,，是目前公認(rèn)的電纜絕緣檢測的最有效方法之一^[1-3],。

    目前振蕩波耐壓技術(shù)主要應(yīng)用于局部放電檢測及定位,，對于放電類型判別研究較少，本文根據(jù)試驗(yàn)制作的4種不同缺陷放電模型,，分別是尖端放電,、懸浮放電、氣隙放電和主絕緣劃痕,。振蕩波加壓下測量局部放電信號，從放電譜圖中提取特征量,，同時(shí)在生成局部放電灰度圖的基礎(chǔ)上,，提取出哈希值一同輸入至BP網(wǎng)絡(luò)神經(jīng)進(jìn)行訓(xùn)練并驗(yàn)證結(jié)果，在引入哈希值前后兩種不同結(jié)果網(wǎng)絡(luò)神經(jīng)對比,，結(jié)果表明,，引入哈希值后放電缺陷識別率明顯提高約10%，多次試驗(yàn)結(jié)果驗(yàn)證4種不同放電類型識別率均達(dá)到95%以上,。 

1  振蕩波試驗(yàn)

1.1  電纜放電試驗(yàn)?zāi)Ｐ?/strong>

    試驗(yàn)室制作的4種不同放電缺陷是在四段不同長度的XLPE電纜上制作的,，電纜型號為YJLW03，額定電壓64/110 kV,。在制作缺陷前,，首先采用局部放電檢測儀進(jìn)行檢測，判斷電纜沒有局部放電,，然后分別在電纜中人工制作尖端放電,、懸浮放電、氣隙放電及主絕緣劃痕缺陷,，電纜兩端安裝冷縮式電纜終端頭,。

1.2  振蕩波電壓法測量系統(tǒng)

    交流振蕩波試驗(yàn)設(shè)備符合GB 50150-2006電氣設(shè)備交接試驗(yàn)標(biāo)準(zhǔn)，試驗(yàn)設(shè)備采用LC阻尼振蕩原理,，變頻電源系統(tǒng)尋找由電纜C和電抗器L組成的LC諧振回路諧振頻率點(diǎn),，變頻電源在諧振頻率點(diǎn)下提高輸出電壓，使得電纜試品上的電壓達(dá)到額定電壓,，控制變頻電源關(guān)閉輸出動作,，構(gòu)成LC回路并產(chǎn)生阻尼振蕩，振蕩電壓產(chǎn)生原理如圖1（a）,、圖（b）所示,。交流振蕩波試驗(yàn)設(shè)備由變頻電源、勵(lì)磁變壓器,、電抗器,、分壓器、耦合電容,、局部放電檢測單元,、負(fù)載電容（即電纜電容）及相關(guān)附件組成,。在振蕩電壓作用下，檢測電纜的局部放電信號,。

    加壓試驗(yàn)時(shí),，將試品電纜接入到振蕩波試驗(yàn)設(shè)備，試驗(yàn)開始前對測試系統(tǒng)進(jìn)行局部放電量校正,，校正完畢后開始對電纜升壓,，最高電壓不超過為電纜的2U0，檢測到明顯的,、穩(wěn)定的局部放電信號,，保存數(shù)據(jù)并記錄，每個(gè)模型在同一電壓等級下重復(fù)進(jìn)行100次局部放電試驗(yàn),。

1.3  測量結(jié)果分析

    采用HFCT傳感器耦合電纜局部放電信號,，經(jīng)過局放檢測單元的調(diào)理電路濾波、放大后,，由采樣率為100 MS/s高速采集卡進(jìn)行模數(shù)轉(zhuǎn)換,，上位機(jī)軟件實(shí)時(shí)顯示局放原始波形，統(tǒng)計(jì)譜圖,。4種不同放電模型累計(jì)譜圖如圖2所示,，從圖中可以看出不同的放電缺陷具有明顯的差異性，因此以統(tǒng)計(jì)譜圖作為數(shù)據(jù)源進(jìn)一步提取,，分析局放特征量,。

1.4  局部放電特征量提取

    根據(jù)局部放電統(tǒng)計(jì)譜圖，即-n-Q譜圖,，可用以下兩類統(tǒng)計(jì)算子來描述放電特征：一類是描述Q-,、-n譜圖的形狀差異，包括均值μ,、偏差,、偏斜度Sk、陡峭度Ku,、局部峰點(diǎn)數(shù)Pe,；另一類是描述Q-譜圖正負(fù)半周的輪廓差異，包括放電量因數(shù)Q,、相位不對稱度Φ,、互相關(guān)系數(shù)cc，以及修正的互相關(guān)系數(shù)mcc,；其中譜圖又可以分為正負(fù)半軸,，因此對應(yīng)統(tǒng)計(jì)算子也可以分為正負(fù)半軸兩組，作為網(wǎng)絡(luò)神經(jīng)輸入?yún)?shù)^[4-7],。

2  局部放電的模式識別

2.1  BP神經(jīng)網(wǎng)絡(luò)算法

    BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法的一種具有非線性連續(xù)轉(zhuǎn)移函數(shù)的多層前饋網(wǎng)絡(luò),，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò),。BP網(wǎng)絡(luò)具有一個(gè)輸入層、一個(gè)或多個(gè)隱含層和一個(gè)輸出層的多層網(wǎng)絡(luò),，其中只有相鄰兩層神經(jīng)元之間存在單向連接,，各神經(jīng)元之間不存在反饋，每個(gè)神經(jīng)元可以從前一層接受多個(gè)輸入,，而只有一個(gè)輸出送給下一層的各神經(jīng)元,。隱含層和輸出層上的每個(gè)神經(jīng)元都對應(yīng)于一個(gè)功能函數(shù)和一個(gè)閾值，神經(jīng)元之間都通過權(quán)值與相鄰的神經(jīng)元互相連接,。處于輸入層上的神經(jīng)元閾值為零,，也就是說這一層的神經(jīng)元輸出等于輸入。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖3所示^[8-10],。

2.2  哈希算法

    哈希（Hash）意思為散列，它是將任意長度的二進(jìn)制值對應(yīng)為固定長度的二進(jìn)制值,，即哈希值,。哈希表是根據(jù)已經(jīng)設(shè)定好的哈希算法和處理數(shù)據(jù)問題的計(jì)算方式，將關(guān)鍵碼值映射到一個(gè)有限的位置空間中,，這種存放記錄的數(shù)組形成的表就叫做哈希表,，這種對應(yīng)的映射函數(shù)叫做哈希函數(shù)，在算法中所得到的存放空間就是哈希地址,。

   哈希算法的作用是對每張圖片生成一個(gè)“指紋”字符串,。獲得的字符串就是該圖片的哈希值。不同圖片的哈希值越接近,，就說明圖片越相似,。哈希算法具有簡單快速、不受圖片大小縮放影響等優(yōu)點(diǎn),。典型的哈希算法實(shí)現(xiàn)流程圖如圖4所示^[11-12]：

    （1）縮小尺寸：將圖片縮小到8×8的尺寸,，總共64個(gè)像素。這一步的作用是去除圖片的細(xì)節(jié),，只保留結(jié)構(gòu),、明暗等基本信息，摒棄不同尺寸,、比例帶來的圖片差異,。

    （2）簡化色彩：將縮小后的圖片，轉(zhuǎn)為64級灰度,。也就是說,，所有像素點(diǎn)總共只有64種顏色。

    （3）計(jì)算平均值：計(jì)算所有64個(gè)像素的灰度平均值,。

    （4）比較像素的灰度：將每個(gè)像素的灰度與平均值進(jìn)行比較,。大于或等于平均值,，記為1；小于平均值,，記為0,。

    （5）計(jì)算哈希值：將上一步的比較結(jié)果組合在一起，就構(gòu)成了一個(gè)64位的整數(shù),，這就是這張圖片的指紋,。組合的次序可以調(diào)整，只要保證所有圖片都采用同樣次序就可以進(jìn)行對比,。

3  模式識別結(jié)果及分析

    每種放電模型選取100組實(shí)驗(yàn)數(shù)據(jù)（共400組）進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,，每種放電選取30組實(shí)驗(yàn)數(shù)據(jù)（共120組）作為未知樣本輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。僅選用局部放電的特征參量作為輸入的神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為：輸入層結(jié)點(diǎn)數(shù)為6,，與輸出層相鄰的隱含層有3個(gè)結(jié)點(diǎn),，與輸出層相鄰的隱含層有5個(gè)結(jié)點(diǎn)，目標(biāo)值（訓(xùn)練誤差）為0.000 001,，最大迭代次數(shù)為200,，學(xué)習(xí)率為0.1；分別進(jìn)行了單隱含層,、雙隱含層兩種網(wǎng)絡(luò)訓(xùn)練的識別4種放電模型,，結(jié)果比對分析如表1。

    由表中數(shù)值可以發(fā)現(xiàn),，單隱含層訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)平均迭代次數(shù)為34.67（次）,、平均識別率為86%；雙隱含層訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)平均迭代次數(shù)為33.33（次）,、平均識別率為87.67%,。由此對于輸入層結(jié)點(diǎn)數(shù)為6的網(wǎng)絡(luò)來說，增加隱含層層數(shù)對迭代次數(shù)的影響不大,，也就是說對系統(tǒng)運(yùn)行時(shí)間增長不明顯,，同時(shí)增加一個(gè)隱含層對識別率提升約1.67%。

    將哈希算法應(yīng)用于局部放電的模式識別中,，需要先對局部放電的信息生成灰度圖,，再從灰度圖中提取所需的哈希值。將4種不同的放電譜圖生成灰度圖,，如圖5所示,，然后將圖片劃分為4×8網(wǎng)格，通過灰度大于平均值的網(wǎng)格記為1,，灰度小于平均值的網(wǎng)格記為0,，可以得到哈希表，對于哈希值的計(jì)算,，采用從左上到右下次數(shù)逐漸增大的算法,，第1行第1列為20第1行第2列為21第1行第3列為22……等,，將哈希表存放的二進(jìn)制數(shù)字轉(zhuǎn)化為十進(jìn)制數(shù)字，也就是哈希值,。這樣每一次實(shí)驗(yàn)樣本都可以提取出一個(gè)哈希值,，可以輸入至后續(xù)的神經(jīng)網(wǎng)絡(luò)分類器中。

    識別結(jié)果圖如表2所示,，表中編號1-3為輸入?yún)?shù)不含哈希值的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果,，輸入層結(jié)點(diǎn)數(shù)為6，平均迭代次數(shù)為34.67（次）,，平均識別率為86%,；編號4-6為輸入?yún)?shù)包含哈希值的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果，輸入層結(jié)點(diǎn)數(shù)為7,，平均迭代次數(shù)為38.33（次）,，平均識別率為96%。由此可見：引入了哈希值作為表征局部放電的典型特征參數(shù)之后,，系統(tǒng)對平均迭代次數(shù)略有上升,，對未知樣本的識別率提升了約10%。進(jìn)一步對每個(gè)樣本的識別結(jié)果比對發(fā)現(xiàn),，哈希值的引入主要使網(wǎng)絡(luò)對懸浮放電、沿面放電的識別率上升,，在一定程度上彌補(bǔ)了統(tǒng)計(jì)學(xué)特征參數(shù)的不足,。

    通過對是否含哈希值作為輸入?yún)?shù)的單隱含層神經(jīng)網(wǎng)絡(luò)的對比，發(fā)現(xiàn)引入哈希值可以將平均識別率由86%提升至96%,，同時(shí)平均迭代次數(shù)幾乎不變,，證明了引入哈希值可以顯著提高系統(tǒng)的識別率。

3  結(jié)論

    本文采用了哈希算法,，將圖像識別技術(shù)與局部放電模式識別結(jié)合起來,，在生成放電灰度圖的基礎(chǔ)上計(jì)算出各灰度圖的哈希值。將哈希值與統(tǒng)計(jì)參數(shù)相結(jié)合,，輸入至BP神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證,，結(jié)果表明引入哈希值這一特征參數(shù)能顯著提升系統(tǒng)的識別率。該方法收斂速度更快,、推廣能力更強(qiáng),，具有較好的應(yīng)用前景。

參考文獻(xiàn)

[1] 劉昌標(biāo). GIS特高頻局部放電特征量優(yōu)選及類型識別研究[D]. 北京: 華北電力大學(xué), 2015.

[2] 郭俊, 吳廣寧, 張血琴, 等. 局部放電檢測技術(shù)的現(xiàn)狀和發(fā)展[J]. 電工技術(shù)學(xué)報(bào), 2005,20(2):29-35.

[3] 卓然. 氣體絕緣電器局部放電聯(lián)合檢測的特征優(yōu)化與故障診斷技術(shù)[D]. 重慶: 重慶大學(xué), 2014.

[4] 胡文堂, 高勝友, 余紹峰,等. 統(tǒng)計(jì)參數(shù)在變壓器局部放電模式識別中的應(yīng)用[J]. 高電壓技術(shù), 2009,35(2):277-281.

[5] 唐炬, 王靜, 李劍, 等. 統(tǒng)計(jì)參數(shù)用于局部放電模式識別的研究[J]. 高電壓技術(shù), 2002, 28(8):4-6.

[6] 鄭重, 談克雄, 高凱. 局部放電脈沖波形特性分析[J]. 高電壓技術(shù), 1999, 25(4): 15-17.

[7] 淡文剛, 陳祥訓(xùn), 鄭健超. 采用小波分析與神經(jīng)網(wǎng)絡(luò)技術(shù)的局部放電統(tǒng)計(jì)識別方法[J]. 中國電機(jī)工程學(xué)報(bào), 2002, 22(9):2-6.

[8] 姜磊, 朱德恒, 李福祺, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的變壓器絕緣模型放電模式識別的研究[J]. 中國電機(jī)工程學(xué)報(bào), 2001, 21(1): 22-25.

[9] 路俊勇, 張婷, 司剛?cè)? 等. GIS懸浮電極缺陷局部放電測量與分析[J]. 高壓電器, 2015, 51(5): 151-156.

[10] 王彩雄. 基于特高頻法的GIS局部放電故障診斷研究[D].北京: 華北電力大學(xué), 2013.

[11] 李蕾. 基于哈希的圖像檢索研究[D]. 北京: 北京交通大學(xué), 2017.

[12] 李劍. 局部放電灰度圖象識別特征提取與分形壓縮方法的研究[D]. 重慶: 重慶大學(xué), 2001.

作者信息:

江  峰,，包艷艷,，陳博棟，王繼娟

（國網(wǎng)甘肅省電力公司 電力科學(xué)研究院, 甘肅 蘭州,，730050）