0  引言

    高壓電力電纜因具有良好的電性能和熱性能,，并且結構簡單，制造周期短,，工作耐受溫度高,，敷設方便等優(yōu)勢，被廣泛應用于電力系統(tǒng)中的各個電壓等級,，由于制造工藝的問題,，另外在敷設的時候，極有可能受到來自外界機械力的作用而造成損害,，或長期運行受環(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,，電纜投運或交接預防試驗主要有工頻耐壓法、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,，振蕩波電壓法對設備的容量需求較小，操作簡單,，作用時間短,，不會對電纜絕緣造成傷害，是目前公認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主要應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，同時在生成局部放電灰度圖的基礎上,，提取出哈希值一同輸入至BP網絡神經進行訓練并驗證結果,，在引入哈希值前后兩種不同結果網絡神經對比，結果表明,，引入哈希值后放電缺陷識別率明顯提高約10%,，多次試驗結果驗證4種不同放電類型識別率均達到95%以上。 

1  振蕩波試驗

1.1  電纜放電試驗模型

    試驗室制作的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)

    交流振蕩波試驗設備符合GB 50150-2006電氣設備交接試驗標準,，試驗設備采用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,，變頻電源在諧振頻率點下提高輸出電壓,，使得電纜試品上的電壓達到額定電壓，控制變頻電源關閉輸出動作，構成LC回路并產生阻尼振蕩,，振蕩電壓產生原理如圖1（a）,、圖（b）所示。交流振蕩波試驗設備由變頻電源,、勵磁變壓器,、電抗器、分壓器,、耦合電容,、局部放電檢測單元、負載電容（即電纜電容）及相關附件組成,。在振蕩電壓作用下,，檢測電纜的局部放電信號,。

    加壓試驗時,，將試品電纜接入到振蕩波試驗設備，試驗開始前對測試系統(tǒng)進行局部放電量校正,，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，每個模型在同一電壓等級下重復進行100次局部放電試驗,。

1.3  測量結果分析

    采用HFCT傳感器耦合電纜局部放電信號,，經過局放檢測單元的調理電路濾波、放大后,，由采樣率為100 MS/s高速采集卡進行模數(shù)轉換,，上位機軟件實時顯示局放原始波形，統(tǒng)計譜圖,。4種不同放電模型累計譜圖如圖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)計譜圖作為數(shù)據(jù)源進一步提取,，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)計譜圖，即-n-Q譜圖,，可用以下兩類統(tǒng)計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、局部峰點數(shù)Pe,；另一類是描述Q-譜圖正負半周的輪廓差異,，包括放電量因數(shù)Q、相位不對稱度Φ,、互相關系數(shù)cc,，以及修正的互相關系數(shù)mcc；其中譜圖又可以分為正負半軸,，因此對應統(tǒng)計算子也可以分為正負半軸兩組,，作為網絡神經輸入參數(shù)^[4-7]。

2  局部放電的模式識別

2.1  BP神經網絡算法

    BP神經網絡是基于誤差反向傳播算法的一種具有非線性連續(xù)轉移函數(shù)的多層前饋網絡,，是目前應用最廣泛的神經網絡,。BP網絡具有一個輸入層、一個或多個隱含層和一個輸出層的多層網絡,，其中只有相鄰兩層神經元之間存在單向連接,，各神經元之間不存在反饋，每個神經元可以從前一層接受多個輸入,，而只有一個輸出送給下一層的各神經元,。隱含層和輸出層上的每個神經元都對應于一個功能函數(shù)和一個閾值，神經元之間都通過權值與相鄰的神經元互相連接,。處于輸入層上的神經元閾值為零,，也就是說這一層的神經元輸出等于輸入。BP神經網絡的拓撲結構如圖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制值對應為固定長度的二進制值，即哈希值,。哈希表是根據(jù)已經設定好的哈希算法和處理數(shù)據(jù)問題的計算方式,，將關鍵碼值映射到一個有限的位置空間中，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“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。典型的哈希算法實現(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個像素,。這一步的作用是去除圖片的細節(jié),，只保留結構、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,，轉為64級灰度,。也就是說，所有像素點總共只有64種顏色,。

    （3）計算平均值：計算所有64個像素的灰度平均值,。

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

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

3  模式識別結果及分析

    每種放電模型選取100組實驗數(shù)據(jù)（共400組）進行神經網絡的訓練,，每種放電選取30組實驗數(shù)據(jù)（共120組）作為未知樣本輸入神經網絡進行預測。僅選用局部放電的特征參量作為輸入的神經網絡參數(shù)設置為：輸入層結點數(shù)為6,，與輸出層相鄰的隱含層有3個結點,，與輸出層相鄰的隱含層有5個結點，目標值（訓練誤差）為0.000 001,，最大迭代次數(shù)為200,，學習率為0.1；分別進行了單隱含層,、雙隱含層兩種網絡訓練的識別4種放電模型,，結果比對分析如表1。

    由表中數(shù)值可以發(fā)現(xiàn),，單隱含層訓練得到的神經網絡平均迭代次數(shù)為34.67（次）,、平均識別率為86%；雙隱含層訓練得到的神經網絡平均迭代次數(shù)為33.33（次）,、平均識別率為87.67%,。由此對于輸入層結點數(shù)為6的網絡來說，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)運行時間增長不明顯,，同時增加一個隱含層對識別率提升約1.67%。

    將哈希算法應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網格,，通過灰度大于平均值的網格記為1，灰度小于平均值的網格記為0,，可以得到哈希表,，對于哈希值的計算，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制數(shù)字轉化為十進制數(shù)字，也就是哈希值,。這樣每一次實驗樣本都可以提取出一個哈希值,，可以輸入至后續(xù)的神經網絡分類器中。

    識別結果圖如表2所示,，表中編號1-3為輸入參數(shù)不含哈希值的神經網絡訓練結果,，輸入層結點數(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為輸入參數(shù)包含哈希值的神經網絡訓練結果，輸入層結點數(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%。進一步對每個樣本的識別結果比對發(fā)現(xiàn),，哈希值的引入主要使網絡對懸浮放電,、沿面放電的識別率上升，在一定程度上彌補了統(tǒng)計學特征參數(shù)的不足,。

    通過對是否含哈希值作為輸入參數(shù)的單隱含層神經網絡的對比,，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  結論

    本文采用了哈希算法，將圖像識別技術與局部放電模式識別結合起來,，在生成放電灰度圖的基礎上計算出各灰度圖的哈希值,。將哈希值與統(tǒng)計參數(shù)相結合,，輸入至BP神經網絡進行驗證，結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，具有較好的應用前景,。

參考文獻

[1] 劉昌標. 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, 2015.

[2] 郭俊, 吳廣寧, 張血琴, 等. 局部放電檢測技術的現(xiàn)狀和發(fā)展[J]. 電工技術學報, 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[D]. 重慶: 重慶大學, 2014.

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

[5] 唐炬, 王靜, 李劍, 等. 統(tǒng)計參數(shù)用于局部放電模式識別的研究[J]. 高電壓技術, 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, 1999, 25(4): 15-17.

[7] 淡文剛, 陳祥訓, 鄭健超. 采用小波分析與神經網絡技術的局部放電統(tǒng)計識別方法[J]. 中國電機工程學報, 2002, 22(9):2-6.

[8] 姜磊, 朱德恒, 李福祺, 等. 基于人工神經網絡的變壓器絕緣模型放電模式識別的研究[J]. 中國電機工程學報, 2001, 21(1): 22-25.

[9] 路俊勇, 張婷, 司剛全, 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, 2013.

[11] 李蕾. 基于哈希的圖像檢索研究[D]. 北京: 北京交通大學, 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, 2001.

作者信息:

江  峰,，包艷艷，陳博棟,，王繼娟

（國網甘肅省電力公司 電力科學研究院, 甘肅 蘭州,，730050）