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，敷設方便等優勢，被廣泛應用于電力系統中的各個電壓等級，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

    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、穩定的局部放電信號，保存數據并記錄，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轉換，上位機軟件實時顯示局放原始波形，統計譜圖。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，因此以統計譜圖作為數據源進一步提取，分析局放特征量。

1.4  局部放電特征量提取

    根據局部放電統計譜圖，即-n-Q譜圖，可用以下兩類統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Q、相位不對稱度Φ、互相關系數cc，以及修正的互相關系數mcc；其中譜圖又可以分為正負半軸，因此對應統計算子也可以分為正負半軸兩組，作為網絡神經輸入參數^[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轉移函數的多層前饋網絡，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。哈希表是根據已經設定好的哈希算法和處理數據問題的計算方式，將關鍵碼值映射到一個有限的位置空間中，這種存放記錄的數組形成的表就叫做哈希表，這種對應的映射函數叫做哈希函數，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點。典型的哈希算法實現流程圖如圖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，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，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組實驗數據（共400組）進行神經網絡的訓練，每種放電選取30組實驗數據（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設置為：輸入層結點數為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。

    由表中數值可以發現，單隱含層訓練得到的神經網絡平均迭代次數為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為33.33（次）、平均識別率為87.67%。由此對于輸入層結點數為6的網絡來說，增加隱含層層數對迭代次數的影響不大，也就是說對系統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字轉化為十進制數字，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為輸入參數不含哈希值的神經網絡訓練結果，輸入層結點數為6，平均迭代次數為34.67（次），平均識別率為86%；編號4-6為輸入參數包含哈希值的神經網絡訓練結果，輸入層結點數為7，平均迭代次數為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之后，系統對平均迭代次數略有上升，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現，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計學特征參數的不足。

    通過對是否含哈希值作為輸入參數的單隱含層神經網絡的對比，發現引入哈希值可以將平均識別率由86%提升至96%，同時平均迭代次數幾乎不變，證明了引入哈希值可以顯著提高系統的識別率。

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。將哈希值與統計參數相結合，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能顯著提升系統的識別率。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狀和發展[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合檢測的特征優化與故障診斷技術[D]. 重慶: 重慶大學, 2014.

[4] 胡文堂, 高勝友, 余紹峰,等. 統計參數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. 統計參數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）