《电子技术应用》
您所在的位置:首页 > 电源技术 > 设计应用 > 振荡波电压下高压电缆局部放电模式识别研究
振荡波电压下高压电缆局部放电模式识别研究
2018智能电网增刊
江 峰,包艳艳,陈博栋,王继娟
国网甘肃省电力公司 电力科学研究院, 甘肃 兰州,730050
摘要: 提出了一种在振荡波电压下高压电缆局部放电模式识别研究,试验制作了4种不同的电缆缺陷,对4种缺陷模型施加振荡波电压并测量局部放电信号及PRPD谱图、PRPS谱图,以谱图正负半轴提取模式识别输入特征量,采用BP神经网络算法对4种不同放电缺陷进行识别,并提出哈希图形算法,识别结果在原有基础上提高了10%。验证该方法的有效性,结果表明:采用BP神经网络和哈希算法结合分析,以谱图的正负半轴提取特征量,能够很好地识别出4种不同的放电缺陷,具有很好的实际应用和参考价值。
中图分类号: TM274
文献标识码: A
DOI:10.16157/j.issn.0258-7998.2018.S1.042
Abstract:
Key words :

0  引言

    高压电力电缆因具有良好的电性能和热性能,并且结构简单,制造周期短,工作耐受温度高,敷设方便等优势,被广泛应用于电力系统中的各个电压等级,由于制造工艺的问题,另外在敷设的时候,极有可能受到来自外界机械力的作用而造成损害,或长期运行受环境侵蚀等原因,可能造成电缆绝缘缺陷隐患,从而给电力系统安全造成很大影响。目前,电缆投运或交接预防试验主要有工频耐压法、直流耐压、0.1 Hz超低频及振荡波电压法。工频耐压法对测试设备提出了很高的要求,而直流耐压法、0.1 Hz超低频电压法对电缆具有一定的损伤,可能会引起电缆新的缺陷,振荡波电压法对设备的容量需求较小,操作简单,作用时间短,不会对电缆绝缘造成伤害,是目前公认的电缆绝缘检测的最有效方法之一[1-3]

    目前振荡波耐压技术主要应用于局部放电检测及定位,对于放电类型判别研究较少,本文根据试验制作的4种不同缺陷放电模型,分别是尖端放电、悬浮放电、气隙放电和主绝缘划痕。振荡波加压下测量局部放电信号,从放电谱图中提取特征量,同时在生成局部放电灰度图的基础上,提取出哈希值一同输入至BP网络神经进行训练并验证结果,在引入哈希值前后两种不同结果网络神经对比,结果表明,引入哈希值后放电缺陷识别率明显提高约10%,多次试验结果验证4种不同放电类型识别率均达到95%以上。 

1  振荡波试验

1.1  电缆放电试验模型

    试验室制作的4种不同放电缺陷是在四段不同长度的XLPE电缆上制作的,电缆型号为YJLW03,额定电压64/110 kV。在制作缺陷前,首先采用局部放电检测仪进行检测,判断电缆没有局部放电,然后分别在电缆中人工制作尖端放电、悬浮放电、气隙放电及主绝缘划痕缺陷,电缆两端安装冷缩式电缆终端头。

1.2  振荡波电压法测量系统

    交流振荡波试验设备符合GB 50150-2006电气设备交接试验标准,试验设备采用LC阻尼振荡原理,变频电源系统寻找由电缆C和电抗器L组成的LC谐振回路谐振频率点,变频电源在谐振频率点下提高输出电压,使得电缆试品上的电压达到额定电压,控制变频电源关闭输出动作,构成LC回路并产生阻尼振荡,振荡电压产生原理如图1(a)、图(b)所示。交流振荡波试验设备由变频电源、励磁变压器、电抗器、分压器、耦合电容、局部放电检测单元、负载电容(即电缆电容)及相关附件组成。在振荡电压作用下,检测电缆的局部放电信号。

jf-t1.gif

    加压试验时,将试品电缆接入到振荡波试验设备,试验开始前对测试系统进行局部放电量校正,校正完毕后开始对电缆升压,最高电压不超过为电缆的2U0,检测到明显的、稳定的局部放电信号,保存数据并记录,每个模型在同一电压等级下重复进行100次局部放电试验。

1.3  测量结果分析

    采用HFCT传感器耦合电缆局部放电信号,经过局放检测单元的调理电路滤波、放大后,由采样率为100 MS/s高速采集卡进行模数转换,上位机软件实时显示局放原始波形,统计谱图。4种不同放电模型累计谱图如图2所示,从图中可以看出不同的放电缺陷具有明显的差异性,因此以统计谱图作为数据源进一步提取,分析局放特征量。

jf-t2.gif

1.4  局部放电特征量提取

    根据局部放电统计谱图,即jf-1.4-x1.gif-n-Q谱图,可用以下两类统计算子来描述放电特征:一类是描述Q-jf-1.4-x1.gifjf-1.4-x1.gif-n谱图的形状差异,包括均值μ、偏差、偏斜度Sk、陡峭度Ku、局部峰点数Pe;另一类是描述Q-jf-1.4-x1.gif谱图正负半周的轮廓差异,包括放电量因数Q、相位不对称度Φ、互相关系数cc,以及修正的互相关系数mcc;其中谱图又可以分为正负半轴,因此对应统计算子也可以分为正负半轴两组,作为网络神经输入参数[4-7]

2  局部放电的模式识别

2.1  BP神经网络算法

    BP神经网络是基于误差反向传播算法的一种具有非线性连续转移函数的多层前馈网络,是目前应用最广泛的神经网络。BP网络具有一个输入层、一个或多个隐含层和一个输出层的多层网络,其中只有相邻两层神经元之间存在单向连接,各神经元之间不存在反馈,每个神经元可以从前一层接受多个输入,而只有一个输出送给下一层的各神经元。隐含层和输出层上的每个神经元都对应于一个功能函数和一个阈值,神经元之间都通过权值与相邻的神经元互相连接。处于输入层上的神经元阈值为零,也就是说这一层的神经元输出等于输入。BP神经网络的拓扑结构如图3所示[8-10]

jf-t3.gif

2.2  哈希算法

    哈希(Hash)意思为散列,它是将任意长度的二进制值对应为固定长度的二进制值,即哈希值。哈希表是根据已经设定好的哈希算法和处理数据问题的计算方式,将关键码值映射到一个有限的位置空间中,这种存放记录的数组形成的表就叫做哈希表,这种对应的映射函数叫做哈希函数,在算法中所得到的存放空间就是哈希地址。

   哈希算法的作用是对每张图片生成一个“指纹”字符串。获得的字符串就是该图片的哈希值。不同图片的哈希值越接近,就说明图片越相似。哈希算法具有简单快速、不受图片大小缩放影响等优点。典型的哈希算法实现流程图如图4所示[11-12]

    (1)缩小尺寸:将图片缩小到8×8的尺寸,总共64个像素。这一步的作用是去除图片的细节,只保留结构、明暗等基本信息,摒弃不同尺寸、比例带来的图片差异。

    (2)简化色彩:将缩小后的图片,转为64级灰度。也就是说,所有像素点总共只有64种颜色。

    (3)计算平均值:计算所有64个像素的灰度平均值。

    (4)比较像素的灰度:将每个像素的灰度与平均值进行比较。大于或等于平均值,记为1;小于平均值,记为0。

    (5)计算哈希值:将上一步的比较结果组合在一起,就构成了一个64位的整数,这就是这张图片的指纹。组合的次序可以调整,只要保证所有图片都采用同样次序就可以进行对比。

jf-t4.gif

3  模式识别结果及分析

    每种放电模型选取100组实验数据(共400组)进行神经网络的训练,每种放电选取30组实验数据(共120组)作为未知样本输入神经网络进行预测。仅选用局部放电的特征参量作为输入的神经网络参数设置为:输入层结点数为6,与输出层相邻的隐含层有3个结点,与输出层相邻的隐含层有5个结点,目标值(训练误差)为0.000 001,最大迭代次数为200,学习率为0.1;分别进行了单隐含层、双隐含层两种网络训练的识别4种放电模型,结果比对分析如表1。

jf-b1.gif

    由表中数值可以发现,单隐含层训练得到的神经网络平均迭代次数为34.67(次)、平均识别率为86%;双隐含层训练得到的神经网络平均迭代次数为33.33(次)、平均识别率为87.67%。由此对于输入层结点数为6的网络来说,增加隐含层层数对迭代次数的影响不大,也就是说对系统运行时间增长不明显,同时增加一个隐含层对识别率提升约1.67%。

    将哈希算法应用于局部放电的模式识别中,需要先对局部放电的信息生成灰度图,再从灰度图中提取所需的哈希值。将4种不同的放电谱图生成灰度图,如图5所示,然后将图片划分为4×8网格,通过灰度大于平均值的网格记为1,灰度小于平均值的网格记为0,可以得到哈希表,对于哈希值的计算,采用从左上到右下次数逐渐增大的算法,第1行第1列为20第1行第2列为21第1行第3列为22……等,将哈希表存放的二进制数字转化为十进制数字,也就是哈希值。这样每一次实验样本都可以提取出一个哈希值,可以输入至后续的神经网络分类器中。

jf-t5.gif

    识别结果图如表2所示,表中编号1-3为输入参数不含哈希值的神经网络训练结果,输入层结点数为6,平均迭代次数为34.67(次),平均识别率为86%;编号4-6为输入参数包含哈希值的神经网络训练结果,输入层结点数为7,平均迭代次数为38.33(次),平均识别率为96%。由此可见:引入了哈希值作为表征局部放电的典型特征参数之后,系统对平均迭代次数略有上升,对未知样本的识别率提升了约10%。进一步对每个样本的识别结果比对发现,哈希值的引入主要使网络对悬浮放电、沿面放电的识别率上升,在一定程度上弥补了统计学特征参数的不足。

jf-b2.gif

    通过对是否含哈希值作为输入参数的单隐含层神经网络的对比,发现引入哈希值可以将平均识别率由86%提升至96%,同时平均迭代次数几乎不变,证明了引入哈希值可以显著提高系统的识别率。

3  结论

    本文采用了哈希算法,将图像识别技术与局部放电模式识别结合起来,在生成放电灰度图的基础上计算出各灰度图的哈希值。将哈希值与统计参数相结合,输入至BP神经网络进行验证,结果表明引入哈希值这一特征参数能显著提升系统的识别率。该方法收敛速度更快、推广能力更强,具有较好的应用前景。

参考文献

[1] 刘昌标. GIS特高频局部放电特征量优选及类型识别研究[D]. 北京: 华北电力大学, 2015.

[2] 郭俊, 吴广宁, 张血琴, 等. 局部放电检测技术的现状和发展[J]. 电工技术学报, 2005,20(2):29-35.

[3] 卓然. 气体绝缘电器局部放电联合检测的特征优化与故障诊断技术[D]. 重庆: 重庆大学, 2014.

[4] 胡文堂, 高胜友, 余绍峰,等. 统计参数在变压器局部放电模式识别中的应用[J]. 高电压技术, 2009,35(2):277-281.

[5] 唐炬, 王静, 李剑, 等. 统计参数用于局部放电模式识别的研究[J]. 高电压技术, 2002, 28(8):4-6.

[6] 郑重, 谈克雄, 高凯. 局部放电脉冲波形特性分析[J]. 高电压技术, 1999, 25(4): 15-17.

[7] 淡文刚, 陈祥训, 郑健超. 采用小波分析与神经网络技术的局部放电统计识别方法[J]. 中国电机工程学报, 2002, 22(9):2-6.

[8] 姜磊, 朱德恒, 李福祺, 等. 基于人工神经网络的变压器绝缘模型放电模式识别的研究[J]. 中国电机工程学报, 2001, 21(1): 22-25.

[9] 路俊勇, 张婷, 司刚全, 等. GIS悬浮电极缺陷局部放电测量与分析[J]. 高压电器, 2015, 51(5): 151-156.

[10] 王彩雄. 基于特高频法的GIS局部放电故障诊断研究[D].北京: 华北电力大学, 2013.

[11] 李蕾. 基于哈希的图像检索研究[D]. 北京: 北京交通大学, 2017.

[12] 李剑. 局部放电灰度图象识别特征提取与分形压缩方法的研究[D]. 重庆: 重庆大学, 2001.



作者信息:

江  峰,包艳艳,陈博栋,王继娟

(国网甘肃省电力公司 电力科学研究院, 甘肃 兰州,730050)

此内容为AET网站原创,未经授权禁止转载。