HASH GAME - Online Skill Game GET 300

　　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

　　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。

　　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。

　　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]。

　　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。

　　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。

　　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。