110kV及以上电缆典型缺陷的智能识别研究

姜霞君 杨刚

摘 要：随着我国电力网络的改造升级，对于电缆典型缺陷的测试也越来越受到重视，其中，对电缆典型缺陷类型的判定及智能识别，可以提升电缆现场测试的精准性与灵敏性。本文以110kV及以上电缆典型缺陷的智能识别研究为题，具体探讨中分别从测试平台、试样制作、局部放电特征量提取、局部放电模式智能识别展开具体探讨。

关键词：电缆;典型缺陷;智能识别

现代电力输配电网络各电压等级中，对于XLPE电力电缆的应用已经十分广泛，从电力系统运行安全角度看，电力电缆性能的良好与否，直接影响着其运行能力与运行可靠性。按照相关法律规范与应用标准，电力电缆投入使用前需要进行一系列的试验与试运营;但是，在这个过程中对于内部相对微小的缺陷，如杂质、气隙、半导电凸等，很难通过出厂测试进行全面测定;加上安装等工序，极易导致放电加剧现象，进而引发绝缘失效问题。运用智能识别方案对110kV及以上电缆典型缺陷进行判定，可以有效提升其缺陷测试效果。

1、测试平台

对于110kV及以上电缆典型缺陷的智能识别，需要采用局部放电现场检测方法，从当前国内应用情况看，主要以阻尼振荡波电压下的PD检测、超低频电压下的PD检测、工频正弦波电压下的PD检测为主。本文以阻尼振荡波电压下的PD检测方法为准，其优势表现在携带方便、作用时间短、等效性好、无损害方面，能够实现对电力电缆局部放电现场检测与故障定位。阻尼振荡波测试系统由变频电源（本次选用ST-3598Z型变频谐振高压试验装置，输出电压频率范围控制在30Hz到500Hz，额定功率以10kW为准）、高速数据卡（选用PICOSCOPE 5000系列，最大宽带100MHz，重复采样率为2.4G/s）、工控机软件（选用Labview设计）等组成。其中，具体的应用模块包括“参数设置”、“信号采集”、“数据分析”、“谱图显示”、“数据存储”等。

2、试样制作

（1）结合日常工作经验，依据电力电缆安装、敷设中易发生的缺陷类型，采用人工制作方式，在电力电缆终端试品进行缺陷制造，包括断口不齐、主绝缘纵向割伤，箱体与环境温度缺陷通过连接传感器，人为设置破坏痕迹与高温状态。（2）试样局部放电测试前，以GB/T 11017.1-3——2002标准，对测试平台进行局部放电测试量方法测量。结果显示，平台放电量<5pC，试验回路完好，未发现电晕与其它放电点。（3）接通电源，按照高压电动试难控制台实施升压，当控制软件显示出局部放电、箱体与环境温度过高现象时，观察存储采集卡对应数据。（4）针对信号中存在的环境噪音，采用HHT-希尔伯特黄变换方法，结合HHT-小波改进变换方法，分析信号，进行滤波处理无效信息。同时检查箱体与环境传感器连接是否牢固，制作的缺陷状态是否发生变化等。

3、局部放电特征量提取

（1）针对不同缺陷类型局部放电信号统计特征量，按照陡峭度、偏斜度、互相关系数、局部峰个数、相位不对称度、放电因数，对去噪数据进行统计特征量分析。（2）针对采集到的断口不齐、主绝缘割伤的局部放电数据，与箱体受损及环境温度过高数据，进行随机工频周期信号特征提取（以随机选择100个工频周期信号特征为准）。（3）结合提取特征与对应数据，建立局部放电特征识别数据库，温度特征识别库。

4、局部放电模式智能识别

4.1知识识别原理与操作流程

在智能识别系统中，以局部放电的模式识别算法、温度模式识别算法为准。具体原理与操流程如下：

（1）以实验室不同局部放电类型样本数据为准，将其作为训练数据进行模型学习;以常规标准箱体及环境温度样本数据为准，将其作为训练数据进行模型学习。（2）调整算法中的各项参数，按照映射关系，建立数据特征——放电类型映射关系，建立数据特征——温度变化放射关系，由此实现模式识别算法学习过程。（3）智能识别中，以待识别数据为输入数据，放电类型与温度变化为输出类型，然后对放电类型与温度变化进行识别操作。

4.2智能识别算法验证

当前，常用的局部放电模式识别算法包括极限学习机、神经网络、支持向量机为主;温度变化识别，既可以应用此类算法，也可以借助更为简单的单独设置，通过传感器-安全温度之间的数据监测系统设置进行智能预警识别。本次研究中，按照人工缺陷下的电缆终端试验，对110kV及以上电缆典型缺陷提取局部放电特征量为基础，运用三种智能模式识别算法进行验证分析。验证结果显示，在极限学习机算法下，训练时间为0.0460s，测试时间为0.0116s，精准率为81.03%;支持向量机算法下，训练时间为0.5382s，测试时间为0.0214s，精准率在78.21%;BP神经网络算法下，训练时间为1.0355s，测试时间为0.0673s，精准率为74.67%。而温度传感器-安全温度之间的直接映射关系监测结果表明，与安全温度相比，若发生箱体与环境温度超过安全温度值时，即刻会引发预警系统预警，并显示具体的温度值;经过实际温度測量与样本温度数据对比，其温度预警精准率为92.68%。

比较不同智能识别算法的结果，本次实验结果表明，在极限学习机、支持向量机、BP神经网络算法验证结果方面，极取学习机算法的测试时间相对较短，精准率相对较高;BP神经网络算法的训练时间相对较短，精准率相对较低;与极取学习机与BP神经网络算法相比，支持向量机的优势特征不明显。所以，在实际的智能模识别系统应用中，对110kV电缆典型缺陷中的进行检测时，应该注重选择极取学习机算法。对于电力电缆及箱体等附件的局部放电特征提提取中，阻尼振荡波电压测试平台有助于提升检测效用与灵敏度。对于箱体温度的变化检测，则应该按照样本数据提供的安全温度与风险温度进行映射关系设置，或直接设置预警按钮，一旦发生温度超值现象，即时通过预警进行信息反馈。需要注意的是，在信号传输方面的采集会受到一系列干扰，需要注重对于相关信号的滤波处理;而温度变化的检测则要考虑到温度的实时变化。

5、结束语

总而言之，在电缆典型缺陷判定方面，无论采用常规技术识别还是智能识别，均需要进行取电、电流测试、箱体与环境温度测试，以及无线信号传输的判定等。结合以上分析，可以认识到对于电缆附件典型缺陷中的局部放电检测，运用阻尼振荡波电压测试平台，能够起到灵敏识别的目标，提高对缺陷激发的局部放电信号的采集;同时，应用极限学习智能识别算法，可以产生较高的判断速度与，对于110kV及以上电缆典型缺陷的智能识别率相对较好。但是，对于环境变化温度中的各项影响因素的专门化分离与预测分析相对不足，有必要在后续的研究中，增强对环境温度各个构成要素方面的智能识别研究。因此，建议增强智能识别技术在电缆典型缺陷分型方面的研究，提升其在细微缺陷方面的识别能力。

参考文献：

[1]苑吉河，杨阳，张曦， 等.基于材料和电场分布的不同电缆缺陷的震荡波表征效果研究[J].电力科学与技术学报，2020，35（4）：42-48.

[2]何楠，任志刚，陈平， 等.XLPE电缆典型缺陷局部放电特性研究[J].电工技术，2020，11（13）：120-124.

[3]何若冰，陈佳，朱劲松， 等.交流XLPE电缆典型绝缘缺陷的PD特性与类型识别[J].电工电气，2020，16（6）：5-13.

[4]于连坤，魏占朋，丁彬， 等.电力电缆接地系统缺陷引起环流异常的分析[J].山东电力技术，2020，47（5）：26-29.

（浙江新图维电子科技有限公司  浙江杭州   311121）