基于线缆状态数据的特征集成及异常信息自动检测技术

王定发

摘要：高压线缆在运行中容易受到气候和环境的影响，导致状态数据出现异常，为了精准检测异常线缆状态数据，保障线缆全生命周期安全，提出基于资产全生命周期的高压线缆状态数据异常自动检测方法。设计异常数据检测框架，以提供软硬支持的基础层为基础，以能力层的平台能力模块为技术支撑，大数据处理能力模块通过松耦合方法集成线缆资产全生命周期信息，提取其波动性、趋势性以及变动性特征记作特征向量并形成投影矩阵；应用层资产状态监测模块以此为依据，构建T2和平方误差预测统计量作为线缆状态特征量，将特征向量控制限作为判断状态数据异常阈值，实现线缆异常状态检测。实验结果表明：该方法可有效检测线缆异常状态数据，检测精度较高，且通过界面展示异常状态数据检测结果。

关键词：高压线缆；异常检测；松耦合；特征提取；检测技术

中图分类号：TM76文献标志码：A文章编号：1001-5922（2023）05-0188-05

Automaticdetectiontechnologyof featureintegration andabnormalstatedatabasedoncablestatusdata

WANG Dingfa

（China Southern Power Grid Digital Grid Research Institute Co.，Ltd.，Guangzhou 510000，China）

Abstract：High voltage cables are easily affected by climate and environment during operation，resulting in abnor? mal state data. In order to accurately detect abnormal cable state data and ensure the safety of cable life cycle，an automatic detection method of abnormal state data of high voltage cables based on the whole lifecycle of assets was proposed. The abnormal data detection framework was designed，based on the basic layer providing software and hardware support，and supported with the platform capability module of the capability layer as the technical sup? port. The big data processing capability module integrated the full life cycle information of cable assets through the loose coupling method，extracted its volatility，trend and variability characteristics as feature vectors，and formed a projection matrix. Based on this，the application layer asset status monitoring module，the T2 and squared error prediction statistics were constructed as the cable state characteristic quantity，and the eigenvector control limit was used as the abnormal threshold to judge the state data，so as to realize the cable abnormal state detection. The experimental results showed that this method could effectively detect cable abnormal state data，and the detectionaccuracy was high. The abnormal state data detection results were displayed through the interface.Keywords：High voltage cable；Abnormal detection；Loose coupling；Feature extraction；Statistic

高压线缆一般用于电力线缆内1～986 kV 内电力传输，是供电与用电设备之间重要的枢纽，其结构可抵挡地面高强度挤压以及其他外力损坏[1]。但高压线缆依然存在内部数据损坏的情况主要因素包括制造商生产、施工质量和设计部门设计3种，为线缆运作造成威胁。为提升线缆工作效率，加快电力传输精度，减少线缆造成的经济损失，需进行及时、快速检测线缆状态异常数据[2]。

众多学者为此展开研究，提出户外线缆多渠道融合的状态检测方法，此方法将各个渠道数据进行采集以及处理，实现线缆5年以上的状态检测，但该方法计算资源损耗过大，不利于长久使用[3]。提出线缆异常多元模糊检测方法，此方法通过向量选取异常数据的最小数据，完成异常数据检测，该方法检测可行性较高；但该方法检测结果严谨性较低，容易产生误差[4]。

资产全生命周期表示资产从谋划、研究、采选、报废以及处理的生命周期，该生命周期内信息非常全面。因此提出基于资产全生命周期的高压线缆状态异常数据自动检测方法，保证配电网运行安全。

1 高压线缆状态数据异常检测

基础层、能力层以及应用层构成高压线缆的资产全生命周期信息异常状态检测框架，该框架结构图如图1所示。

公有云、私有云构建基础层的框架，为高压线缆资产全生命周期状态数据异常检测提供软硬支持；5G 物联网、区块链等功能性能力以及数据采集、提取和可视化构成资产全生命周期的能力层，该能力层的大数据处理能力模块可实现高压线缆全生命周期状态数据的集成、异常状态特征提取并可视化呈现高压线缆全生命周期状态数据集成结果；资产状态检测、运行监控以及安全管理构成应用层，该层能够有效地完成高压线缆的异常检测，并展示高压线缆的运行状态变化情况。

1.1高压线缆资产全生命周期信息集成

高压线缆根据型号采选和组合调节到运行、养护、再到更换和作废的过程组成线缆资产全生命周期，应该将该生命周期的所有信息进行集成、分享和增加更换处理，即完成线缆资产全生命周期信息集成，便于线缆生产厂家和用户对该集成评估处理[5]。检测信息被该信息集成分批集成传输到文件里，将检测信息以文件形式显示给用户，为后期检测信息的有效利用和共享打下基础。线缆资产全生命周期内的数据类型各异，处理这些异构数据是信息集成的主要难题。

该线缆资产全生命周期一般通过线缆属性维、线缆分类维和线缆生命周期维3种形式显示。根据线缆属性的视图性和时段性特点，采用分层模块进行数据区分，以便将线缆属性与属性的依附联系起来。依据上述分层模块，具体区分为逻辑装备、节点、数据类和数据属性。其中无数个逻辑节点构成逻辑装备，表示实体线缆的性能概括；线缆中最小性能部分的概括以及集中与数据类有关的数据代表逻辑节点；数据类中具有整个与数据属性有关的数据，设置通用数据类为大众数据类[6]。

若高压线缆是一个逻辑装备，则逻辑装备的节点是导电芯线、高压绝缘层以及半导体层等结构；数据类不同数据保存在各个逻辑点内，例如，此逻辑节点设计、建造、应用以及运行检测等数据属于时间数据类，逻辑点名称、生产商、应用位置以及修理信息等数据形成字符数据类；将逻辑节点状态检测数据、工作地点等数据归类在大众数据类内。

利用松耦合方法进行信息集成计算，将多个渠道逻辑装备内每一个逻辑节点信息通过包的形式展现，利用并行方式集成多种异构包，得到整个资产全生命周期数据。通过将数据离散化并进行耦合，可提升各个性能分区的可配置性和数据可调节性。为提高整个模块变通性，选取异构数据时需要多样化的应用形式和数据处理。

将应用XML 语言集成所有逻辑装备的资产全生命周期有关数据，并将集成后资产全生命周期数据传到文件内。高压线缆实体属性就是根据实时监测到的资产全生命周期动态数据形成新的线缆数据集成文件，线缆状态数据异常检测根据新的线缆资产全生命周期数据实现。

1.2 异常特征提取

经典的一维时间序列可记作集成后的状态检测类数据和与其相关的数据，通过对时间序列进行处理实现高压电流的检测算法。该序列具有非线性、结构复杂以及规模大的特性。为防止测量噪声以及随机误差对检测结果造成影响，以及序列形成过程中计算资源消耗过大，造成检测效率减少的现象，提出初始数据预处理的方法，减少检测算法的计算复杂度以及噪声影响[7]。

初始数据通过特征提取的通用方式进行数据降维，一般表现为分析初始高维数据并提取其中一些特征，即初始数据的实体属性采用该特征进行描述，降低噪声和数据降维等对检测算法造成的影响。因此描述初始时间序列的方法通过提取波动性、趋势性以及变动性3个维度内的9项特征。

1.2.1波动性特征

将时间序列计算后的数值平均值波动水平记作波动性描述，线缆数据的波动性通过极差、标准差、离散系数以及几何平均值4类特征进行描述。

1）极差

时间序列的最大波动界限用极差描述，表達式为：

式中：x（t）表示时间序列；max 表示 x（t）最大值；min 代表 x（t）最小值。

2）标准差

式中：时间序列总长度和计算时间序列的平均数值分别是 G 、。数据计算后数值平均值的离散水平是标准差，波动性随着标准差逐渐增加而增加，波动过大导致数据不稳定。

3）离散系数

式中：标准差、数据计算后的数值平均值比值是离散系数，代表数据相对的离散水平，离散系数与数据波动性成正比。

4）几何平均值

1.2.2 趋势性特征

时间序列随时间变化的整体走势记作趋势性特征，线缆数据的走势利用质心、有关系数以及中值3类特征描述。

1）质心

用于描述时间序列能量随时间分布特点的是时间序列质心，其表达式：

其中：

2）有关系数

G 的前半部分时间序列采样位置与 G 的后半部分时间序列采样位置之间有关系数即为序列的有关系数，表达式：

其中，时间序列前后变化走势即为相关系数。相关系数越小，时间序列前后走势变化越不稳定，一致性减弱。

3）中值

G 的前半部分时间序列采样位置的中值减去 G 的后半部分时间序列采样位置的中值，二者之间的变化走势由该结果表达，表达式为：

式中：x1是 G 的前半部分时间序列采样位置的中值； x2是 G 的后半部分时间序列采样位置的中值。

1.2.3 变动性特征

时间序列不同采样位置的整体分散特点是变动性描述。线缆的变动性是采用波性熵、二阶中心距2个特征进行描述。

1）波形熵

其中，时间序列的能量分散特点采用式（8）描述。

2）二阶中心

式中：t（-）>8tpt 。其中，时间序列相对质心的分散状况

采用式（9）描述。

1.3 统计高压线缆状态异常特征量

提取的高壓线缆特征可记作特征向量，利用假定检查方法建立特征统计量，将该特征统计量代入检测算法内进行线缆识别与异常检测[8]。采用多元统计分析方法（T2）统计量和平方误差预测（SPE）方法处理统计量，完成线缆异常状态检测。

将全部特征向量构成投影矩阵设为A >{a1. a2.…aj } eRqxj；线缆时间序列样本正常数据设为 X>{x1.x2.…x（k）}eRqx k ，将 X 分化成主元与残差子空间，分化表达式为：

式中：主元和残差空间分别为BY 、E；Y>{y1.y2.…yj }e Rkxj（q5k）是低维数据映射； B > A ，C 是常数。

对于待检测数据xC则有：

式中：残差向量为 e 。

高压线缆异常状态检测根据主元以及残差空间选取的 T2以及SPE 统计量来实现[9-10]。数据样本位置远离中心的距离和主元空间没有解释的数据变化分别是 T2、SPE统计量。

将数据 y 进行投影处理，此时点 y 的 T2统计量和控制线表达式为：

式中：Y 的协方差矩阵和显著性程度 u 内的控制限分别是 S 和 Tu2；自由度 k 和 j-k 的 F 分散在 u 内的临界值是 Fa（k .j-k）。

残差向量 e 的SPE统计量和控制限表达式为：

式中：u 内的控制限是SPEu；h 是自由度，h 的卡方分散在 u 内的临界值是uu（2）（h）；g = 、h = ，正常数据样本的SPE统计量的平均值为 m ，SPE统计量的方差为 v 。

线缆运作状态特征通过 T2以及 SPE 统计量描述，为进一步检测线缆状态需通过识别详细状态数据[11]。详细状态数据采用不同数据对 T2统计量和 SPE 统计量的贡献率描述，T2统计量和SPE 统计量表达式为：

式中：e 的第 n 个数据是en；第 n 个高压线缆状态数据应用在 T2统计量和SPE 统计量内的贡献率分别为

1.4 检测高压线缆状态异常过程

资产全生命周期数据集成、提取数据特征、运算线缆预测数据统计量、判断异常和确定异常范围5个步骤组成线缆状态异常检测[12-13]，具体流程如图2所示。

（1）将高压线缆资产全生命周期信息利用松耦合方法进行信息集成，得到线缆数据文件[14-15]；（2）通过特征提取将集成的线缆数据进行降维以及降噪处理；（3）获取的特征记作特征向量，并形成投影矩阵[16-17]；（4）正常数据样本 X 的 T2、SPE统计量和控制限结果通过式（12）～式（15）获得；（5）待检测数据 x 的 T2、SPE 统计量利用式（10）、式（12）进行计算；（6）将正常样本的控制限与待检测数据的统计量进行对比，若待检测数据统计量大于控制限，则判定该线缆状态异常进入下一步计算。反之，则线缆属于正常状态[19]；（7）通过线缆各个分段的数据指标进行计算每一个分段的统计量；（8）每一个分段统计量进行对比，若某分段统计量数值最大，则该分段线缆为异常状态。

2 实验说明

研究基于资产全生命的高压线缆状态数据异常自动检测，选取某地区供电站范围内310 kV高压线缆状态数据作为实验对象，选取线缆长度15.6、17.9 km，线缆样本数量为500组。利用本文方法分别对线缆正常状态样本、异常状态样本进行提取，提取结果如图3所示。

从图3（a）可以看出，供电站检测线缆状态时正常样本数据与异常样本数据混合分布，杂乱且不能清晰显示各个数据特征排序关系；从图3（b）可以看出，本文方法检测的线缆状态，整个线缆数据状态排序规律，清楚看出线缆正常与异常数据特征分布情况，并且没有破坏线缆数据结构特性。

随机选取供电站内某一条线缆进行模拟实验，设置该线缆运作12 s 时出现状态异常状况，持续5 s 后恢复正常数据，利用本文方法提取该线缆异常状态数据的输出电流，结果如图4所示。

从图4可以看出，本文方法提取线缆异常数据样本输出电流显示，运行时间0～12 s 内异常数据样本输出电流曲线呈规律变化，说明此线缆保持正常状态，运行时间到12～16 s，异常数据输出电流曲线发生波动不规律现象，说明线缆此处正处于异常状态，之后异常数据输出电流恢复规律波动，说明线缆此处恢复正常运行。

综上所述，本文方法提取的异常状态数据和实际模拟状况保持一致，说明本文方法自动检测精度较高，有效性和实际应用性功能较强。

利用本文方法对供电站内5条高压线缆进行状态异常数据自动检测，线缆状态异常检测界面如图5所示。

从图5可以看出，本文方法检测线缆状态异常数据，序号1的线缆检测结果显示通过，检测通过说明此线缆无异常状态；序号2、3线缆分别在时间17：32：25、08：35：58时，显示检测结果为不通过，说明序号2、3线缆出现异常情况，电力人员需要注意这2条线缆运行情况；其他型号线缆均显示通过，说明线缆状态正常。根据检测界面及时掌握线缆状态异常数据，便于电力作业人员及时发现线缆运行状态并快速进行补救措施，降低供电站线缆损坏损失。

3 结语

研究基于资产全生命全周期的高压线缆状态异常自动检测，提高线缆状态异常检测水平，建立状态检测框架，线缆资产全生命周期采用松耦合方法实现信息集成，根据集成的信息文件提取状态特征，将提取特征用作特征向量，使用 T2、SPE 统计量统计异常特征量，实现线缆状态异常检测。实验说明：本文方法检测状态异常特征清晰且保持结构完整，检测精度高，实用性较好，及时显示线缆异常状态，避免线缆损坏造成的经济损失。

【参考文献】

[1] 宗文泽，吴永明，徐计，等.基于DTW-kmedoids算法的时间序列数据异常检测[J].组合机床与自动化加工技术，2022（5）：120-124.

[2] 周海峰，曾振城，林昌.海底线缆早期短路故障建模与分析[J].计算机仿真，2021，38（5）：75-79.

[3] 尚英强，哈岳，蔡晓宇，等.基于多源数据融合技术的高压线缆户外终端状态监测系统研究[J].自动化博览，2021，38（3）：62-66.

[4] 刘敏，方义治，孙廷玺，等.基于多元模糊支持向量数据描述的高压线缆缺陷识别[J].电子科技大学学报，2020，49（2）：240-247.

[5] 楊斌，李明贞，周承科.基于泄漏电流的高压线缆线路故障测距方法[J].电测与仪表，2020，57（5）：120-124.

[6] 刘敏，孙廷玺，方义治，等.基于权重空间 MCMC 抽样的高压线缆状态评价方法[J].南方电网技术，2019，13（10）：62-73.

[7] 于嘉成，王刚，刘卫东，等.矿山设备全生命周期信息集成与工况判别算法研究[J].煤炭科学技术，2019，47（4）：38-43.

[8] 胡姣姣，王晓峰，张萌，等.基于深度学习的时间序列数据异常检测方法[J].信息与控制，2019，48（1）：1-8.

[9] 袁婧，周承科，周文俊，等.基于时间延迟理论的高压线缆巡检周期优化[J].高电压技术，2021，47（5）：1640-1648.

[10] 李国倡，魏艳慧，雷清泉，等.高压线缆半导电屏蔽料关键问题及研究进展[J].中国电机工程学报，2022，42（4）：1271-1284.

[11] 杜林，余辉宗，严涵.基于构建温度场分析的非侵入式高压线缆缆芯温度测量方法[J].电工技术学报，2021，36（7）：1338-1346.

[12] 李嘉明，于沛鑫，邓军波，等.基于EMTP 仿真平台的超高压线缆操作过电压特性及其影响研究[J].陕西电力，2021，49（10）：83-89.

[13] 邓雯玲，卢继平，苟鑫，等.适用于高压线缆-架空线混合线路的新型重合闸方案[J].电力系统自动化，2021，45（12）：126-132.

[14] 李忠磊，赵宇彤，韩涛，等.高压线缆半导电屏蔽材料研究进展与展望[J].电工技术学报，2022，37（9）：2341-2354.

[15] 袁超，储海军，陈燕擎，等.考虑金属护层耦合的高压线缆单相接地故障定位方法[J].电力系统保护与控制，2021（2）：115-120.

[16] 陈杰，吴世林，胡丽斌，等.退役高压线缆附件绝缘状态及理化性能分析[J].电工技术学报，2021，36（12）：2650-2658.

[17] 周凯，赵琦，李原，等.基于分阶段产气的高压线缆阻水缓冲层状态评估[J].高电压技术，2022，48（10）：3882-3890.

[18] 石延辉，杨洋，阮彦俊，等.不同运行工况下的换流站多模态数据深度感知模型[J].粘接.2022，49（12）：169-173.

[19] 袁伟.一种基于物联网技术的变电站智能监控系统设计[J].粘接.2022，49（10）：185-189.