110 kV及以上電纜典型缺陷的智能識別研究

項恩新，周婉亞，王科，王鵬，劉紅文，楊能，周群，雷勇

（1.云南電網有限責任公司電力科學研究院，昆明 650217；2.四川大學 電氣信息學院，成都 610065）

0 前言

XLPE電力電纜已經廣泛應用于各電壓等級的城市輸配電網絡，其性能影響著電力系統的運行安全。電力電纜投入運行前會經過嚴格的出廠試驗、竣工試驗及例行試驗，但是其內部微小的氣隙、雜質、半導電凸起等缺陷很難在出廠測試中被完全檢驗出來。同時，電力電纜附件是電纜線路的薄弱環節[1-5]，在現場安裝過程中易引入額外缺陷，電纜投運后這些缺陷容易在強電場與高溫度等因素的作用下產生局部放電，最終放電加劇導致絕緣失效而造成停電事故[6-7]。局部放電是絕緣劣化的重要表征，通過對中間接頭局部放電信號的檢測分析，可對接頭絕緣狀況進行有效的評估，從而采取相應補救措施避免絕緣進一步劣化直至絕緣失效造成的損失[8-10]。

IEEE 的 C-19W 工作組通過對電纜局部放電測試進行了大量研究，認為擠壓型電纜系統的典型缺陷主要包括以下幾種：絕緣層或絕緣層與半導電層之間界面處氣隙或空腔缺陷、電纜與附件界面處氣隙缺陷、高電阻絕緣屏蔽或破損中性線以及突出物、氣隙或水樹引發的電樹[9]。由于不同缺陷類型對應的放電危害程度不同，國內外學者利用相位譜圖統計、放電脈沖時頻特征、三相放電幅值計算等參數[11-12]，對放電源類型識別、干擾區分等方面通過建立等效放電模型的方式進行了研究，而對于典型缺陷信號的統計分類以及智能識別的研究還有待發展。

針對以上問題，本文通過阻尼振蕩波電壓法在具有典型缺陷的電力電纜終端試品上進行局部放電測試，分別提取不同缺陷類型下的局部放電信號特征，編寫局部放電的模式識別算法，并對比了不同局放分類識別技術的缺陷類型識別性能，為電力電纜缺陷的在線監測與智能識別提供了理論依據與技術參考。

1 測試平臺

目前國內外使用局部放電現場檢測方法主要有三類：工頻正弦波電壓下的PD檢測、超低頻電壓下的PD檢測和阻尼振蕩波電壓下的 PD檢 測（Oscillating Wave Test System，OWTS）。憑借等效性好，作用時間短，操作方便，易于攜帶，且不會對測試電纜造成損害等優點，OWTS成為XLPE電力電纜局部放電現場檢測和故障定位的有效手段。本實驗使用的OWTS工作示意圖如圖1所示。其中，變頻電源采用ST-3598Z型變頻諧振高壓試驗裝置，其額定功率為10 kW，輸出電壓頻率范圍為30 Hz-500 Hz；高速數據卡采用PICOSCOPE 5000系列數據采集卡，最大帶寬100 MHz，重復采樣率達到5 G/s；OWTS系統中工控機軟件使用Labview設計完成，系統分為參數設置模塊、信號采集模塊、數據分析及譜圖顯示、數據存儲等功能。

圖1 阻尼振蕩波測試系統示意圖

2 試樣制作

根據電力電纜安裝、敷設過程中經常容易出現的缺陷類型，在電力電纜終端試品上人工制作斷口不齊、主絕緣縱向割傷兩種典型缺陷。為避免測試平臺本身可能出現局部放電（如電暈）對測試結果產生干擾，在對試樣進行局部放電測試前，首先按照GB/T 11017.1-3—2002推薦的局部放電測量方法對測試平臺進行測量。實驗結果表明，測試平臺放電量小于5 pC，未發現電暈及其他放電點，試驗回路完好，滿足測量要求[13]。接通電源，利用高壓電動試驗控制臺緩慢升壓，當工控機中控制軟件中顯示明顯局部放電時，存儲采集卡中相應數據。由于采集得到的信號所含環境噪聲相對較大，必須對采集到的局部放電信號進行濾波處理。選擇希爾伯特黃（HHT）變換方法，并且結合小波變換改進HHT變換方法，在進行信號分析與濾波中更完整地保留局放有效信息并濾除無效信息。HHT變換方法處理后的數據如圖2所示。

圖2 不同缺陷下的局部放電信號

3 局部放電特征量提取

利用去噪后的數據計算得到不同缺陷類型的局部放電信號統計特征量：偏斜度Sk、陡峭度Ku、局部峰值個數Pe、互相關系數Cc、放電因數Q、相位不對稱度Φ。在試驗采集到斷口不齊、主絕緣割傷兩種缺陷的局部放電數據中分別隨機選取100個工頻周期的信號進行特征提取，建立一個局部放電特征識別數據庫。

4 局部放電模式智能識別

局部放電的模式識別算法也稱為模式識別分類器，其流程為首先利用實驗室中不同局部放電類型的樣本數據作為訓練數據進行模型學習，通過調整算法中的參數建立數據特征與放電類型之間的映射關系，該過程稱為模式識別算法的學習過程。實際應用時以待識別的數據作為輸入，對放電類型進行識別，輸出放電類型。目前常用的局部放電模式識別算法有神經網絡、支持向量機以及極限學習機等。以人工缺陷下的電纜終端測試實驗中提取的不同缺陷下的局放特征量為基礎，設計三種智能模式識別算法，并對它們進行驗證，驗證結果如表1所示。可以看出，極限學習機智能識別算法在訓練時間、測試時間、準確率三個性能指標均優于支持向量機和BP神經網絡。

表1 各算法性能比較

5 結束語

本文通過在電纜終端中制作人工缺陷，搭建阻尼振蕩波電壓測試平臺測量并采集缺陷終端中的局部放電信號，并提取缺陷下的局部放電特征量用于智能模式識別算法的建立與驗證，實驗結果以及算法驗證表明：

1）所設計的阻尼振蕩波電壓測試平臺用于電纜附件典型缺陷的局部放電檢測時具有較高的靈敏度，能夠有效采集典型缺陷激發的局部放電信號；

2）極限學習機智能識別算法相較于支持向量機和BP神經網絡來說具有更高的準確率與更快的判斷速度，適合用于110 kV及以上電纜典型缺陷的智能識別。