XLPE電纜模擬缺陷局部放電特征分析及模式識別

魯 創，劉金泉

應用研究

XLPE電纜模擬缺陷局部放電特征分析及模式識別

魯 創1，劉金泉2

（1.武漢船用電力推進裝置研究所，武漢 430064；2. 江西銅業集團公司貴溪冶煉廠，貴溪 335424）

為了解交聯聚乙烯電纜缺陷的局部放電特性及局放高頻脈沖相位分布圖譜識別，在實驗室條件下制作電纜終端及中間接頭常見放電缺陷，采用高頻電流法對交聯聚乙烯電纜常見缺陷進行局部放電檢測實驗，通過采集局部放電數據并繪制局部放電圖譜。結合電力電纜幾種典型缺陷電場分布特點，分析電力電纜在不同缺陷條件下的放電特性，提取局部放電PRPD圖譜特征量，使用支持向量機法(SVM)對四種典型缺陷進行識別分類。由于缺陷類型不同，導致其放電特征的相位分布差異明顯，將PRPD圖譜特征值作為向量機輸入進行分類計算，最終得出該放電數據對應的缺陷類型。

局部放電 PRPD譜圖 支持向量機 模式識別

0 引言

在現代電力電網的建設中電力電纜得到了越來越廣泛應用[1]。用戶對電力的需求在持續增長中，電力線路越來越長[2]。而電纜對環境影響小，安全性更高，地下電纜得到廣泛應用[3]。

由于加工工藝、結構和安裝等原因，電纜接頭處可能會出現雜質、氣隙等缺陷，其故障發生的概率明顯高于電纜本體，影響電氣可靠性[2]。據不完全統計，電纜的中間接頭和終端接頭故障占比達到了總故障的70%[4～5]，對電纜接頭處的局部放電檢測至關重要。由于電纜絕緣損傷引起的放電信號非常微弱，傳統的預防性實驗能夠檢測到局部放電信號幾率比較低[6～7]。可通過高頻電流傳感器感應出電纜局部放電產生的脈沖電流。局部放電實驗是電力電纜絕緣評價的最優方法[8～9]。

本文以交聯聚乙烯電力電纜運行中常見缺陷為研究對象，采用基于高頻電流法的局部放電檢測系統對電纜中間接頭及終端接頭幾種常見典型缺陷進行局部放電測量和數據采集，通過對缺陷周圍電場仿真分析結合放電譜圖確定特征量，采用支持向量機法進行放電模式識別。

1 電纜典型缺陷及測量系統

1.1 典型缺陷模型類型及制作

交聯聚乙烯電力電纜使用中常見故障類型主要包含電纜主絕緣內部和表面出現氣隙或者橡膠與電纜分界面有氣隙，在電場的長時間作用下，氣隙承受大電壓導致絕緣內部發生放電，最終形成氣隙放電現象；交聯聚乙烯電力電纜導體部分出現尖刺或尖角，電場強度高度集中，導致尖刺附近絕緣損壞，發生尖端放電；橡膠與環氧分界面接觸不緊密或者分界面有水珠和雜質，導致絕緣性能下降，發生沿面閃洛，電纜接頭處絕緣部分與導體之間存在金屬碎屑時容易發生懸浮電位放電。

根據電力電纜常見四種典型放電類型，制作四種電纜缺陷如圖1所示。

圖1 模擬缺陷物理模型

1.2 局部放電試驗平臺

電纜局基于上述交聯聚乙烯電纜典型缺陷，設計電力部放電模擬實驗平臺，如圖2所示，T1為可調自耦變壓器，T2為工頻耐壓試驗變壓器，R為限流電阻，阻值為15 kΩ，C1與C2并聯，C2?C1，通過測量C2兩端電壓獲取工頻相位信息，Cx表示交聯聚乙烯電纜缺陷，D為高頻電流傳感器，頻率使用范圍1-25MHz，傳感器實物如圖3所示，信號采集部分使用FPGA采集卡對傳感器輸出電壓信號進行AD采樣，最后通過高速以太網將采樣數據實時傳輸到計算機端進行存儲。

圖2 局部放電實驗平臺原理圖

圖3 高頻電流傳感器

2 PRPD圖譜構建與分析

該實驗通過工頻耐壓測試設備分別對四種類型的缺陷電纜施加66kV電壓，使其電纜接頭處發生局部放電現象，通過FPGA采集卡對高頻電流傳感器輸出端信號進行AD采樣，并將數據傳至上位機端。最后通過Matlab軟件對數據進行處理，得到局部放電PRPD圖譜及放電相位與放電次數關系圖譜，結合電纜缺陷電場分布圖分析局部放電圖譜特征。

2.1 內部氣隙放電

內部氣隙放電電場分布如圖4所示，局部放電圖譜如圖5所示。

圖4 內部氣隙缺陷電場分布圖

圖5 內部氣隙放電PRPD圖譜

根據圖4、圖5可知內部氣隙電場強度呈均勻分布，因此氣隙缺陷下，局部放電信號幅值及放電次數在工頻正負半周呈現對稱分布的特點，為后期圖譜特征量選擇與模式識別提供依據。

2.2 尖刺放電

尖刺放電電場分布如圖6所示，局部放電圖譜如圖7所示。

圖6 尖刺缺陷電場分布圖

圖7 尖刺放電PRPD圖譜

根據圖6、圖7可知尖刺放電時，正半周沒有特征信號，因為尖端為正極性，周圍電離生成正離子，正離子運動較慢，所以隨著尖端半徑增大放電越困難。在負半周期，尖端電壓極性變負，正離子會有一部分仍在尖端附近，電子質量輕、速度快，會快速移動到正極，正電極和正離子分別與尖端的場強相疊加，尖端場強更大，所以負半周期會出現大量放電信號，因此尖端放電的相位分布具有明顯特征。

2.3 沿面放電

沿面放電電場分布如圖8所示，局部放電圖譜如圖9所示。

圖8 沿面缺陷電場分布圖

圖9 沿面放電PRPD圖譜

根據圖8、圖9所示，發生沿面放電時，由于該處電場分布不均勻，導致極性效應存在，正半周放電強度、放電次數均少于副半周期，放電脈沖主要集中在35°-100°和225°-280°兩段區間。

2.4 懸浮放電

懸浮放電電場分布如圖10所示，局部放電圖譜如圖11所示。

圖10 沿面缺陷電場分布圖

圖11 懸浮放電PRPD圖譜

根據圖10、圖11可知發生懸浮放電時，電場分布不均勻，且隨著試驗電壓提高，高壓電極和懸浮金屬之間由電暈放電改為擊穿性放電。因此懸浮放電正負半周放電信號分布不對稱且放電相位滯后于沿面放電。

通過對這電力電纜絕緣缺陷局部放電信號幅值及相位分布特征分析可得，不同類型缺陷放電信號相位分布特點，通過提取特征量對局部放電圖譜進行模式識別。

3 特征提取及模式識別研究

3.1 特征量提取

本文選取特征量包含偏斜度Sk，陡峭度Ku，起始放電相位Φ和互相關系數Cc如下所示：

從實驗數據中提取一組統計特征量，見表2。編號A、B、C、D代表內部氣隙放電、尖刺放電、沿面放電及懸浮放電。采樣時間長度為連續250個工頻周期，相位窗數為18個。在工頻正負半周分別提取特征，表中SkN和KuN分別表示Φ-N圖譜的偏斜度和峰度；Skq和Kuq表示Φ-Q譜圖的偏斜度和峰度；Φ-、Φ+分別為正負半周期起始放電相位；Cc為正負半周期互相關系數。

通過表1可知不同缺陷其統計特征量存在明顯區別，能夠反映電纜典型缺陷局部放電圖譜特征，可為缺陷識別提供數據支持。

3.2 基于SVM的缺陷識別

支持向量機(SVM)是一種二分類模型。SVM就是尋找最大化分割樣本空間的超平面，將問題變成凸二次元求解問題。SVM就是求解凸二次問題的一種方法[11]。當樣本空間為非線性時，通過原空間映射到高維空間方法，將求解問題轉移到高緯度空間。求解最優分界超平面的過程中，調整核函數的相關參數和懲罰項系數的搭配往往是SVM調參尋優的重點[12～14]。

表1 缺陷特征量統計

SVM最初主要求解二分類問題，而電纜缺陷為多分類問題，通過“一對多”或者“決策樹”等策略將SVM二分類推廣至多分類。SVM的二分類原理如下[15]。

式中a是拉格朗日乘子。

其中：系數a所對應的原始數據點(x,y)，剛好使(6)式等號成立才有可能非零。

由此可以得到最優分類決策函數：

采用“一對多”算法，首先對四類電纜接頭缺陷樣本數據構造4個二分類器，其中每一個分類器選擇其中一種缺陷作為訓練樣本，賦值為+1，其它的訓練樣本賦值為-1，通過該方式對缺陷樣本進行4次分類，每種缺陷樣本各賦值+1次。

4 實驗結果分析

核函數可以有效避免計算高維度特征空間的內積。作為SVC類最重要的參數之一，kernel能夠從sklearn選擇核函數，包括線性核函數、多項式核函數、高斯徑向基核函數（RBF）和雙曲正切核函數（Sigmoid）[16～18]。sklearn中常用的四種核函數其表達式如下所示：

不同核函數的計算時間、計算效率和識別準確度差別較大，本文選取4種核函數進行比較，通過不斷矯正相關參數達到最佳識別效果。

在表2中可以看出，不同缺陷缺陷類型的特征量區別明顯。在獲得特征量后，使用pycharm中的sklearn.svm進行分類識別，其中取懲罰系數C=12固定不變,通過訓練不斷的修改其他2種或3種參數值，使其達到最佳訓練效果。每種缺陷在施加不同的電壓下各獲得150組數據，一共600組實驗數據。其中70%用于訓練集，30%用于測試集。4中核函數的測試集樣本識別結果如表所示。其中A為內部氣隙放電、B為尖刺放電、C為沿面放電、D為懸浮放電。

線性核函數中，參數gamma，degree，cofe0，不進行數值更改，訓練驗證時長00:28:34，可得到如下的識別準確表格。

表2 線性核函數下不同缺陷識別的準確率

多項式核，修改其中3個參數，'coef0': 0.0, 'gamma'：1e-10，degree=3，訓練驗證時長為00:12:32，可以得到最佳的識別準確率，如表3所：

表3 多項式核函數下不同缺陷識別的準確率

Rbf核函數中修改參數coef0=0，gamma=0.003237，訓練驗證時間00:12:06，可以得到最佳的效果，如表4所示。

表4 RBF核函數下不同缺陷識別的準確率

雙曲正切核，修改其中2個參數，'coef0': 1.1111111111111112， 'gamma': 0.001930706，訓練時間00:13:54，可以得到最佳的識別效果，如表所5示：

表5 sigmoid核函數下不同缺陷識別的準確率

由上表得出不同函數識別準確率差別較大，訓練時間除線性核函數外，計算時間相差很小，并且四種核函數對于尖刺放電的識別準確度都比較高，這是由于極不均勻電場特有的極性效應造成的；在使用RBF核函數時，能獲得比其他3種更好的識別效果，說明使用SVM進行多分類并選取RBF作為核函數的方式能夠更加準確的識別不同缺陷類型的放電信號。

5 結語

本文根據電力電纜在運行中經常發生的典型缺陷，設計制作交聯聚乙烯電力電纜幾種典型缺陷，利用缺陷電纜進行了電纜絕緣耐壓實驗。采用高頻電流法搭建電纜局部放電檢測平臺，通過FPGA采集卡對局部放電數據進行采樣并上傳，在上位機端生成放電圖譜，分析不同缺陷類型的放電特性，通過觀察其放電信號相位分布、放電密度等特征；選擇偏斜度、陡峭度、互相關系數等特征值作為識別特征量，通過支持向量機算法對特征值進行分類，結果表明支持向量機法識別準確率較高，可有效識別出不同類型缺陷。

[1] 何平,何若冰,陳佳,等.固體絕緣材料內部氣隙中表面殘余電荷對局部放電起始位置的影響[J].電器與能效管理技術,2020,No.597(12):7-13+34.

[2] 李方利,錢帥偉,毛振宇,王朋朋,杜璇.基于多傳感器融合技術的電纜附件局部放電檢測系統[J].電器與能效管理技術,2020,No.591(06):53-60+75.

[3] 李蓉,周凱,萬航,等.基于輸入阻抗譜的電力電纜本體局部缺陷類型識別及定位[J].電工技術學報,2021,36(08):1743-1751.

[4] 潘文霞,趙坤,朱正鼎.一種基于阻抗相位變化比率的長電纜局部缺陷定位新方法[J].中國電機工程學報,2020,40(12):4043-4051.

[5] 周承科,李明貞,王航,等.電力電纜資產的狀態評估與運維決策綜述[J].高電壓技術,2016,42(08):2353-2362.

[6] 陳杰,吳世林,胡麗斌,等.退役高壓電纜附件絕緣狀態及理化性能分析[J].電工技術學報,2021,36(12):2650-2658.

[7] 趙威,周凱,劉凡,等.在XLPE電纜加速老化過程中理解水樹的自愈性[J].電工技術學報,2014,29(06):311-317+332.

[8] 劉蓉,李繼勝,田維堅,等.XLPE電力電纜典型缺陷局部放電測量與分析[J].高壓電器,2015,51(02):44-50.

[9] 朱煜峰,許永鵬,陳孝信,等.基于卷積神經網絡的直流XLPE電纜局部放電模式識別技術[J].電工技術學報,2020,35(03):659-668.

[10] 張龍,黃晨曦,張偉,等.交流和振蕩波電壓下XLPE電纜典型缺陷局部放電特性研究[J].高壓電器,2015,51(08):43-48+53.

[11] 陸國俊,熊俊,李光茂,等.振蕩波電壓下XLPE電纜局部放電模式識別研究[J].高壓電器,2017,53(02):95-100+107.

[12] 廖劍,史賢俊,周紹磊,等.基于局部圖嵌入加權罰SVM的模擬電路故障診斷方法[J].電工技術學報,2016,31(04):28-35.

[13] 陳健寧,周遠翔,白正,等.基于多通道卷積神經網絡的油紙絕緣局部放電模式識別方法[J].高電壓技術:1-10[2021-09-21].

[14] 許淵,劉衛東,陳維江,等.基于高靈敏測量的GIS絕緣子表面微金屬顆粒局部放電特性[J].高電壓技術,2019,45(09):2707-2714.

[15] 張新伯,唐炬,潘成,等.用于局部放電模式識別的深度置信網絡方法[J].電網技術,2016,40(10):3272-3278.

[16] 吳定云, 馬占林, 張棟梁, 等. 基于特高頻法的高壓開關柜局部放電監測及特征參量提取[J]. 電工技術, 2021(07): 14-16.

[17] Song H, Dai J J, Sheng G H, et al. GIS Partial Discharge Pattern Recognition via Deep Convolutional Neural Network under Complex Data Sources[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2018, 25(2): 678-685.

[18] Nguyen M T, Nguyen V H, Yun S J, et al. Recurrent Neural Network for Partial Discharge Diagnosis in Gas-Insulated Switchgear[J]. Energies, 2018, 11(5): 1-13.

[19] Alex K, Ilya S, Geoffrey E H. ImageNet Classification with Deep Convolutional Neural Networks[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2012.

[20] Ross G, Jeff D, Trevor D, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]. IEEE Computer Vision and Pattern Recognition, 2014.

[21] He K M, Zhang X Y, REN S Q, et al. Deep residual learning for image recognition[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2016.

Characteristic analysis and pattern recognition of partial discharge in simulated defects of XLPE cable

Lu Chuang1, Liu Jinquan2

(1.Wuhan Institute of Marine Electric Propulsion, Wuhan 430064，China; 2.Guixi Smelter, Jiangxi Copper Corporation, Guixi 335424, China)

TM855

A

1003-4862（2022）11-0011-06

2022-05-22

魯創（1987-），男，工程師，主要從事開關電器的研究。E-mail: luchuang712@163.com