110kV高壓電力電纜絕緣老化缺陷識別技術

廣西桂能科技發展有限公司 譚永浩

1 采集高壓電力電纜局部放電信號

一般情況下，如果110kV 高壓電力電纜的絕緣材料發生老化缺陷，電纜的局部放電信號就會發生變化[1]，所以本文在研究電纜絕緣老化缺陷識別技術時，從局部放電信號識別領域入手，電力電纜的局部放電信號識別技術主要包括三個步驟：一是局部放電信號的采集；二是局部放電信號的預處理；三是局部放電信號的分類識別。首先，確定110kV 高壓電力電纜的分布參數模型：

式中，R表示電力電纜單位長度的電阻數據；C表示電力電纜單位長度的電容數據；L表示電力電纜單位長度的電感數據；ε表示電纜線芯的電阻率參數；k表示電纜導體電阻的溫度系數值；β表示電纜導體的溫度值；λ表示電纜導體電阻率增加系數值；μ1、μ2分別表示電纜材料與真空的介電常數值；r1、r2分別表示電纜的外徑、內徑參數；η表示電纜的磁導率。

基于110kV 電力電纜模型，將單層電感傳感器安裝在電纜絕緣表面，在電力電纜運行過程中，單層電感會和導體產生電容耦合，從而實時測量電纜的局部放電信號，并將該傳感器和16位分辨率的數據采集設備進行連接，此時傳感器采集的局部放電信號就會通過網絡存儲至數據庫內[2]。這種電纜局部信號的測量采集法不僅安裝方便，可以具有較高的可靠性，可以采集到滿足電纜絕緣老化缺陷識別的局部放電信號[3]。

2 預處理高壓電力電纜局部放電信號

由于110kV 高壓電力電纜運行環境復雜，文中上述內容采集的電纜局部放電信號中存在一定噪聲數據，嚴重影響電纜絕緣老化缺陷識別的精度，所以本章首先對采集的電纜局部放電信號進行去噪處理[4]。

由于電力電纜局部放電信號具有較好的時頻特性，所以本文引入小波變換理論，來實現局部放電信號的去噪，小波變換主要通過分解與重構的方式對原始局部放電信號進行濾波，從而剔除噪聲信號，所以無論是平穩還是非平穩的電力電纜局部放電信號，小波變換均可以表現出優越的去噪性能。利用小波變換去除高壓電力電纜局部放電信號噪聲時，首先需要根據基本小波函數f(t) 獲得小波函數，表達式為：

式中，u表示小波函數的尺度參數；v表示小波函數的平移參數。

對基本小波函數進行伸縮平移，即可獲得小波函數，然后再結合該式對高壓電力電纜局部放電信號g(x)進行連續小波變換，表達式為：

式中，Fg(u,v)表示電纜局部放電信號g(x)的連續小波變換；R表示實數，v∈R。

對分解后的小波系數進行重構，即可得到濾除噪聲后的電力電纜局部放電信號。然后通過采集不同距離與不同狀態下的電力電纜局部放電信號，即可求出信號對應的混沌特征量，該數值對電纜絕緣老化缺陷識別十分關鍵。一般來說，110kV 高壓電力電纜的局部放電信號的混沌特征參量在去噪前后存在較大差距，所以本文為獲得更加真實的局部放電信號混沌特征量，需要對原始電纜信號進行去噪處理，再進行提取。

3 構建電力電纜絕緣老化缺陷識別模型

在110kV 高壓電力電纜運行過程中，如果發生絕緣老化缺陷從而引起局部放電信號的變化，這種變化十分微弱，所以其分類識別具有一定難度。卷積神經網絡是一種有著深度結構的前饋型神經網絡，可以對分布式并行信號進行高效運算處理，所以本文引入卷積審計網絡，構建一個110kV 高壓電力電纜絕緣老化缺陷識別模型[5]。綜合考慮到高壓電力電纜局部放電信號之間的相似性，本文采用多層卷積結構設計識別模型。在本文所構建的110kV 高壓電力電纜絕緣老化缺陷識別模型中，主要包括1個輸入層與輸出層、3個卷積層與池化層、1個展平層與全連接層，當一維的110kV 高壓電力電纜局部放電信號輸入模型時，本文所提一維卷積神經網絡結構有著運算速度更快的優勢。模型中池化層在卷積層之后，這樣設置的激活函數就可以將卷積層輸入的線性數據轉換為非線性數據，并由池化層輸出，以此提升識別模型的表達能力。為提升模型的識別效率，本文采用ReLU函數作為激活函數，其表達式：

式中，x表示模型輸入的電力電纜局部放電信號。

為提升模型的學習能力，在模型的全連接層與池化層之間設置了一層展平層，可以將電纜局放信號堆疊為一維數組，從而保障缺陷識別精度。采用softmax 分類器實現電纜局部放電信號的識別，計算公式為：

經過卷積層與池化層運算后輸出的電纜局部放電信號，經過式（5）所示的分類器即可得到最終絕緣老化缺陷識別結果。

4 仿真試驗

為了系統地判斷文中設計110kV 高壓電力電纜絕緣老化缺陷識別技術是否可行、可靠，參考脈沖電流法設置一個電力電纜局部放電測試平臺，展開電纜絕緣老化缺陷識別試驗，在該試驗平臺中的電纜樣品上設置了四類常見絕緣老化缺陷，在制作試驗樣本時，將每工頻周期內采集的電纜局部放電數據制作為一個樣本，這樣得到各類型絕緣老化缺陷的試驗樣本見表1。

表1 電力電纜絕緣老化缺陷信號樣本

試驗過程中，為便于本文設計識別模型可以對表中4類電纜局部放電信號進行直接識別，并提升模型訓練過程中的運算效率，本章將各信號的邊際譜轉換為圖像的形式，并使用加權平均法對電纜局部放電信號的邊際譜圖像進行灰度化處理，得到可視化形式的信號邊際譜灰度圖像，進入圖1所示。

圖1 電力電纜局部放電信號的邊際譜灰度圖

將圖1所示的電力電纜局部放電信號邊際譜圖像輸入本文設計的識別模型中進行訓練，識別的目標為表1所示的四種絕緣老化缺陷，此時得到本文設計技術在不同樣本數量下的識別效果，如圖2所示。

圖2 不同樣本數量下局部放電信號識別結果

由圖可知，在樣本數量較少時，本文設計技術的正確識別率相對較低，且隨著樣本數量的增加而上升，直至達到穩定狀態，這主要是因為卷積神經網絡識別模型需要大量數據進行訓練，當數據規模達到一定值時，電力電纜局部放電信號的正確識別率基本穩定在90%以上。

為進一步判斷本文設計識別技術的性能，選用基于輸入阻抗譜的電力電纜缺陷識別技術、基于邏輯回歸的電力電纜缺陷識別技術作為對照組，與本文技術一起分別對四種類型的電力電纜絕緣老化缺陷進行識別，得到各技術在不同缺陷類型下的識別結果見表2。

表2 電力電纜絕緣老化缺陷識別結果對比表

由表2可知，在三種電力電纜絕緣老化缺陷識別技術中，本文設計技術的識別精度相對較高，平均正確識別率為94.5%，較對照組技術提升了6.7%、9.5%，可以說明本文所提技術在絕緣老化缺陷識別方面更具優越性，符合110kV 高壓電力電纜的缺陷識別要求。

5 結語

電力電纜的運行狀態與電網供電質量之間息息相關，對電纜絕緣老化缺陷進行正確地識別有利于電網檢修部門及時發現電纜故障并進行檢修工作。一般來說，局部放電是電力電纜絕緣老化的重要征兆與主要表現形式，所以本文從電纜局部放電信號入手，針對110kV 高壓電力電纜絕緣老化缺陷識別技術展開了研究，同時通過仿真試驗驗證了本文所提技術具有較高的識別精度，對推動我國電網健康發展有著重要的價值。