基于北斗系統及聲信號的電力電纜故障定位方法

中圖分類號：TM7；TN967.1 文獻標志碼：B 文章編碼：1672-7274（2025）05-0100-04

Abstract： In order to solve the problem of accurate positioning of underground power cable faults in cities， this paper proposes a cable fault positioning method based on the Beidou system and acoustic signals.This method relies onthe Beidou system to obtain location informationanduses the Complementary Ensemble Empirical Mode Decomposition （CEEMD） method to separate multipath propagation signals，efectively eliminating signal aliasing. On this basis，the intrinsic mode function of the acoustic signal is used for angle estimation，RSSI estimation， and time delay estimation，further improving the measurement accuracy. At the same time，combining regression analysis methods and multi measurement point joint estimation methods，the location estimation of the fault point is transformed into anonlinear least squares problem and solved using the Levenberg Marquardt algorithm.The experimental results show that this method can efectively separate cable propagation sound signals from soil propagation sound signals，and has higher fault localization accuracy compared to other mainstream methods.

Keywords： cable faultlocation;soundtechnology，complementaryensembleempiricalmodedecomposition; regresionanalysis

隨著城市化進程進入新的階段以及電力需求的持續增長，我國廣泛采用了埋地電纜作為城市電力傳輸的主要方式[1-2]。然而，由于復雜的環境條件和長期的運行，電纜時常發生故障問題，若故障發生時無法及時進行定位，將會嚴重影響電力供應的可靠性和安全性，造成巨大的經濟損失[3]。因此，如何快速而精準地定位電纜故障，已成為一項關鍵的技術挑戰。

近些年，基于阻抗法和行波法原理已經開發出多種成熟的方法來進行電纜故障定位[4]。常用方法包括聲測法、聲磁同步法和跨步電壓法等[5-8]。然而，這些方法在實際應用中仍存在著一些挑戰：一是聲信號沿著電纜傳播，由于其傳播速度較快且衰減較慢，利用該信號進行故障定位時整體精度較低；二是在故障點附近，聲信號的真實傳播路徑與電纜傳播路徑和溝槽土壤多徑疊加，使得故障點的真實位置無法被準確判斷。

隨著技術的不斷進步，學術界逐漸將機器學習等方法應用于電纜故障定位。張牧燁等人使用深度學習結合SVM實現10kV地埋電纜異常識別定位[2]。王子良等人利用Teager能量算子結合同步擠壓小波變換方法解決了電纜故障定位中偽模極大值問題并提高了定位精度。羅威等人通過將基于EEMD分解的希爾伯特變換與行波測距法相結合，實現了電纜接地故障的精確定位[10]。這些方法在一定程度上減小了測量誤差，但是需要大量的數據訓練且計算更加復雜。

針對以上問題，本文提出一種基于北斗系統及聲信號的電纜故障定位方法。該方法通過北斗系統獲取位置信息，結合CEEMD分解，利用聲信號的本征模態函數進行角度估計、RSSI估計和時延估計，同時采用回歸分析和多源信息融合進行故障點位置精確估計，這是一種使用簡單、精確率高且具有多相干信號分解能力的電纜故障定位方法。

1 系統架構

本文所提出的定位系統如圖1所示。

在初步確定故障點區域后，測量人員在區域內隨機選擇測量點。通過脈沖發生器向故障電纜施加直流脈沖信號，激發故障點產生音爆。進而通過測量裝置采集電纜路徑和大氣路徑的聲信號。經過有限次測量后，即可基于聲信號的到達角度信息、RSSI以及到達時延差信息來對故障點的位置進行聯合估計。其中，測量裝置由北斗系統、MEMS聲陣列、聲音采集系統、計算系統和能源系統構成。測量裝置坐標無須人工標定，由北斗系統直接在大地坐標系中給出，其采集的數據通過串口發送至計算系統，經過處理后計算出故障點在大地坐標系下的位置信息，通過多次移動測量裝置的位置后，即可實現故障點的精確定位。

2 電纜故障快速定位方法

2.1定位方法

在第 k 次測量，記測量裝置的坐標為 p_c^k=（0，0）^T 故障點的位置估計坐標為 ，計算方法為

式中， p_i 為故障點位置的待估量，下標i代表測量次數； α_i 為聲信號的到達角度估計值； 為故障點距離估計值； 為測量裝置中聲信號在土壤和電纜中傳播的時延估計值； 為聲信號在土壤中的傳播速度； 為聲信號在電纜中的傳播速度； w₁，w₂，w₃ 為各項估計的權重。

定位方法如圖2所示，在整個過程中所有的位置信息由測量裝置的北斗系統提供，坐標為大地坐標系。

2.2多徑條件下聲信號處理

2.2.1SVR回歸預測

支持向量回歸SVR是一種基于支持向量機的回歸方法，其核心思想是通過找到一個最優的決策邊界，使得大多數數據點落在邊界的某個容忍范圍內，從而實現對連續變量的預測。

2.2.2CEEMD分解

聲信號主要通過電纜和土壤傳播，兩者存在一定的到達時延差。同時，由于故障點所激發的聲信號是典型脈沖信號，相較于金屬介質，聲信號在土壤中的衰減更為顯著，因此為了避免混疊現象，本文選擇采用互補集成經驗模態分解法（CEEMD），分解過程如下[]：

（1）在原始信號 X（t） 中引入對正負相反的加性高斯白噪聲，獲得含噪聲信號 x_i⁺（t），x_i^-（t），i=1，2，…，n

（2）分別分解 x_i⁺（t），x_i^-（t） ，獲得兩組正負IMF分量。

（3） 將 n 組本征模函數相加取均值獲得分解結果：

式中，第i個IMF分量為 ； m 為本征模函數的最大數量。經對 S^k（t） 進行CEEMD分解得到本征模函數組 其中，電纜路徑傳播的聲信號在 IMF₁^k 中占主要成分，同時可以在IMF₃^k～IMF₅^k 中觀察到較強能量的土壤傳播路徑信號。

2.3測量信息融合估計方法

針對 IMF₃^k～IMF₅^k 進行聲信號信息提取，包括角度估計、RSSI估計和時延估計。

2.3.1角度估計

角度估計利用本征模函數結合MUSIC算法實現。首先基于 IMF₃^k～IMF₅^k 計算角度信息 ，然后獲得角度估計

2.3.2RSSI估計

對于RSSI估計，基于 IMF₃^k～IMF₅^k 及實驗所獲得的RSSI模型獲取距離為 ，最后取均值得到距離估計 。

2.3.3時延估計

采取閾值法獲取電纜傳播時延信息 和土壤傳播時延信息

式中， f_s 為閾值因子，通常取0.8。時延差 為：

隨后，將上述三種方法加權融合變成一個非線性最小二乘問題，采取LM算法對該問題進行求解。最終，對 k 次測量的估計結果進行均值估計，獲得故障點的坐標：

3 實驗及結果分析

3.1實驗環境

實驗時設定脈沖發生裝置按照30s間隔產生一次高壓脈沖，激發故障點發射聲信號。測量裝置通過MEMS麥克風陣列采集聲信號，陣元數量為16，間距為2cm ，采樣頻率 f_s=48kHz 。CEEMD的最大迭代次數設為100，所增加噪聲信噪比為15dB，最大分解層數為6層。

3.2實驗結果及分析

針對前文所述方法進行實驗并預先測量出參考點與故障點間的真實距離。隨后隨機移動測量裝置，每個測量點采集3次數據，基于LM算法對式（1）進行求解，得到故障坐標后計算其與參考點的距離，結果見表1。隨著測量次數的增加，所獲得的信息量也在逐步累積，故障點的距離估計精度也越來越準確。

為了更進一步驗證本文方法的有效性，在不同故障距離下與其他方法進行了比較，結果見表2。分析可知，當距離故障點越近時，雖然定位精度有一定程度的提升，但相對誤差有上升的趨勢，其原因是越接近故障點，多徑疊加效應越明顯。

圖3誤差對比圖

同時，結合圖3分析可知，本文方法與雙端行波法及小波與CEEMDAN法對比，在距離故障點較近時，仍表現得很出色。實驗結果表明，本文所提出的方法能夠有效應對電纜溝槽內的復雜多徑傳輸環境，能夠實現電力電纜故障點的精準定位。

結束語

針對溝槽內電纜故障點聲信號由于多徑傳播而無法精確定位的問題，本文提出了一種基于北斗系統及聲信號的電力電纜故障定位方法。該方法穩定性好、測量精度高、不易受到使用環境的限制，能夠有效實現對城市復雜環境中的電力電纜故障點快速精準定位，為電力電纜的安全運行和風險管理提供支持，從而保證電力系統運行的穩定性和可靠性。

參考文獻

[1]馮晨立.基于行波法的電力電纜故障定位技術研究[J].電力與能源，2024，45（4）：435-438.

[2]張牧燁.電力電纜故障定位和故障診斷方法研究[D].濟南：山東大學，2022.

[3]張國棟.電纜故障分析與測試[M].北京：中國電力出版社，2005.

[4]黃藝航，蔡凱武，黃曉智，等.基于機器學習的通信電纜故障檢測與定位方法[J].自動化與信息工程，2024，45（1）：35-41.

[5]高巧妹，戚宇林.基于聲磁同步原理電力電纜故障定位的研究[J].電測與儀表，2014，51（10）：28-32.

[6]張金亮.基于人工智能的電纜故障精確定位與實現技術[D].濟南：山東大學，2023.

[7]袁燕嶺，周灝，董杰，等.高壓電力電纜護層電流在線監測及故障診斷技術[J]高電壓技術，2015，41（4）：1194-1203.

[8]李峰.基于沖閃放電特征的電力電纜故障定位方法與系統[D].合肥：合肥工業大學，2014.

[9]王子良，符爽，范樹凱.基于SWT-TEO的礦用電力電纜故障定位方法[J].煤礦機械，2022，43（7）：149-151.

[10]羅威，陳芳，魏存良，等.基于改進希爾伯特-黃變換的電纜接地故障定位研究[J].電工技術，2023（21）：65-68.

[11]李鑫，劉志勇，楊楨，等.基于CEEMD-IDWT的受載煤巖微震電壓去噪算法[J].電子測量與儀器學報，2024，38（8）：24-136.