110 kV及以上电缆典型缺陷的智能识别研究

2019-05-07项恩新周婉亚王科王鹏刘红文杨能周群雷勇

云南电力技术 2019年1期

项恩新，周婉亚，王科，王鹏，刘红文，杨能，周群，雷勇

（1.云南电网有限责任公司电力科学研究院，昆明 650217；2.四川大学电气信息学院，成都 610065）

0 前言

XLPE电力电缆已经广泛应用于各电压等级的城市输配电网络，其性能影响着电力系统的运行安全。电力电缆投入运行前会经过严格的出厂试验、竣工试验及例行试验，但是其内部微小的气隙、杂质、半导电凸起等缺陷很难在出厂测试中被完全检验出来。同时，电力电缆附件是电缆线路的薄弱环节[1-5]，在现场安装过程中易引入额外缺陷，电缆投运后这些缺陷容易在强电场与高温度等因素的作用下产生局部放电，最终放电加剧导致绝缘失效而造成停电事故[6-7]。局部放电是绝缘劣化的重要表征，通过对中间接头局部放电信号的检测分析，可对接头绝缘状况进行有效的评估，从而采取相应补救措施避免绝缘进一步劣化直至绝缘失效造成的损失[8-10]。

IEEE 的 C-19W 工作组通过对电缆局部放电测试进行了大量研究，认为挤压型电缆系统的典型缺陷主要包括以下几种：绝缘层或绝缘层与半导电层之间界面处气隙或空腔缺陷、电缆与附件界面处气隙缺陷、高电阻绝缘屏蔽或破损中性线以及突出物、气隙或水树引发的电树[9]。由于不同缺陷类型对应的放电危害程度不同，国内外学者利用相位谱图统计、放电脉冲时频特征、三相放电幅值计算等参数[11-12]，对放电源类型识别、干扰区分等方面通过建立等效放电模型的方式进行了研究，而对于典型缺陷信号的统计分类以及智能识别的研究还有待发展。

针对以上问题，本文通过阻尼振荡波电压法在具有典型缺陷的电力电缆终端试品上进行局部放电测试，分别提取不同缺陷类型下的局部放电信号特征，编写局部放电的模式识别算法，并对比了不同局放分类识别技术的缺陷类型识别性能，为电力电缆缺陷的在线监测与智能识别提供了理论依据与技术参考。

1 测试平台

目前国内外使用局部放电现场检测方法主要有三类：工频正弦波电压下的PD检测、超低频电压下的PD检测和阻尼振荡波电压下的 PD检测（Oscillating Wave Test System，OWTS）。凭借等效性好，作用时间短，操作方便，易于携带，且不会对测试电缆造成损害等优点，OWTS成为XLPE电力电缆局部放电现场检测和故障定位的有效手段。本实验使用的OWTS工作示意图如图1所示。其中，变频电源采用ST-3598Z型变频谐振高压试验装置，其额定功率为10 kW，输出电压频率范围为30 Hz-500 Hz；高速数据卡采用PICOSCOPE 5000系列数据采集卡，最大带宽100 MHz，重复采样率达到5 G/s；OWTS系统中工控机软件使用Labview设计完成，系统分为参数设置模块、信号采集模块、数据分析及谱图显示、数据存储等功能。

图1 阻尼振荡波测试系统示意图

2 试样制作

根据电力电缆安装、敷设过程中经常容易出现的缺陷类型，在电力电缆终端试品上人工制作断口不齐、主绝缘纵向割伤两种典型缺陷。为避免测试平台本身可能出现局部放电（如电晕）对测试结果产生干扰，在对试样进行局部放电测试前，首先按照GB/T 11017.1-3—2002推荐的局部放电测量方法对测试平台进行测量。实验结果表明，测试平台放电量小于5 pC，未发现电晕及其他放电点，试验回路完好，满足测量要求[13]。接通电源，利用高压电动试验控制台缓慢升压，当工控机中控制软件中显示明显局部放电时，存储采集卡中相应数据。由于采集得到的信号所含环境噪声相对较大，必须对采集到的局部放电信号进行滤波处理。选择希尔伯特黄（HHT）变换方法，并且结合小波变换改进HHT变换方法，在进行信号分析与滤波中更完整地保留局放有效信息并滤除无效信息。HHT变换方法处理后的数据如图2所示。

图2 不同缺陷下的局部放电信号

3 局部放电特征量提取

利用去噪后的数据计算得到不同缺陷类型的局部放电信号统计特征量：偏斜度Sk、陡峭度Ku、局部峰值个数Pe、互相关系数Cc、放电因数Q、相位不对称度Φ。在试验采集到断口不齐、主绝缘割伤两种缺陷的局部放电数据中分别随机选取100个工频周期的信号进行特征提取，建立一个局部放电特征识别数据库。

4 局部放电模式智能识别

局部放电的模式识别算法也称为模式识别分类器，其流程为首先利用实验室中不同局部放电类型的样本数据作为训练数据进行模型学习，通过调整算法中的参数建立数据特征与放电类型之间的映射关系，该过程称为模式识别算法的学习过程。实际应用时以待识别的数据作为输入，对放电类型进行识别，输出放电类型。目前常用的局部放电模式识别算法有神经网络、支持向量机以及极限学习机等。以人工缺陷下的电缆终端测试实验中提取的不同缺陷下的局放特征量为基础，设计三种智能模式识别算法，并对它们进行验证，验证结果如表1所示。可以看出，极限学习机智能识别算法在训练时间、测试时间、准确率三个性能指标均优于支持向量机和BP神经网络。