XLPE电缆模拟缺陷局部放电特征分析及模式识别

鲁 创，刘金泉

应用研究

XLPE电缆模拟缺陷局部放电特征分析及模式识别

鲁 创1，刘金泉2

（1.武汉船用电力推进装置研究所，武汉 430064；2. 江西铜业集团公司贵溪冶炼厂，贵溪 335424）

为了解交联聚乙烯电缆缺陷的局部放电特性及局放高频脉冲相位分布图谱识别，在实验室条件下制作电缆终端及中间接头常见放电缺陷，采用高频电流法对交联聚乙烯电缆常见缺陷进行局部放电检测实验，通过采集局部放电数据并绘制局部放电图谱。结合电力电缆几种典型缺陷电场分布特点，分析电力电缆在不同缺陷条件下的放电特性，提取局部放电PRPD图谱特征量，使用支持向量机法(SVM)对四种典型缺陷进行识别分类。由于缺陷类型不同，导致其放电特征的相位分布差异明显，将PRPD图谱特征值作为向量机输入进行分类计算，最终得出该放电数据对应的缺陷类型。

局部放电 PRPD谱图 支持向量机 模式识别

0 引言

在现代电力电网的建设中电力电缆得到了越来越广泛应用[1]。用户对电力的需求在持续增长中，电力线路越来越长[2]。而电缆对环境影响小，安全性更高，地下电缆得到广泛应用[3]。

由于加工工艺、结构和安装等原因，电缆接头处可能会出现杂质、气隙等缺陷，其故障发生的概率明显高于电缆本体，影响电气可靠性[2]。据不完全统计，电缆的中间接头和终端接头故障占比达到了总故障的70%[4～5]，对电缆接头处的局部放电检测至关重要。由于电缆绝缘损伤引起的放电信号非常微弱，传统的预防性实验能够检测到局部放电信号几率比较低[6～7]。可通过高频电流传感器感应出电缆局部放电产生的脉冲电流。局部放电实验是电力电缆绝缘评价的最优方法[8～9]。

本文以交联聚乙烯电力电缆运行中常见缺陷为研究对象，采用基于高频电流法的局部放电检测系统对电缆中间接头及终端接头几种常见典型缺陷进行局部放电测量和数据采集，通过对缺陷周围电场仿真分析结合放电谱图确定特征量，采用支持向量机法进行放电模式识别。

1 电缆典型缺陷及测量系统

1.1 典型缺陷模型类型及制作

交联聚乙烯电力电缆使用中常见故障类型主要包含电缆主绝缘内部和表面出现气隙或者橡胶与电缆分界面有气隙，在电场的长时间作用下，气隙承受大电压导致绝缘内部发生放电，最终形成气隙放电现象；交联聚乙烯电力电缆导体部分出现尖刺或尖角，电场强度高度集中，导致尖刺附近绝缘损坏，发生尖端放电；橡胶与环氧分界面接触不紧密或者分界面有水珠和杂质，导致绝缘性能下降，发生沿面闪洛，电缆接头处绝缘部分与导体之间存在金属碎屑时容易发生悬浮电位放电。

根据电力电缆常见四种典型放电类型，制作四种电缆缺陷如图1所示。

图1 模拟缺陷物理模型

1.2 局部放电试验平台

电缆局基于上述交联聚乙烯电缆典型缺陷，设计电力部放电模拟实验平台，如图2所示，T1为可调自耦变压器，T2为工频耐压试验变压器，R为限流电阻，阻值为15 kΩ，C1与C2并联，C2≫C1，通过测量C2两端电压获取工频相位信息，Cx表示交联聚乙烯电缆缺陷，D为高频电流传感器，频率使用范围1-25MHz，传感器实物如图3所示，信号采集部分使用FPGA采集卡对传感器输出电压信号进行AD采样，最后通过高速以太网将采样数据实时传输到计算机端进行存储。

图2 局部放电实验平台原理图

图3 高频电流传感器

2 PRPD图谱构建与分析

该实验通过工频耐压测试设备分别对四种类型的缺陷电缆施加66kV电压，使其电缆接头处发生局部放电现象，通过FPGA采集卡对高频电流传感器输出端信号进行AD采样，并将数据传至上位机端。最后通过Matlab软件对数据进行处理，得到局部放电PRPD图谱及放电相位与放电次数关系图谱，结合电缆缺陷电场分布图分析局部放电图谱特征。

2.1 内部气隙放电

内部气隙放电电场分布如图4所示，局部放电图谱如图5所示。

图4 内部气隙缺陷电场分布图

图5 内部气隙放电PRPD图谱

根据图4、图5可知内部气隙电场强度呈均匀分布，因此气隙缺陷下，局部放电信号幅值及放电次数在工频正负半周呈现对称分布的特点，为后期图谱特征量选择与模式识别提供依据。

2.2 尖刺放电

尖刺放电电场分布如图6所示，局部放电图谱如图7所示。

图6 尖刺缺陷电场分布图

图7 尖刺放电PRPD图谱

根据图6、图7可知尖刺放电时，正半周没有特征信号，因为尖端为正极性，周围电离生成正离子，正离子运动较慢，所以随着尖端半径增大放电越困难。在负半周期，尖端电压极性变负，正离子会有一部分仍在尖端附近，电子质量轻、速度快，会快速移动到正极，正电极和正离子分别与尖端的场强相叠加，尖端场强更大，所以负半周期会出现大量放电信号，因此尖端放电的相位分布具有明显特征。

2.3 沿面放电

沿面放电电场分布如图8所示，局部放电图谱如图9所示。

图8 沿面缺陷电场分布图

图9 沿面放电PRPD图谱

根据图8、图9所示，发生沿面放电时，由于该处电场分布不均匀，导致极性效应存在，正半周放电强度、放电次数均少于副半周期，放电脉冲主要集中在35°-100°和225°-280°两段区间。

2.4 悬浮放电

悬浮放电电场分布如图10所示，局部放电图谱如图11所示。

图10 沿面缺陷电场分布图

图11 悬浮放电PRPD图谱

根据图10、图11可知发生悬浮放电时，电场分布不均匀，且随着试验电压提高，高压电极和悬浮金属之间由电晕放电改为击穿性放电。因此悬浮放电正负半周放电信号分布不对称且放电相位滞后于沿面放电。

通过对这电力电缆绝缘缺陷局部放电信号幅值及相位分布特征分析可得，不同类型缺陷放电信号相位分布特点，通过提取特征量对局部放电图谱进行模式识别。

3 特征提取及模式识别研究

3.1 特征量提取

本文选取特征量包含偏斜度Sk，陡峭度Ku，起始放电相位Φ和互相关系数Cc如下所示：

从实验数据中提取一组统计特征量，见表2。编号A、B、C、D代表内部气隙放电、尖刺放电、沿面放电及悬浮放电。采样时间长度为连续250个工频周期，相位窗数为18个。在工频正负半周分别提取特征，表中SkN和KuN分别表示Φ-N图谱的偏斜度和峰度；Skq和Kuq表示Φ-Q谱图的偏斜度和峰度；Φ-、Φ+分别为正负半周期起始放电相位；Cc为正负半周期互相关系数。

通过表1可知不同缺陷其统计特征量存在明显区别，能够反映电缆典型缺陷局部放电图谱特征，可为缺陷识别提供数据支持。

3.2 基于SVM的缺陷识别

支持向量机(SVM)是一种二分类模型。SVM就是寻找最大化分割样本空间的超平面，将问题变成凸二次元求解问题。SVM就是求解凸二次问题的一种方法[11]。当样本空间为非线性时，通过原空间映射到高维空间方法，将求解问题转移到高纬度空间。求解最优分界超平面的过程中，调整核函数的相关参数和惩罚项系数的搭配往往是SVM调参寻优的重点[12～14]。

表1 缺陷特征量统计

SVM最初主要求解二分类问题，而电缆缺陷为多分类问题，通过“一对多”或者“决策树”等策略将SVM二分类推广至多分类。SVM的二分类原理如下[15]。

式中a是拉格朗日乘子。

其中：系数a所对应的原始数据点(x,y)，刚好使(6)式等号成立才有可能非零。

由此可以得到最优分类决策函数：

采用“一对多”算法，首先对四类电缆接头缺陷样本数据构造4个二分类器，其中每一个分类器选择其中一种缺陷作为训练样本，赋值为+1，其它的训练样本赋值为-1，通过该方式对缺陷样本进行4次分类，每种缺陷样本各赋值+1次。

4 实验结果分析

核函数可以有效避免计算高维度特征空间的内积。作为SVC类最重要的参数之一，kernel能够从sklearn选择核函数，包括线性核函数、多项式核函数、高斯径向基核函数（RBF）和双曲正切核函数（Sigmoid）[16～18]。sklearn中常用的四种核函数其表达式如下所示：

不同核函数的计算时间、计算效率和识别准确度差别较大，本文选取4种核函数进行比较，通过不断矫正相关参数达到最佳识别效果。

在表2中可以看出，不同缺陷缺陷类型的特征量区别明显。在获得特征量后，使用pycharm中的sklearn.svm进行分类识别，其中取惩罚系数C=12固定不变,通过训练不断的修改其他2种或3种参数值，使其达到最佳训练效果。每种缺陷在施加不同的电压下各获得150组数据，一共600组实验数据。其中70%用于训练集，30%用于测试集。4中核函数的测试集样本识别结果如表所示。其中A为内部气隙放电、B为尖刺放电、C为沿面放电、D为悬浮放电。

线性核函数中，参数gamma，degree，cofe0，不进行数值更改，训练验证时长00:28:34，可得到如下的识别准确表格。

表2 线性核函数下不同缺陷识别的准确率

多项式核，修改其中3个参数，'coef0': 0.0, 'gamma'：1e-10，degree=3，训练验证时长为00:12:32，可以得到最佳的识别准确率，如表3所：

表3 多项式核函数下不同缺陷识别的准确率

Rbf核函数中修改参数coef0=0，gamma=0.003237，训练验证时间00:12:06，可以得到最佳的效果，如表4所示。

表4 RBF核函数下不同缺陷识别的准确率

双曲正切核，修改其中2个参数，'coef0': 1.1111111111111112， 'gamma': 0.001930706，训练时间00:13:54，可以得到最佳的识别效果，如表所5示：

表5 sigmoid核函数下不同缺陷识别的准确率

由上表得出不同函数识别准确率差别较大，训练时间除线性核函数外，计算时间相差很小，并且四种核函数对于尖刺放电的识别准确度都比较高，这是由于极不均匀电场特有的极性效应造成的；在使用RBF核函数时，能获得比其他3种更好的识别效果，说明使用SVM进行多分类并选取RBF作为核函数的方式能够更加准确的识别不同缺陷类型的放电信号。

5 结语

本文根据电力电缆在运行中经常发生的典型缺陷，设计制作交联聚乙烯电力电缆几种典型缺陷，利用缺陷电缆进行了电缆绝缘耐压实验。采用高频电流法搭建电缆局部放电检测平台，通过FPGA采集卡对局部放电数据进行采样并上传，在上位机端生成放电图谱，分析不同缺陷类型的放电特性，通过观察其放电信号相位分布、放电密度等特征；选择偏斜度、陡峭度、互相关系数等特征值作为识别特征量，通过支持向量机算法对特征值进行分类，结果表明支持向量机法识别准确率较高，可有效识别出不同类型缺陷。

[1] 何平,何若冰,陈佳,等.固体绝缘材料内部气隙中表面残余电荷对局部放电起始位置的影响[J].电器与能效管理技术,2020,No.597(12):7-13+34.

[2] 李方利,钱帅伟,毛振宇,王朋朋,杜璇.基于多传感器融合技术的电缆附件局部放电检测系统[J].电器与能效管理技术,2020,No.591(06):53-60+75.

[3] 李蓉,周凯,万航,等.基于输入阻抗谱的电力电缆本体局部缺陷类型识别及定位[J].电工技术学报,2021,36(08):1743-1751.

[4] 潘文霞,赵坤,朱正鼎.一种基于阻抗相位变化比率的长电缆局部缺陷定位新方法[J].中国电机工程学报,2020,40(12):4043-4051.

[5] 周承科,李明贞,王航,等.电力电缆资产的状态评估与运维决策综述[J].高电压技术,2016,42(08):2353-2362.

[6] 陈杰,吴世林,胡丽斌,等.退役高压电缆附件绝缘状态及理化性能分析[J].电工技术学报,2021,36(12):2650-2658.

[7] 赵威,周凯,刘凡,等.在XLPE电缆加速老化过程中理解水树的自愈性[J].电工技术学报,2014,29(06):311-317+332.

[8] 刘蓉,李继胜,田维坚,等.XLPE电力电缆典型缺陷局部放电测量与分析[J].高压电器,2015,51(02):44-50.

[9] 朱煜峰,许永鹏,陈孝信,等.基于卷积神经网络的直流XLPE电缆局部放电模式识别技术[J].电工技术学报,2020,35(03):659-668.

[10] 张龙,黄晨曦,张伟,等.交流和振荡波电压下XLPE电缆典型缺陷局部放电特性研究[J].高压电器,2015,51(08):43-48+53.

[11] 陆国俊,熊俊,李光茂,等.振荡波电压下XLPE电缆局部放电模式识别研究[J].高压电器,2017,53(02):95-100+107.

[12] 廖剑,史贤俊,周绍磊,等.基于局部图嵌入加权罚SVM的模拟电路故障诊断方法[J].电工技术学报,2016,31(04):28-35.

[13] 陈健宁,周远翔,白正,等.基于多通道卷积神经网络的油纸绝缘局部放电模式识别方法[J].高电压技术:1-10[2021-09-21].

[14] 许渊,刘卫东,陈维江,等.基于高灵敏测量的GIS绝缘子表面微金属颗粒局部放电特性[J].高电压技术,2019,45(09):2707-2714.

[15] 张新伯,唐炬,潘成,等.用于局部放电模式识别的深度置信网络方法[J].电网技术,2016,40(10):3272-3278.

[16] 吴定云, 马占林, 张栋梁, 等. 基于特高频法的高压开关柜局部放电监测及特征参量提取[J]. 电工技术, 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

鲁创（1987-），男，工程师，主要从事开关电器的研究。E-mail: luchuang712@163.com