110kV高压电力电缆绝缘老化缺陷识别技术

广西桂能科技发展有限公司 谭永浩

1 采集高压电力电缆局部放电信号

一般情况下，如果110kV 高压电力电缆的绝缘材料发生老化缺陷，电缆的局部放电信号就会发生变化[1]，所以本文在研究电缆绝缘老化缺陷识别技术时，从局部放电信号识别领域入手，电力电缆的局部放电信号识别技术主要包括三个步骤：一是局部放电信号的采集；二是局部放电信号的预处理；三是局部放电信号的分类识别。首先，确定110kV 高压电力电缆的分布参数模型：

式中，R表示电力电缆单位长度的电阻数据；C表示电力电缆单位长度的电容数据；L表示电力电缆单位长度的电感数据；ε表示电缆线芯的电阻率参数；k表示电缆导体电阻的温度系数值；β表示电缆导体的温度值；λ表示电缆导体电阻率增加系数值；µ1、µ2分别表示电缆材料与真空的介电常数值；r1、r2分别表示电缆的外径、内径参数；η表示电缆的磁导率。

基于110kV 电力电缆模型，将单层电感传感器安装在电缆绝缘表面，在电力电缆运行过程中，单层电感会和导体产生电容耦合，从而实时测量电缆的局部放电信号，并将该传感器和16位分辨率的数据采集设备进行连接，此时传感器采集的局部放电信号就会通过网络存储至数据库内[2]。这种电缆局部信号的测量采集法不仅安装方便，可以具有较高的可靠性，可以采集到满足电缆绝缘老化缺陷识别的局部放电信号[3]。

2 预处理高压电力电缆局部放电信号

由于110kV 高压电力电缆运行环境复杂，文中上述内容采集的电缆局部放电信号中存在一定噪声数据，严重影响电缆绝缘老化缺陷识别的精度，所以本章首先对采集的电缆局部放电信号进行去噪处理[4]。

由于电力电缆局部放电信号具有较好的时频特性，所以本文引入小波变换理论，来实现局部放电信号的去噪，小波变换主要通过分解与重构的方式对原始局部放电信号进行滤波，从而剔除噪声信号，所以无论是平稳还是非平稳的电力电缆局部放电信号，小波变换均可以表现出优越的去噪性能。利用小波变换去除高压电力电缆局部放电信号噪声时，首先需要根据基本小波函数f(t) 获得小波函数，表达式为：

式中，u表示小波函数的尺度参数；v表示小波函数的平移参数。

对基本小波函数进行伸缩平移，即可获得小波函数，然后再结合该式对高压电力电缆局部放电信号g(x)进行连续小波变换，表达式为：

式中，Fg(u,v)表示电缆局部放电信号g(x)的连续小波变换；R表示实数，v∈R。

对分解后的小波系数进行重构，即可得到滤除噪声后的电力电缆局部放电信号。然后通过采集不同距离与不同状态下的电力电缆局部放电信号，即可求出信号对应的混沌特征量，该数值对电缆绝缘老化缺陷识别十分关键。一般来说，110kV 高压电力电缆的局部放电信号的混沌特征参量在去噪前后存在较大差距，所以本文为获得更加真实的局部放电信号混沌特征量，需要对原始电缆信号进行去噪处理，再进行提取。

3 构建电力电缆绝缘老化缺陷识别模型

在110kV 高压电力电缆运行过程中，如果发生绝缘老化缺陷从而引起局部放电信号的变化，这种变化十分微弱，所以其分类识别具有一定难度。卷积神经网络是一种有着深度结构的前馈型神经网络，可以对分布式并行信号进行高效运算处理，所以本文引入卷积审计网络，构建一个110kV 高压电力电缆绝缘老化缺陷识别模型[5]。综合考虑到高压电力电缆局部放电信号之间的相似性，本文采用多层卷积结构设计识别模型。在本文所构建的110kV 高压电力电缆绝缘老化缺陷识别模型中，主要包括1个输入层与输出层、3个卷积层与池化层、1个展平层与全连接层，当一维的110kV 高压电力电缆局部放电信号输入模型时，本文所提一维卷积神经网络结构有着运算速度更快的优势。模型中池化层在卷积层之后，这样设置的激活函数就可以将卷积层输入的线性数据转换为非线性数据，并由池化层输出，以此提升识别模型的表达能力。为提升模型的识别效率，本文采用ReLU函数作为激活函数，其表达式：

式中，x表示模型输入的电力电缆局部放电信号。

为提升模型的学习能力，在模型的全连接层与池化层之间设置了一层展平层，可以将电缆局放信号堆叠为一维数组，从而保障缺陷识别精度。采用softmax 分类器实现电缆局部放电信号的识别，计算公式为：

经过卷积层与池化层运算后输出的电缆局部放电信号，经过式（5）所示的分类器即可得到最终绝缘老化缺陷识别结果。

4 仿真试验

为了系统地判断文中设计110kV 高压电力电缆绝缘老化缺陷识别技术是否可行、可靠，参考脉冲电流法设置一个电力电缆局部放电测试平台，展开电缆绝缘老化缺陷识别试验，在该试验平台中的电缆样品上设置了四类常见绝缘老化缺陷，在制作试验样本时，将每工频周期内采集的电缆局部放电数据制作为一个样本，这样得到各类型绝缘老化缺陷的试验样本见表1。

表1 电力电缆绝缘老化缺陷信号样本

试验过程中，为便于本文设计识别模型可以对表中4类电缆局部放电信号进行直接识别，并提升模型训练过程中的运算效率，本章将各信号的边际谱转换为图像的形式，并使用加权平均法对电缆局部放电信号的边际谱图像进行灰度化处理，得到可视化形式的信号边际谱灰度图像，进入图1所示。

图1 电力电缆局部放电信号的边际谱灰度图

将图1所示的电力电缆局部放电信号边际谱图像输入本文设计的识别模型中进行训练，识别的目标为表1所示的四种绝缘老化缺陷，此时得到本文设计技术在不同样本数量下的识别效果，如图2所示。

图2 不同样本数量下局部放电信号识别结果

由图可知，在样本数量较少时，本文设计技术的正确识别率相对较低，且随着样本数量的增加而上升，直至达到稳定状态，这主要是因为卷积神经网络识别模型需要大量数据进行训练，当数据规模达到一定值时，电力电缆局部放电信号的正确识别率基本稳定在90%以上。

为进一步判断本文设计识别技术的性能，选用基于输入阻抗谱的电力电缆缺陷识别技术、基于逻辑回归的电力电缆缺陷识别技术作为对照组，与本文技术一起分别对四种类型的电力电缆绝缘老化缺陷进行识别，得到各技术在不同缺陷类型下的识别结果见表2。

表2 电力电缆绝缘老化缺陷识别结果对比表

由表2可知，在三种电力电缆绝缘老化缺陷识别技术中，本文设计技术的识别精度相对较高，平均正确识别率为94.5%，较对照组技术提升了6.7%、9.5%，可以说明本文所提技术在绝缘老化缺陷识别方面更具优越性，符合110kV 高压电力电缆的缺陷识别要求。

5 结语

电力电缆的运行状态与电网供电质量之间息息相关，对电缆绝缘老化缺陷进行正确地识别有利于电网检修部门及时发现电缆故障并进行检修工作。一般来说，局部放电是电力电缆绝缘老化的重要征兆与主要表现形式，所以本文从电缆局部放电信号入手，针对110kV 高压电力电缆绝缘老化缺陷识别技术展开了研究，同时通过仿真试验验证了本文所提技术具有较高的识别精度，对推动我国电网健康发展有着重要的价值。