电力电缆早期故障诊断研究综述

唐 丹, 吴 浩, 蔡 源

(1.四川轻化工大学 自动化与信息工程学院, 宜宾 644000;2.人工智能四川省重点实验室, 宜宾 644000)

0 前言

电力电缆主要应用于城市地下电网、发电厂、工矿企业、水下传输等多个领域,以供电能的传输与分配。 与架空线路相比,电力电缆具有占用空间小、外部环境扰动小、电力系统输送中故障发生率低,以及能够改善城市环境等优点,可广泛应用于多种领域[1]。 但是,随着电力电缆在电网中的广泛使用和使用寿命的不断延长,电缆的失效几率逐步增大。正确处理和维护电缆故障,持续监测和分析电缆状况,可以最大限度地减少停机时间。

电缆早期故障是一种间歇性的电弧故障,由电缆绝缘的局部缺陷引起,不会造成保护动作跳闸,但可能会引起电缆永久性故障发生[1-2]。 电缆早期故障按故障持续时间长短可分为半周波早期故障和多周波早期故障,前者持续时间约为1/4 个周期,后者持续时间约为1 ～4 个周期[2]。 因为电缆内部的短路或故障会使电流发生变化,产生电热效应,从而导致故障自我修复[3],所以电缆早期故障也被称为自清除故障。 然而,随着电缆故障的恶化,这种自动修复的能力逐渐减弱,最终需要人工修复。 因此,电缆早期故障识别与定位研究的主要目的是在发生电缆永久性故障之前更换电缆,防止电缆永久性故障的发生,提高电网系统的运行可靠性。

1 电缆故障原因和特性

1.1 电缆早期故障原因

电缆寿命可以划分为以下3 个阶段:第一阶段“老化阶段”(0 ～5 a),故障发生率低;第二阶段“使用寿命阶段”(5 ～25 a),故障发生率较低;第三阶段“磨损阶段”(大于25 a),与老化有关的故障发生率升高。 电缆绝缘损伤或老化是电缆出现早期故障的主要原因[2],电缆绝缘老化情况见图1。

图1 电缆绝缘老化图

由图1 可知,若在电缆早期故障后,不及时对电缆进行维修或更换,会导致瞬时性早期故障重复出现,从而进一步导致电缆出现永久性故障,最终造成电缆失效,给电网带来严重损害。

导致电缆绝缘出现损坏和老化的因素包括电缆的生产工艺、电缆运行的外部环境,以及电缆的工作时间等[4]。 研究认为[5],电缆绝缘老化是由内部缺陷引起的,包括杂质、气隙、凸起毛刺等;在外部环境(电效应、热效应、机械效应、化学效应等)的综合影响下,电缆绝缘出现局部放电、电树枝、水树枝等绝缘退化现象;最终,导致电缆绝缘击穿,出现电缆早期故障。 电缆绝缘老化发展过程见图2。

图2 电缆绝缘老化发展过程图

其中,水分渗入是导致电缆绝缘失效的重要因素,且多发生在电缆连接部位。 水分渗入到电缆接头部位会导致绝缘材料表面电场分布不均匀。 由于湿气和电场的影响,在电场强度大的地方,会形成一棵水树。 这种水树枝的发展具有不可逆性,且会使电缆的局部应力增加,造成电缆绝缘局部退化。 电树枝一般是在电场强度较高的绝缘劣化点或在水树枝处因高应力而形成。 电树枝的产生会腐蚀电缆绝缘,并使其老化速率加快,从而导致电缆早期故障发展成为电缆永久性故障[6]。

1.2 电缆早期故障特性

电缆早期故障电阻与电弧故障电阻特征相似,均具有非线性时变特点。 目前,对电缆早期故障的研究没有统一的模型,且电弧模型仿真波形与实际电缆早期故障波形基本相同[7]。 因此,现有研究大多采用电弧模型来进行电缆早期故障的识别与研究。 用于电缆早期故障研究的电弧模型包括Cassie电弧模型[8]、Mayr 电弧模型[9]、Schwarz 电弧模型[10]、传统的“控制论”电弧模型[11]、改进的“控制论”电弧模型[12]、Cassie-Mayr 组合电弧模型[13]等。电缆早期故障通常发生在电压峰值瞬间,伴随电弧的出现,此时电缆绝缘击穿的可能性更大。 电缆早期故障发生时会导致故障的相位电流瞬间增加,相位电压降低,在故障结束后相位电流又会回到正常状态[2]。 电缆早期故障具有周期性和重复性的特点,且随着时间的推移其出现的频率会越来越高,最终将导致电缆永久性故障。

电缆早期故障还具有以下特征[13-16]。 ①电缆半周波早期故障持续时间短,电弧电流不存在零休现象,电弧电压也不会出现“马蹄形”波形;电缆多周波早期故障发生后,电弧电流在过零点会发生零休现象,电弧电压在此期间会发生显著畸变,能明显观察到燃弧电压和熄弧电压。 ②电缆半周波早期故障的电弧电阻只出现一个波峰,而电缆多周波早期故障的电弧电阻在故障时间内是呈周期性变化的尖峰,且其峰值比半周波早期故障电弧电阻的峰值大。

2 电缆早期故障识别研究现状

目前,国内外主要通过提取电压、电流的瞬时特性来开展对电缆早期故障的识别研究。 随着人工智能技术的飞速发展,故障诊断识别中不断引入了各种智能算法,并取得了较好的效果[16]。

2.1 基于电气量的识别方法

故障信号在时域和频域上的特性是识别电缆早期故障的关键信息。 因此,已有多篇研究提出采用检测故障相特征信号的方法来实现早期故障识别[17]。 SIDHU T S 等[2]对含有5 条地下电缆、2 条架空线路和1 条线路电缆的10 kV 配电网系统中各种短路故障导致的电缆过流问题,提出了基于小波分析方法,通过对故障瞬时状态的检测,识别出电缆早期故障;基于小波分析方法的优点,分析在各种噪声水平、故障条件、瞬态类型和系统配置下实现低误报率和低误分类率的技术可行性。 戴铭[18]同样采用小波分析方法对10 kV 的电缆线路系统进行早期故障识别,从时频域的观点出发,采用两种不同的小波基(离散小波和复合Morlet 小波)对故障信号的奇异性进行检测,并采用小波奇异性检测和贝叶斯变点分析对电缆早期故障电流进行检测,发现在故障突变不显著的情况下,贝叶斯变点分析方法的识别准确率略低于小波分析检测方法。 贝叶斯变点分析模型基于单参数指数族分布,而单参数指数族包括多种分布,如文献[18]中使用的正态分布等,不同分布可能导致不同的检测效果,这是后续研究的一个方向。 姚海燕等[19]利用IEEE 13 节点配电网算例模型(模型主干线改为电缆线路)对电缆早期故障进行仿真识别,通过比较各种故障导致的过电流特征,采用小波分析中的高频细节系数、低频近似系数、模极大值等多重判据,对电缆瞬时过电流状态进行了检测;运用灰色关联分析方法,得出了标准电缆与试验电缆早期失效电流的关系;结果表明,多种过电流扰动的识别准确率均为91. 1% ～100% ,由此识别了电缆早期故障,但由于常规负荷过电流扰动较小,负荷暂态过电流识别的准确率仅为50% ～70% 。

2.2 基于人工智能的识别方法

传统的故障分类是以故障的波形特性为基础,通过人工设计和人工手动抽取的特征来进行分类,但这种方法难以实施,同时会消耗大量的时间和人力,且容易出现局部最优、过拟合等问题[15]。 基于深度学习的人工智能识别算法不仅具有很高的识别精度,其识别模型还具有较好的泛化性能,因此,在电缆早期故障分类识别中的优越性日益显现。 陶云春[15]解决了传统方法中负荷过电流扰动识别准确率低的问题,在IEEE 13 节点10 kV 的仿真模型上,采用S 变换提取奇异熵、模糊熵等作为辨识早期故障和暂态扰动的初始特征量,并采用主成分分析方法进行数据降维,归一化处理后将其转化为增量卷积神经网络的输入特征矢量;增量卷积神经网络未加入新类别前的识别准确率为98.96%,加入3 个新类别后的识别准确率为91.84%;结果表明,该方法对已知故障(未发生)也具有一定的识别能力,但文中并没有考虑噪声对故障电流信号的影响。 王文凯等[20]在电源为35 kV、变压器变比为35 kV/10 kV的电缆线路模型中提出了一种利用降噪自编码器(DAE) 提取特征信号, 使用改进粒子群算法(IPSO)优化支持向量机(SVM)的电缆早期故障识别方法;此方法的识别准确率达到98.68%,对噪声有很好的抗干扰能力。 汪梅[21]以电缆故障行波为原始信号,以小波包分解子频带能量函数为二次特征,并以最小距离为准则,在小波神经网络理论基础上实现了电缆故障识别。

汪颖等[22]搭建了25 kV 无支路电缆故障线路仿真模型对电缆早期故障进行识别,将S 变换与堆叠自动编码器(SAE)结合,提取特征信号,识别早期故障,其识别准确率可达到98.8%。 随后,针对25 kV 无支路电缆故障线路模型,汪颖等[23]采用小波变换对故障电流信号进行分析,并将其特征值用于优化卷积神经网络的输入;结果表明,识别准确率达到97.9%,实现了对电缆早期故障的识别,同时,该方法有效地解决了传统分类方法易产生混淆、分类准确率低等问题。 WANG Y 等[24]针对25 kV 电缆故障仿真模型,提出了一种基于受限玻尔兹曼机(RBM)和SAE 的电缆早期故障识别方法;采用RBM 对扰动电流波形数据进行有效压缩,提高了分析效率,得到了数据的浅层特征;该方法对仿真数据识别的准确率达到98.33%。 李胜辉等[25]针对25 kV 电缆线路仿真模型,采用平稳小波变换对故障相电流信号进行分解,提取小波系数的统计特征量作为随机森林分类器的输入,实现了对电缆早期故障的识别;结果表明,其平均识别准确率为99.2%(无噪声)和97.2%(信噪比为40 dB)。 上述识别电缆早期故障均是在25 kV 的电缆仿真模型中进行的,采用不同的方法,包括S 变换和SAE 结合、小波变换、受限RBM 和SAE 结合等,提取特征信号并识别电缆早期故障。 这些方法的识别准确率在97.9% ～99.2%之间,略高于传统方法,但这些研究均未使用实际故障数据来证明所提出方法的可行性。

3 电缆早期故障定位研究现状

电缆早期故障精确定位是减少地下电缆永久故障的必要条件。 目前,国内外对电缆早期故障定位的研究主要有两种:一是利用误差计算和参数估算来找到故障的初始位置;二是基于人工智能技术进行故障定位。

3.1 基于误差计算和参数估算的定位方法

误差计算和参数估算方法是一种常见的用于定位电力系统故障位置的方法,其基本思想是通过对电力系统中电压、电流等信号进行采集和处理,计算出信号之间的误差和参数,从而推断出故障的位置。

对于IEEE 13 节点馈线系统,ZHANGWH等[26]提出了用电缆电压的畸变程度来检测早期故障的发生,通过测量波形与计算波形的匹配程度来判断故障距离,考虑了电压波形中的故障初始角和功率损耗特性;结果表明,该方法的平均误差均小于2.5%,定位准确率较高,但定位速率较慢。 对于10 kV 系统三相单芯电缆仿真模型(故障发生于电缆首端6 km 处),张璇等[27]提出了构建等效零模电路来测量电缆早期故障的距离;结果表明,所提出的测距方法在芯-护层接地故障和芯-护层故障两种故障类型下均具有较高的准确率,故障估计距离的相对误差在±3%内,但当故障距离变大时,定位误差也会增大,影响定位结果。 对于单芯交联聚乙烯电缆的基本结构和电缆的双 等效电路模型,PAN W X等[28]提出了一种基于电缆两端电量的绝缘故障定位方法,利用电缆两端电量的计算公式求解故障方程,得到电缆故障位置的解析表达式;仿真结果表明,定位误差最大不超过0.134 km,该算法能够准确定位故障的起始点,且不受故障点、故障电阻和故障起始角的影响。 刘欣桐等[29]通过 PSCAD/EMTDC 建立10 kV 单芯电缆模型,故障发生在距离电源25 km 处,采用阻抗计算方法对电缆早期故障进行定位,通过故障电压和中性点电流定位故障点,其定位误差均小于2%,有较高的精度,但对复杂电缆系统的故障定位效果较差。 上述文献中使用的定位方法具有计算量小、精度高等优点,但也存在一些局限性,如对于大规模电力系统模型的建立比较困难,需要耗费大量的时间、人力和物力。

3.2 基于人工智能技术的定位方法

利用特征提取技术和人工智能技术进行故障定位的方法具有推广性强等优点,但人工智能方法依赖特征提取方法,易引入人为误差[30]。

对于地下电缆仿真模型(变比为 35 kV/10 kV),王文凯等[30]提出了基于AE-AMPSO-SVM的地下电缆早期故障定位方法,通过自动编码器提取特征电流信号,并在SVM 中引入自适应变异粒子群算法,完成故障信号与故障点距离的映射;试验表明,该方法能够准确定位电缆早期故障,测量误差率为2.506 2%。 李成升等[31]搭建10 kV 无支路电缆线路模型,故障距离由电缆间的距离决定,采用S变换处理故障电流信号,提取特征信号,通过SAE实现电缆早期故障的定位;结果表明,所提方法的定位准确率达到95.5%,比K 最近邻(KNN)算法、随机森林(RF)算法的准确率更高。 对于25 kV 电缆线路,李胜辉等[32]提出了小波变换和栈式稀疏自编码器结合的方法对电缆早期故障进行定位,利用db4 小波分解原始故障信号,每种信号提取72 种特征信号用于故障定位;结果表明,此方法的定位准确率达到99.6%,能够准确定位电缆早期故障的位置。 对于10 kV 配电网(4 条架空线路和1 条线路电缆),胡裕峰等[33]提出了一种累积和算法和自适应线性神经元的监测方法;结果表明,该方法可以检测出电缆早期故障的单向瞬变。 上述研究中存在仿真数据不充分或不准确的可能性,需要通过实际故障数据证实其可行性。 从上述文献可以发现,部分基于人工智能技术的电缆早期故障定位方法的准确率低于传统的定位方法,这是因为故障特征信号可能难以选取或难以准确描述故障情况,且易受到噪声、测量误差和系统变化等因素的影响,进而影响故障定位的准确性。

在使用人工智能方法进行故障定位时,依赖于大量的数据和模型训练。 如果数据质量不好或训练模型不足以涵盖所有可能的故障情况,那么就会引入误差。 因此,在应用特征提取技术与人工智能方法进行故障定位时,需要注意数据质量、模型训练、特征选取等问题,并结合其他传统方法来提高定位的准确性。

4 结束语

电力电缆在城市地下电网、发电厂、工矿企业、水下传输等方面被广泛应用。 在电力系统中,电力电缆是输送和分配大功率的重要线路。 电缆早期故障研究是电力系统的重要研究方向,有助于预测电缆故障,从而有效防范和缓解电缆故障。 通过上述文献的对比分析,可以得出以下结论与展望。

1)电缆早期故障仿真模型。 目前,没有公认的电缆早期故障仿真模型,大多数研究采用的是各种不同的电弧模型,因此,不能很好地对比各种研究方法的优缺点。 如果能够统一电缆早期故障仿真模型,不仅有利于对比各种电缆早期故障识别和定位方法的优缺点,还能够促进电力输送的研究发展。同时,通过模拟和仿真技术加强对电缆故障的研究,可以更好地了解故障机理,提高故障预测和预防能力。

2)检测速率和智能监测。 电缆早期故障具有瞬时性和自恢复性,因此,在保证识别准确率的前提下,必须重视检测的速率。 与此同时,研究并开发智能监测技术,从而实现对电缆状态的实时监测,提高电缆故障的发现率。

3)数据挖掘和其他技术交叉融合。 利用大数据技术对电缆故障数据进行挖掘和分析,以期发现更多的故障模式和规律。 在实际电缆早期故障中获得大量的故障数据来进行试验是比较困难的。 因此,探讨如何使用迁移学习在小样本故障数据中获得更好的学习结果非常重要。 同时,需要研究不同领域的技术,如电磁场理论、数据分析、人工智能等,将其综合应用于电缆早期故障研究中,以期更好地解决问题。