魯 創(chuàng)，劉金泉

應(yīng)用研究

XLPE電纜模擬缺陷局部放電特征分析及模式識(shí)別

魯 創(chuàng)1，劉金泉2

（1.武漢船用電力推進(jìn)裝置研究所，武漢 430064；2. 江西銅業(yè)集團(tuán)公司貴溪冶煉廠，貴溪 335424）

為了解交聯(lián)聚乙烯電纜缺陷的局部放電特性及局放高頻脈沖相位分布圖譜識(shí)別，在實(shí)驗(yàn)室條件下制作電纜終端及中間接頭常見放電缺陷，采用高頻電流法對(duì)交聯(lián)聚乙烯電纜常見缺陷進(jìn)行局部放電檢測(cè)實(shí)驗(yàn)，通過采集局部放電數(shù)據(jù)并繪制局部放電圖譜。結(jié)合電力電纜幾種典型缺陷電場(chǎng)分布特點(diǎn)，分析電力電纜在不同缺陷條件下的放電特性，提取局部放電PRPD圖譜特征量，使用支持向量機(jī)法(SVM)對(duì)四種典型缺陷進(jìn)行識(shí)別分類。由于缺陷類型不同，導(dǎo)致其放電特征的相位分布差異明顯，將PRPD圖譜特征值作為向量機(jī)輸入進(jìn)行分類計(jì)算，最終得出該放電數(shù)據(jù)對(duì)應(yīng)的缺陷類型。

局部放電 PRPD譜圖 支持向量機(jī) 模式識(shí)別

0 引言

在現(xiàn)代電力電網(wǎng)的建設(shè)中電力電纜得到了越來越廣泛應(yīng)用[1]。用戶對(duì)電力的需求在持續(xù)增長(zhǎng)中，電力線路越來越長(zhǎng)[2]。而電纜對(duì)環(huán)境影響小，安全性更高，地下電纜得到廣泛應(yīng)用[3]。

由于加工工藝、結(jié)構(gòu)和安裝等原因，電纜接頭處可能會(huì)出現(xiàn)雜質(zhì)、氣隙等缺陷，其故障發(fā)生的概率明顯高于電纜本體，影響電氣可靠性[2]。據(jù)不完全統(tǒng)計(jì)，電纜的中間接頭和終端接頭故障占比達(dá)到了總故障的70%[4～5]，對(duì)電纜接頭處的局部放電檢測(cè)至關(guān)重要。由于電纜絕緣損傷引起的放電信號(hào)非常微弱，傳統(tǒng)的預(yù)防性實(shí)驗(yàn)?zāi)軌驒z測(cè)到局部放電信號(hào)幾率比較低[6～7]?？赏ㄟ^高頻電流傳感器感應(yīng)出電纜局部放電產(chǎn)生的脈沖電流。局部放電實(shí)驗(yàn)是電力電纜絕緣評(píng)價(jià)的最優(yōu)方法[8～9]。

本文以交聯(lián)聚乙烯電力電纜運(yùn)行中常見缺陷為研究對(duì)象，采用基于高頻電流法的局部放電檢測(cè)系統(tǒng)對(duì)電纜中間接頭及終端接頭幾種常見典型缺陷進(jìn)行局部放電測(cè)量和數(shù)據(jù)采集，通過對(duì)缺陷周圍電場(chǎng)仿真分析結(jié)合放電譜圖確定特征量，采用支持向量機(jī)法進(jìn)行放電模式識(shí)別。

1 電纜典型缺陷及測(cè)量系統(tǒng)

1.1 典型缺陷模型類型及制作

交聯(lián)聚乙烯電力電纜使用中常見故障類型主要包含電纜主絕緣內(nèi)部和表面出現(xiàn)氣隙或者橡膠與電纜分界面有氣隙，在電場(chǎng)的長(zhǎng)時(shí)間作用下，氣隙承受大電壓導(dǎo)致絕緣內(nèi)部發(fā)生放電，最終形成氣隙放電現(xiàn)象；交聯(lián)聚乙烯電力電纜導(dǎo)體部分出現(xiàn)尖刺或尖角，電場(chǎng)強(qiáng)度高度集中，導(dǎo)致尖刺附近絕緣損壞，發(fā)生尖端放電；橡膠與環(huán)氧分界面接觸不緊密或者分界面有水珠和雜質(zhì)，導(dǎo)致絕緣性能下降，發(fā)生沿面閃洛，電纜接頭處絕緣部分與導(dǎo)體之間存在金屬碎屑時(shí)容易發(fā)生懸浮電位放電。

根據(jù)電力電纜常見四種典型放電類型，制作四種電纜缺陷如圖1所示。

圖1 模擬缺陷物理模型

1.2 局部放電試驗(yàn)平臺(tái)

電纜局基于上述交聯(lián)聚乙烯電纜典型缺陷，設(shè)計(jì)電力部放電模擬實(shí)驗(yàn)平臺(tái)，如圖2所示，T1為可調(diào)自耦變壓器，T2為工頻耐壓試驗(yàn)變壓器，R為限流電阻，阻值為15 kΩ，C1與C2并聯(lián)，C2?C1，通過測(cè)量C2兩端電壓獲取工頻相位信息，Cx表示交聯(lián)聚乙烯電纜缺陷，D為高頻電流傳感器，頻率使用范圍1-25MHz，傳感器實(shí)物如圖3所示，信號(hào)采集部分使用FPGA采集卡對(duì)傳感器輸出電壓信號(hào)進(jìn)行AD采樣，最后通過高速以太網(wǎng)將采樣數(shù)據(jù)實(shí)時(shí)傳輸?shù)接?jì)算機(jī)端進(jìn)行存儲(chǔ)。

圖2 局部放電實(shí)驗(yàn)平臺(tái)原理圖

圖3 高頻電流傳感器

2 PRPD圖譜構(gòu)建與分析

該實(shí)驗(yàn)通過工頻耐壓測(cè)試設(shè)備分別對(duì)四種類型的缺陷電纜施加66kV電壓，使其電纜接頭處發(fā)生局部放電現(xiàn)象，通過FPGA采集卡對(duì)高頻電流傳感器輸出端信號(hào)進(jìn)行AD采樣，并將數(shù)據(jù)傳至上位機(jī)端。最后通過Matlab軟件對(duì)數(shù)據(jù)進(jìn)行處理，得到局部放電PRPD圖譜及放電相位與放電次數(shù)關(guān)系圖譜，結(jié)合電纜缺陷電場(chǎng)分布圖分析局部放電圖譜特征。

2.1 內(nèi)部氣隙放電

內(nèi)部氣隙放電電場(chǎng)分布如圖4所示，局部放電圖譜如圖5所示。

圖4 內(nèi)部氣隙缺陷電場(chǎng)分布圖

圖5 內(nèi)部氣隙放電PRPD圖譜

根據(jù)圖4、圖5可知內(nèi)部氣隙電場(chǎng)強(qiáng)度呈均勻分布，因此氣隙缺陷下，局部放電信號(hào)幅值及放電次數(shù)在工頻正負(fù)半周呈現(xiàn)對(duì)稱分布的特點(diǎn)，為后期圖譜特征量選擇與模式識(shí)別提供依據(jù)。

2.2 尖刺放電

尖刺放電電場(chǎng)分布如圖6所示，局部放電圖譜如圖7所示。

圖6 尖刺缺陷電場(chǎng)分布圖

圖7 尖刺放電PRPD圖譜

根據(jù)圖6、圖7可知尖刺放電時(shí)，正半周沒有特征信號(hào)，因?yàn)榧舛藶檎龢O性，周圍電離生成正離子，正離子運(yùn)動(dòng)較慢，所以隨著尖端半徑增大放電越困難。在負(fù)半周期，尖端電壓極性變負(fù)，正離子會(huì)有一部分仍在尖端附近，電子質(zhì)量輕、速度快，會(huì)快速移動(dòng)到正極，正電極和正離子分別與尖端的場(chǎng)強(qiáng)相疊加，尖端場(chǎng)強(qiáng)更大，所以負(fù)半周期會(huì)出現(xiàn)大量放電信號(hào)，因此尖端放電的相位分布具有明顯特征。

2.3 沿面放電

沿面放電電場(chǎng)分布如圖8所示，局部放電圖譜如圖9所示。

圖8 沿面缺陷電場(chǎng)分布圖

圖9 沿面放電PRPD圖譜

根據(jù)圖8、圖9所示，發(fā)生沿面放電時(shí)，由于該處電場(chǎng)分布不均勻，導(dǎo)致極性效應(yīng)存在，正半周放電強(qiáng)度、放電次數(shù)均少于副半周期，放電脈沖主要集中在35°-100°和225°-280°兩段區(qū)間。

2.4 懸浮放電

懸浮放電電場(chǎng)分布如圖10所示，局部放電圖譜如圖11所示。

圖10 沿面缺陷電場(chǎng)分布圖

圖11 懸浮放電PRPD圖譜

根據(jù)圖10、圖11可知發(fā)生懸浮放電時(shí)，電場(chǎng)分布不均勻，且隨著試驗(yàn)電壓提高，高壓電極和懸浮金屬之間由電暈放電改為擊穿性放電。因此懸浮放電正負(fù)半周放電信號(hào)分布不對(duì)稱且放電相位滯后于沿面放電。

通過對(duì)這電力電纜絕緣缺陷局部放電信號(hào)幅值及相位分布特征分析可得，不同類型缺陷放電信號(hào)相位分布特點(diǎn)，通過提取特征量對(duì)局部放電圖譜進(jìn)行模式識(shí)別。

3 特征提取及模式識(shí)別研究

3.1 特征量提取

本文選取特征量包含偏斜度Sk，陡峭度Ku，起始放電相位Φ和互相關(guān)系數(shù)Cc如下所示：

從實(shí)驗(yàn)數(shù)據(jù)中提取一組統(tǒng)計(jì)特征量，見表2。編號(hào)A、B、C、D代表內(nèi)部氣隙放電、尖刺放電、沿面放電及懸浮放電。采樣時(shí)間長(zhǎng)度為連續(xù)250個(gè)工頻周期，相位窗數(shù)為18個(gè)。在工頻正負(fù)半周分別提取特征，表中SkN和KuN分別表示Φ-N圖譜的偏斜度和峰度；Skq和Kuq表示Φ-Q譜圖的偏斜度和峰度；Φ-、Φ+分別為正負(fù)半周期起始放電相位；Cc為正負(fù)半周期互相關(guān)系數(shù)。

通過表1可知不同缺陷其統(tǒng)計(jì)特征量存在明顯區(qū)別，能夠反映電纜典型缺陷局部放電圖譜特征，可為缺陷識(shí)別提供數(shù)據(jù)支持。

3.2 基于SVM的缺陷識(shí)別

支持向量機(jī)(SVM)是一種二分類模型。SVM就是尋找最大化分割樣本空間的超平面，將問題變成凸二次元求解問題。SVM就是求解凸二次問題的一種方法[11]。當(dāng)樣本空間為非線性時(shí)，通過原空間映射到高維空間方法，將求解問題轉(zhuǎn)移到高緯度空間。求解最優(yōu)分界超平面的過程中，調(diào)整核函數(shù)的相關(guān)參數(shù)和懲罰項(xiàng)系數(shù)的搭配往往是SVM調(diào)參尋優(yōu)的重點(diǎn)[12～14]。

表1 缺陷特征量統(tǒng)計(jì)

SVM最初主要求解二分類問題，而電纜缺陷為多分類問題，通過“一對(duì)多”或者“決策樹”等策略將SVM二分類推廣至多分類。SVM的二分類原理如下[15]。

式中a是拉格朗日乘子。

其中：系數(shù)a所對(duì)應(yīng)的原始數(shù)據(jù)點(diǎn)(x,y)，剛好使(6)式等號(hào)成立才有可能非零。

由此可以得到最優(yōu)分類決策函數(shù)：

采用“一對(duì)多”算法，首先對(duì)四類電纜接頭缺陷樣本數(shù)據(jù)構(gòu)造4個(gè)二分類器，其中每一個(gè)分類器選擇其中一種缺陷作為訓(xùn)練樣本，賦值為+1，其它的訓(xùn)練樣本賦值為-1，通過該方式對(duì)缺陷樣本進(jìn)行4次分類，每種缺陷樣本各賦值+1次。

4 實(shí)驗(yàn)結(jié)果分析

核函數(shù)可以有效避免計(jì)算高維度特征空間的內(nèi)積。作為SVC類最重要的參數(shù)之一，kernel能夠從sklearn選擇核函數(shù)，包括線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯徑向基核函數(shù)（RBF）和雙曲正切核函數(shù)（Sigmoid）[16～18]。sklearn中常用的四種核函數(shù)其表達(dá)式如下所示：

不同核函數(shù)的計(jì)算時(shí)間、計(jì)算效率和識(shí)別準(zhǔn)確度差別較大，本文選取4種核函數(shù)進(jìn)行比較，通過不斷矯正相關(guān)參數(shù)達(dá)到最佳識(shí)別效果。

在表2中可以看出，不同缺陷缺陷類型的特征量區(qū)別明顯。在獲得特征量后，使用pycharm中的sklearn.svm進(jìn)行分類識(shí)別，其中取懲罰系數(shù)C=12固定不變,通過訓(xùn)練不斷的修改其他2種或3種參數(shù)值，使其達(dá)到最佳訓(xùn)練效果。每種缺陷在施加不同的電壓下各獲得150組數(shù)據(jù)，一共600組實(shí)驗(yàn)數(shù)據(jù)。其中70%用于訓(xùn)練集，30%用于測(cè)試集。4中核函數(shù)的測(cè)試集樣本識(shí)別結(jié)果如表所示。其中A為內(nèi)部氣隙放電、B為尖刺放電、C為沿面放電、D為懸浮放電。

線性核函數(shù)中，參數(shù)gamma，degree，cofe0，不進(jìn)行數(shù)值更改，訓(xùn)練驗(yàn)證時(shí)長(zhǎng)00:28:34，可得到如下的識(shí)別準(zhǔn)確表格。

表2 線性核函數(shù)下不同缺陷識(shí)別的準(zhǔn)確率

多項(xiàng)式核，修改其中3個(gè)參數(shù)，'coef0': 0.0, 'gamma'：1e-10，degree=3，訓(xùn)練驗(yàn)證時(shí)長(zhǎng)為00:12:32，可以得到最佳的識(shí)別準(zhǔn)確率，如表3所：

表3 多項(xiàng)式核函數(shù)下不同缺陷識(shí)別的準(zhǔn)確率

Rbf核函數(shù)中修改參數(shù)coef0=0，gamma=0.003237，訓(xùn)練驗(yàn)證時(shí)間00:12:06，可以得到最佳的效果，如表4所示。

表4 RBF核函數(shù)下不同缺陷識(shí)別的準(zhǔn)確率

雙曲正切核，修改其中2個(gè)參數(shù)，'coef0': 1.1111111111111112， 'gamma': 0.001930706，訓(xùn)練時(shí)間00:13:54，可以得到最佳的識(shí)別效果，如表所5示：

表5 sigmoid核函數(shù)下不同缺陷識(shí)別的準(zhǔn)確率

由上表得出不同函數(shù)識(shí)別準(zhǔn)確率差別較大，訓(xùn)練時(shí)間除線性核函數(shù)外，計(jì)算時(shí)間相差很小，并且四種核函數(shù)對(duì)于尖刺放電的識(shí)別準(zhǔn)確度都比較高，這是由于極不均勻電場(chǎng)特有的極性效應(yīng)造成的；在使用RBF核函數(shù)時(shí)，能獲得比其他3種更好的識(shí)別效果，說明使用SVM進(jìn)行多分類并選取RBF作為核函數(shù)的方式能夠更加準(zhǔn)確的識(shí)別不同缺陷類型的放電信號(hào)。

5 結(jié)語

本文根據(jù)電力電纜在運(yùn)行中經(jīng)常發(fā)生的典型缺陷，設(shè)計(jì)制作交聯(lián)聚乙烯電力電纜幾種典型缺陷，利用缺陷電纜進(jìn)行了電纜絕緣耐壓實(shí)驗(yàn)。采用高頻電流法搭建電纜局部放電檢測(cè)平臺(tái)，通過FPGA采集卡對(duì)局部放電數(shù)據(jù)進(jìn)行采樣并上傳，在上位機(jī)端生成放電圖譜，分析不同缺陷類型的放電特性，通過觀察其放電信號(hào)相位分布、放電密度等特征；選擇偏斜度、陡峭度、互相關(guān)系數(shù)等特征值作為識(shí)別特征量，通過支持向量機(jī)算法對(duì)特征值進(jìn)行分類，結(jié)果表明支持向量機(jī)法識(shí)別準(zhǔn)確率較高，可有效識(shí)別出不同類型缺陷。

[1] 何平,何若冰,陳佳,等.固體絕緣材料內(nèi)部氣隙中表面殘余電荷對(duì)局部放電起始位置的影響[J].電器與能效管理技術(shù),2020,No.597(12):7-13+34.

[2] 李方利,錢帥偉,毛振宇,王朋朋,杜璇.基于多傳感器融合技術(shù)的電纜附件局部放電檢測(cè)系統(tǒng)[J].電器與能效管理技術(shù),2020,No.591(06):53-60+75.

[3] 李蓉,周凱,萬航,等.基于輸入阻抗譜的電力電纜本體局部缺陷類型識(shí)別及定位[J].電工技術(shù)學(xué)報(bào),2021,36(08):1743-1751.

[4] 潘文霞,趙坤,朱正鼎.一種基于阻抗相位變化比率的長(zhǎng)電纜局部缺陷定位新方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2020,40(12):4043-4051.

[5] 周承科,李明貞,王航,等.電力電纜資產(chǎn)的狀態(tài)評(píng)估與運(yùn)維決策綜述[J].高電壓技術(shù),2016,42(08):2353-2362.

[6] 陳杰,吳世林,胡麗斌,等.退役高壓電纜附件絕緣狀態(tài)及理化性能分析[J].電工技術(shù)學(xué)報(bào),2021,36(12):2650-2658.

[7] 趙威,周凱,劉凡,等.在XLPE電纜加速老化過程中理解水樹的自愈性[J].電工技術(shù)學(xué)報(bào),2014,29(06):311-317+332.

[8] 劉蓉,李繼勝,田維堅(jiān),等.XLPE電力電纜典型缺陷局部放電測(cè)量與分析[J].高壓電器,2015,51(02):44-50.

[9] 朱煜峰,許永鵬,陳孝信,等.基于卷積神經(jīng)網(wǎng)絡(luò)的直流XLPE電纜局部放電模式識(shí)別技術(shù)[J].電工技術(shù)學(xué)報(bào),2020,35(03):659-668.

[10] 張龍,黃晨曦,張偉,等.交流和振蕩波電壓下XLPE電纜典型缺陷局部放電特性研究[J].高壓電器,2015,51(08):43-48+53.

[11] 陸國(guó)俊,熊俊,李光茂,等.振蕩波電壓下XLPE電纜局部放電模式識(shí)別研究[J].高壓電器,2017,53(02):95-100+107.

[12] 廖劍,史賢俊,周紹磊,等.基于局部圖嵌入加權(quán)罰SVM的模擬電路故障診斷方法[J].電工技術(shù)學(xué)報(bào),2016,31(04):28-35.

[13] 陳健寧,周遠(yuǎn)翔,白正,等.基于多通道卷積神經(jīng)網(wǎng)絡(luò)的油紙絕緣局部放電模式識(shí)別方法[J].高電壓技術(shù):1-10[2021-09-21].

[14] 許淵,劉衛(wèi)東,陳維江,等.基于高靈敏測(cè)量的GIS絕緣子表面微金屬顆粒局部放電特性[J].高電壓技術(shù),2019,45(09):2707-2714.

[15] 張新伯,唐炬,潘成,等.用于局部放電模式識(shí)別的深度置信網(wǎng)絡(luò)方法[J].電網(wǎng)技術(shù),2016,40(10):3272-3278.

[16] 吳定云, 馬占林, 張棟梁, 等. 基于特高頻法的高壓開關(guān)柜局部放電監(jiān)測(cè)及特征參量提取[J]. 電工技術(shù), 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

魯創(chuàng)（1987-），男，工程師，主要從事開關(guān)電器的研究。E-mail: luchuang712@163.com