電力電纜早期故障診斷研究綜述

唐 丹, 吳 浩, 蔡 源

(1.四川輕化工大學 自動化與信息工程學院, 宜賓 644000;2.人工智能四川省重點實驗室, 宜賓 644000)

0 前言

電力電纜主要應用于城市地下電網、發電廠、工礦企業、水下傳輸等多個領域,以供電能的傳輸與分配。 與架空線路相比,電力電纜具有占用空間小、外部環境擾動小、電力系統輸送中故障發生率低,以及能夠改善城市環境等優點,可廣泛應用于多種領域[1]。 但是,隨著電力電纜在電網中的廣泛使用和使用壽命的不斷延長,電纜的失效幾率逐步增大。正確處理和維護電纜故障,持續監測和分析電纜狀況,可以最大限度地減少停機時間。

電纜早期故障是一種間歇性的電弧故障,由電纜絕緣的局部缺陷引起,不會造成保護動作跳閘,但可能會引起電纜永久性故障發生[1-2]。 電纜早期故障按故障持續時間長短可分為半周波早期故障和多周波早期故障,前者持續時間約為1/4 個周期,后者持續時間約為1 ～4 個周期[2]。 因為電纜內部的短路或故障會使電流發生變化,產生電熱效應,從而導致故障自我修復[3],所以電纜早期故障也被稱為自清除故障。 然而,隨著電纜故障的惡化,這種自動修復的能力逐漸減弱,最終需要人工修復。 因此,電纜早期故障識別與定位研究的主要目的是在發生電纜永久性故障之前更換電纜,防止電纜永久性故障的發生,提高電網系統的運行可靠性。

1 電纜故障原因和特性

1.1 電纜早期故障原因

電纜壽命可以劃分為以下3 個階段:第一階段“老化階段”(0 ～5 a),故障發生率低;第二階段“使用壽命階段”(5 ～25 a),故障發生率較低;第三階段“磨損階段”(大于25 a),與老化有關的故障發生率升高。 電纜絕緣損傷或老化是電纜出現早期故障的主要原因[2],電纜絕緣老化情況見圖1。

圖1 電纜絕緣老化圖

由圖1 可知,若在電纜早期故障后,不及時對電纜進行維修或更換,會導致瞬時性早期故障重復出現,從而進一步導致電纜出現永久性故障,最終造成電纜失效,給電網帶來嚴重損害。

導致電纜絕緣出現損壞和老化的因素包括電纜的生產工藝、電纜運行的外部環境,以及電纜的工作時間等[4]。 研究認為[5],電纜絕緣老化是由內部缺陷引起的,包括雜質、氣隙、凸起毛刺等;在外部環境(電效應、熱效應、機械效應、化學效應等)的綜合影響下,電纜絕緣出現局部放電、電樹枝、水樹枝等絕緣退化現象;最終,導致電纜絕緣擊穿,出現電纜早期故障。 電纜絕緣老化發展過程見圖2。

圖2 電纜絕緣老化發展過程圖

其中,水分滲入是導致電纜絕緣失效的重要因素,且多發生在電纜連接部位。 水分滲入到電纜接頭部位會導致絕緣材料表面電場分布不均勻。 由于濕氣和電場的影響,在電場強度大的地方,會形成一棵水樹。 這種水樹枝的發展具有不可逆性,且會使電纜的局部應力增加,造成電纜絕緣局部退化。 電樹枝一般是在電場強度較高的絕緣劣化點或在水樹枝處因高應力而形成。 電樹枝的產生會腐蝕電纜絕緣,并使其老化速率加快,從而導致電纜早期故障發展成為電纜永久性故障[6]。

1.2 電纜早期故障特性

電纜早期故障電阻與電弧故障電阻特征相似,均具有非線性時變特點。 目前,對電纜早期故障的研究沒有統一的模型,且電弧模型仿真波形與實際電纜早期故障波形基本相同[7]。 因此,現有研究大多采用電弧模型來進行電纜早期故障的識別與研究。 用于電纜早期故障研究的電弧模型包括Cassie電弧模型[8]、Mayr 電弧模型[9]、Schwarz 電弧模型[10]、傳統的“控制論”電弧模型[11]、改進的“控制論”電弧模型[12]、Cassie-Mayr 組合電弧模型[13]等。電纜早期故障通常發生在電壓峰值瞬間,伴隨電弧的出現,此時電纜絕緣擊穿的可能性更大。 電纜早期故障發生時會導致故障的相位電流瞬間增加,相位電壓降低,在故障結束后相位電流又會回到正常狀態[2]。 電纜早期故障具有周期性和重復性的特點,且隨著時間的推移其出現的頻率會越來越高,最終將導致電纜永久性故障。

電纜早期故障還具有以下特征[13-16]。 ①電纜半周波早期故障持續時間短,電弧電流不存在零休現象,電弧電壓也不會出現“馬蹄形”波形;電纜多周波早期故障發生后,電弧電流在過零點會發生零休現象,電弧電壓在此期間會發生顯著畸變,能明顯觀察到燃弧電壓和熄弧電壓。 ②電纜半周波早期故障的電弧電阻只出現一個波峰,而電纜多周波早期故障的電弧電阻在故障時間內是呈周期性變化的尖峰,且其峰值比半周波早期故障電弧電阻的峰值大。

2 電纜早期故障識別研究現狀

目前,國內外主要通過提取電壓、電流的瞬時特性來開展對電纜早期故障的識別研究。 隨著人工智能技術的飛速發展,故障診斷識別中不斷引入了各種智能算法,并取得了較好的效果[16]。

2.1 基于電氣量的識別方法

故障信號在時域和頻域上的特性是識別電纜早期故障的關鍵信息。 因此,已有多篇研究提出采用檢測故障相特征信號的方法來實現早期故障識別[17]。 SIDHU T S 等[2]對含有5 條地下電纜、2 條架空線路和1 條線路電纜的10 kV 配電網系統中各種短路故障導致的電纜過流問題,提出了基于小波分析方法,通過對故障瞬時狀態的檢測,識別出電纜早期故障;基于小波分析方法的優點,分析在各種噪聲水平、故障條件、瞬態類型和系統配置下實現低誤報率和低誤分類率的技術可行性。 戴銘[18]同樣采用小波分析方法對10 kV 的電纜線路系統進行早期故障識別,從時頻域的觀點出發,采用兩種不同的小波基(離散小波和復合Morlet 小波)對故障信號的奇異性進行檢測,并采用小波奇異性檢測和貝葉斯變點分析對電纜早期故障電流進行檢測,發現在故障突變不顯著的情況下,貝葉斯變點分析方法的識別準確率略低于小波分析檢測方法。 貝葉斯變點分析模型基于單參數指數族分布,而單參數指數族包括多種分布,如文獻[18]中使用的正態分布等,不同分布可能導致不同的檢測效果,這是后續研究的一個方向。 姚海燕等[19]利用IEEE 13 節點配電網算例模型(模型主干線改為電纜線路)對電纜早期故障進行仿真識別,通過比較各種故障導致的過電流特征,采用小波分析中的高頻細節系數、低頻近似系數、模極大值等多重判據,對電纜瞬時過電流狀態進行了檢測;運用灰色關聯分析方法,得出了標準電纜與試驗電纜早期失效電流的關系;結果表明,多種過電流擾動的識別準確率均為91. 1% ～100% ,由此識別了電纜早期故障,但由于常規負荷過電流擾動較小,負荷暫態過電流識別的準確率僅為50% ～70% 。

2.2 基于人工智能的識別方法

傳統的故障分類是以故障的波形特性為基礎,通過人工設計和人工手動抽取的特征來進行分類,但這種方法難以實施,同時會消耗大量的時間和人力,且容易出現局部最優、過擬合等問題[15]。 基于深度學習的人工智能識別算法不僅具有很高的識別精度,其識別模型還具有較好的泛化性能,因此,在電纜早期故障分類識別中的優越性日益顯現。 陶云春[15]解決了傳統方法中負荷過電流擾動識別準確率低的問題,在IEEE 13 節點10 kV 的仿真模型上,采用S 變換提取奇異熵、模糊熵等作為辨識早期故障和暫態擾動的初始特征量,并采用主成分分析方法進行數據降維,歸一化處理后將其轉化為增量卷積神經網絡的輸入特征矢量;增量卷積神經網絡未加入新類別前的識別準確率為98.96%,加入3 個新類別后的識別準確率為91.84%;結果表明,該方法對已知故障(未發生)也具有一定的識別能力,但文中并沒有考慮噪聲對故障電流信號的影響。 王文凱等[20]在電源為35 kV、變壓器變比為35 kV/10 kV的電纜線路模型中提出了一種利用降噪自編碼器(DAE) 提取特征信號, 使用改進粒子群算法(IPSO)優化支持向量機(SVM)的電纜早期故障識別方法;此方法的識別準確率達到98.68%,對噪聲有很好的抗干擾能力。 汪梅[21]以電纜故障行波為原始信號,以小波包分解子頻帶能量函數為二次特征,并以最小距離為準則,在小波神經網絡理論基礎上實現了電纜故障識別。

汪穎等[22]搭建了25 kV 無支路電纜故障線路仿真模型對電纜早期故障進行識別,將S 變換與堆疊自動編碼器(SAE)結合,提取特征信號,識別早期故障,其識別準確率可達到98.8%。 隨后,針對25 kV 無支路電纜故障線路模型,汪穎等[23]采用小波變換對故障電流信號進行分析,并將其特征值用于優化卷積神經網絡的輸入;結果表明,識別準確率達到97.9%,實現了對電纜早期故障的識別,同時,該方法有效地解決了傳統分類方法易產生混淆、分類準確率低等問題。 WANG Y 等[24]針對25 kV 電纜故障仿真模型,提出了一種基于受限玻爾茲曼機(RBM)和SAE 的電纜早期故障識別方法;采用RBM 對擾動電流波形數據進行有效壓縮,提高了分析效率,得到了數據的淺層特征;該方法對仿真數據識別的準確率達到98.33%。 李勝輝等[25]針對25 kV 電纜線路仿真模型,采用平穩小波變換對故障相電流信號進行分解,提取小波系數的統計特征量作為隨機森林分類器的輸入,實現了對電纜早期故障的識別;結果表明,其平均識別準確率為99.2%(無噪聲)和97.2%(信噪比為40 dB)。 上述識別電纜早期故障均是在25 kV 的電纜仿真模型中進行的,采用不同的方法,包括S 變換和SAE 結合、小波變換、受限RBM 和SAE 結合等,提取特征信號并識別電纜早期故障。 這些方法的識別準確率在97.9% ～99.2%之間,略高于傳統方法,但這些研究均未使用實際故障數據來證明所提出方法的可行性。

3 電纜早期故障定位研究現狀

電纜早期故障精確定位是減少地下電纜永久故障的必要條件。 目前,國內外對電纜早期故障定位的研究主要有兩種:一是利用誤差計算和參數估算來找到故障的初始位置;二是基于人工智能技術進行故障定位。

3.1 基于誤差計算和參數估算的定位方法

誤差計算和參數估算方法是一種常見的用于定位電力系統故障位置的方法,其基本思想是通過對電力系統中電壓、電流等信號進行采集和處理,計算出信號之間的誤差和參數,從而推斷出故障的位置。

對于IEEE 13 節點饋線系統,ZHANGWH等[26]提出了用電纜電壓的畸變程度來檢測早期故障的發生,通過測量波形與計算波形的匹配程度來判斷故障距離,考慮了電壓波形中的故障初始角和功率損耗特性;結果表明,該方法的平均誤差均小于2.5%,定位準確率較高,但定位速率較慢。 對于10 kV 系統三相單芯電纜仿真模型(故障發生于電纜首端6 km 處),張璇等[27]提出了構建等效零模電路來測量電纜早期故障的距離;結果表明,所提出的測距方法在芯-護層接地故障和芯-護層故障兩種故障類型下均具有較高的準確率,故障估計距離的相對誤差在±3%內,但當故障距離變大時,定位誤差也會增大,影響定位結果。 對于單芯交聯聚乙烯電纜的基本結構和電纜的雙 等效電路模型,PAN W X等[28]提出了一種基于電纜兩端電量的絕緣故障定位方法,利用電纜兩端電量的計算公式求解故障方程,得到電纜故障位置的解析表達式;仿真結果表明,定位誤差最大不超過0.134 km,該算法能夠準確定位故障的起始點,且不受故障點、故障電阻和故障起始角的影響。 劉欣桐等[29]通過 PSCAD/EMTDC 建立10 kV 單芯電纜模型,故障發生在距離電源25 km 處,采用阻抗計算方法對電纜早期故障進行定位,通過故障電壓和中性點電流定位故障點,其定位誤差均小于2%,有較高的精度,但對復雜電纜系統的故障定位效果較差。 上述文獻中使用的定位方法具有計算量小、精度高等優點,但也存在一些局限性,如對于大規模電力系統模型的建立比較困難,需要耗費大量的時間、人力和物力。

3.2 基于人工智能技術的定位方法

利用特征提取技術和人工智能技術進行故障定位的方法具有推廣性強等優點,但人工智能方法依賴特征提取方法,易引入人為誤差[30]。

對于地下電纜仿真模型(變比為 35 kV/10 kV),王文凱等[30]提出了基于AE-AMPSO-SVM的地下電纜早期故障定位方法,通過自動編碼器提取特征電流信號,并在SVM 中引入自適應變異粒子群算法,完成故障信號與故障點距離的映射;試驗表明,該方法能夠準確定位電纜早期故障,測量誤差率為2.506 2%。 李成升等[31]搭建10 kV 無支路電纜線路模型,故障距離由電纜間的距離決定,采用S變換處理故障電流信號,提取特征信號,通過SAE實現電纜早期故障的定位;結果表明,所提方法的定位準確率達到95.5%,比K 最近鄰(KNN)算法、隨機森林(RF)算法的準確率更高。 對于25 kV 電纜線路,李勝輝等[32]提出了小波變換和棧式稀疏自編碼器結合的方法對電纜早期故障進行定位,利用db4 小波分解原始故障信號,每種信號提取72 種特征信號用于故障定位;結果表明,此方法的定位準確率達到99.6%,能夠準確定位電纜早期故障的位置。 對于10 kV 配電網(4 條架空線路和1 條線路電纜),胡裕峰等[33]提出了一種累積和算法和自適應線性神經元的監測方法;結果表明,該方法可以檢測出電纜早期故障的單向瞬變。 上述研究中存在仿真數據不充分或不準確的可能性,需要通過實際故障數據證實其可行性。 從上述文獻可以發現,部分基于人工智能技術的電纜早期故障定位方法的準確率低于傳統的定位方法,這是因為故障特征信號可能難以選取或難以準確描述故障情況,且易受到噪聲、測量誤差和系統變化等因素的影響,進而影響故障定位的準確性。

在使用人工智能方法進行故障定位時,依賴于大量的數據和模型訓練。 如果數據質量不好或訓練模型不足以涵蓋所有可能的故障情況,那么就會引入誤差。 因此,在應用特征提取技術與人工智能方法進行故障定位時,需要注意數據質量、模型訓練、特征選取等問題,并結合其他傳統方法來提高定位的準確性。

4 結束語

電力電纜在城市地下電網、發電廠、工礦企業、水下傳輸等方面被廣泛應用。 在電力系統中,電力電纜是輸送和分配大功率的重要線路。 電纜早期故障研究是電力系統的重要研究方向,有助于預測電纜故障,從而有效防范和緩解電纜故障。 通過上述文獻的對比分析,可以得出以下結論與展望。

1)電纜早期故障仿真模型。 目前,沒有公認的電纜早期故障仿真模型,大多數研究采用的是各種不同的電弧模型,因此,不能很好地對比各種研究方法的優缺點。 如果能夠統一電纜早期故障仿真模型,不僅有利于對比各種電纜早期故障識別和定位方法的優缺點,還能夠促進電力輸送的研究發展。同時,通過模擬和仿真技術加強對電纜故障的研究,可以更好地了解故障機理,提高故障預測和預防能力。

2)檢測速率和智能監測。 電纜早期故障具有瞬時性和自恢復性,因此,在保證識別準確率的前提下,必須重視檢測的速率。 與此同時,研究并開發智能監測技術,從而實現對電纜狀態的實時監測,提高電纜故障的發現率。

3)數據挖掘和其他技術交叉融合。 利用大數據技術對電纜故障數據進行挖掘和分析,以期發現更多的故障模式和規律。 在實際電纜早期故障中獲得大量的故障數據來進行試驗是比較困難的。 因此,探討如何使用遷移學習在小樣本故障數據中獲得更好的學習結果非常重要。 同時,需要研究不同領域的技術,如電磁場理論、數據分析、人工智能等,將其綜合應用于電纜早期故障研究中,以期更好地解決問題。