CN105021957A - 一种电力电缆附件故障识别方法及系统 - Google Patents

Abstract

本发明提供一种电力电缆附件故障识别方法，包括，步骤S1、使用至少两种采集方法采集故障点处的放电信号；步骤S2、对所述放电信号进行参数提取，得到符合要求的特征参数；步骤S3、将所述特征参数与预定参数进行对比，得到故障类型及故障大小。本发明的一种电力电缆附件故障识别方法，通过使用不同方法采集多种的局部放电信号参数，克服了现有技术中单一的放电信号参数造成的故障类型的识别误差较大、准确度不高的技术缺陷。

Description

一种电力电缆附件故障识别方法及系统

技术领域

本发明涉及电力电缆领域，特别一种电力电缆附件故障识别方法及系统。

背景技术

近年来，随着高压电力电缆在城市配电网中的广泛应用，电力电缆及其附件故障对整个配电网所造成的影响和损失也越来越显著。据统计，在城市电网运行事故当中，因高压电力电缆及其附件故障引起的电力事故高达75％，因此对高压电力电缆及其附件故障进行检测分析和故障类型及大小的识别尤为重要。目前国内外对于高压电力电缆及其附件故障分析识别的方法有很多，但大多数分析识别方法不能直接在现场完成，效率低，造成持续性的损失。另外，当前的故障识别方法只能识别是否存在故障，但不能实现故障类型及大小的判断，更不能对高压电力电缆及其附件的老化状态及剩余寿命做出一个有效的预估，因此也就不能提出正确的故障修复方案。

高压电力电缆及其附件故障发生过程中往往会发生局部放电现象，并且，局部放电大小随故障缺陷大小及程度而不同。局部放电是涉及绝缘层的放电，由于局部放电的发展受限于绝缘层故障缺陷的类型和大小，局部放电量又与绝缘状况密切相关，所以通过对局部放电量的检测可以检测并识别高压电力电缆及其附件可能存在的故障。基于局部放电检测的高压电力电缆及其附件故障类型识别技术是高压电力电缆及其附件故障信号检测、分析及故障类型识别的最佳方法，并作为及时发现高压电缆及其附件故障隐患、运行寿命预测、保障高压电力电缆及其附件安全可靠运行的重要手段。

目前，国际上研究学者对于高压电力电缆及其附件故障局部放电信号的检测分析及故障类型的识别没有一个统一的标准，使用较多的检测元件是高频电流传感器，该方法的优点是高压电力电缆及其附件与测量回路之间没有之间的电气连接，从而可以较好的抑制噪声，另外传感器安装简单、操作方便，可检测到完整的局部放电脉冲。

但是该方法仅适用于电缆外屏蔽层有接地线的情况，对于有完全屏蔽的电缆将线圈套在电缆本体外难以采集到局部放电信号，因此，单一的使用该采集方法进行高压电力电缆及其附件故障局部放电信号的检测分析及故障类型的识别误差较大、准确度不高，难以达到预期的效果。

发明内容

为了解决这些潜在问题，本发明的目的在于克服现有技术中所存在的上述不足，提供一种误差较小、准确度高的电力电缆附件故障识别方法。

为了实现上述发明目的，本发明采用的技术方案是：

一种电力电缆附件故障识别方法，包括，

步骤S1、使用至少两种采集方法采集故障点处的放电信号；

步骤S2、对所述放电信号进行参数提取，得到符合要求的特征参数；

步骤S3、将所述特征参数与预定参数进行对比，得到故障类型及故障大小。

进一步地，所述故障点处的放电信号包括：故障点处的超高频信号、故障点处的超声波信号、故障点处的地电波信号、故障点处的瞬变磁场信号中的两种或两种以上。

进一步地，所述步骤S2还包括，

S201、对所述放电信号进行滤波处理；

S202、对所述放电信号进行信号放大处理；

S203、对所述经过滤波处理、信号放大处理的放电信号提取第一特征参数；

S204、对所述第一特征参数进行处理，得到第二特征参数。

进一步地，所述步骤S3还包括，

S301、分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第一特征参数进行参数对比，得到第一识别结果；

S302、分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第二特征参数进行参数对比，得到第二识别结果；

S303、将所述第一识别结果与所述第二识别结果对比，得到故障类型与故障大小。

本发明同时提供一种电力电缆附件故障识别系统，用以实现本发明所述的电力电缆故障类型识别方法。

一种电力电缆附件故障识别系统，包括，

信号采集模块，用于使用至少两种采集方法采集电力电缆故障点处的放电信号；

信号处理模块，用于对所述信号采集模块输出的所述放电信号进行参数提取，得到符合要求的特征参数；

故障识别模块，用于将所述信号处理模块输出的所述特征参数与预定参数进行对比，得到故障类型及故障大小。

进一步地，所述信号采集模块包括至少两种信号采集装置，所述信号采集装置为超高频传感器、超声波传感器、低电波传感器、高频电流传感器中的两或两种以上。

进一步地，所述的电力电缆故障类型识别系统还包括预处理模块，用于对所述放电信号进行滤波、信号放大处理后输出到所述信号处理模块。

进一步地，所述信号处理模块还用于对所述经过滤波、信号放大处理后的放电信号进行处理提取第一特征参数，对所述第一特征参数进行处理，得到第二特征参数。

进一步地，所述故障识别模块包括：

第一比对模块，用于分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第一特征参数进行参数对比，得到第一识别结果；

第二比对模块，用于分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第二特征参数进行参数对比，得到第二识别结果；

第三比对模块，用于将所述第一识别结果与所述第二识别结果对比，得到故障类型与故障大小。

进一步地，所述故障识别模块包括存储单元，所述存储单元存储所述预定参数。

与现有技术相比，本发明的有益效果

1、本发明的一种电力电缆附件故障识别方法，通过使用不同方法采集多种的局部放电信号参数，克服了现有技术中单一的放电信号参数造成的故障类型的识别误差较大、准确度不高的技术缺陷。

2、本发明的一种电力电缆附件故障识别方法，通过对采集到的放电信号进行干扰抑制、信号放大处理，使得后续提取的特征参数更加真实准确。

3、本发明的一种电力电缆附件故障识别方法，通过对第一次得到的第一特征参数进行分析筛选，得到更加有效的第二特征参数，并对第二特征参数进行匹配识别，进一步的提高了识别准确度。

4、本发明的一种电力电缆附件故障识别方法，通过使用神经网络分类识别、极限学习机分类识别、支持向量机分类识别等多种识别算法，从不同角度对特征参数进行分析，很好了消除的识别误差，跟进一步的提高了识别准确的。

附图说明

图1是本发明一个具体实施例中的一种电力电缆附件故障识别方法流程图。

图2是本发明一个具体实施例中的一种电力电缆附件故障识别方法流程图。

图3是本发明一个具体实施例中的一种电力电缆附件故障识别方法流程图。

图4是本发明一个具体实施例中的一种电力电缆附件故障识别系统模块框图。

图5是本发明一个具体实施例中的一种电力电缆附件故障识别系统模块框图。

图6是本发明一个具体实施例中的一种电力电缆附件故障识别系统的故障识别模块的模块框图。

具体实施方式

下面结合具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

图1所示的本发明一个具体实施例示出的一种电力电缆附件故障识别方法流程图，包括，

步骤S1、使用至少两种采集方法采集电力电缆故障点处的放电信号；

步骤S2、对所述放电信号进行参数提取，得到符合要求的特征参数；

步骤S3、将所述特征参数与预定参数进行对比，得到故障类型及故障大小。

所述预定参数是通过实验方式，对电力电缆附件故障进行多次测试、对多个不同的实验数据进行分析验证，得到分析故障类型及大小的一系列最优参数，将此最优参数进行存储，即为预定参数；在实际识别中，将实际测量得到的特征参数与所述预定参数进行对比，便能够得到实际的电力电缆附件的故障类型及故障大小。

进一步地，所述故障点处的放电信号包括：故障点处的超高频信号、故障点处的超声波信号、故障点处的地电波信号、故障点处的瞬变磁场信号中的两种或两种以上。

在实际检测中，当高压电力电缆及其附件存在故障时，在高压下往往会产生局部放电，局部放电过程会产生宽频带的暂态和电磁波。不同类型的电击穿过程不尽相同，从而产生不同幅值和陡度的脉冲电流，因此产生不同频率成分的电磁暂态和电磁波，因此采集故障点处的超高频信号有助于提高附件故障的识别准确度；当高压电力电缆及其附件内部产生局部放电的时候，还会产生冲击的振动及声音，同时激发超声波信号，局部放电所激发的超声波信号，其类型包括纵波、横波和表面波。纵波通过气体传到外壳，横波则需要通过固体介质传到外壳，因此采集故障点处的超声波信号有助于提高附件故障的识别准确度；高压电力电缆及其附件内部局部放电所激发的脉冲电流在传播过程中会在半导层、屏蔽层等金属表面形成暂态地电波，因此采集故障点处的地电波信号有助于提高附件故障的识别准确度；高压电力电缆及其附件内部产生局放时会形成脉冲电流，当脉冲电流经半导层、屏蔽层流经地线时会在周围空间产生瞬变磁场，因此采集故障点处的瞬变磁场信号有助于提高附件故障的识别准确度。

进一步地，图2所示的本发明一个具体实施例示出的一种电力电缆附件故障识别方法流程图，所述步骤S2还包括，

S201、对所述放电信号进行滤波处理；

由于电力电缆附件周围的环境存在着各种无法预料的干扰和噪音信号，而这些干扰由于无法判断其干扰严重程度，很可能对之后的特征提取以及故障识别产生巨大影响，因此，本发明采用相应的带通滤波器将特定频率的干扰及噪声信号滤除，以提高本方法的准确度。

S202、对所述放电信号进行信号放大处理；

由于环境噪声以及电缆本身局部放电信号较微弱，需要对采集到的放电信号进行方法处理，从而克服无法满足识别要求的问题。

S203、对所述经过滤波处理、信号放大处理的放电信号提取第一特征参数；

S204、对所述第一特征参数进行处理，得到第二特征参数；

本发明是将得到的放电信号利用小波变换，提取到12个可以有效描述放电信号频率及放电相位的特征量，即为所述第一特征参数。由于在步骤S1中采集到的4种不同的放电信号之间有较强的关联性，因此提取得到的12个特征参数之间的关联性也较明显，这不仅会影响后续的分析效率，还会产生一定的识别误差，因此，利用相关系数矩阵方法对获取到的12个特征量进行相关性分析，提取出相关性较低的6个特征量，这样设计剔除了具有相似分类能力的特征量，削弱了特征量间的相关程度，提高了最终故障类型的识别率。

这里对所述的12个特征参数进行详细的描述。

通过对局放信号幅频特性与相频特性的分析，提取出12个可用于模式识别的特征量，分别用F1-F12表示如下：

$F_1=\frac{\underset{s}{\Σ}\underset{\mathrm{\τ}}{\Σ}a\mathrm{\τ}\left|W^{xy}(a,\mathrm{\τ})\right|}{\underset{s}{\Σ}\underset{\mathrm{\τ}}{\Σ}\left|W^{xy}(a,\mathrm{\τ})\right|}---\left(1\right)$

$F_2=\sqrt{\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}{a}^2{\mathrm{\τ}}^2\left|W^{xy}(a,\mathrm{\τ})\right|}{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}\left|W^{xy}(a,\mathrm{\τ})\right|}}---\left(2\right)$

$F_3=\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}\left|W^{xy}(a,\mathrm{\τ})\right|}{{\left|W^{xy}(a,\mathrm{\τ})\right|}_{peak}}---\left(3\right)$

$F_4=\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}\left|W^{xy}(a,\mathrm{\τ})\right|}{(a_{max}-a_{\min })({\mathrm{\τ}}_{max}-{\mathrm{\τ}}_{\min })}---\left(4\right)$

$F_5=\sqrt{\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}{(F_4-|W^{xy}\left(a,\mathrm{\τ}\right)\left|\right)}^2}{(a_{\max }-a_{\min })({\mathrm{\τ}}_{\max }-{\mathrm{\τ}}_{\min })}}---\left(5\right)$

F₆为|W^xy(a,τ)|取最大值时的a值，F₇为|W^xy(a,τ)|取最大值时的τ值。

$F_8=\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}a\mathrm{\τ}\left|\mathrm{\φ}(a,\mathrm{\τ})\right|}{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}\left|\mathrm{\φ}(a,\mathrm{\τ})\right|}---\left(6\right)$

$F_9=\sqrt{\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}{a}^2{\mathrm{\τ}}^2\left|\mathrm{\φ}(a,\mathrm{\τ})\right|}{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}\left|\mathrm{\φ}(a,\mathrm{\τ})\right|}}---\left(7\right)$

$F_{10}=\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}\left|\mathrm{\φ}(a,\mathrm{\τ})\right|}{{\left|\mathrm{\φ}(a,\mathrm{\τ})\right|}_{peak}}---\left(8\right)$

$F_{11}=\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}\left|\mathrm{\φ}(a,\mathrm{\τ})\right|}{(a_{max}-a_{\min })({\mathrm{\τ}}_{max}-{\mathrm{\τ}}_{\min })}---\left(9\right)$

$F_{12}=\sqrt{\frac{\underset{a}{\Σ}\underset{\mathrm{\τ}}{\Σ}{(F_{11}-|\mathrm{\φ}(a,\mathrm{\τ})\left|\right)}^2}{(a_{\max }-a_{\min })({\mathrm{\τ}}_{max}-{\mathrm{\τ}}_{min})}}---\left(10\right)$

其中F₁-F₇描述的是局部放电信号的幅频特性，F₈-F₁₂描述的是局部放电信号的相频特性。a_max、a_min、τ_max、τ_min分别表示尺度参数和位移参数的最大值和最小值。|W^xy(a,τ)|_peak和|φ(a,τ)|_peak分别表示|W^xy(a,τ)|和|φ(a,τ)|的最大值。

进一步的，通过对这12个特征参数之间的相关性分析，去除相关性较强的特征量，将特征量的个数将至6个，即为所述第二特征参数。所述6个特征量分别为F₁、F₃、F₄、F₅、F₈、F₁₁。

值得一提的是，上述公式中各个参数表示的具体意义均为本领域技术人员所熟知，本领域技术人员在看到上述公式的时候均能理解公式所表达的实际意义。

进一步地，图3所示的本发明一个具体实施例示出的一种电力电缆附件故障识别方法流程图，所述步骤S3还包括，

S301、分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第一特征参数进行参数对比，得到第一识别结果；

S302、分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第二特征参数进行参数对比，得到第二识别结果；

S303、将所述第一识别结果与所述第二识别结果对比，得到故障类型与故障大小。

以上所述的神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法均为较成熟的现有技术，在此不再赘述。

本发明的一种电力电缆附件故障识别方法，通过使用神经网络分类识别、极限学习机分类识别、支持向量机分类识别等多种识别算法，从不同角度对特征参数进行分析，很好了消除的识别误差，更进一步的提高了识别准确的。

本发明同时提供一种电力电缆附件故障识别系统，用以实现本发明所述的电力电缆故障类型识别方法。

图4所示的本发明一个具体实施例示出的一种电力电缆附件故障识别系统模块框图，包括，

信号采集模块1，用于使用至少两种采集方法采集电力电缆故障点处的放电信号；

信号处理模块2，用于对所述信号采集模块1输出的所述放电信号进行参数提取，得到符合要求的特征参数；

故障识别模块3，用于将所述信号处理模块2输出的所述特征参数与预定参数进行对比，得到故障类型及故障大小。

进一步地，所述信号采集模块1包括至少两种信号采集装置101，所述信号采集装置101为超高频传感器、超声波传感器、低电波传感器、高频电流传感器中的两或两种以上。

在一个具体实施例中，本发明采用的超高频传感器由超高频信号接收天线构成，传感器天线采用希尔伯特分形天线，它是一种非频变天线，其电性能与频率无关，具有宽频率，圆极化，尺度小，效率高，可嵌装等优点。放大器采用低噪音、高增益(40db)超高频信号。传感器工作频带300～1500MHz，能够有效避开现场电晕等干扰，具有较强的抗干扰能力。本发明采用贴在高压电力电缆及其附件表面的压电式AE超声波传感器、TEV地电波传感器接收这些超声波信号、地电波信号，以达到检测局方的目的。本发明采用将HFCT高频电流传感器套在地线上上的方式，通过感应脉冲电流流经地线时产生的瞬变磁场来接收瞬变磁场信号。

进一步地，图5所示的本发明一个具体实施例示出的一种电力电缆附件故障识别系统模块框图，所述的电力电缆故障类型识别系统还包括预处理模块4，用于对所述放电信号进行滤波、信号放大处理后输出到所述信号处理模块2。

本发明采用的滤波装置以及信号放大装置均为常用的装置，在此不再赘述。

进一步地，所述信号处理模块2还用于对所述经过滤波、信号放大处理后的放电信号进行处理提取第一特征参数，对所述第一特征参数进行处理，得到第二特征参数。

进一步地，图6所述是本发明一个具体实施例示出的一种电力电缆附件故障识别系统的故障识别模块的模块框图，所述故障识别模块3包括：

第一比对模块301，用于分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第一特征参数进行参数对比，得到第一识别结果；

第二比对模块302，用于分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第二特征参数进行参数对比，得到第二识别结果；

第三比对模块303，用于将所述第一识别结果与所述第二识别结果对比，得到故障类型与故障大小。

进一步地，所述故障识别模块3包括存储单元，所述存储单元存储所述预定参数。

当然，在实际应用中为了操作需要，本发明还应具有外围交互设备，所述外围交互设备连接所述故障识别模块，用于显示测量结果，所述外围交互设备可以是PC，PDA等具有显示、存储、交互功能的装置。

上面结合附图对本发明的具体实施方式进行了详细说明，但本发明并不限制于上述实施方式，在不脱离本申请的权利要求的精神和范围情况下，本领域的技术人员可以作出各种修改或改型。

Claims (10)

1.一种电力电缆附件故障识别方法，其特征在于，包括，

步骤S1、使用至少两种采集方法采集电力电缆故障点处的放电信号；

步骤S2、对所述放电信号进行参数提取，得到符合要求的特征参数；

步骤S3、将所述特征参数与预定参数进行对比，得到故障类型及故障大小。

2.根据权利要求1所述的一种电力电缆附件故障识别方法，其特征在于，所述故障点处的放电信号包括：故障点处的超高频信号、故障点处的超声波信号、故障点处的地电波信号、故障点处的瞬变磁场信号中的两种或两种以上。

3.根据权利要求2所述的一种电力电缆附件故障识别方法，其特征在于，所述步骤S2包括：

S201、对所述放电信号进行滤波处理；

S202、对所述放电信号进行信号放大处理；

S203、对所述经过滤波处理、信号放大处理的放电信号提取第一特征参数；

S204、对所述第一特征参数进行处理，得到第二特征参数。

4.根据权利要求3所述的一种电力电缆附件故障识别方法，其特征在于，所述步骤S3包括：

S301、分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第一特征参数进行参数对比，得到第一识别结果；

S302、分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第二特征参数进行参数对比，得到第二识别结果；

S303、将所述第一识别结果与所述第二识别结果对比，得到故障类型与故障大小。

5.一种电力电缆附件故障识别系统，其特征在于，包括：

信号采集模块，用于使用至少两种采集方法采集电力电缆故障点处的放电信号；

信号处理模块，用于对所述信号采集模块输出的所述放电信号进行参数提取，得到符合要求的特征参数；

故障识别模块，用于将所述信号处理模块输出的所述特征参数与预定参数进行对比，得到故障类型及故障大小。

6.根据权利要求5所述的一种电力电缆附件故障识别系统，其特征在于，所述信号采集模块包括至少两种信号采集装置，所述信号采集装置为超高频传感器、超声波传感器、低电波传感器、高频电流传感器中的两或两种以上。

7.根据权利要求5所述的一种电力电缆附件故障识别系统，其特征在于，还包括预处理模块，用于对所述放电信号进行滤波、信号放大处理后输出到所述信号处理模块。

8.根据权利要求7所述的一种电力电缆附件故障识别系统，其特征在于，所述信号处理模块还用于对所述经过滤波、信号放大处理后的放电信号进行处理提取第一特征参数，对所述第一特征参数进行处理，得到第二特征参数。

9.根据权利要求8所述的一种电力电缆附件故障识别系统，其特征在于，所述故障识别模块包括：

第一比对模块，用于分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第一特征参数进行参数对比，得到第一识别结果；

第二比对模块，用于分别使用神经网络分类识别方法、极限学习机分类识别方法、支持向量机分类识别方法将所述预定参数与所述第二特征参数进行参数对比，得到第二识别结果；

第三比对模块，用于将所述第一识别结果与所述第二识别结果对比，得到故障类型与故障大小。

10.根据权利要求9所述的一种电力电缆附件故障识别系统，其特征在于，所述故障识别模块还包括存储单元，所述存储单元存储所述预定参数。