CN113376494B - 一种电缆火情隐患潜在缺陷的检测方法 - Google Patents

一种电缆火情隐患潜在缺陷的检测方法 Download PDF

Info

Publication number
CN113376494B
CN113376494B CN202110934205.7A CN202110934205A CN113376494B CN 113376494 B CN113376494 B CN 113376494B CN 202110934205 A CN202110934205 A CN 202110934205A CN 113376494 B CN113376494 B CN 113376494B
Authority
CN
China
Prior art keywords
pulse voltage
cable
characteristic quantity
waveform
reflected pulse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110934205.7A
Other languages
English (en)
Other versions
CN113376494A (zh
Inventor
李陈莹
陈杰
胡丽斌
张伟
杨景刚
刘建军
谭笑
曹京荥
袁栋
李鸿泽
柏仓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110934205.7A priority Critical patent/CN113376494B/zh
Publication of CN113376494A publication Critical patent/CN113376494A/zh
Application granted granted Critical
Publication of CN113376494B publication Critical patent/CN113376494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种电缆火情隐患潜在缺陷的检测方法，通过在多类含缺陷电缆上进行实验，识别与提取反射脉冲波形特征量，建立样本数据库，然后对测试电缆端口施加脉冲，使电缆内部潜在缺陷发生局部放电，并对因局部放电而改变波形特征并反射回输入端的反射脉冲电压波形其中的特征量进行提取，与数据库中不同电缆缺陷的特征量进行对比，以达到检测该电缆内部缺陷的目的。本发明能够实现对电缆潜在缺陷进行检测，能够排除电力系统电缆隐患，降低电力电缆故障风险，提高电力系统运行安全性；能够检测整条电缆上的缺陷对电缆整体潜在缺陷进行检测，具有明显的高效性。

Description

一种电缆火情隐患潜在缺陷的检测方法
技术领域
本发明属于电缆检测领域，更具体的，涉及一种电缆火情隐患潜在缺陷的检测方法。
背景技术
电力系统在日常生产中有着重要的作用，电力系统中电力电缆的质量和维护对于整个电力系统的安全性和稳定性都有至关重要的影响，并且是对经济健康发展和人们生活水平的重要保障。然而伴随着电缆的长期运行，电缆因安装操作不当造的成损伤易诱发电缆运行缺陷。带隐患运行中压电缆易出现放电、电弧，因中压接地系统特征易发间歇性拉电弧现象，长期运行引发通道缆线火情；高压电缆带缺陷运行易发生绝缘击穿，因高压电缆附件含金属封闭结构，击穿能量易造成附件爆炸，引燃周围缆线，造成电缆通道火情。电缆火情隐患潜在缺陷易引发电缆线路火情，严重时造成同通道缆线燃烧，导致通道断面丧失，引起电力系统故障甚至造成电缆通道火灾等重大安全事故，不但给电力企业造成电量损失，更会给居民生活及企业带来重大经济损失和社会影响，对社会与个人生命财产造成巨大威胁。所以，如何检测电缆火情隐患潜伏性缺陷并迅速、准确地找到缺陷的位置是缩短故障抢修时间，保障供电可靠性的关键。
目前，对电缆缺陷进行检测的方法主要有：
中国发明专利申请（202010828820.6，CN111929335A，下称专利申请1）公开了一种X光电缆检测系统，包括图像采集模块、图像处理模块以及智能判断模块。其中图像采集模块包括接收X射线的影像增强器与光学相机，其主要对待检测电缆局部进行光学扫描得到电缆的内部扫描结果；图像处理模块包括图像预处理单元和图像处理单元其接收图像采集模块获得的扫描结果并对该结果进行处理实现图像的灰度变化，平滑滤波和递归降噪等功能；最终通过智能判断模块对处理后的图像进行分割，采用改进的C-V模型进行迭代，以识别判断该电缆局部区域是否存在绝缘缺陷。
除专利申请1提到的X光电缆检测系统采用的射线检测技术外，对电缆缺陷的检测方法还有涡流检测技术与超声波检测技术。涡流检测技术是通过将被测导体周围缠绕通有交流电i1的线圈，在其周围产生一交变磁场H1，导体表层因电磁感应就产生电涡流i2，电涡流又产生一个与磁场H1方向相反的次生磁场H2。如有电缆缺陷比如裂纹出现，将引起金属电阻率、磁导率的变化，在裂纹处也会有位移值的变化，这些综合参数的变化将引起传感器参数的变化，从而通过测量传感器参数的变化即可达到探伤的目的。超声波检测技术主要用于探测试件的内部缺陷，目前用的最多的探伤方法是脉冲反射法，即在探伤时用纵波或者横波把超声波射入被检物的一面，然后在同一面接收从缺陷处反射回来的回波，根据回波情况判断缺陷的情况。
专利申请1所涉及的射线检测技术以及涡流检测技术与超声波检测技术通过传感装置探测都可以实现对电缆内部缺陷进行检测，具有较高的精度。但是上述三种方法都仅限于对电缆局部进行检测，重点对电缆中易受损的区域如电缆接头等，如要对电缆整体的缺陷进行排查耗时较长，无法有效地对电缆整体缺陷进行评估。
中国发明专利申请（201810046118.6，CN108181552A，下称专利申请2）公开了一种电缆故障检测方法及装置，该装置由电缆故障测距设备、电缆路径检测设备与故障点检测设备三部分构成。其中，电缆故障测距设备包括低压脉冲信号源、高压脉冲信号源和高速接收装置，电缆路径检测设备包括交流高压信号源和电磁感应接收装置，故障点检测设备包括高压脉冲信号源、直流信号源、交流信号源、跨步电压接收装置、电磁感应接收装置以及声磁同步接收装置。该装置使用低压脉冲信号源对电缆施加激励信号来对电缆中可能存在的开路、短路及低阻故障进行检测；使用能够将故障点击穿的高压脉冲信号源对电缆施加激励信号对电缆中可能存在的高阻故障或闪络故障进行检测。并通过故障点检测设备对激励信号及故障返回信号进行采集存储及显示，通过激励信号与返回信号的时间差及行波在电缆中传播速度，获得故障点的大致位置。
中国发明专利申请（201811053531.1，CN109142976A，下称专利申请3）提出了一种电缆故障检测方法及装置，该装置包括特征提取模块、数据处理模块与识别模块，来对电缆中的电流信号进行特征提取得到初级特征，并运用预设深度学习网络模型对所述初级特征进行识别得到有效特征，最终对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。
专利申请2采用对电缆两端施加低压与高压脉冲，并通过对反射脉冲进行分析，对不同电缆故障进行排查。该方法可以实现对电缆整体状态的检测，并且通过对发射一次脉冲与反射脉冲之间的相差推测电缆故障位置。专利申请3通过获取电缆中流过的电流信号，与电缆正常运行时的电流信号进行对比，排查电缆的故障情况。但是上述两种方法仅限于对电缆出现如短路开路等明显故障进行排查，无法对电缆内部潜在缺陷进行排查，以达到预防电缆缺陷恶化造成重大故障的作用。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种电缆火情隐患潜在缺陷的检测方法，解决电缆整体的潜在缺陷低压脉冲下放电特性不明显，且缺乏对电缆整体潜在缺陷的有效识别、排查与分类的方法的问题，通过在多类含缺陷电缆上进行实验，识别与提取反射脉冲波形特征量，建立样本数据库，然后对测试电缆端口施加脉冲电压，使电缆内部潜在缺陷发生局部放电，并对因局部放电而改变波形特征并反射回输入端的反射脉冲电压波形其中的特征量进行提取，与数据库中不同电缆缺陷的特征量进行对比，以达到检测该电缆内部缺陷的目的。
本发明采用如下的技术方案：
一种电缆火情隐患潜在缺陷的检测方法，其特征在于，该方法包括以下步骤：
步骤1，选择含有不同绝缘缺陷的电缆作为实验电缆，对其施加脉冲电压信号，采集获得的反射脉冲电压信号，并提取施加的脉冲电压和获得的反射脉冲电压的波形特征量；
步骤2，以施加的脉冲电压波形特征量作为输入，获得的反射脉冲电压波形特征量作为输出，建立并训练神经网络，得到训练好的神经网络；
步骤3，对待检测的电缆施加与步骤1相同的脉冲电压信号，采集获得的反射脉冲电压信号，并按照与步骤1相同的方法提取获得的反射脉冲电压的波形特征量，将获得的反射脉冲电压波形特征量作为实际反射脉冲电压波形特征量；
步骤4，将施加在待检测电缆的脉冲电压的波形特征量输入到步骤2中训练好的神经网络，得到输出的反射脉冲电压波形特征量，将输出的反射脉冲电压波形特征量经处理后作为预测反射脉冲电压波形特征量；
步骤5，将待检测电缆的实际反射脉冲电压波形特征量与预测反射脉冲电压波形特征量进行对比，判断待检测电缆是否含有潜在缺陷以及潜在缺陷的类型。
优选的，所述脉冲电压的波形特征量包括脉冲极性、过冲幅值、过冲震荡时间、平顶幅值、脉冲上升时间、下降时间、以及脉冲宽度。
优选的，所述脉冲上升时间为波形从峰值10％上升到90％的时间，脉冲下降时间为波形从峰值90％下降到10％的时间，脉冲宽度为脉冲波形峰值50％处的两点之间时间间隔。
优选的，所述反射脉冲电压的波形特征量包括上升时间、下降时间、幅值、偏斜度、以及陡峭度。
优选的，所述上升时间为波形从峰值10％上升到90％的时间；
所述下降时间为波形从峰值90％下降到10％的时间；
所述偏斜度用来描述波形形状与标准正态分布形状的偏斜程度，其表达式为：
Figure DEST_PATH_IMAGE001
所述陡峭度用来描述波形形状与标准正态分布的陡峭差异，其表达式为：
Figure DEST_PATH_IMAGE002
其中，S为偏斜度，K为陡峭度，m表示反射脉冲电压波形采样序列{a k }的平均值，a k 表示第k个值，n表示采样数量。
优选的，所述反射脉冲电压的波形特征量包括一次反射脉冲电压的波形特征量和二次反射脉冲电压的波形特征量；
相应的，所述实际反射脉冲电压波形特征量包括实际一次反射脉冲电压波形特征量和实际二次反射脉冲电压波形特征量；所述预测反射脉冲电压波形特征量包括预测一次反射脉冲电压波形特征量和预测二次反射脉冲电压波形特征量。
优选的，步骤1进一步包括，
步骤1.1，确定实验电缆的额定电压等级，以计算施加脉冲电压的最大值；
步骤1.2，对实验电缆施加一定幅值的脉冲电压信号，采集实验电缆的电压波形，处理后作为反射脉冲电压信号的波形数据；
步骤1.3，提取施加的脉冲电压的波形特征量，并根据反射脉冲电压信号的波形数据提取反射脉冲电压的波形特征量；
步骤1.4，逐渐升高脉冲电压的幅值直至最大值，重复步骤1.2和1.3，得到不同脉冲电压幅值下的脉冲电压波形特征量以及反射脉冲电压波形特征量。
优选的，步骤1.1中，以电缆额定运行电压UN的两倍作为脉冲电压的最大值。
优选的，步骤1.2中，在该幅值的脉冲电压下，采集多组反射脉冲电压的波形数据，对多组数据进行平均化处理，将处理后的结果作为该幅值下反射脉冲电压信号的波形数据。
优选的，步骤1.3中，对于反射脉冲电压的波形特征量，首先找到一次反射脉冲和二次反射脉冲，再分别提取一次反射脉冲电压的波形特征量和二次反射脉冲电压的波形特征量。
优选的，步骤1.3中，对步骤1.2采集的电压波形数据进行求导，找到电压变化率为0的数据点，并对电压变化率求导，找到导数大于0的数据点，从中找出电压幅值最大的两个脉冲，分别作为一次反射脉冲与二次反射脉冲。
优选的，步骤1中，依次在脉冲电压幅值0.05UN、0.1UN、0.15UN、
Figure DEST_PATH_IMAGE003
、1.9UN、1.95UN、2UN下进行不同脉冲电压幅值的实验。
优选的，步骤2进一步包括：
步骤2.1，以施加脉冲电压的波形特征量为输入，反射脉冲电压的波形特征量作为输出，建立初步的神经网络模型；
步骤2.2，对神经网络模型进行训练，不断更新网络权值直至误差达到预期精度，建立最终的神经网络模型。
优选的，步骤2.1中，对脉冲电压的波形特征量和反射脉冲电压的波形特征量均进行归一化处理，以归一化之后的数据建立样本数据库；
相应的，在步骤4中输出的反射脉冲电压波形特征量经反归一化处理后作为预测反射脉冲电压波形特征量。
优选的，步骤2.1中，将样本数据库中的数据组按一定比例随机分为两组，一组作为训练数据，一组作为测试数据，初步建立具有输入层、隐含层、输出层的神经网络模型。
优选的，步骤2.2中，训练误差函数
Figure DEST_PATH_IMAGE004
，
其中，
Figure DEST_PATH_IMAGE005
为期望输出，
Figure DEST_PATH_IMAGE006
为实际输出，则误差为
Figure DEST_PATH_IMAGE007
，N为特征数量。设定训练误差
Figure 991177DEST_PATH_IMAGE008
小于0.01％时停止训练，得到最终的神经网络模型。
优选的，步骤5中，将待检测电缆的实际反射脉冲电压波形特征量与预测反射脉冲电压波形特征量进行对比，求出相对差异d，相对差异的表达式如下：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
和
Figure DEST_PATH_IMAGE012
分别为对测试电缆施加第i个电压幅值Upi的脉冲电压所检测到的实际一次反射脉冲电压波形中第j个特征量和所预测到的预测一次反射脉冲电压波形中的第j个特征量，
Figure DEST_PATH_IMAGE013
和
Figure DEST_PATH_IMAGE014
分别为对测试电缆施加第i个电压幅值Upi的脉冲电压所检测到的实际二次反射脉冲电压波形中第j个特征量和所预测到的预测二次反射脉冲电压波形中的第j个特征量；
NP为施加不同脉冲电压幅值的总个数，
Figure DEST_PATH_IMAGE015
；
其中，Upmin为脉冲电压的最小幅值，Upmax为脉冲电压的最大幅值；
若针对某类缺陷的相对差异d小于一定阈值，则该电缆上可能存在发生此类潜在缺陷。
优选的，所述方法进一步包括：
步骤6，通过检测步骤3中施加的脉冲电压波峰与获得的反射脉冲电压脉冲波峰时间差，计算电缆潜在缺陷的发生位置。
优选的，在步骤3中对待检测电缆施加脉冲电压信号时，同时获得施加脉冲电压的时间To、一次反射脉冲电压的时间T1以及二次反射脉冲电压的时间T2，步骤6中进行如下计算：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为通过一次反射脉冲计算的故障距离，
Figure DEST_PATH_IMAGE018
为通过一次与二次反射脉冲时间差计算的故障距离，x为两者平均值，表示实际判断的故障距离即电缆缺陷相对于施加脉冲电压端口的距离，
Figure DEST_PATH_IMAGE019
为脉冲电压在电缆中的传播速度，L为电缆总长度。
优选的，反射脉冲电压信号的采集和波形特征量的提取在LabVIEW中进行。
本发明的有益效果在于，与现有技术相比：
（1）本发明通过对检测电缆施加脉冲电压信号，获得电缆缺陷一次反射脉冲电压波形、二次反射脉冲电压波形特征信号，并对其进行分析检测，能够实现对电缆潜在缺陷进行检测，能够排除电力系统电缆隐患，降低电力电缆故障风险，提高电力系统运行安全性。
（2）本发明是对电缆首端进行施加脉冲电压，能够检测整条电缆上的缺陷对电缆整体潜在缺陷进行检测，而不是仅对电缆局部绝缘缺陷进行排查，具有明显的高效性。
（3）本发明采集某一电压下的样本数据时，考虑到微放电过程的随机性，实时采集多组数据进行平均化处理，减小随机误差，增强了样本数据的可靠性。
（4）本发明采用智能算法BP神经网络，具有自主强化学习功能，随着样本库中数据的增多，提高检测准确性；BP神经网络模型建立后，可以预测该频率下任意幅值的脉冲电压对应的电缆一次与二次反射波，简化了后续操作步骤，节约了时间成本。
（5）本发明可采用图形化编程软件LabVIEW进行电压波形的采集和特征量提取，可方便地创建截面，实现界面可视化。
附图说明
图1是本发明的电缆火情隐患潜在缺陷的检测方法的步骤流程图；
图2是本发明中对电缆进行脉冲放电实验的电气接线图；
图3为本发明中采用的BP神经网络的拓扑结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明的电缆火情隐患潜在缺陷的检测方法，所述方法具体包括以下步骤：
步骤1，选择含有不同绝缘缺陷的电缆作为实验电缆，对其施加脉冲电压信号，采集获得的反射脉冲电压信号，并提取施加的脉冲电压和获得的反射脉冲电压的波形特征量。
电缆缺陷主要有应力锥错位、高电位金属存在尖端、半导电层存在气隙、半导电层存在毛刺，以及电缆绝缘损伤。
造成上述电缆缺陷的原因主要有电缆的热老化、电老化以及机械损伤。热老化的概念是电缆在工作时，由于电流超负荷或者短路故障的出现，累积产生大量热量，使电缆材料内部分子产生剧烈运动，分子之间发生复杂的物理化学反应，结晶度和交联度下降，材料性能下降的过程。
电老化的引起原因有很多，主要是当电缆投入使用后，电缆受较高电压或较大场强的作用，会在电缆缺陷处产生损伤，比如气泡、杂质或者划痕等最终都是会导致在损伤缺陷处形成局部放电，当放电持续一定时间后，很有可能形成贯穿性导电通道，也就是水树枝或者电树枝，导致 XLPE 绝缘层完全击穿，失去绝缘效果。
机械损伤主要为电缆在运输，敷设或拖拉过程中，都会受到外力挤压、摩擦、振动和冲击的作用，这些不均匀作用力作用于电缆上，往往从肉眼表面看不到明显损伤，造成电缆整体性能下降的结果也很难发生，但是受力处内部很容易出现微小缺陷，缺陷的存在会导致局部场强集中发生局部放电，长期发展成树枝通道，造成电缆故障。
因此，本发明中将电缆潜在缺陷分为应力锥错位、高电位金属存在尖端、半导电层存在气隙、半导电层存在毛刺，以及电缆绝缘损伤五类，并分别选取含有上述五类绝缘缺陷的电缆作为实验样本进行测试。
进一步的，步骤1包括：
步骤1.1，确定实验电缆的额定电压等级，以计算施加脉冲电压的最大值。
优选的，以电缆额定运行电压UN的两倍作为脉冲的最大电压Umax，Umax=2UN。
步骤1.2，对实验电缆施加一定幅值的脉冲电压信号，实时采集实验电缆的电压波形，处理后作为反射脉冲电压信号的波形数据。
如图2所示，按照所示的电气接线图对电缆进行施加脉冲电压信号的脉冲放电实验。在电缆首端通过脉冲发生器施加脉冲电压，利用高压探头连接示波器读取反射脉冲电压信号。
考虑到微放电过程的随机性，为了减小随机误差，在该脉冲电压幅值下，采集多组反射脉冲电压的波形数据，对多组数据求取算术平均数，进行平均化处理，将处理后的结果作为该电压幅值下的反射脉冲电压信号的波形数据。
优选的，多组数据可以是20组数据。
优选的，施加脉冲电压信号的脉冲放电实验中，对反射脉冲电压信号的实时采集可采用图形化编程软件LabVIEW进行。
步骤1.3，提取施加的脉冲电压的波形特征量，并根据反射脉冲电压信号的波形数据提取反射脉冲电压的波形特征量。
对于施加的脉冲电压的波形特征量，通过测量提取获得，其中，脉冲电压幅值可以自行调节，极性一般不改变，其余特征量均属于脉冲发生器电压源本身的特征。输入脉冲电压波形特征量包括：脉冲极性J、过冲幅值D、过冲震荡时间Td、平顶幅值d、脉冲上升时间Tr、下降时间Tf、脉冲宽度L。其中，脉冲极性表示脉冲的极性，记正极性脉冲为J=1，负极性脉冲为J=－1。过冲幅值为脉冲波从底部到顶部之间的数值。平顶幅值为脉冲经过冲后回落并稳定输出的电压幅值。过冲震荡时间为从过冲幅值稳定到平顶幅值所用的时间。脉冲上升时间为波形从峰值10％上升到90％的时间，脉冲下降时间为波形从峰值90％下降到10％的时间，脉冲宽度L为脉冲波形峰值50％处的两点之间时间间隔。最终，得到表示施加的脉冲电压的波形特征量的一维数组
Figure DEST_PATH_IMAGE020
。
对于反射脉冲电压的波形特征量，首先找到一次反射脉冲和二次反射脉冲，因其电压幅值最为明显可以避免传感器采集数据时的误差和干扰的影响，同时还可以根据两个反射脉冲之间的时间差来计算电缆缺陷所在位置。对步骤1.2施加脉冲电压后采集到的电缆产生的电压波形数据进行求导，找到电压的变化率为0即
Figure DEST_PATH_IMAGE021
的数据点，并对电压变化率
Figure DEST_PATH_IMAGE022
求导得到电压的加速度，找到导数大于0的数据点共N个。记录这N个数据点的时间Ti、该时间点电压波形的电压幅值Ai（i=1,2,3
Figure DEST_PATH_IMAGE023
），对所求电压进行对比，找出电压最大的两个值，作为输入脉冲电压后的一次反射脉冲与二次反射脉冲，一次反射脉冲发生时间需大于二次反射脉冲发生时间，否则该组数据无效，重新施加相同幅值的脉冲电压重复步骤1.2的测试。
将一次反射脉冲电压上升时间Tr1、下降时间Tf1、幅值A1、偏斜度S1、陡峭度K1作为一次反射脉冲电压的特征量。其中，上升时间、下降时间、幅值时描述反射脉冲电压波形形状的基础特征，而偏斜度和陡峭度是对电压形状的描述，其中心线与标准正态分布相似。上升时间为波形从峰值10％上升到90％的时间。下降时间为波形从峰值90％下降到10％的时间。电压幅值是电压波形的最大值。偏斜度Si用来描述波形形状与标准正态分布形状的偏斜程度，其表达式为：
Figure DEST_PATH_IMAGE024
其中，m表示一次反射脉冲电压波形采样序列{a k }的平均值，a k 表示第k个值，n表示采样数量。当
Figure DEST_PATH_IMAGE025
时，表示时域波形与标准正态分布一致；当
Figure DEST_PATH_IMAGE026
时，表明时域波形中线向左侧偏斜；当
Figure DEST_PATH_IMAGE027
时，表示时域波形中线向右偏移。陡峭度Ki是用来描述波形形状与标准正态分布的陡峭差异，其表达式为：
Figure DEST_PATH_IMAGE028
当
Figure DEST_PATH_IMAGE029
时，表示脉冲波形与标准正态分布一致；当
Figure DEST_PATH_IMAGE030
时，表示脉冲波形形状比正态分布更加陡峭；当
Figure DEST_PATH_IMAGE031
时，表示脉冲波形形状比正态分布更加平坦。最终，得到代表一次反射脉冲电压的特征量的一维数组
Figure DEST_PATH_IMAGE032
。
对二次反射脉冲电压提取的特征量与一次反射脉冲电压的特征量的提取一致，包括二次反射脉冲电压上升时间Tr2、下降时间Tf2、幅值A2、偏斜度S2、陡峭度K2。最终，得到代表二次反射脉冲电压的特征量的一维数组电压特征量
Figure DEST_PATH_IMAGE033
。
优选的，步骤1.3中，在提取反射脉冲电压的波形特征量时，将步骤1.2中反射脉冲电压信号的波形数据导入图形化编程软件LabVIEW中进行提取。
步骤1.4，保持脉冲频率一定，逐渐升高脉冲电压的幅值直至最大值，重复步骤1.2和1.3，得到不同脉冲电压幅值下的脉冲电压波形特征量X以及一次反射脉冲电压和二次反射脉冲电压的波形特征量
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE035
。
具体的，在一个实施例中，步骤1.2中首先设定脉冲电压的幅值为测试最小幅值Upmin，采集该电压幅值下电缆的电压信号，处理后作为反射脉冲电压信号的波形数据。提取施加的特定脉冲电压幅值下的脉冲电压的波形特征量，并根据反射脉冲电压信号的波形数据提取反射脉冲电压的波形特征量。
之后，保持脉冲频率一定，每隔一定电压间隔ΔUp，逐渐增大脉冲电压的幅值直至Upmax，一共在NP个脉冲电压幅值Up下采集反射脉冲电压的波形数据。在每个电压幅值下，均采集多组例如20组反射脉冲电压的波形数据，对多组数据求取算术平均数，进行平均化处理，将处理后的结果作为相应电压幅值下的反射脉冲电压信号的波形数据，处理后提取波形特征量。
优选的，Upmin为0.05UN，ΔUp为0.05UN，Upmax为2UN即Umax，每个脉冲幅值下反射脉冲电压的波形数据为20组，依次在脉冲电压幅值0.05UN、0.1UN、0.15UN、
Figure 856453DEST_PATH_IMAGE003
、1.9UN、1.95UN、2UN下进行NP即40个不同脉冲电压幅值的实验，在每个脉冲电压幅值下均采集20组反射脉冲电压的波形数据进行平均化处理。
步骤2，以施加的脉冲电压波形特征量作为输入，获得的反射脉冲电压波形特征量作为输出，建立并训练神经网络，得到训练好的神经网络。
具体的，步骤2包括：
步骤2.1，以施加脉冲电压的波形特征量为输入，反射脉冲电压的波形特征量作为输出，建立初步的神经网络模型。
进一步的，分别针对前述5类含有不同缺陷的实验电缆建立神经网络，以电缆端口施加的脉冲电压的特征量X作为输入量，以反射脉冲电压中的一次反射脉冲电压特征量与二次反射脉冲电压特征量
Figure 357229DEST_PATH_IMAGE034
和
Figure 221279DEST_PATH_IMAGE035
作为输出量。
进一步的，在建立样本数据库时，对电缆端口施加的脉冲电压的特征量数据X进行归一化处理，使数据处于[0,1]区间，即：
Figure 504493DEST_PATH_IMAGE037
其中，x为归一后样本，x 0 为原始样本值，x 0min 为原始样本最小值，x 0max 为原始样本最大值。
除了脉冲电压的特征量X之外，对一次反射脉冲电压特征量与二次反射脉冲电压特征量
Figure 795797DEST_PATH_IMAGE034
和
Figure 780940DEST_PATH_IMAGE035
也进行归一化处理。以归一化之后的数据建立样本数据库。
进一步的，将样本数据库中的数据组按一定比例例如2：1随机分为两组，一组作为训练数据，一组作为测试数据。初步建立具有一个隐含层的神经网络，输入层为n个神经元，输出层为m个神经元。采用经验公式给出隐含层神经元个数M的估计值：
Figure DEST_PATH_IMAGE038
，n和m分别为输入层和输出层的神经元个数，
Figure 917523DEST_PATH_IMAGE039
是[0,20]之间的常数。神经网络的隐含层传递函数选用logsin函数，输出层则采用purelin线性函数。
优选的，神经网络选用BP (back propagation)神经网络，BP神经网络的拓扑结构图如图3所示。在图3所示的BP神经网络中，输入层有7个神经元，分别代表脉冲电压的七个特征量，输出层有5个神经元，分别代表反射脉冲电压的5个特征量，隐含层的神经元个数选为20。
步骤2.2，对神经网络模型进行训练，不断更新网络权值直至误差达到预期精度，建立最终的神经网络模型。
在步骤2.2中，采用误差反向传播算法进行学习。在BP神经网络中，数据从输入层经隐含层逐层向后传播。采用LM（Levenberg-Marquardt）算法训练网络权值，沿着误差减小的方向，从输出层经过中间各层逐层向前修正网络的连接权值。
采用Widrow-Hoff学习规则，对网络进行测试。假设期望输出为d，实际输出为y，则误差为
Figure DEST_PATH_IMAGE040
，权值的调整量与误差大小成正比：
Figure 320822DEST_PATH_IMAGE041
。随着学习的不断进行，最终的误差越来越小。训练误差函数
Figure DEST_PATH_IMAGE042
，其中，
Figure DEST_PATH_IMAGE043
为期望输出，
Figure DEST_PATH_IMAGE044
为实际输出，则误差为
Figure 438820DEST_PATH_IMAGE007
，N为特征数量。设定训练误差
Figure 911259DEST_PATH_IMAGE008
小于0.01％时停止训练，得到最终的BP神经网络。
步骤3，对待检测的电缆施加与步骤1相同的脉冲电压信号，采集获得的反射脉冲电压信号，并按照与步骤1相同的方法提取获得的反射脉冲电压的波形特征量，将获得的反射脉冲电压波形特征量作为实际反射脉冲电压波形特征量。
具体的，需要预测的施加的脉冲电压波形特征量为X，实际测量得到实际一次反射脉冲电压特征量和实际二次反射脉冲电压的波形特征量
Figure DEST_PATH_IMAGE045
和
Figure DEST_PATH_IMAGE046
。
步骤4，将施加在待检测电缆的脉冲电压的波形特征量输入到步骤2中训练好的神经网络，得到输出的反射脉冲电压波形特征量，将输出的反射脉冲电压波形特征量经处理后作为预测反射脉冲电压波形特征量。
将需要预测的施加的脉冲电压波形特征量X输入训练好的BP神经网络，得到输出矩阵Y1与Y2。对预测结果Y1与Y2进行反归一化处理，得到预测的一次反射脉冲电压与二次反射脉冲电压。反归一化处理的表达式为：
Figure DEST_PATH_IMAGE047
其中，y为归一化的预测结果，y 0 为预测结果真实值，y 0min 为预测结果最小值，y 0max 为预测结果最大值。
步骤5，将待检测电缆的实际反射脉冲电压波形特征量与预测反射脉冲电压波形特征量进行对比，判断待检测电缆是否含有潜在缺陷以及潜在缺陷的类型。
将待检测电缆的实际反射脉冲电压波形特征量与预测反射脉冲电压波形特征量进行对比。具体的，将实际测量得到的实际反射脉冲电压波形特征量设为实际一次反射脉冲电压特征量
Figure 504395DEST_PATH_IMAGE045
和实际二次反射脉冲电压的波形特征量
Figure 496622DEST_PATH_IMAGE046
，并与各绝缘缺陷类型下的预测反射脉冲电压波形特征量的一次、二次反射脉冲进行对比分析波形特征值，求出相对差异d，相对差异的表达式如下：
Figure DEST_PATH_IMAGE048
式中，
Figure 864149DEST_PATH_IMAGE011
为对测试电缆施加第i个电压幅值Upi的脉冲电压所检测到的实际一次反射脉冲电压波形中第j个特征量，特征量一共有5个，NP为采集反射脉冲电压波形数据的脉冲电压幅值的总个数，
Figure DEST_PATH_IMAGE049
。如前所述，Upmin为脉冲电压的测试最小幅值，Upmax为脉冲电压的测试最大幅值，在一个实施例中，Upmin为0.05UN，Upmax为2UN，NP为40。
Figure 89463DEST_PATH_IMAGE012
为对神经网络预测电缆施加电压幅值
Figure DEST_PATH_IMAGE050
的脉冲电压所预测到的预测一次反射脉冲电压波形中第j个特征量。
Figure 302270DEST_PATH_IMAGE013
为对测试电缆施加电压幅值
Figure 414582DEST_PATH_IMAGE050
的脉冲电压所检测到的实际二次反射脉冲电压波形中第j个特征量。
Figure 467858DEST_PATH_IMAGE014
为对神经网络预测电缆施加电压幅值
Figure DEST_PATH_IMAGE051
的脉冲电压所预测到的预测二 次反射脉冲电压波形中第j个特征量。
若经过神经网络预测电缆存在某类缺陷时的预测反射脉冲电压波形特征量与实际测量的实际反射脉冲电压波形特征量对比后，发现相对差异d小于一定阈值，则该电缆上可能存在发生此类潜在缺陷，若与所有类型的缺陷时预测波形相对差异d均大于一定阈值，则该电缆未存在潜在缺陷。优选的，该阈值为0.05。
进一步的，在本发明的一个实施例中，本发明的基于神经网络的电缆潜在缺陷的检测方法还包括：
步骤6，通过检测步骤3中施加的脉冲电压波峰与获得的反射脉冲电压脉冲波峰时间差，计算电缆潜在缺陷的发生位置。
进一步的，在步骤3中对待检测电缆进行脉冲放电实验时，同时获得施加脉冲电压的时间To、一次反射脉冲电压的时间T1以及二次反射脉冲电压的时间T2进行计算，测算出电缆缺陷所在位置。具体关系如下：
Figure 868883DEST_PATH_IMAGE016
其中，x为电缆缺陷相对于施加脉冲电压端口的距离，
Figure 416539DEST_PATH_IMAGE017
为通过一次反射脉冲计算的故障距离，
Figure 632626DEST_PATH_IMAGE018
为通过一次与二次反射脉冲时间差计算的故障距离，x为两者平均值，表示实际判断的故障距离，
Figure 873114DEST_PATH_IMAGE019
为脉冲电压在电缆中的传播速度，L为电缆总长度。本发明对电缆中存在的包括应力锥错位、高电位金属存在尖端、半导电层存在气隙以及电缆绝缘损伤等潜在缺陷均可成功识别。在识别电缆绝缘损伤潜在缺陷的案例中，对电缆一端施加脉冲电压，并将脉冲电压的特征值如脉冲极性、过冲幅值、过冲震荡时间等输入到提前训练好的神经网络系统中，系统输出在该脉冲电压下电缆存在各类绝缘缺陷时的一次反射脉冲与二次反射脉冲特征值，通过对比测试时示波器显示的反射脉冲特征值与系统输出的电缆出现绝缘损伤时的反射脉冲特征值，发现两者相对差异为0.031小于预设的0.05的阈值，因此判定该电缆上存在绝缘损伤缺陷，并通过施加脉冲与一次反射脉冲的时差得到缺陷距离
Figure 89332DEST_PATH_IMAGE017
为342.6米，对一次反射脉冲与二次反射脉冲的时差得到缺陷距离
Figure 440679DEST_PATH_IMAGE018
为345.4米，最后得到检测缺陷位于施加电压端344米处，并对344米附近处电缆进行红外线检测，最终在距离施加脉冲端341.8米处发现电缆绝缘缺陷，实际缺陷位置与采用本发明检测到的缺陷位置绝对误差为2.12米，相对误差为0.62%具有较强的准确性。
下表给出了对已投运的电缆使用本发明的电缆火情隐患潜在缺陷检测方法进行检测的实例。
表1电缆火情隐患潜在缺陷检测结果
Figure DEST_PATH_IMAGE052
由上表结果可知，本发明的方法均成功检测出电缆火情隐患潜在缺陷，且距离误差均在1%以下。
本发明的有益效果在于，与现有技术相比：
（1）本发明通过对检测电缆施加脉冲电压信号，获得电缆缺陷一次反射脉冲电压波形、二次反射脉冲电压波形特征信号，并对其进行分析检测，能够实现对电缆潜在缺陷进行检测，能够排除电力系统电缆隐患，降低电力电缆故障风险，提高电力系统运行安全性。
（2）本发明是对电缆首端进行施加脉冲电压，能够检测整条电缆上的缺陷对电缆整体潜在缺陷进行检测，而不是仅对电缆局部绝缘缺陷进行排查，具有明显的高效性。
（3）本发明采集某一电压下的样本数据时，考虑到微放电过程的随机性，实时采集多组数据进行平均化处理，减小随机误差，增强了样本数据的可靠性。
（4）本发明采用智能算法BP神经网络，具有自主强化学习功能，随着样本库中数据的增多，提高检测准确性；BP神经网络模型建立后，可以预测该频率下任意幅值的脉冲电压对应的电缆一次与二次反射波，简化了后续操作步骤，节约了时间成本。
（5）本发明可采用图形化编程软件LabVIEW进行电压波形的采集和特征量提取，可方便地创建截面，实现界面可视化。
以上虽然结合附图对本发明的具体实施方式进行了描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (20)

1.一种电缆火情隐患潜在缺陷的检测方法，其特征在于，该方法包括以下步骤：
步骤1，选择含有不同绝缘缺陷的电缆作为实验电缆，对其施加脉冲电压信号，采集获得的反射脉冲电压信号，并提取施加的脉冲电压和获得的反射脉冲电压的波形特征量；
步骤2，以施加的脉冲电压波形特征量作为输入，获得的反射脉冲电压波形特征量作为输出，建立并训练神经网络，得到训练好的神经网络；
步骤3，对待检测的电缆施加与步骤1相同频率的脉冲电压信号，采集获得的反射脉冲电压信号，并按照与步骤1相同的方法提取获得的反射脉冲电压的波形特征量，将获得的反射脉冲电压波形特征量作为实际反射脉冲电压波形特征量；
步骤4，将施加在待检测电缆的脉冲电压的波形特征量输入到步骤2中训练好的神经网络，得到输出的反射脉冲电压波形特征量，将输出的反射脉冲电压波形特征量经处理后作为预测反射脉冲电压波形特征量；
步骤5，将待检测电缆的实际反射脉冲电压波形特征量与预测反射脉冲电压波形特征量进行对比，判断待检测电缆是否含有潜在缺陷以及潜在缺陷的类型。
2.如权利要求1所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
所述脉冲电压的波形特征量包括脉冲极性、过冲幅值、过冲震荡时间、平顶幅值、脉冲上升时间、脉冲下降时间、以及脉冲宽度。
3.如权利要求2所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
所述脉冲上升时间为波形从峰值10％上升到90％的时间，脉冲下降时间为波形从峰值90％下降到10％的时间，脉冲宽度为脉冲波形峰值50％处的两点之间时间间隔。
4.如权利要求1所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
所述反射脉冲电压的波形特征量包括上升时间、下降时间、幅值、偏斜度、以及陡峭度。
5.如权利要求4所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
所述上升时间为波形从峰值10％上升到90％的时间；
所述下降时间为波形从峰值90％下降到10％的时间；
所述偏斜度用来描述波形形状与标准正态分布形状的偏斜程度，其表达式为：
Figure 519007DEST_PATH_IMAGE001
所述陡峭度用来描述波形形状与标准正态分布的陡峭差异，其表达式为：
Figure 45804DEST_PATH_IMAGE002
其中，S为偏斜度，K为陡峭度，m表示反射脉冲电压波形采样序列{a k }的平均值，a k 表示第k个值，n表示采样数量。
6.如权利要求1所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
所述反射脉冲电压的波形特征量包括一次反射脉冲电压的波形特征量和二次反射脉冲电压的波形特征量；
相应的，所述实际反射脉冲电压波形特征量包括实际一次反射脉冲电压波形特征量和实际二次反射脉冲电压波形特征量；所述预测反射脉冲电压波形特征量包括预测一次反射脉冲电压波形特征量和预测二次反射脉冲电压波形特征量。
7.如权利要求1所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤1进一步包括，
步骤1.1，确定实验电缆的额定电压等级，以计算施加脉冲电压的最大值；
步骤1.2，对实验电缆施加一定幅值的脉冲电压信号，采集实验电缆的电压波形，处理后作为反射脉冲电压信号的波形数据；
步骤1.3，提取施加的脉冲电压的波形特征量，并根据反射脉冲电压信号的波形数据提取反射脉冲电压的波形特征量；
步骤1.4，逐渐升高脉冲电压的幅值直至最大值，重复步骤1.2和1.3，得到不同脉冲电压幅值下的脉冲电压波形特征量以及反射脉冲电压波形特征量。
8.如权利要求7所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤1.1中，以电缆额定运行电压UN的两倍作为脉冲电压的最大值。
9.如权利要求7所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤1.2中，在该幅值的脉冲电压下，采集多组反射脉冲电压的波形数据，对多组数据进行平均化处理，将处理后的结果作为该幅值下反射脉冲电压信号的波形数据。
10.如权利要求7所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤1.3中，对于反射脉冲电压的波形特征量，首先找到一次反射脉冲和二次反射脉冲，再分别提取一次反射脉冲电压的波形特征量和二次反射脉冲电压的波形特征量。
11.如权利要求10所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤1.3中，对步骤1.2采集的电压波形数据进行求导，找到电压变化率为0的数据点，并对电压变化率求导，找到导数大于0的数据点，从中找出电压幅值最大的两个脉冲，分别作为一次反射脉冲与二次反射脉冲。
12.如权利要求8所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤1中，依次在脉冲电压幅值0.05UN、0.1UN、0.15UN、
Figure 245841DEST_PATH_IMAGE003
、1.9UN、1.95UN、2UN下进行不同脉冲电压幅值的实验。
13.如权利要求1所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤2进一步包括：
步骤2.1，以施加脉冲电压的波形特征量为输入，反射脉冲电压的波形特征量作为输出，建立初步的神经网络模型；
步骤2.2，对神经网络模型进行训练，不断更新网络权值直至误差达到预期精度，建立最终的神经网络模型。
14.如权利要求13所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤2.1中，对脉冲电压的波形特征量和反射脉冲电压的波形特征量均进行归一化处理，以归一化之后的数据建立样本数据库；
相应的，在步骤4中输出的反射脉冲电压波形特征量经反归一化处理后作为预测反射脉冲电压波形特征量。
15.如权利要求14所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤2.1中，将样本数据库中的数据组按一定比例随机分为两组，一组作为训练数据，一组作为测试数据，初步建立具有输入层、隐含层、输出层的神经网络模型。
16.如权利要求13所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤2.2中，训练误差函数
Figure 770363DEST_PATH_IMAGE004
，
其中，
Figure 55851DEST_PATH_IMAGE006
为期望输出，
Figure 324021DEST_PATH_IMAGE008
为实际输出，则误差为e=d-y，N为特征数量，
设定训练误差E(n)小于0.01％时停止训练，得到最终的神经网络模型。
17.如权利要求6所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
步骤5中，将待检测电缆的实际反射脉冲电压波形特征量与预测反射脉冲电压波形特征量进行对比，求出相对差异d，相对差异的表达式如下：
Figure DEST_PATH_IMAGE009
其中，
Figure 175302DEST_PATH_IMAGE010
和
Figure 136305DEST_PATH_IMAGE011
分别为对测试电缆施加第i个电压幅值Upi的脉冲电压所检测到的实际一次反射脉冲电压波形中第j个特征量和所预测到的预测一次反射脉冲电压波形中的第j个特征量，
Figure 909089DEST_PATH_IMAGE013
和
Figure 718301DEST_PATH_IMAGE014
分别为对测试电缆施加第i个电压幅值Upi的脉冲电压所检测到的实际二次反射脉冲电压波形中第j个特征量和所预测到的预测二次反射脉冲电压波形中的第j个特征量；
NP为施加不同脉冲电压幅值的总个数，第i个电压幅值
Figure 892930DEST_PATH_IMAGE015
Figure 759255DEST_PATH_IMAGE016
；
其中，Upmin为脉冲电压的最小幅值，Upmax为脉冲电压的最大幅值；
若针对某类缺陷的相对差异d小于一定阈值，则该电缆上可能存在发生此类潜在缺陷。
18.如权利要求6所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
所述方法进一步包括：
步骤6，通过检测步骤3中施加的脉冲电压波峰与获得的反射脉冲电压脉冲波峰时间差，计算电缆潜在缺陷的发生位置。
19.如权利要求18所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
在步骤3中对待检测电缆施加脉冲电压信号时，同时获得施加脉冲电压的时间To、一次反射脉冲电压的时间T1以及二次反射脉冲电压的时间T2，步骤6中进行如下计算：
Figure 19335DEST_PATH_IMAGE017
其中，
Figure 629308DEST_PATH_IMAGE018
为通过一次反射脉冲计算的故障距离，
Figure 455182DEST_PATH_IMAGE019
为通过一次与二次反射脉冲时间差计算的故障距离，x为两者平均值，表示实际判断的故障距离即电缆缺陷相对于施加脉冲电压端口的距离，
Figure 757987DEST_PATH_IMAGE020
为脉冲电压在电缆中的传播速度，L为电缆总长度。
20.如权利要求1所述的电缆火情隐患潜在缺陷的检测方法，其特征在于，
反射脉冲电压信号的采集和波形特征量的提取在LabVIEW中进行。
CN202110934205.7A 2021-08-16 2021-08-16 一种电缆火情隐患潜在缺陷的检测方法 Active CN113376494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110934205.7A CN113376494B (zh) 2021-08-16 2021-08-16 一种电缆火情隐患潜在缺陷的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110934205.7A CN113376494B (zh) 2021-08-16 2021-08-16 一种电缆火情隐患潜在缺陷的检测方法

Publications (2)

Publication Number Publication Date
CN113376494A CN113376494A (zh) 2021-09-10
CN113376494B true CN113376494B (zh) 2021-11-09

Family

ID=77577198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110934205.7A Active CN113376494B (zh) 2021-08-16 2021-08-16 一种电缆火情隐患潜在缺陷的检测方法

Country Status (1)

Country Link
CN (1) CN113376494B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724249B (zh) * 2021-09-18 2023-06-16 西南交通大学 一种焊缝缺陷电涡流探伤数据的输出方法及系统
CN114047405B (zh) * 2021-11-10 2024-02-13 国网江苏省电力有限公司电力科学研究院 一种电缆终端缺陷危害程度评估方法及装置
TWI781006B (zh) * 2021-12-10 2022-10-11 國立勤益科技大學 遠端電力電纜瑕疵故障檢測方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2909903C (en) * 2013-05-10 2020-11-24 Prysmian S.P.A. Partial discharge signal processing method and apparatus employing neural network
CN103413150A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于可见光影像对电力线路缺陷进行诊断的方法
CN103645425B (zh) * 2013-11-15 2015-06-10 广东电网公司电力科学研究院 一种高压电缆绝缘缺陷局部放电在线监测诊断方法
CN105334269A (zh) * 2015-10-19 2016-02-17 江苏大学 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法
CN105277853B (zh) * 2015-11-11 2018-04-20 东北大学 一种基于二次脉冲的海底电缆故障定位装置及方法
CN106682651A (zh) * 2017-02-10 2017-05-17 哈尔滨工业大学 一种基于神经网络的线缆绝缘皮破损监测方法
CN109406903A (zh) * 2018-11-30 2019-03-01 国网江苏省电力有限公司无锡供电分公司 一种电缆接头进水缺陷检测与诊断方法
CN109685138B (zh) * 2018-12-25 2023-04-07 东南大学 一种xlpe电力电缆局部放电类型识别方法
CN111157853A (zh) * 2019-12-31 2020-05-15 广西诚新慧创科技有限公司 一种输电线路的放电状态识别方法及系统
CN111157852A (zh) * 2020-02-17 2020-05-15 广东电网有限责任公司 一种基于小波和脉冲衰减的电力电缆故障定位系统及方法
CN112327095B (zh) * 2020-09-29 2024-01-30 深圳供电局有限公司 电缆故障检测方法、装置、计算机设备和存储介质
CN113221068B (zh) * 2021-05-10 2023-12-01 黄山东安新高能源科技有限公司 一种基于sstdr的光伏阵列故障检测方法

Also Published As

Publication number Publication date
CN113376494A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113376494B (zh) 一种电缆火情隐患潜在缺陷的检测方法
TWI391685B (zh) 繞線製品檢測機台及其層間短路之檢測方法
CN109443190B (zh) 基于暂态行波的变压器绕组变形在线监测方法及装置
CN103884972A (zh) 一种复合绝缘子憎水性检测及老化评估方法
CN117890696A (zh) 一种高压电缆缺陷识别方法、设备及存储介质
Shahid et al. Novel health diagnostics schemes analyzing corona discharge of operational aerial bundled cables in coastal regions
Hassan et al. Investigating the progression of insulation degradation in power cable based on partial discharge measurements
Fu et al. A Partial Discharge Signal Separation Method Applicable for Various Sensors Based on Time-Frequency Feature Extraction of t-SNE
Kakeeto et al. Experimental investigation of positional accuracy for UHF partial discharge location
Nyamupangedengu et al. Acoustic and HF detection of defects on porcelain pin insulators
CN212111659U (zh) 基于声光热联合技术的高压带电设备电晕放电检测装置
Suwanasri et al. Partial Discharge Investigation on Power Cable Termination Using PD Acoustic Detection
Tharamal et al. Assessing the degradation of transformer oil from partial discharge measurement data using histogram similarity measures
Sallem et al. Soft defects localization by signature magnification with selective windowing
Cao et al. Research on eddy current testing technology for lead seal crack defects of high voltage cable
Polisetty Partial discharge classification using acoustic signals and artificial neural networks and its application in detection of defects in Ceramic insulators
Gupta et al. Characteristics Analysis of Acoustic Partial Discharge in Cable Defects
Shen et al. Development of online monitoring system for 1500 V ethylene–propylene–rubber DC feeder cable of Shanghai urban rail transit
Yuan et al. The Research on the Effectiveness Evaluation Technology for the PD Sensing Components of the 220kV Cable Joint with Built-in Multi-Dimensional Sensing Elements
Nasirpour et al. Evaluation of online techniques utilized for extracting the transformer transfer function
CN118549780B (zh) 一种变压器局部放电感知系统
CN114252737B (zh) 一种电力电缆局放发展过程的状态识别与评价方法及系统
CN118376895B (zh) 一种高压套管局部放电缺陷检测与定位方法和系统
CN117849560B (zh) 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统
Guo et al. Research on Machine Learning Method for Ultrasonic Temperature Measurement of Transformer

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant