导层、 屏蔽层流经地线时会在周围空间产生瞬变磁场。将HFCT高频电流传感器套在地线上通过感 应脉冲电流流经地线时产生的瞬变磁场来检测局放。
[0027]信号综合处理
[0028] 在信号联合采集模块中通过四个传感器对局放信号进行检测，并通过示波器记录 每个放电脉冲的时域波形，波形上的每一个点都会对应一个时间和幅值。不同类型故障的 放电对应不同的时域脉冲波形，通过对这些脉冲波形的分析，提取5个表征放电强度的统计 特征参数，包括脉冲上升时间t r、下降时间td、50 %幅值脉冲持续时间t5Q%、10 %幅值脉冲持 续时间t1Q%、脉冲总持续时间ttcltal。结合图1可得5个表征放电强度的统计特征参数的计算 公式如下：
[0029] tr = T3-T0 (1)
[0030] td = T6-T3 (2)
[0031] t5〇% = T4-T2 (3)
[0032] tio% = T5-Tl (4)
[0033] tt〇tai = T6-T0 (5)
[0034] 不管是现场还是实验室周围环境中都存在这各种各样无法预测的干扰和噪音信 号，这些无法预知的干扰和噪声常常对后期的特征提取及故障类型识别产生巨大的影响。 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掉，由于传感器采集到的局放信 号很微弱，所以在预处理中还加了信号放大作用。经过处理后的信号我们再对其进行更进 一步地分析与特征提取，为接下来的故障类型识别做好充分的准备。在现场检测中，影响局 部放电的干扰大致可以分为窄带干扰、白噪声干扰和脉冲型干扰。针对这三种类型的干扰， 分别采用基于FFT的窄带干扰抑制算法、基于小波的消噪算法和基于神经网络(NN)的滤波 算法对信号进行处理。在大量模型实验和实际数据测试的基础上，本发明方法提取出电缆 故障所产生的局部放电各种类型的特征参数，构建各种缺陷对应的局部放电指纹特征库。5
方差σ2= Σ (Χ?-μ)2ρ?，
，5种缺陷包括线芯毛刺、主绝缘割伤、半 导电层翘起、绝缘内部存在气隙、主绝缘表面存在导电微粒。
[0035] 直接由局部放电的宽频时域数据可以提取出若干表征放电强度的统计特征参数， 通过这些特征参数可以对局部放电进行趋势分析，结合局部放电的相位分布图谱，可以检 测提取出表征局部放电类型的相位，最后再通过这些特征参数进行故障类型识别。
[0036]故障智能识别
[0037]不同的故障类型将会产生不同的放电，故障智能识别是将之前信号综合处理所提 取的特征参数与已有故障类型数据库的特征参数进行自行匹配识别，进而确定故障的类型 及大小。
[0038]本发明方法计采用两种智能分类识别算法:ΒΡ神经网络分类识别、ELM极限学习机 分类识别，每种方法的识别结果都会进行时时对比存储，以便后续调用。采用BP神经网络进 行识别首先是创建BP神经网络，在创建BP神经网络之前需要确定网络的结构，即需要确定 以下几个参数:输入变量个数、隐含层及各层神经元个数、输出变量个数。本发明中输入则 为相应的特征参数，输出为故障类型的相应代码。在进行识别前，先用已有的特征数据库对 网络进彳丁训练，使网络的性能达到最优，以便于提尚最终的识别精度。
[0039] ELM极限学习机分类识别算法随机产生输入层与隐含层间的连接权值及隐含层神 经元的阈值，且在网络训练过程中无需调整，只需要设置隐含层神经元的个数比可使该算 法的性能达到最优。每一阶段识别结果会用扇形图进行统计，将可能出现的每一种故障的 比例清楚显示出来并进行记录，确定最终的故障类型及大小。
[0040]以上两种识别算法在进行故障识别之前都需要用已有的数据库对其进行训练、测 试、验证，使其性能达到最优，提高最终故障类型及大小判断的准确性。本发明方法采用两 种故障智能识别方法进行对比识别来确定最终的识别结果，首先对采集的信号进行处理分 析，其次采用两种识别方法同时识别，再将识别结果进行对比分析得出最终结果与电缆的 运行检测方法进行匹配，提出相应的剩余寿命预估和修复方案。
【主权项】
1. 一种高压电力电缆故障识别方法，其特征在于，包括信号联合采集、信号综合处理和 故障智能识别，具体为： 信号联合采集:采用UHF超高频传感器对局部放电产生的电磁暂态和电磁波进行采集， 采用压电式AE超声波传感器对局部放电产生的超声波信号进行采集，采用TEV地电波传感 器对局部放电产生的地电波进行采集，采用HFCT高频电流传感器对局部放电产生的瞬变磁 场进行义集； 信号综合处理:在信号联合采集过程中通过四个传感器对局部放电信号进行检测，并 通过示波器记录每个放电脉冲的时域波形，波形上的每一个点都会对应一个时间和幅值， 提取5个表征放电强度的统计特征参数，包括脉冲上升时间心、下降时间td、50%幅值脉冲持 续时间t日日％、10 %幅值脉冲持续时间tio%、脉冲总持续时间ttotal，通过运些特征参数对局部 放电进行趋势分析，结合局部放电的相位分布图谱，检测提取出表征局部放电类型的相位； 还包括提取出电缆故障所产生的局部放电的特征参数，包括平均值，方差，放电不对称 度，构建缺陷所对应的局部放电指纹特征库，所述缺陷包括线忍毛刺、主绝缘 割伤、半导电层翅起、绝缘内部存在气隙、主绝缘表面存在导电微粒； 故障智能识别：将提取的时频特征参数分批送入两种智能算法中进行自行匹配识别， 两种智能识别算法为BP神经网络分类识别和ELM极限学习机分类识别，对两种智能识别算 法的识别结果进行时时对比汇总，进而确定故障的类型及大小。2. 如权利要求1所述的高压电力电缆故障识别方法，其特征在于，在故障智能识别中， 还包括用已有的故障类型数据库对两种智能识别算法进行训练，W提高两种智能识别算法 的性能。3. 如权利要求1所述的高压电力电缆故障识别方法，其特征在于，所述UHF超高频传感 器的信号接收天线为希尔伯特分形天线。4. 如权利要求1所述的高压电力电缆故障识别方法，其特征在于，在对信号进行特征提 取之前，还包括将采集到的信号用带通滤波器去除干扰信号及噪声信号，之后再将去噪后 的信号进行放大的步骤。5. 如权利要求4所述的高压电力电缆故障识别方法，其特征在于，去除干扰信号的步骤 具体为:采用基于FFT的窄带干扰抑制算法去除窄带干扰，采用基于小波的消噪算法去除白 噪声干扰，采用基于神经网络的滤波算法去除脉冲型干扰信号。6. 如权利要求1所述的高压电力电缆故障识别方法，其特征在于，采用BP神经网络分类 识别和ELM极限学习机分类识别进行识别时，识别结果都会进行时时对比存储。7. 如权利要求1至6任一项所述的高压电力电缆故障识别方法，其特征在于，在进行识 别之前，先用已有的特征数据库对网络进行训练、测试和验证，优化网络性能。
【专利摘要】本发明公开了一种高压电力电缆故障识别方法，信号联合采集：用UHF超高频传感器对电磁暂态和电磁波进行采集，用压电式AE超声波传感器对超声波信号进行采集，用TEV地电波传感器对地电波进行采集，用HFCT高频电流传感器对瞬变磁场进行采集；信号综合处理：由局部放电的宽频时域数据提取出若干表征放电强度的统计特征参数，提取出电缆故障所产生的局部放电各种类型的特征参数，构建各种缺陷对应的局部放电指纹特征库；故障智能识别：将提取的时频特征参数分批送入两种智能识别算法中进行自行匹配识别，对两中先进算法的识别结果进行时时对比汇总，进而确定故障的类型及大小。本发明检测安全，故障识别迅速准确，可集成化。
【IPC分类】G01R31/12
【公开号】CN105548832
【申请号】CN201510909715
【发明人】刘凡, 张安安, 杨琳, 何聪, 谭少谊, 吴驰, 徐洋涛, 杨永龙, 邓亚文
【申请人】国网四川省电力公司电力科学研究院, 西南石油大学, 成都中安电气有限公司, 国家电网公司
【公开日】2016年5月4日
【申请日】2015年12月10日