陈臻，陈林，康宁，梁亮，刘鹏，王学民

(国网新疆电力公司乌鲁木齐供电公司，新疆 乌鲁木齐 830011)

电力电缆是电网关键设备之一[1]，自然老化、外力破坏、设计工艺及材料质量等因素都可能使电缆产生故障，而电力电缆因绝缘故障导致的断电事故将会影响供电可靠性。电缆主绝缘故障早期会产生局部放电，局部放电会导致绝缘进一步劣化，同时也是表征绝缘状态的重要特征量[2]。因此，电力电缆的局部放电检测可以作为电缆绝缘状态的重要参考[3]，对电力电缆进行局部放电检测可以减少绝缘故障的发生，这对电网的正常运行有重要意义。

电力电缆发生局部放电时，会伴随着多种物理、化学变化[4-5]，由此产生了各种局部放电离线、在线检测方法，其中较为广泛应用的检测方法有脉冲电流法、超声波法、特高频法以及高频电流法[6]。脉冲电流法检测局部放电引起的脉冲电流，是目前最成熟且唯一有国家标准的检测技术，但该检测方法检测频带窄，检测频率低，检测频率范围和带宽小于1 MHz[7]。超声波法检测电缆局部放电产生的超声波信号，检测频率范围为20～200 kHz，但超声波在电缆护套等固体介质中衰减[8]以及压电换能器和电缆表面声阻抗不匹配等问题导致超声法的灵敏度较低。特高频法检测局部放电产生的特高频电磁场，电磁场的频率一般在300 MHz～3 GHz之间[9]，高于测试现场的噪声频率，特高频法因此可以避开测试现场的噪声干扰[10]。但特高频信号在电缆中衰减迅速，所以特高频法一般用于对电缆接头的测量。高频电流法(high frequency current technique，HFCT)检测局部放电产生的脉冲电流，测量频率范围为3～30 MHz，传感器一般卡接于电缆接头或者终端的地线上，该方法易受电磁干扰与杂散电容的影响[11]。不同局部放电检测方法有各自的检测频段以及应用范围，但在30～300 MHz甚高频范围内都存在检测盲区，需进一步研究这一频段内的电缆局部放电检测方法，以获得更完善的局部放电信息。

近场天线测量技术一般应用于通信、雷达领域，其测量原理为利用近场探头测量空间电磁场[12]。局部放电的产生伴随着电磁场变化，因此近磁场探头具有用于检测电缆局部放电的可能性。近场探头测量频段一般为30 MHz～3 GHz，将其改进并用于局部放电检测可以拓宽现有电缆局部放电检测技术的测量频带[13]。

随着电网走向智能化，往超、特高压方向发展[14]，局部放电检测技术进一步发展，利用其进行放电模式识别成为重要研究方向[15]，目前相关人员已进行大量研究并取得成果。上海交通大学[16-17]和国网上海市电力公司[18]的专家学者基于XLPE电缆的高压端毛刺电晕、绝缘内部气隙、外半导电层爬电、绝缘表面划伤等典型缺陷模型的放电图谱，提出了不同局放模式识别技术。

根据研究，本文设计基于近磁场探头的电力电缆局部放电在线检测系统，该检测系统使用近磁场探头作为局部放电检测传感器，检测频带为100 kHz～100 MHz，频率响应稳定。本测量系统进一步拓宽局部放电的测量频带，扩充不同电缆局部放电类型的放电图谱数据，完善甚高频(30～300 MHz)频段范围内的局部放电信息，促进电缆局部放电的类型识别与放电特性研究。设计基于典型局部放电特征的专家识别系统，并基于典型气隙放电、尖端放电、滑闪放电、悬浮放电模型[19]，制作相应的电缆缺陷，在实验室内和户外进行不同类型的电缆局部放电试验，以实现高压电缆局部放电的模式识别。

1 试验平台与检测系统

1.1 电缆缺陷设计

根据4类典型电缆局部放电模型(内部气隙放电、尖端电晕放电、外半导电层爬电以及绝缘表面划伤放电[20])，在实验室内制作了电缆接头的3种绝缘缺陷，如图1(a)所示，在户外试验场地制作了分别位于电缆接头、电缆本体以及电缆终端的4种电缆缺陷，如图1(b)—(e)所示。

图1 电缆绝缘缺陷示意图Fig.1 Schematic diagram of cable insulation defect

图1(a)所示为实验室内模拟电缆接头中的应力锥内部气隙缺陷、主绝缘划痕缺陷以及外半导电层尖端缺陷示意图。应力锥内部气隙缺陷一般在预制橡胶件生产过程中产生；主绝缘划痕缺陷的划痕深度为2 mm，划痕位于外半导电层断口处径向1周和主绝缘表面轴向以及径向处，该缺陷主要来自于电缆接头施工过程；外半导电层尖端缺陷的半导电层尖端长度长于应力锥导电部分0.5 mm，尖端长度为25 mm，该缺陷主要来自于电缆接头施工过程。图1(b)所示为电缆本体气隙放电绝缘缺陷，空穴位于主绝缘区域，在主绝缘区域钻取3个孔径为2 mm、深度约为9 mm的孔洞，使用玻璃硅胶进行不完全填充形成空穴。图1(c)所示为电缆接头内悬浮放电绝缘模型，制作过程为在接头内压接铜管外部缠绕四氟乙烯绝缘胶带，胶带附上金属后再使用半导电胶带缠绕，最后将屏蔽罩扣上。图1(d)所示为电缆接头沿面放电绝缘缺陷，制作过程中将电缆端口外半导电层少剥离3～5 cm，使半导电端口突出出现爬电距离不足现象，压接铜管形成沿面放电缺陷。图1(e)所示为电缆终端电晕放电，金属细线绑扎于电缆终端，金属细线直径2 mm，长10～20 cm，水平45°夹角。

1.2 近磁场探头设计与性能测试

本文设计的电缆局部放电检测系统传感器为近磁场探头，近磁场探头依据天线近场测量原理工作，其实物图如图2(a)所示。近场区磁场强度随距离增加迅速下降，因此磁场探头应具有较大的空间分辨率；同时磁场探头会对待测电磁场产生干扰，磁场探头应尽量减小尺寸[21]。根据以上要求，传感器设计成共面导波型(coplanar waveguide，CPW)磁场探头[21]。传感器探头为对称结构，导电环尺寸略微小于十分之一的波长。传感器主要材料为环氧玻璃布层压板，板厚1.6 mm；探测区宽度5 mm，圆直径35 mm；内部采用微带线，手柄区宽度10 mm，长50 mm。

图2 近磁场传感器实物图及其工作原理Fig.2 Physical map of near magnetic field sensor and its working principle

局部放电发生时会产生电磁辐射，近磁场传感器磁场探头基于这一现象工作。图2(b)所示为近磁场传感器工作原理示意图，图中：I为流经线芯的电流；B为线芯电流产生的磁感应强度；r为探头与线芯半径的距离，Δl为半径r的圆周长的微分。

法拉第电磁感应定律是近磁场探头测量磁场的重要理论基础[21]，其方程为

(1)

式中：E为磁场强度变化产生的感应电场；B为线芯电流产生的磁感应强度；v为传感器相对磁场运动速度；C为半径r的圆周长；S为半径r的圆面积；dl为半径r的圆周长的微分；dS为半径r的圆面积的微分。磁场探头在测量过程中保持静止，式(1)可简化为

U=-2πfμ0(S·H).

式中：U为探头产生的电压；f为磁场频率；μ0为真空磁导率；S为探头圆环面积；H为探头导带圆环中心处磁场强度。当电缆发生局部放电时，磁场探头输出电压相应变化，因此本文设计的近磁场传感器理论上可用于检测电缆的局部放电，但传感器的性能需进一步测试。

近磁场传感器性能测试分为频率响应测试与灵敏度测试，测试方法如图3所示。本文设计了2种近磁场传感器，分别采用半屏蔽与全屏蔽封装。半屏蔽近磁场传感器结构为：单层PCB天线，磁感应线圈3个面用金属屏蔽，一个面对外裸露。全屏蔽近磁场传感器结构为：双层PCB天线，每层PCB天线3个面用金属屏蔽，两层PCB天线未屏蔽一面相向固定，因此磁感应线圈未对外裸露。

图3 传感器性能测试示意图Fig.3 Schematic diagram of sensor performance test

传感器频率响应测试的射频信号源频率范围为100 kHz～200 MHz，正弦波20 dBm扫描输出，测试使用2 m长的110 kV电缆，频谱分析仪接收传感器的输出。测试过程中，传感器置于电缆中间位置并靠近电缆，保持传感器静止。射频信号源信号端接电缆芯线，地线接螺纹铝，电缆接50 Ω匹配阻抗，连接示意图如图3(a)所示。

传感器灵敏度测试参考高频电流法，结合实际应用场景进行调整。测试时使用信号发生器和450 m同轴电缆进行近磁场传感器的同轴电缆局部放电灵敏度测量，连接示意图如图3(b)所示。传感器灵敏度测试过程中，逐步增加信号发生器的电荷量，记录传感器输出电压峰峰值。

近磁场传感器性能测试结果如图4所示。传感器的频率响应测试结果显示：在100 kHz～100 MHz范围内，全屏蔽近磁场传感器的输出电压平稳度优于半屏蔽近磁场传感器，本文设计的局部放电检测系统使用全屏蔽近磁场传感器。

测试所用电缆为短距离XLPE电缆，频谱测试信号传输衰减很小，传感器可以比较好地耦合到信号，因此测试结果能够代表传感器的频谱特性。

传感器线性度δ=(Aλ-λA)/λA，其中：Aλ为λ对应的实验测试数据；A为脉冲放电量为200 pC时的实验测试数据；λ为不同脉冲放电量对应的系数，脉冲放电量200 pC、100 pC、50 pC、20 pC对应的λ分别为1、0.5、0.25、0.1。当系数大于0.1时，传感器的线性度均小于15%，符合局部放电检测仪器的一般要求，传感器输出电压的峰峰值与脉冲信号发生器电荷量之间具有良好的线性关系。传感器测试5 pC放电量时配合滤波器使用，输出信号的信噪比大于6 dB，符合常规电子测量的检测要求。测试结果表明，本文设计的近磁场传感器可应用于电缆局部放电检测领域。

1.3 局部放电测试系统设计

本文所设计的局部放电测试系统如图5所示，系统包括近磁场传感器、前置放大器、FPGA高速采集卡与PC端4个部分。测试过程为：将近磁场传感器信号输入到前置放大器，FPGA高速采集卡采集滤波放大之后的局部放电信号再通过网络传输至PC端，PC端进行数据分析。

图5 局部放电测试系统Fig.5 Partial discharge test system

前置放大器采用级联放大，频率范围为0.1～300 MHz，输出增益为40 dB，噪音指数为3 dB。FPGA高速采集卡采样频率为2×108s-1，信号带宽为100 MHz，A/D分辨率为12位，模拟输入电压±1 V，同步三通道输入。

电缆或附件绝缘内部的局部放电信号属于高频脉冲信号，信号较弱，高频信号在电缆中传播衰减尤为严重。同时近磁场传感器测试过程中存在复杂的电磁信号、白噪声以及接地网中的低频信号干扰，局部放电信号常常被干扰掩盖，监测系统难以准确测量局部放电信号，这可能导致检测系统误判放电信号的幅值，无法准确评估缺陷处的放电严重程度，判别现场局部放电信号的难度增加，同时后续数据分析结果可信度降低。本文设计的近磁场传感器在检测过程中，屏蔽结构可屏蔽现场复杂的电磁干扰。此外试验过程中的大部分干扰不在测量频率范围内，因此只需要对白噪声等干扰进行处理。

针对白噪声干扰，本文所设计的检测系统采用第2代小波变换和经验模态分解[22-23]，实现局部放电信号的自适应降噪滤波，最后再进行放电模式的识别。检测信号降噪前后的波形如图6所示。

图6 脉冲波形降噪滤波前后波形Fig.6 Waveforms before and after pulse waveform noise reduction and filtering

2 局放信息采集及谱图特性分析

采用本文设计的电缆局部放电检测系统对实验室内、户外试验场地制作的电缆绝缘缺陷进行局部放电信号采集。测试系统生成的谱图采用局部放电相位分布 (phase resolved partial discharge，PRPD)模式，即Q-n-φ模式。根据近磁场传感器的灵敏度测试试验，传感器输出电压与局部放电的放电量之间具有良好的线性关系，测试得到的传感器输出电压可以代表局部放电的放电量。

采用近磁场传感器检测与传统HFCT进行电缆接头内部4种绝缘缺陷的局部放电信号对比测试，测试结果如图7—10所示，三维图以类似Q-n-φ三维谱图的形式展现，3个坐标分别代表局部放电的相位、放电频次与传感器的输出电压；此外，图中的二维谱图为三维谱图在幅值-相位界面的投影。结果显示：放电量、放电脉冲群分布、放电频次等特征区别明显，不同缺陷类型之间区分度良好。HFCT的频率上限一般为30 MHz，本文设计的近磁场检测系统在此基础上拓宽测试频段，且近磁场传感器测试结果表现出的放电特性与HFCT有所不同。2种局部放电检测方法得到的谱图表明：近磁场传感器与HFCT方法均能有效检测到放电信号，准确识别典型缺陷。相比于HFCT，本文设计的近磁场检测系统检测得到的图谱，其相位分布、相位对称度等参数差异更为明显，得到的特征量可能更有利于局部放电模式的识别。

图7 尖端放电Fig.7 Tip discharge

图9 悬浮放电Fig.9 Suspension discharge

图10 沿面放电Fig.10 Discharge along surface

3 局部放电模式识别系统设计

电缆局部放电模式识别的三大核心问题为如何构造放电模式、提取局部放电数据有效特征量以及选择合适的放电模式分类器。本文采用的局部放电模式为PRPD模式。

实际测量过程中电缆局部放电检测系统获得的数据量极为庞大，利用原始数据直接进行电缆放电模式识别非常困难，需要对测量空间进行特征提取并构造特征空间。本文通过统计特征参数描述局部放电特征。

PRPD模式在去除干扰后生成Q-n-φ三维谱图，Q、n、φ分别表示局部放电量、放电次数、放电发生时的相位。本文基于Q-n-φ三维图谱生成φ-Q、n-φ谱图并提取统计特征量：均值μ，用于描述谱图的平均分布；偏斜度Sk，用于描述谱图形状相对于正态分布的左右偏斜情况；标准差σ，用于描述数据的离散程度；局部峰点数Pe，用于描述描述谱图轮廓上局部峰的个数；陡峭度Ku，用于描述谱图分布对比于正态分布形状的突起程度；相位不对称度P，用于描述正负半周起始放电相位的差别；放电量Q，用于描述φ-Q谱图正负半周内平均放电量的差异；互相关系数cc，用于描述谱图在正负半周内的形状相似程度；修正的互相关系数mcc，用于描述评价φ-Q谱图正负半周内放电模式的差异[24-25]。利用这些统计参数可以对放电类型进行识别。

本文选择人工神经网络分类器〔反向传播(back-propagation，BP)神经网络〕作为放电模式分类器[26]。人工神经网络分类器进行放电模式识别的优势在于解决噪声干扰与减小输入模式的损失，BP神经网络通过BP算法进行有监督学习，可实现局部放电模式的高准确率识别。

构建BP神经网络用于局部放电模式识别，需确定隐含层层数和结点数，选取网络参数和筛选统计学参数。单隐含层BP网络可以学习任意的连续函数，只有在调整隐含层的结点数仍不能改善网络性能或学习不连续函数时才增加隐含层。BP神经网络的隐含层结点数决定神经网络学习能力与训练时间，在确定结点数的大概范围之后，通过试凑法确定最佳隐含层结点数。本文分别对单隐含层网络和双隐含层网络进行训练。

图12 φ-Qa图相位不对称度P对比Fig.12 Comparisons of phase asymmetry P in φ-Qa diagram

图13 φ-Qa图放电量因数Q对比Fig.13 Comparisons of discharge factor Q in φ-Qa diagram

图14 φ-Qm图正半周峰数对比Fig.14 Comparisons of positive half-cycle peaks

图15 n-Q图负半周偏斜度对比Fig.15 Comparisons of negative half-circle skew Sk- in n-Q chart

图16 n-φ图正半周陡峭度对比Fig.16 Comparisons of positive half-cycle steepness

筛选出输入特征参数后，还需确定局部放电模式识别系统神经网络的最佳学习率。5种放电类型每种随机选取200组实验数据共1 000组进行神经网络的训练，每种放电模式选取20组实验数据共100组作为未知样本输入神经网络进行预测。采用有监督的学习模式，在学习过程中，悬浮放电、沿面放电、气隙放电、颗粒放电、电晕放电的期望输出设置为1.00、2.00、3.00、4.00、5.00。对未知样本进行预测时，当网络输出值在期望输出值±20%区间则认为判断成功。对比不同学习率的神经网络识别结果，确定最佳学习率。

神经网络选择为单隐含层网络，输入层结点数为6，隐含层结点数经过试凑后选取5，训练误差为0.000 001，最大迭代次数为200，设置不同学习率进行对比，同一学习率训练若干神经网络(一般为3次)以减小实验分散性对客观规律的影响。通过对比网络的平均迭代次数和平均识别率结果来确定学习率。训练结果如图17所示。

图17 学习率对网络训练的影响Fig.17 The effect of learning rate on network training

图17表明：学习率较小时，网络学习速度越慢，权值难以趋于稳定，同时由于新的学习样本的引入对原有网络参数的调整较小，网络对初始权值和阈值较为敏感，容易进入局部极小，造成网络迭代次数较多，识别率较低；学习率较大时，权值学习的过程容易产生震荡，网络对训练样本的敏感度较大，同一学习率训练出的各个网络训练的识别结果差异较大，网络稳定性较差。因此，就本文的1 000组训练样本而言，学习率选取0.1时训练网络易于收敛，稳定性高，识别结果较好。

本文同时对单隐含层网络和双隐含层网络进行3次训练，并对比2种网络性能[17]。网络参数设置为：输入层结点数为6，目标值(训练误差)为0.000 001，最大迭代次数为200，学习率为0.1，单隐含层网络隐含层结点数为5，双隐含层网络与输出层相邻的隐含层有3个结点，与输出层相邻的隐含层有5个结点，训练结果见表1。

表1 单隐含层与双隐含层神经网络训练结果Tab.1 Training results of single hidden layer and double hidden layer neural networks

表1结果表明：单隐含层神经网络平均迭代次数为34.67、平均识别率为86%；双隐含层神经网络平均迭代次数为33.33、平均识别率为87.67%。因此，对于输入层结点数为6的网络来说，增加隐含层层数对迭代次数的影响不大，系统运行时间增长不明显，双隐含层神经网络对识别率提升约1.67%。对于本文筛选出的6个统计学参数作为输入参数的神经网络来说，网络结构应选取双隐含层结构，且神经网络训练后平均识别率为87.67%。

4 结论

a)本文基于天线近场测量原理制备了近磁场传感器，传感器的频率响应与灵敏度测试表明：传感器在100 kHz～100 MHz频率范围内的频率响应输出较为平稳，对局部放电量增加表现出良好的线性度，可用于检测局部放电。近磁场传感器测试频段包含了局部放电主要功率谱，在这一基础上进行局部放电特征量提取与模式识别，结果更为准确。

b)实际生产中的局部放电发生时，高频局部放电法以及近场局部放电检测方法均能有效检测到放电信号，对典型缺陷均能准确识别。

c)基于近磁场传感器设计的电缆局部放电检测系统，利用BP神经网络对测试结果进行局部放电模式识别，训练结果得出的平均识别率为87.67%。局部放电模式识别的准确率受样本库数据量影响，因此，为提高系统识别率，需要进一步补充样本数据库。