基于行波特征量與堆疊自動(dòng)編碼器的電纜早期故障定位方法

(深圳供電局有限公司，廣東 深圳 518052)

0 引 言

隨著城市面積的不斷擴(kuò)張，電纜在高中壓配電網(wǎng)所占的比重越來(lái)越高。隨著電纜運(yùn)行年限的增加，電纜的絕緣電阻逐漸減小，局部放電逐漸演變成電纜早期故障；早期故障隨絕緣電阻的下降會(huì)更加頻繁地發(fā)生，直到絕緣失效，電纜發(fā)生永久性故障，引起意外停電事故[1-2]。在發(fā)生永久性故障之前，即電纜處于早期故障易發(fā)期時(shí)，判斷電纜的健康狀況并進(jìn)行故障區(qū)段定位，將電纜存在隱患的區(qū)段進(jìn)行更換，以防發(fā)生意外停電和不必要的經(jīng)濟(jì)損失，對(duì)電網(wǎng)安全穩(wěn)定的運(yùn)行以及電纜壽命的延長(zhǎng)有重要意義。

目前國(guó)內(nèi)外對(duì)電纜早期故障的檢測(cè)和定位進(jìn)行了相關(guān)的研究。文獻(xiàn)[2]基于小波變換，將電流信號(hào)經(jīng)小波分解后分成不同頻段，利用高頻信息和低頻信息識(shí)別和檢測(cè)早期故障；文獻(xiàn)[3]將電流數(shù)據(jù)進(jìn)行小波包分解，把結(jié)果作為自組織映射神經(jīng)網(wǎng)絡(luò)(self organizing map,SOM)的輸入向量，對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)聚類，實(shí)現(xiàn)對(duì)電纜早期故障嚴(yán)重程度的評(píng)估，取得比較好的效果；文獻(xiàn)[4]對(duì)地下配電線路的現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行時(shí)頻域分析以確定故障參數(shù)，并描述了電纜早期故障的特點(diǎn)，揭示了這種自清除故障逐漸發(fā)展過(guò)程中的特征；文獻(xiàn)[5]利用小波奇異性檢測(cè)和貝葉斯變點(diǎn)分析來(lái)檢測(cè)早期故障，通過(guò)諧波分析和分類器將早期故障區(qū)別于電容器投切擾動(dòng)；文獻(xiàn)[6]采用多尺度小波變換提取早期故障電流特征量組成復(fù)合判據(jù)，再根據(jù)參考樣本與待測(cè)樣本之間的灰色關(guān)聯(lián)度識(shí)別電纜早期故障；文獻(xiàn)[7]提出通過(guò)檢查故障發(fā)生前后負(fù)載的一致性，疊加故障分量與接地電流之間持續(xù)時(shí)間的一致性,來(lái)判斷早期故障的發(fā)生相位和持續(xù)時(shí)間，為早期故障檢測(cè)模塊的跳閘和報(bào)警功能提供設(shè)置依據(jù);文獻(xiàn)[8]指出應(yīng)將故障處的電弧電壓考慮在內(nèi)，搭建半周波早期故障單相等值電路，建立算法計(jì)算測(cè)量端到故障點(diǎn)處的電感，實(shí)現(xiàn)故障定位；文獻(xiàn)[9]考慮了變電站側(cè)的電感，在瞬時(shí)故障發(fā)生期間從故障電壓和故障電流中分離出凈故障電壓和電流，通過(guò)在故障點(diǎn)注入負(fù)電壓來(lái)表示早期故障的自清除狀態(tài)，并對(duì)線路進(jìn)行簡(jiǎn)化，計(jì)算線路自感值，以此確定早期故障位置；文獻(xiàn)[10]利用單端測(cè)量的電壓和電流，提出一種考慮電纜電容和負(fù)載對(duì)距離估計(jì)影響的最小二乘擬合方法的改進(jìn)；文獻(xiàn)[11]則將電纜早期故障假設(shè)為電弧故障，計(jì)算故障電壓總畸變率并與參考值比較，判斷是否為早期故障，再計(jì)算電弧電導(dǎo)判斷故障距離。這些基于時(shí)域分析的方法，大多對(duì)線路都進(jìn)行一些簡(jiǎn)化的假設(shè)，在使用上有一定局限性。文獻(xiàn)[12]給出區(qū)分了低壓網(wǎng)絡(luò)電纜不同故障的方法，并結(jié)合時(shí)域反射法和暫態(tài)記錄系統(tǒng)對(duì)電纜早期故障或者間歇性故障進(jìn)行定位。

下面提出了基于行波特征量與堆疊自動(dòng)編碼器的電纜早期故障定位方法。通過(guò)在PSCAD/EMTDC中搭建電纜早期故障模型，對(duì)獲得的線路首端電流仿真數(shù)據(jù)進(jìn)行處理，引入相模轉(zhuǎn)換得到電流信號(hào)的模分量，從中提取行波信息，并且對(duì)信號(hào)進(jìn)行S變換獲取信號(hào)的模時(shí)頻矩陣，進(jìn)行早期故障檢測(cè)；分析獲得早期故障位置信息；最后利用提取的特征對(duì)堆疊自動(dòng)編碼器進(jìn)行訓(xùn)練，使其能對(duì)早期故障進(jìn)行準(zhǔn)確地識(shí)別和區(qū)段定位。

1 電纜絕緣老化原因與早期故障的特征分析

1.1 電纜絕緣老化原因和形態(tài)

當(dāng)電纜制造質(zhì)量好、運(yùn)行工況良好且不受外力破壞時(shí)，電纜的使用壽命很長(zhǎng)。但實(shí)際運(yùn)行中，由于電纜本身在材料、制造和敷設(shè)過(guò)程中難免存在缺陷，加上可能受到的外力擠壓或者破壞，受環(huán)境中電、熱、化學(xué)等因素影響，電纜會(huì)發(fā)生不同程度的絕緣老化。表1給出XLPE電纜絕緣老化原因和形態(tài)。

表1 交聯(lián)聚乙烯電纜絕緣老化原因和老化形態(tài)

在局部高電場(chǎng)強(qiáng)度作用下，雜質(zhì)、水分和氣隙等缺陷的存在會(huì)在絕緣層中形成樹枝狀損傷，即為電樹枝和水樹枝的形成；絕緣中的硫化物和銅導(dǎo)體反應(yīng)生成硫化銅和氧化銅等，并在絕緣層中呈樹枝化生長(zhǎng)，即為化學(xué)樹枝。樹枝狀的局部損傷會(huì)進(jìn)一步加強(qiáng)局部放電，進(jìn)而發(fā)展成為電纜早期故障，最終絕緣失效演變成為永久性故障。圖1給出了老化原因和老化形態(tài)間的關(guān)系。

圖1 XLPE電纜絕緣老化原因和老化形態(tài)之間的關(guān)系

1.2 電纜早期故障機(jī)理與特征

電纜故障是一個(gè)逐步發(fā)展的過(guò)程，以自清除故障為先兆，并最終演變成永久性故障。這種現(xiàn)象在電纜接頭中非常常見，水分滲入后會(huì)導(dǎo)致絕緣損壞。電弧產(chǎn)生會(huì)蒸發(fā)水分，產(chǎn)生的高壓蒸汽會(huì)熄滅電弧，使故障自清除。而電纜早期故障持續(xù)時(shí)間小于繼電保護(hù)裝置檢測(cè)和動(dòng)作時(shí)間，所以過(guò)電流保護(hù)裝置不會(huì)動(dòng)作。即使設(shè)置較低的整定值，保護(hù)裝置也會(huì)受其他擾動(dòng)影響。這種情況可能持續(xù)幾個(gè)小時(shí)、幾天、幾個(gè)月甚至更久，發(fā)生的頻率隨時(shí)間的推移而增加。早期故障最初可能只發(fā)生一兩次，但在其發(fā)展成為永久性故障之前，故障頻率會(huì)迅速增加[1-3]。

電纜早期故障通常為單相接地故障，是同一相永久故障的前兆。典型的早期故障主要分成兩類：半周波故障和多周波故障。半周波早期故障發(fā)生在電壓峰值附近，持續(xù)大約四分之一周波，電弧在電流過(guò)零點(diǎn)熄滅，故障自動(dòng)清除。多周波早期故障也發(fā)生在電壓峰值附近，持續(xù)1～3個(gè)周波，故障同樣在電弧消失時(shí)自清除。圖2給出了電纜兩種早期故障發(fā)生時(shí)由線路首端測(cè)量得到的相電壓、電流波形。從圖中可以看出，早期故障發(fā)生時(shí)，故障相線路首端電壓突然下降，而故障相線路首端電流突然瞬時(shí)增大。在故障清除后，電壓、電流均恢復(fù)正常水平。

圖2 電纜早期故障波形

2 基于電纜早期故障定位的行波特征量提取

2.1 多相導(dǎo)線波過(guò)程及解耦相模轉(zhuǎn)換

在實(shí)際系統(tǒng)中，三相線路間存在電磁耦合，如圖3所示，各相的波動(dòng)方程并不相互獨(dú)立，不能僅僅利用單導(dǎo)線等值電路進(jìn)行求解。

均勻傳輸線方程為

(1)

式中：U=[UaUbUc]為三相電壓相量；I=[IaIbIc]為三相電流相量；Z為線路阻抗矩陣。

(2)

式中，對(duì)角線元素為單位長(zhǎng)度線路自阻抗，非對(duì)角線元素為單位長(zhǎng)度線路互阻抗。

圖3 三相線路耦合

為消除線路電磁耦合的影響，通過(guò)相模轉(zhuǎn)換將具有耦合關(guān)系的相分量轉(zhuǎn)換成不具耦合關(guān)系的模分量。相模轉(zhuǎn)換關(guān)系為Us=S-1U,Is=Q-1I,代入公式(2)得到

(3)

(4)

式中：Us=[UαUβU0]為電壓模分量；Is=[IαIβI0]為電流模分量。

α和β為線模分量；U0和I0為零模分量；當(dāng)選擇凱倫布爾變換時(shí)，變換矩陣S-1和Q-1為

(5)

電壓模分量和電流模分量為

(6)

(7)

2.2 特征量提取

由于電纜發(fā)生早期故障時(shí)，故障點(diǎn)產(chǎn)生行波向母線傳播，到達(dá)母線時(shí)會(huì)引起電壓或電流的突變[13]。利用S變換，可以對(duì)信號(hào)各個(gè)頻率分量進(jìn)行分析，得到對(duì)應(yīng)的幅值變化信息。首先對(duì)線路首端檢測(cè)到的電流信號(hào)進(jìn)行相模轉(zhuǎn)換(凱倫貝爾變換)，得到線模分量和零模分量。由于電流突變時(shí)刻包含豐富高頻分量，集中體現(xiàn)在復(fù)時(shí)頻矩陣的頻率較高的行中，選取線模分量和零模分量的電流突變時(shí)刻前后一段時(shí)間進(jìn)行S變換。

2.2.1 行波特征量的提取

S變換是由地球?qū)W家R.G.Stockwell在1996年提出的一種加窗傅里葉變換分析方法[14]。S變換最早是用于地震信號(hào)的分析，它提供了一種頻率相關(guān)的時(shí)頻分解方法，同時(shí)能保持和傅里葉頻譜的直接關(guān)系。S變換廣泛運(yùn)用于電力系統(tǒng)中各種信號(hào)的處理，可用于對(duì)電纜早期故障的特征提取。

先定義連續(xù)小波變換：

(8)

式中：W(τ,d)為一個(gè)小波或小波母函數(shù)；伸縮系數(shù)d決定小波的寬度，從而控制分辨率。

S變換可以視為連續(xù)小波變換乘上一個(gè)相位項(xiàng)，即對(duì)連續(xù)小波變換進(jìn)行相位修正。

S(τ,f)=ei2πfτW(τ,d)

(9)

而其用的母小波為

(10)

于是S變換可以寫成：

(11)

式中：w(τ-t,f)為高斯窗函數(shù)；f為頻率；τ為時(shí)移因子，用于控制高斯窗在時(shí)間軸t上的位置。

信號(hào)經(jīng)過(guò)S變換后可以獲得復(fù)時(shí)頻矩陣，但矩陣中仍然含有大量的信息，直接將矩陣中的元素輸入自動(dòng)編碼器可能造成訓(xùn)練時(shí)間過(guò)長(zhǎng)、擬合效果不佳等情況。因此需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，從中提取出用于訓(xùn)練的初始特征，以達(dá)到更快的訓(xùn)練速度和更佳的擬合效果。

經(jīng)過(guò)分析可以得出：在不同位置發(fā)生早期故障時(shí)，檢測(cè)到的線模分量?jī)纱涡胁ǖ臅r(shí)間差不同，且不受故障點(diǎn)電弧電阻阻值和早期故障初始相角的影響，故可以使用該時(shí)間差Δta作為包含早期故障位置信息的特征量。零模分量同樣可以進(jìn)行相同的處理，同樣可以得到一組特征量Δt0。由于零模分量的傳播路徑為線路和大地，波速可能不是一個(gè)確定值，導(dǎo)致距離和時(shí)間差并不完全對(duì)應(yīng)，故加入線模分量和零模分量第一次到達(dá)檢測(cè)處的時(shí)間差Δtα-0。另外，S變換后的模時(shí)頻矩陣的基頻幅值曲線的最大值maxf0同樣可以反映電纜早期故障距離，將此作為另一特征量。

2.2.2 S變換能量熵特征量的提取

除了提取行波特征量，還將信號(hào)經(jīng)過(guò)S變換后得到的復(fù)時(shí)頻矩陣取模，并計(jì)對(duì)應(yīng)的模時(shí)頻矩陣為G。定義信號(hào)能譜Eij=|Gij|2，其中Gij為模時(shí)頻矩陣G中頻率為i、時(shí)間為j的元素，選取對(duì)數(shù)的底為e，則S變換能量熵可以定義為

(12)

S變換能量熵反映了能量在時(shí)域和頻域上的分布情況，對(duì)模時(shí)頻矩陣不同頻段進(jìn)行劃分，劃分得越細(xì)則分解尺度越大，在一定范圍內(nèi)分解尺度越大，能量熵檢測(cè)暫態(tài)突變的能力越強(qiáng)。將模時(shí)頻矩陣分解成5個(gè)尺度，分別為低頻段3個(gè)、中頻段1個(gè)、高頻段1個(gè)，計(jì)算相應(yīng)的能量熵SEEl1、SEEl2、SEEl3、SEEm、SEEh。

最后可以得到包含S變換能量熵和行波特征量的電纜早期故障區(qū)段識(shí)別與定位的初始特征量F。

F=[SEEl1,SEEl2,SEEl3,SEEm,SEEh,Δtα,Δt0,Δtα-0,maxf0]

(13)

3 基于行波特征量與堆疊自動(dòng)編碼器的電纜早期故障定位

堆疊自動(dòng)編碼器包含編碼和解碼部分，編碼部分將輸入數(shù)據(jù)通過(guò)線性組合和非線性映射得到隱含層數(shù)據(jù)[15]。如果隱含層數(shù)據(jù)通過(guò)解碼能還原輸入數(shù)據(jù)，可認(rèn)為隱含層的數(shù)據(jù)能表征輸入數(shù)據(jù)，也就是說(shuō)隱含層的數(shù)據(jù)是輸入層數(shù)據(jù)的抽象表達(dá)。此時(shí)，輸出層已經(jīng)沒有太大意義，只取編碼部分，即輸入層和隱含層。若將這一級(jí)編碼器的輸出作為新的輸入數(shù)據(jù)，繼續(xù)訓(xùn)練下一級(jí)自動(dòng)編碼器，這樣就構(gòu)成堆疊自動(dòng)編碼器，如圖4所示。

圖4 堆疊自動(dòng)編碼器

由于堆疊自動(dòng)編碼器能夠?qū)斎氲臄?shù)據(jù)進(jìn)行深入地挖掘，因此將提取出的初始特征輸入到堆疊自動(dòng)編碼器網(wǎng)絡(luò)中，最后從不同的電流擾動(dòng)中識(shí)別電纜早期故障，并能正確找出電纜早期故障所在區(qū)段。算法流程如圖5所示。

圖5 堆疊自動(dòng)編碼器算法流程

具體步驟如下：

1)在PSCAD/EMTDC中搭建仿真電路，除了電纜早期故障，還考慮其他過(guò)電流擾動(dòng)，如恒定阻抗故障和電容器投切擾動(dòng)。實(shí)際情況中，通常選取變電站電纜饋線測(cè)量電流作為分析的原始數(shù)據(jù)。通過(guò)仿真可以獲得一系列樣本數(shù)據(jù)。

2)對(duì)獲得的樣本電流數(shù)據(jù)和電流突變時(shí)間段內(nèi)的電流信號(hào)進(jìn)行S變換，提取用于區(qū)段定位的9個(gè)特征量，最后組成特征向量F。由于這些特征量來(lái)源不同，為了良好的訓(xùn)練效果，將這些數(shù)據(jù)進(jìn)行極差歸一化處理。

3)對(duì)于電纜早期故障，根據(jù)其位置可以生成電纜早期故障區(qū)段序列，即將早期故障發(fā)生區(qū)段標(biāo)記為1，非早期故障區(qū)段標(biāo)記為0；而對(duì)于非早期故障，所有區(qū)段標(biāo)記為0。這樣，各個(gè)樣本就有對(duì)應(yīng)的序列作為標(biāo)簽。

4)將整合后的數(shù)據(jù)輸入到堆疊自動(dòng)編碼器中，對(duì)堆疊自動(dòng)編碼器的訓(xùn)練分為無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)。對(duì)網(wǎng)絡(luò)進(jìn)行無(wú)監(jiān)督訓(xùn)練，逐步訓(xùn)練每一層自編碼器的參數(shù)，提升網(wǎng)絡(luò)的性能；然后對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，通過(guò)反向傳播算法調(diào)整網(wǎng)絡(luò)參數(shù)，提高識(shí)別精度。

5)在分類識(shí)別中，由于每個(gè)區(qū)段均為一個(gè)二值分類，選擇Sigmoid函數(shù)進(jìn)行分類，令輸出層的節(jié)點(diǎn)數(shù)與分區(qū)段數(shù)相同，這樣，網(wǎng)絡(luò)的輸出層結(jié)果就作為區(qū)段定位的結(jié)果。

4 算例分析

4.1 數(shù)據(jù)來(lái)源與模型介紹

用于驗(yàn)證的仿真數(shù)據(jù)在PSCAD/EMTDC所搭建的系統(tǒng)中獲得，搭建10 kV無(wú)支路電纜線路模型，如圖6所示。采樣頻率為1 MHz。

電纜模型采用PSCAD/EMTDC依頻特性(相位)模型中(frequency dependent(phase)model)。改變兩段電纜的長(zhǎng)度即是改變?cè)缙诠收辖尤氲木嚯x，由斷路器BRK控制故障電阻是否接入。其中電纜早期故障用電弧模型來(lái)模擬，電纜線路至電源之間的元件用等效阻抗表示，線路末端有一組電容器，改變電容器投切的大小并由BRC控制電容器的投切。系統(tǒng)和電纜早期故障的參數(shù)分別由表2和表3給出。

表2 電路仿真模型的系統(tǒng)參數(shù)

表3 電路仿真模型的電纜參數(shù)

由于早期故障大多發(fā)生在電壓峰值附近，故設(shè)置早期故障發(fā)生的初始相角在峰值相角的-10°～10°之間，而且早期故障類型分為半周波和多周波故障。對(duì)于其他過(guò)電流擾動(dòng)，考慮恒定阻抗故障和電容器投切發(fā)生的初始相角為0°～360°；同時(shí)改變恒定阻抗值和投切電容器值，恒定阻抗故障的取值范圍為0.1～40 Ω，電容器投切值在10～100 μF之間變化。最后得到的仿真樣本分布情況如表4所示。

圖6 電路仿真模型

表4 仿真樣本分布情況

4.2 評(píng)價(jià)指標(biāo)

堆疊自動(dòng)編碼器采用隱藏層200×200的結(jié)構(gòu)，按照前面提到的特征提取方法，根據(jù)線路首端檢測(cè)到的電流信號(hào)，結(jié)合S變換對(duì)信號(hào)進(jìn)行處理，提取用于區(qū)段定位的特征量F作為網(wǎng)絡(luò)的輸入；另外令故障分區(qū)段數(shù)和網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)相等，最終堆疊自動(dòng)編碼器的輸出即為區(qū)段故障信息。這樣，區(qū)段定位問(wèn)題就變成多分類問(wèn)題。

為了評(píng)估模型的分類性能，以早期故障發(fā)生在區(qū)段1為例，表5給出了對(duì)應(yīng)的二分類混淆矩陣。其中TP和TN分別為真正例和真負(fù)例，是預(yù)測(cè)正確的樣本數(shù)；FN和FP分別為假負(fù)例和假正例，是預(yù)測(cè)錯(cuò)誤的樣本數(shù)。

表5 混淆矩陣

對(duì)于電纜早期故障區(qū)段選擇，屬于多分類問(wèn)題，引入總體準(zhǔn)確率ACC、宏平均Macro_F和微平均Micro_F來(lái)對(duì)結(jié)果進(jìn)行評(píng)價(jià)。

(14)

(15)

(16)

4.3 與其他方法的比較

傳統(tǒng)分類器有K近鄰(K-nearest neighbors，KNN)算法，隨機(jī)森林(random forest，RF)算法，集成學(xué)習(xí)(ensemble learning，EL)算法等等，選擇相同的訓(xùn)練集和測(cè)試集，用所提的方法與這幾種算法對(duì)上述指標(biāo)進(jìn)行比較，結(jié)果如表6所示。

表6 所提出的方法與其它方法的比較結(jié)果

從表6中數(shù)據(jù)可以看出，所提出的方法分類的準(zhǔn)確率最高，達(dá)到95.50%，分別比KNN算法、RF算法和EL算法高出11.17%、6.18%和7.67%。另外，從Macro_F和Micro_F可以看出，所提的方法比其他分類算法的值更高，說(shuō)明具有更加優(yōu)越的分類性能。

4.4 訓(xùn)練集和分區(qū)段數(shù)對(duì)結(jié)果的影響

4.4.1 訓(xùn)練集對(duì)結(jié)果的影響

采用交叉驗(yàn)證法對(duì)訓(xùn)練集的影響進(jìn)行評(píng)估，通過(guò)仿真可以獲得一系列數(shù)據(jù)，將這些數(shù)據(jù)進(jìn)行分層隨機(jī)抽樣，得到6個(gè)互斥子集；選擇其中的5個(gè)作為訓(xùn)練集，剩余1個(gè)作為測(cè)試集，得到6組訓(xùn)練/測(cè)試集。在不改變網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的情況下，計(jì)算每一組測(cè)試集的準(zhǔn)確率。圖7給出了當(dāng)分區(qū)段數(shù)為10時(shí)，每一組訓(xùn)練/測(cè)試集分類的準(zhǔn)確率。從圖中可以看出，不同分組下模型分類都能保持較高的準(zhǔn)確率，平均準(zhǔn)確率達(dá)94.80%，說(shuō)明模型具有良好的泛化性能，即模型在新數(shù)據(jù)上仍然有良好的分類能力。

圖7 不同訓(xùn)練/測(cè)試集的準(zhǔn)確率

4.4.2 分區(qū)段數(shù)對(duì)結(jié)果的影響

在不改變樣本分布的情況下改變電纜分區(qū)段數(shù)以及堆疊自動(dòng)編碼器的輸出層節(jié)點(diǎn)數(shù)，分別訓(xùn)練網(wǎng)絡(luò)。圖8給出了當(dāng)堆疊自動(dòng)編碼器以電纜不同區(qū)段數(shù)進(jìn)行訓(xùn)練時(shí)，迭代次數(shù)與測(cè)試集準(zhǔn)確率的關(guān)系。其中，分區(qū)段數(shù)為5、10和15時(shí)，最終的準(zhǔn)確率分別為96.33%、95.50%以及94.83%；對(duì)于準(zhǔn)確率穩(wěn)定所需的迭代次數(shù)，區(qū)段數(shù)為5時(shí)，約在26 000次時(shí)穩(wěn)定，區(qū)段數(shù)為10時(shí)，約在28 000次穩(wěn)定，而區(qū)段數(shù)為15則也在28 000次左右穩(wěn)定。說(shuō)明對(duì)于不同分區(qū)段數(shù)，同樣的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)定效果不同，實(shí)際使用中應(yīng)該考慮這些因素的影響。

另外，由于區(qū)段的分割是按照固定距離進(jìn)行的，當(dāng)故障發(fā)生在兩個(gè)區(qū)段中非常接近的位置時(shí)，可能會(huì)造成誤判，即深度學(xué)習(xí)網(wǎng)絡(luò)會(huì)將故障區(qū)段判斷為該故障的相鄰區(qū)段?？紤]到這點(diǎn)，重新對(duì)區(qū)段數(shù)為5、10和15的測(cè)試集計(jì)算準(zhǔn)確率，結(jié)果分別為99.50%，99.17%和98.17%。在實(shí)際檢測(cè)早期故障位置時(shí)，可以檢查相鄰區(qū)段，就能以較高的準(zhǔn)確率排查故障。

圖8 不同分區(qū)段數(shù)的準(zhǔn)確率

5 結(jié) 論

針對(duì)電纜早期故障的區(qū)段定位進(jìn)行研究，通過(guò)仿真實(shí)驗(yàn)得到以下結(jié)論：

1)由于過(guò)電流是電纜早期故障的主要特征，故在線路首端設(shè)置電流采集模塊，利用模變換對(duì)相電流分量進(jìn)行解耦，提取線模電流和零模電流的行波在故障點(diǎn)折反射的時(shí)間差等特征量，可以有效反映電纜早期故障發(fā)生的距離，并且不受早期故障固定電阻大小和其他參數(shù)的影響。

2)將電纜早期故障位置分區(qū)段，提取對(duì)應(yīng)的行波等特征量，然后將這些特征量作為堆疊自動(dòng)編碼器的輸入，通過(guò)堆疊自動(dòng)編碼器自動(dòng)學(xué)習(xí)定位早期故障區(qū)段的特征。結(jié)果表明，與其他傳統(tǒng)分類器相比，所提出的方法有更高的準(zhǔn)確率，能夠準(zhǔn)確對(duì)早期故障進(jìn)行區(qū)段定位。采用交叉驗(yàn)證法，評(píng)估訓(xùn)練集對(duì)分類結(jié)果的影響，平均準(zhǔn)確率達(dá)到94.80%，說(shuō)明所提方法對(duì)測(cè)試集有較好的泛化性能。