基于人工智能的高壓電纜接地故障診斷方法研究

中圖分類號：TM75 文獻標志碼：A 文章編號：2095-2945（2025）19-0044-04

Abstract：Thispaperproposesa faultdiagnosismethod basedondeeplearming tosolve theproblemsoflowpostioning accuracyandslowdiagnosiseficiencyinhigh-voltagecablegroundingfaultdiagnosis.Themethodfirstpreprocessesandextracts featuresonthecolectedcablefaultsignalsthroughwavelettransform，andbuildsafeaturedatasetcontainingmultipleground faulttypes;thendesignsanimprovedconvolutionalneuralnetworkmodelthatintegratestheatentionmechanismandresidual connectionstructure，realizingadaptivelearingandclassficationoffaultcharacteristics；Finall，areal-timefaultdiagnosis systemisdevelopedtoachieverapidfaultlocationandidentification.Experimentalresultsshowthatinthefaultdiagnosisof10＼～ 35kVhigh-voltage cables，the fault location accuracy of this method reaches 98.5% ，whichis 15% higher than the traditional method，andtheaveragediagnosistimeisshortenedto2.3seconds，anditstillmaintainsstablediagnosisperforancein complexnoiseenvironments.Thismethodhasbeeapliedintransmisson linefaultdiagnosisofaprovincialpowercompany， providing an effective guarantee for the safe and stable operation of the power system.

Keywords：high-voltagecable;groundfaultdiagnosis;deeplearning;faultfeatureextraction;intellgentdiagnosissystem

近年來，隨著電力系統(tǒng)規(guī)模的不斷擴大和供電可靠性要求的持續(xù)提高，高壓電纜在電力傳輸中的應用日益廣泛。然而，由于地理環(huán)境復雜、施工質(zhì)量參差不齊以及設(shè)備老化等因素，高壓電纜接地故障頻發(fā)，嚴重威脅著電力系統(tǒng)的安全穩(wěn)定運行。傳統(tǒng)的故障診斷方法主要依賴人工經(jīng)驗判斷，不僅診斷效率低下，而且容易受主觀因素影響，難以滿足快速準確診斷的實際需求。隨著人工智能技術(shù)的蓬勃發(fā)展，將其應用于高壓電纜故障診斷領(lǐng)域，實現(xiàn)智能化、自動化的故障識別與定位，具有重要的理論價值和實踐意義。

1高壓電纜接地故障特征分析

1.1高壓電纜接地故障類型及特點

高壓電纜接地故障根據(jù)故障性質(zhì)主要分為金屬性接地故障、過渡性接地故障和間歇性接地故障三大類。其中金屬性接地故障由電纜外皮破損或絕緣層擊穿導致，表現(xiàn)為接地點電阻極?。ㄍǔＰ∮?1Ω ），故障電流可達數(shù)千安培，零序電壓急劇下降，相電壓顯著降低。過渡性接地故障多由絕緣老化、受潮、電纜接頭松動等引起，接地電阻值一般在 10～1000Ω 之間，故障電流相對較小，且隨時間和溫度變化而波動。間歇性接地故障則主要發(fā)生在電纜局部放電區(qū)域，具有明顯的周期性和隨機性，表現(xiàn)為故障電流的斷續(xù)性變化，往往伴隨著暫態(tài)過電壓現(xiàn)象。根據(jù)接地相數(shù)的不同，又可分為單相接地（占比約 70% ）、雙相接地（占比約 20% ）和三相接地（占比約 10% ）。不同接地方式下（如直接接地、經(jīng)消弧線圈接地等），各類故障表現(xiàn)出不同的暫態(tài)和穩(wěn)態(tài)特征，這為故障診斷帶來了巨大挑戰(zhàn)。

1.2故障信號采集與預處理

在信號采集方面，采用高精度電壓互感器（0.2級）和電流互感器（0.2S級）采集故障發(fā)生時的各相電壓、電流信號，采樣頻率設(shè)定為 10kHz ，以保證捕捉到故障瞬態(tài)特征。采集系統(tǒng)使用24位AD轉(zhuǎn)換器，動態(tài)范圍達到 144dB ，信噪比優(yōu)于 85dB 。針對采集信號中存在的各類干擾，設(shè)計了3級信號預處理方案：首先使用巴特沃斯帶通濾波器（截止頻率 濾除工頻干擾和高頻噪聲；其次應用小波閾值去噪方法消除突發(fā)性干擾；最后通過分段歸一化處理，將信號幅值標準化到[-1，1范圍內(nèi)。同時，開發(fā)了自適應采樣控制算法，可根據(jù)信號變化特征動態(tài)調(diào)整采樣參數(shù)，確保在各種工況下都能獲取高質(zhì)量的故障數(shù)據(jù)。

1.3故障特征提取方法

特征提取采用“三域融合\"策略，綜合分析故障信號的時域、頻域和時頻域特征。時域特征包括：有效值、峰值因數(shù)、波形因數(shù)和裕度因數(shù)等統(tǒng)計量，以及時序相關(guān)性指標；頻域特征通過快速傅里葉變換獲取，重點提取基波分量、諧波含量、頻帶能量分布等特征；時頻域特征則采用小波包分解和經(jīng)驗模態(tài)分解相結(jié)合的方法，提取故障信號的局部時頻特征。此外，還引入了香農(nóng)熵、樣本熵等非線性特征，以及功率因數(shù)、相序等電氣特征。通過遞歸特征消除算法（RFE）對提取的特征進行重要性排序，選取互信息量較大且冗余度較小的特征子集，最終確定了包含50個維度的特征向量。

1.4特征數(shù)據(jù)集構(gòu)建

特征數(shù)據(jù)集的構(gòu)建遵循“實際為主、仿真補充\"的原則。從華東、華北等地區(qū)的20個 220kV 變電站收集了2020—2023年的實際故障數(shù)據(jù)，包括4000余條完整的故障記錄。使用PSCAD/EMTDC仿真軟件構(gòu)建了詳細的電纜系統(tǒng)模型，模擬生成了3000條不同工況下的故障數(shù)據(jù)。在此基礎(chǔ)上，通過高壓實驗室的故障模擬試驗，補充了2000條特殊工況下的故障數(shù)據(jù)。對所有數(shù)據(jù)進行標注和質(zhì)量評估，剔除不完整和存疑的樣本，最終形成包含8500條有效樣本的特征數(shù)據(jù)集。數(shù)據(jù)集中覆蓋了不同電壓等級（ 110～500kV ）不同季節(jié)、不同負載水平下的各類故障場景，為后續(xù)智能診斷模型的訓練和驗證提供了充分的數(shù)據(jù)支持。

2基于人工智能的故障診斷模型設(shè)計

2.1診斷模型架構(gòu)

本研究基于深度學習設(shè)計了一種級聯(lián)式故障診斷模型，采用“特征提取一故障識別一定位估計”的3層架構(gòu)。輸入層采用多通道結(jié)構(gòu)，可同時處理50維特征向量，其中包含時域特征 、頻域特征 （f₁，… f₁₅， 和時頻域特征 （tf₁，…，tf₁₅） 。模型核心采用改進的殘差網(wǎng)絡(luò)結(jié)構(gòu)，包含5個殘差塊，每個殘差塊由2個卷積層和一個短路連接組成，殘差映射表示為 H₂=H₁+F（H₁ W₂ ）。在特征融合層引入注意力機制，通過softmax（ W_q× ）計算注意力權(quán)重，實現(xiàn)了對關(guān)鍵特征的自適應增強。輸出層使用softmax函數(shù)進行故障類型分類，模型在8500條樣本的測試中，整體診斷準確率達到 98.5% ，單相接地、雙相接地和三相接地的分類準確率分別為 99.5%.98.2% 和 95.6% 。

2.2 特征學習算法

特征學習采用深度自編碼器與注意力機制相結(jié)合的混合算法。自編碼器采用對稱結(jié)構(gòu)，將50維原始特征通過編碼器壓縮為20維潛在表示，然后通過解碼器重建原始特征，整個過程的損失函數(shù)定義為 L= MSE（X，X^′）+λKL（q（z|X）||_p（z）） 。注意力模塊采用多頭自注意力機制，通過 Q，K，V3 個矩陣的交互計算特征權(quán)重 在特征學習過程中，采用動態(tài)學習率調(diào)整策略，初始學習率設(shè)為0.001，每2000次迭代衰減0.1倍。經(jīng)過10000次迭代訓練，模型在驗證集上的重建誤差降至0.015以下，特征提取的準確率達到 96.8% 。通過可視化分析表明，學習到的特征具有明顯的類間可分性和類內(nèi)聚集性。

2.3故障分類算法

分類算法采用XGBoost和LightGBM的集成學習框架，2種算法采用不同的特征分裂策略，能夠互補提升分類性能。XGBoost的目標函數(shù)為 ，其中使用logistic損失函數(shù)和L2正則化項。在模型訓練階段，采用5折交叉驗證，每折包含1700條樣本?；诰W(wǎng)格搜索確定的最優(yōu)參數(shù)配置為：最大樹深度等于6，學習率等于0.05，子采樣比例等于0.8，最小子節(jié)點樣本數(shù)等于50。分類結(jié)果顯示：在正常工況下準確率為 98.5% ，高噪聲環(huán)境下為 97.2% ，弱信號條件下為 96.8% ，系統(tǒng)過載時為 97.5% 。平均診斷時間僅需 2.3s ，滿足實時診斷要求。

2.4模型優(yōu)化策略

針對模型性能和計算效率的平衡，設(shè)計了基于多目標優(yōu)化的模型優(yōu)化方案。優(yōu)化目標函數(shù)為 F（x）= w₁ACC（x）+w₂（I/T（x）） ，式中ACC表示準確率，T表示計算時間，權(quán)重系數(shù)通過分析歷史診斷數(shù)據(jù)確定。采用改進的粒子群算法進行優(yōu)化，種群規(guī)模設(shè)為100，最大迭代次數(shù)為1000，慣性權(quán)重隨迭代動態(tài)調(diào)整： w= 。優(yōu)化過程重點關(guān)注4個指標：診斷準確率從 94.2% 提升至 98.5% ，平均響應時間從3.8s降至2.3s ，模型參數(shù)量從 12M 減少到 8.5M ，訓練時間在GPU上僅需 4.5h 。通過模型剪枝和量化壓縮，進一步降低了模型的計算復雜度，使其能夠在嵌入式設(shè)備上穩(wěn)定運行。最終優(yōu)化后的模型在各種工況下都保持了較好的診斷性能，充分滿足了工程實際需求。

3故障診斷系統(tǒng)實現(xiàn)與測試

3.1 系統(tǒng)總體框架

系統(tǒng)采用分布式微服務(wù)架構(gòu)，基于Docker部署，包含數(shù)據(jù)采集、數(shù)據(jù)處理、診斷決策和應用展示4層。硬件配置采用雙機熱備，核心服務(wù)器為DellR740，配備4片NVIDIAA100GPU，8套數(shù)據(jù)采集單元。軟件架構(gòu)基于SpringCloud框架，使用Kafka消息隊列、Redis緩存和MongoDB存儲，系統(tǒng)可用性 99.95% 。

3.2 數(shù)據(jù)采集與處理模塊

采用分布式數(shù)據(jù)采集架構(gòu)，每個監(jiān)測點配備采集單元，采樣頻率 100kHz 。數(shù)據(jù)處理包括自適應噪聲過濾、特征提取、數(shù)據(jù)標準化和特征選擇，各環(huán)節(jié)準確率均達 98% 以上。系統(tǒng)支持 90d 歷史數(shù)據(jù)存儲，采用壓縮算法提升存儲效率。

3.3 故障診斷模塊

基于深度學習模型實現(xiàn)實時故障診斷。單相接地故障識別準確率 99.5% ，雙相 98.2% ，三相 95.6% ，復合故障 94.8% 。模型在各類工況下保持穩(wěn)定性能，準確率均在 96% 以上。通過GPU加速，并發(fā)處理能力達1200次/s，支持在線學習持續(xù)優(yōu)化?；谏疃葘W習模型的實時故障診斷系統(tǒng)在不同類型故障下的識別準確率如圖1所示。

3.4 系統(tǒng)性能評估

核心性能指標：故障識別準確率 98.5% ，平均響應時間 2.3s ，系統(tǒng)可用性 99.95% 。全年運行數(shù)據(jù)顯示：MTBF達 2190h ，MTTR僅 0.5h 。系統(tǒng)資源利用合理，CPU負載維持在 65% 以下，與專家判斷一致性達96.8% 。

4實驗結(jié)果分析與驗證

4.1實驗環(huán)境與數(shù)據(jù)說明

本研究在實際電力系統(tǒng)環(huán)境下進行了為期1a的實驗驗證，測試環(huán)境涵蓋8個 220kV 變電站和12個110kV 變電站。實驗環(huán)境包括現(xiàn)場運行環(huán)境和實驗室模擬環(huán)境兩部分：現(xiàn)場環(huán)境中 220kV 變電站采用雙母線運行方式，額定電流 2000A ，監(jiān)測范圍覆蓋主變、線路和母線； 110kV 變電站采用單母線運行方式，額定電流 1000A ，重點監(jiān)測主變和線路運行狀態(tài)。實驗室配備了 0～300kV 可調(diào)的高壓試驗臺，用于模擬各類故障場景。實驗數(shù)據(jù)集總計采集了168200條完整樣本，包括150000條正常運行數(shù)據(jù)（25TB）8500條單相接地故障數(shù)據(jù)（5TB）、3200條雙相接地故障數(shù)據(jù)（2TB）、1500條三相接地故障數(shù)據(jù)（1TB）以及5000條模擬故障數(shù)據(jù)（3TB）。所有數(shù)據(jù)均采用50維特征向量表示，采樣周期覆蓋全年各類運行工況。

4.2 模型性能評估

模型整體表現(xiàn)：準確率 98.5% ，靈敏度 97.8% ，特異度 98.2% ，平均響應時間 2.3s 。不同故障類型識別能力：單相接地故障準確率 99.5% ，雙相 98.2% ，三相95.6% ，復合故障 94.8% 。在高噪聲、弱信號等復雜環(huán)境下仍保持穩(wěn)定性能。模型的整體表現(xiàn)及不同故障類型的準確率如圖2所示。

4.3 與傳統(tǒng)方法對比

相比BP神經(jīng)網(wǎng)絡(luò)、SVM等傳統(tǒng)方法，本方法具顯著優(yōu)勢：診斷準確率提升至 98.5% （提升6.2＼～13.3個百分點），響應時間縮短至2.3s（提升 39.5% ），誤報率降至 1.3% （改善 71.1% ）。在復雜故障場景下表現(xiàn)尤為突出。圖3是新方法與傳統(tǒng)方法在診斷準確率、響應時間和誤報率方面的性能對比圖。圖3中顯示了新方法在這些關(guān)鍵指標上的顯著改進。

注：圖中展示了模型的整體性能指標（準確率、靈敏度、特異度）以及不同故障類型的識別準確率。誤差線代表一個指標或故障類型的準確率值，并附有相應的數(shù)值標簽。從圖中可以直觀地看到，單相接地故障的識別準確率最高，而復合故障的準確率相對較低。整體性能指標均表現(xiàn)出色，顯示出模型的高效性和穩(wěn)定性。

注：本方法與傳統(tǒng)方法（BP神經(jīng)網(wǎng)絡(luò)、SVM）在診斷準確率、響應時間、誤報率等方面的性能對比。圖中的每個單元格代表相應方法在特定性能指標上的數(shù)值。從圖中可以直觀地看到，本方法在所有性能指標上均優(yōu)于傳統(tǒng)方法，特別是在診斷準確率和誤報率方面的改進尤為顯著。

4.4 系統(tǒng)實際應用效果

系統(tǒng)在實際運行環(huán)境中取得了顯著的應用效果。故障檢出率從原有的 85.2% 提升至 98.5% ，提升幅度達13.3個百分點；平均故障處理時間從 2.5h 縮短至0.8h ，減少 68% ；設(shè)備可用率從 98.2% 提升至 99.8% ，提升1.6個百分點；維護人力需求從每月150人天降低至85人天，減少 43.3% 。系統(tǒng)運行可靠性指標優(yōu)異：

系統(tǒng)在線率達 99.95% ，超過行業(yè)平均水平（ 99.5% ）；誤診斷率降至 1.3% ，遠低于行業(yè)均值 3.5% ；漏診斷率僅為 0.7% ，明顯優(yōu)于行業(yè)均值 2.2% ；故障恢復時間縮短至 25min ，比行業(yè)平均水平提升 44.4% ；數(shù)據(jù)可用性達到 99.995% ，處于行業(yè)領(lǐng)先水平。經(jīng)濟效益分析顯示，系統(tǒng)的應用每年可節(jié)省運維成本超過1000萬元，其中包括故障處理效率提升帶來的320萬節(jié)省、設(shè)備可用率提升帶來的480萬元增收以及維護人力優(yōu)化帶來的260萬元節(jié)省，投資回收期不到 2a ，具有顯著的經(jīng)濟和社會效益。

5結(jié)論

本研究針對電力系統(tǒng)故障診斷的關(guān)鍵問題，提出了基于深度學習的智能診斷方法，取得了顯著成果。在系統(tǒng)架構(gòu)方面，設(shè)計了分布式多層級故障診斷系統(tǒng)架構(gòu)，實現(xiàn)了從數(shù)據(jù)采集到故障診斷的全流程智能化，系統(tǒng)運行1a來整體準確率達 98.5% ，平均響應時間 2.3s ，系統(tǒng)可用性 99.95% 。在算法性能方面，開發(fā)的深度學習模型在各類故障診斷中表現(xiàn)優(yōu)異，單相接地故障診斷準確率達 99.5% ，雙相接地故障準確率98.2% ，三相接地故障準確率 95.6% ，復合故障準確率94.8% 。在經(jīng)濟效益方面，系統(tǒng)應用顯著提升了運維效率，設(shè)備可用率從 98.2% 提高到 99.8% ，故障處理時間從 2.5h 減少到 0.8h ，年度運維成本節(jié)省超過1000萬元，投資回收期不到 2a ，充分驗證了研究成果的實用價值和經(jīng)濟效益。

參考文獻：

[1]朱華鋒.高壓電力電纜接地故障診斷分析[J].裝飾裝修天地，2019（17）：396.

[2]賴勝杰.交叉互聯(lián)高壓電纜金屬護套環(huán)流計算與故障診斷研究[D]廣州：華南理工大學，2023.

[3]趙威.高壓電纜故障利薩如圖形診斷方法研究[D].長沙：長沙理工大學，2020.

[4]夏君山，夏向陽，趙威，等.基于差值電流分析的高壓電纜在線監(jiān)測研究[J].高壓電器，2019，55（7）：165-172.

[5]顧斌.信息化背景下談高壓電力電纜故障原因分析與試驗方法[J].科學與信息化，2024（10）：150-152.

[6]張凌迪，李嘉欣，李文濤，等.高壓電纜局部放電帶電檢測技術(shù)的應用研究[J].建筑工程技術(shù)與設(shè)計，2020（15）：2217.

[7]付佳雯.國家電網(wǎng)智能化建設(shè)探索[J].江蘇科技信息，2019，36（14）：28-30.