電力電纜初期絕緣故障檢測方法綜述

任廣振 王云鶴 曹俊平 陳維召 成城 雍靜

摘要：嚴重的電力電纜局部絕緣缺陷會導致顯著的電壓電流擾動，準確檢測出這種電纜初期故障產生的擾動，可以對即將發生永久故障的電力電纜進行及時的運維處理，防止無計劃停電的發生。文中對現有相關研究進行全面綜述，歸納現場收集到的各種電纜局部缺陷導致的電壓電流擾動波形及波形特征；對現有文獻報道的初期故障檢測方法，按照其檢測原理和使用的檢測數據類型，從暫態電力擾動的時頻特征閾值法和人工智能方法兩個角度對檢測方法進行綜述，同時對不同方法進行分析和評價。基于現有研究成果，對電纜初期故障在線檢測技術的進一步研究提出建議。

關鍵詞：電力電纜；局部絕緣缺陷；暫態電力擾動；檢測方法；在線檢測

中圖分類號：TM726.4????????? 文獻標志碼：A????? 文章編號：1000-582X（2023）11-001-12

Review of incipient insulation fault detection methods for power cables

REN Guangzhen1， WANG Yunhe2， CAO Junping1， CHEN Weishao3， CHENG Cheng4， YONG Jing2

（1. State Grid Zhejiang Electric Power Corporation， Hangzhou 310000， P. R. China; 2. State Key Laboratory of Power Transmission Equipment & System Security and New Technology， Chongqing University， Chongqing 400044， P. R. China; 3. Jinan Energy Group，Jinan 250011， P. R. China;4. Zhejiang Power Transmission and Transformation Engineering Co.， Ltd.， Hangzhou 310020， P. R. hina）

Abstract： Serious local insulation defects in power cables can cause distinct voltage and current disturbances. Precisely identifying these disturbances empowers utility companies to proactively manage cable maintenance and prevent unexpected power outages. This paper presents a comprehensive review of related research， detailing voltage and current disturbance waveforms across different systems. It categorizes existing incipient fault detection methods based on detection principles and data types， distinguishing between time-frequency characteristic threshold-based and artificial intelligence-based methods for transient power disturbances analysis. The study conducts a thorough comparison and evaluation of these methods. Drawing from existing research， recommendations are provided for further research on online detection technology for cable incipient faults.

Keywords： power cable; local insulation defects; transient power disturbance; detection method; online detection

電力電纜是承載電能傳輸的重要一次設備，電纜絕緣狀態檢測是維護電纜安全運行的必要環節。電纜局部絕緣缺陷不斷發展最終導致電纜永久性故障，但局部絕緣缺陷特征在起始階段不明顯，常采用局部放電法[1]、時頻域反射法[2]等離線檢測方法。離線絕緣狀態檢測技術因為需要電纜停運檢修且不能頻繁檢測等問題無法滿足對電纜運行狀態信息長期監測的需求，而局部放電在線檢測易受環境噪聲干擾，實際絕緣檢測中仍以離線檢測方式為主。

近年來，在電力電纜發生永久性故障前可以觀測到明顯的暫態電壓電流擾動，暫態電力擾動間歇性出現，且在電纜持續運行一段時間后發生永久性故障[3-4]，因此及時檢測到電纜絕緣缺陷產生的暫態電力擾動，就能夠提前發出預警信號，避免電纜永久性故障[5]。由于電纜初期故障階段具有顯著的電力擾動特征，對此進行檢測和定位較局部放電檢測更容易，引起電力公司和學者們的廣泛關注和研究。本文中針對電纜初期故障導致的電力擾動特征和現有檢測方法進行綜述，并分析提出現有各方面研究的不足和進一步研究的建議。論文綜述部分主要有兩個方面內容：一是電纜初期故障引發的電力擾動特征，其中包括現場檢測到的波形特征和實驗得到的波形特征，在第1、2節進行綜述和分析；二是根據電纜初期故障電力擾動特征進行電纜初期故障檢測的方法，包括基于擾動時頻特征的檢測方法和基于人工智能技術的檢測方法，在第3、4節進行綜述和分析；第5節針對研究現狀提出存在的問題及今后可能的研究方向和思路。

1 電纜局部絕緣缺陷產生的初期故障暫態電力擾動

近年來，來自現場的實測數據不斷證實，電纜嚴重局部缺陷會導致電纜電壓電流顯現出獨特的暫態電力擾動現象，是電纜初期故障的重要表征，本節從電力擾動波形特征和發生頻次特征兩個方面對文獻中報道的現場數據進行歸納分析。

1.1 電纜初期故障暫態電力擾動特征及規律

電纜絕緣在生產、安裝、運行過程中均可能產生局部絕緣缺陷，電纜絕緣層微小的局部缺陷不斷發展逐漸延展至絕緣層兩端，在電應力等作用下形成放電通道，由于此時絕緣尚未完全破壞，放電通道間歇性導通，形成一種間歇性電弧故障，也稱電纜初期故障。這種電纜初期故障隨著絕緣內部電弧的熄滅可自主消除，因此電纜仍可以持續運行。

電纜絕緣層內部間歇性電弧導致電壓擾動和電流擾動，現場記錄到的典型擾動波形如圖1所示[6]。可見，擾動在工頻電壓峰值附近形成，意味著在峰值電壓處，絕緣缺陷承受不了電壓而發生放電，于是呈現出暫態電力擾動。電纜絕緣缺陷處通常存在水分，放電通道放電時釋放大量熱能，熱能蒸發水分形成高壓蒸汽熄滅電弧，從而擾動的電壓電流波形恢復正常。由于局部絕緣缺陷仍然存在，隨著時間的持續，當缺陷處再次呈現潮濕狀態，將導致下一次間歇性電弧放電，形成又一個電力擾動現象。

電纜局部絕緣缺陷產生的暫態電力擾動大多持續1/4個工頻周期，也稱為次周期擾動，如圖1（a）所示；也有一部分報道稱觀察到多周期暫態電力擾動，持續時間為1～4個工頻周期，如圖1（b）所示。在電纜初期故障發生期間，電流擾動持續時間短，電流脈沖幅值相對較小，因此基于有效值計算的過流保護不能有效檢測此類擾動。

統計表明10%～15%的電纜在其絕緣發生永久故障前會出現暫態電力擾動[7]。通過現場實測得到電流和電壓擾動的特征如下。

1）電壓擾動起始于相電壓峰值附近，既有正半周擾動，也有負半周擾動，其中多周期電壓擾動波形近似方波。Moghe等[8]通過對含有4條1970年代安裝的中壓（13.2 kV）電力電纜進行數月的電壓電流波形監測，從監測數據中捕捉到141個次周期擾動，分析結果表明：這些擾動均起始于相應的電壓峰值附近，說明這種初期故障形成的電力擾動是源于電纜絕緣缺陷處能夠承受的電壓強度降低。

2）電流擾動持續時間為1/4～4個周期，擾動幅值可高達幾倍負荷電流值。文獻[8]中電流擾動持續時間為0.25～0.47個工頻周期，電流擾動幅值在1～5 p.u.范圍內變化；Kulkarni等[6]分析了70多個次周期電流波形特征，電流突變部分持續時間在1/4～1/2個工頻周期，電流突變部分的幅值在0.7～6.2 p.u.范圍內變化，與Moghe等[8]得到的電流擾動特征相似，且存在持續多周期的暫態電力擾動。

3）電流擾動波形主要含有低次諧波，其中直流分量和2、3次諧波與電流擾動幅值變化趨勢接近。

通過對現場實測數據進行統計分析得出電壓電流擾動在持續時間、突變幅值變化、頻域變化方面的特征，這些特征是電纜初期故障的獨特特征。當電纜初期故障得不到有效檢測時，可以結合上述特征設計檢測算法。由于現場數據量較少，僅能得到上述相對明顯便于分析的特征變化，電纜初期故障暫態擾動中存在的隱含特征需要采用更有效的方法進行提取以便有效檢測。

1.2 電力擾動發生的頻次特征

通過對現場實測數據進行觀察分析表明，電纜初期故障引發的電力擾動出現頻次與絕緣永久失效之間具有明顯的關系。

Kojovic等[3]對一起電纜接頭絕緣失效前的電力擾動進行持續觀察。在電纜接頭損壞前發現監測到的電壓電流擾動出現頻率逐漸增加，擾動出現在同一相且在電壓峰值附近發生。對電纜接頭故障原因進行追溯發現，由于架空線端的電纜接頭存在缺陷，雨水進入電纜與導體發生反應形成氣體，氣體擠出浸入水分，形成自清除的絕緣閃絡。水分不斷重新積聚，反復閃絡使電纜絕緣逐漸損壞，最終引發永久性故障。上述一系列事件共導致更換了3個電纜接頭，每次更換前均檢測到電力擾動，第1個接頭更換前擾動由開始的每天3次增加到12次；第2個接頭更換前擾動由每天4次增加到8次，第3個接頭更換前也存在擾動頻率逐漸增加的情況。在其他電纜線路上也監測到此種電力擾動，且在損壞之前一周內，一根電纜上總共記錄下23個類似圖2所示擾動。上述損壞接頭在永久故障前，均未觸發任何保護裝置動作。

電力擾動發生頻次與電纜絕緣失效的時間關系表明，隨時間推移，電力擾動頻次逐漸增加，擾動強度逐漸增強，文獻[6]和[8]的數據也給出了相似的結論。

圖3所示為文獻[8]中記錄到的第一個和最后一個電流擾動波形，期間間隔9個月時間?？梢婋S著時間推移，擾動電流幅值增大很多，說明初期故障日趨嚴重。在電纜發生永久故障前，電流擾動頻次逐漸增多，幅值逐漸升高。

從現場獲得的電纜初期故障電力擾動特征可見：電纜初期故障伴隨著出現頻次逐漸增加、起始于電壓峰值處的次周期電壓和電流擾動。盡管現場數據顯示出明確的電纜初期故障電力擾動特征，但是觀察到的擾動信號強弱及細節難以與故障點發生位置進行關聯。進一步對電纜初期故障的發生機理、檢測及故障定位方法的研究需要建立較為準確的故障模型，以便對不同系統中電纜在不同故障位置下的電力擾動傳播特征進行研究。

2 電纜初期故障暫態電力擾動的試驗模擬

鑒于需要安裝電壓電流波形監測裝置，現場實際監測到的電纜初期故障現象非常有限，為了進一步研究其特征和發生機理，部分學者[3，9-11]通過試驗方法模擬電纜絕緣缺陷產生的電力擾動。

試驗模擬采用的局部絕緣缺陷模擬方法主要有2類。

2.1 用熔斷器模擬局部缺陷

選擇熔體電流合適的熔斷器連接在模擬缺陷處，模擬相對地或者相對中性線間的絕緣缺陷點，對電纜進行加壓試驗，觀察電纜初期故障導致的電力擾動。以熔斷器模擬絕緣缺陷可以通過熔斷器迅速實現故障電弧的自清除。由于試驗電纜非常短，可以認為觀察到的擾動就是電纜局部缺陷點處的電力擾動。

圖4所示為中壓電纜的試驗接線和電流擾動波形[3]。

圖5所示為低壓電纜中觀察到的間歇性電弧導致的電流和電壓波形[9]。試驗是在不同環境下進行的，相對于干燥條件下，電纜絕緣缺陷處存在水分時更易觸發間歇性電弧故障，且在試驗過程中間歇性電弧故障未觸發保護裝置。

雖然熔斷器可快速地模擬電纜絕緣中電弧的自清除特征，但電纜絕緣層間歇性放電過程是否能夠用熔斷器熔斷過程替代，尚無有說服力的依據。

2.2 用浸水缺陷電纜模擬電纜初期故障

用缺陷電纜浸水模擬電纜初期故障都是針對低壓電纜進行試驗。圖6所示為試驗中監測到的電壓電流擾動[10]，電壓波形表現為從峰值處開始凹陷的次周期電壓擾動，持續約1/4個工頻周期后電壓波形恢復正常，由于試驗回路中未接入負載，電流擾動波形表現為直流脈沖。該試驗驗證了缺陷電纜會出現間歇性電力擾動，但未對電力擾動波形特征進行統計分析。

圖7所示為從低壓油浸紙絕緣電纜試驗中觀察到的間歇性電弧放電電壓和電流[11]。該放電過程可能持續幾小時或幾分鐘，且出現次周期凹陷的電壓波形。試驗模擬了整個電纜絕緣失效過程，并表明電纜絕緣失效過程中電氣量變化趨勢與最終故障相關。

上述試驗模擬研究從最初的電流擾動波形外部特征模擬到模擬電纜缺陷產生的電壓電流擾動逐漸接近電纜運行工況，但僅限于驗證電纜絕緣缺陷會產生間歇性電力擾動，并未對電力擾動波形特征深入分析，沒有采用特征參數量化擾動波形，對后續的檢測研究作用有限?，F有研究對低壓電纜初期故障導致的間歇性電力擾動能夠較好地通過試驗裝置進行復現，但對于中、高壓電力電纜，在實驗條件下對其進行復現和研究尚未見報道。

3 基于暫態電力擾動時頻特征的電纜初期故障檢測方法

電纜局部絕緣缺陷產生的暫態電力擾動含有大量的時頻特征信息，大量研究通過不同方法提取擾動中時頻特征參數并設定閾值檢測電纜初期故障?；陔娏_動時頻特征的電纜初期故障檢測方法可以歸納為：1）基于暫態電流擾動的時頻閾值法；2）基于暫態電壓擾動的時頻閾值法；3）基于暫態電流電壓擾動的時頻閾值法；4）暫態電力擾動時序閾值法。

3.1 基于暫態電流擾動的時頻閾值法

現場監測數據表明，電纜初期故障導致電流波形出現反復的脈沖形態，基于暫態電流擾動的時頻閾值法通過設置不同電流閾值和電流擾動持續時間檢測電流脈沖型擾動。具體方法有如下幾類[7，12-15]：

1）設置閾值為大于負荷電流k倍及持續時間小于n個工頻周期；這種閾值設置方法很難兼顧不同系統中電纜運行條件下k和n的取值。對電流幅值較小的次周期擾動會造成漏檢，且無法區分不同暫態電力擾動；

2）根據次周期擾動特征，以半周波以內的高頻電流擾動作為電纜初期故障檢測依據；

3）采用各種小波變換方法提取擾動電流的細節，并設置閾值作為判別電纜初期故障依據。

上述各類方法中閾值的設定除文獻[12]外均由仿真數據確定，而目前缺乏公認的電纜初期故障模型，仿真中的故障模型都是現有電弧模型或者根據現有電弧模型的改進模型。此外，僅部分研究[13-15]將電纜初期故障擾動與系統中其他擾動進行了區分研究。因為電纜初期故障僅發生在電纜出現嚴重局部絕緣損傷的階段，是一種并不常見的電流擾動，有效地將電纜初期故障擾動從其他擾動中正確區分是避免誤檢的必要環節。

3.2 基于暫態電壓擾動的時頻閾值法

現場監測到的電纜初期故障暫態電壓擾動數據報道較少，暫態電壓擾動較為明顯的特征是電壓幅值的短時跌落。基于暫態電壓擾動的時頻閾值法通過設置不同的波形偏差量檢測電壓擾動，具體方法有如下2類[16-19]：

1）設置閾值為電壓擾動波形偏離參考波形的程度。這種參考波形的設定主要以正弦波或方波為基準，結合擾動持續時間進行檢測，而閾值的設定依據樣本集，但所提算法通常計算量較小，便于在線實現。

2）設置閾值為故障處電壓波形總諧波畸變率[19]。所提出的方法僅適用多周期電壓擾動，而次周期電壓擾動的頻率成分與多周期擾動存在明顯的差異，僅以電壓總諧波畸變率作為檢測閾值不能通用。

上述研究分別利用電流、電壓擾動作為電纜初期故障的特征電氣量，在電纜初期故障檢測的早期研究過程中，因為電流擾動變化較大，便于采集，是被用于電纜初期故障檢測的主要電氣量；隨著對電纜初期故障研究的不斷發展，近幾年，電壓擾動特征逐漸被用于電纜初期故障檢測，如文獻[19]中提出了考慮補償電壓擾動沿線衰減的檢測方法。

3.3 基于暫態電流電壓擾動的時頻閾值法

電纜初期故障暫態電流擾動容易被其他擾動干擾，而電壓擾動特征會沿線衰減，通過電流電壓擾動提取復合特征可進一步提高檢測結果的可靠性[20-21]?；跁簯B電流電壓擾動的時頻閾值法主要是結合電纜初期故障時三相電壓電流、零序電壓電流的變化特征形成復合判據作為檢測依據。復合判據的形成依賴于多種電氣量的同時變化，在增加可靠性的同時也增加了判據的復雜性，閾值的設定多依據經驗，容易忽視微小的暫態擾動變化而造成漏檢。

3.4 暫態電力擾動時序閾值法

電纜初期故障是一種間歇性電弧故障，故障持續時間內電纜絕緣逐漸惡化，暫態電力擾動逐漸加劇，通過擾動波形的時序特征變化可以預警故障。具體方法有如下2類[22-25]：

1）根據暫態電力擾動波形與參照標準的偏移量隨時間增大的特征設定閾值判別電纜初期故障；

2）根據暫態電力擾動間隔時間逐漸減小的特征設定閾值判別電纜初期故障。

暫態電力擾動的時序變化檢測方法主要是以離線數據集作為檢測的樣本集，為了使電纜絕緣狀態預警更具實際參考意義，需要建立電纜電壓電流長期監測機制以達到動態在線監測電纜絕緣的目的。但目前缺乏對電纜絕緣惡化狀態評價標準，這需結合大量實測數據或試驗進一步分析，量化時序特征參數變化范圍，以便設定閾值預警絕緣缺陷狀態。

4 基于人工智能技術的電纜初期故障檢測方法

隨著人工智能在電力系統中的廣泛應用，人工智能檢測方法也被用于電纜初期故障檢測。人工智能方法能夠對暫態電力擾動信號與電纜絕緣缺陷的潛在關聯關系進行建模，減少對電纜初期故障先驗知識的依賴，加快檢測方法設計流程?，F有基于人工智能技術的電纜初期故障檢測方法可歸納為傳統機器學習方法和深度學習方法兩大類。

4.1 傳統機器學習方法

傳統機器學習方法是人工智能研究領域在2000年以前的主要成果，用于檢測電纜初期故障的具體方法有如下幾類[26-34]。

4.1.1 決策樹（decision tree，DT）

決策樹是一種通過對輸入特征參數遞歸選擇決策樹中的分支確定事件類型的分類方法。決策樹需要提取暫態電力擾動波形特征參數作為決策樹的輸入[26]，直接采用原始數據會導致檢測結果差，如文獻[27]中檢測精度僅為67.7%，同時集成多個決策樹融合權重形成隨機森林（random forest，RF） [28]方法可以提高檢測精度。

4.1.2 支持向量機（support vector machine，SVM）

支持向量機是一種二分類方法，通過在特征空間內求解最大間隔超平面實現分類，支持向量機的決策邊界僅依賴少量分類邊界處的支持向量，與訓練的總體數據樣本無關，算法計算量小，結構簡單?；谥С窒蛄繖C的檢測方法能夠通過時間參數特征[29]、S變換（Stockwell transform，ST）提取的時頻參數特征[30]、7個擾動相關的特征參數[31]識別電纜初期故障，其中文獻[31]中采用粒子群優化算法（particle swarm optimization，PSO）提升支持向量機參數求解速度。但支持向量機僅適用于小樣本量分類，樣本量較大時容易產生不收斂等問題。

4.1.3 人工神經網絡（artificial neural network，ANN）

人工神經網絡可以通過模擬生物學中的神經網絡原理實現復雜非線性關系的映射，用于電纜初期故障識別的人工神經網絡有自組織映射（self-organizing map，SOM）、概率神經網絡（probabilistic neural network，PNN）和自適應線性神經網絡（adaptive linear neural network， Adaline）。自組織映射采用暫態擾動的不同頻段特征作為輸入，通過不同擾動特征之間的競爭實現最終分類[32]；概率神經網絡通過條件概率進行分類，文獻[33]中以擾動數據的諧波含有率作為輸入特征進行擾動識別，但僅考慮電纜初期故障和電容器投切2種擾動類型；當考慮計算速度時，自適應線性神經網絡具有在線調整參數、計算速度快的特點，文獻[34]中利用自適應線性神經網絡的權重因子變化特征構建判據檢測電纜次周期、多周期電流擾動。

上述檢測方法仍需要對擾動信號進行預處理以提取特征參數，存在提取擾動信號局部特征能力不足、檢測時間窗過長、同時對于微小的擾動檢測存在漏檢等問題。但傳統機器學習方法簡化了分類器設計流程，在對電纜初期故障沒有深入了解的情況下也能實現有效檢測。

4.2 深度學習方法

深度學習方法利用多層神經網絡結構強化對擾動信號的特征提取過程，隨神經網絡層數增加逐步表征局部特征到整體特征，所需先驗知識更少，對擾動數據僅需簡單處理即可進行電纜初期故障檢測。深度學習是現階段人工智能研究中的熱點方向，用于檢測電纜初期故障的具體方法有如下幾類[35-42]。

4.2.1 卷積神經網絡（convolutional neural network，CNN）

卷積神經網絡是一種具有局部連接、權重共享等特性的深層前饋神經網絡，采用多層神經網絡時參數較多、網絡龐大。為解決卷積神經網絡的過擬合問題，文獻[35]中通過隨機函數和自適應學習率優化提升準確率；為增強噪聲條件下擾動識別的準確性，文獻[36]中通過變分模態分解（variational mode decomposition，VMD）提取時頻特征后作為卷積神經網絡輸入進行擾動識別。

4.2.2 循環神經網絡（recurrent neural network，RNN）

相比于卷積神經網絡的局部特征提取能力，循環神經網絡是一種具有短期記憶能力的神經網絡，能夠檢測擾動之間的時序相關性。徐子弘等[37]為解決循環神經網絡存在的梯度爆炸或消失的問題，采用門控循環單元（gated recurrent unit， GRU）簡化循環神經網絡結構用于檢測電纜初期故障。

4.2.3 深度生成模型（deep generative models，DGM）

深度生成模型是一種具有許多隱含層的神經網絡，它被訓練成使用大量樣本逼近復雜的高維概率分布。電纜初期故障檢測中應用的深度生成模型有自動編碼器（auto-encoder，AE）和受限玻爾茲曼機（restricted boltzmann machine，RBM）2種，它們能夠將輸入的高維特征降維成低維的淺層特征。為避免自動編碼器降維時直接輸入原始波形維度過高，可以采用S變換[38]、平穩小波變換（stationary wavelet transform， SWT）[39]提取擾動信號初級特征，文獻[39]中為提升對電流擾動信號的稀疏性和減小建模誤差采用非負約束自編碼器（non-negative constraint autoencoder， NCAE）。為進一步減少人為特征提取環節，自動編碼器與受限玻爾茲曼機的組合算法[40-41]可以實現輸入原始擾動波形對特征進行直接提取，其中文獻[41]中采用堆疊受限玻爾茲曼機形成深度信念網絡（deep belief network，DBN）。上述檢測算法均采用堆疊自動編碼器（stacked auto-encoder，SAE）且在提取特征后均采用softmax分類器進行電纜初期故障識別，其中文獻[40]表明僅降維處理時間就遠大于擾動持續時間，算法運行速度提升有限。

4.2.4 小樣本學習（few-shot learning，FSL）

類人概念學習（human-level concept learning，HLCL）[42]是一種小樣本學習方法，在較少的現場監測數據條件下可以自動學習擾動數據的結構特征，并通過特征組合形成不同的擾動波形，該方法擴展了擾動數據集，彌補了小數據集難以采用深度學習方法的缺點，但數據集由算法生成，數據集的可信度尚待驗證。

人工智能檢測方法能夠實現電纜初期故障檢測且具備較高的準確率，傳統機器學習方法結構簡單，分類器設計相對簡單，但需要較多的先驗知識；深度學習方法結構復雜，需要較少的先驗知識，但分類器結構復雜。人工智能檢測方法所需龐大的樣本數據集和深度學習算法中海量的參數、復雜的結構使提出的檢測算法不便實際應用，僅停留在理論驗證階段。目前的人工智能檢測方法往往為提高檢測精度而增加算法復雜程度，較少評價在相近算法復雜程度下的檢測方法有效性。為便于人工智能檢測方法實際應用，后續的研究需要在保持檢測準確率的同時盡量減少輸入特征參數，簡化提取擾動參數流程。

不同人工智能方法的電纜初期故障檢測方法如表1所示。

5 電纜初期故障在線檢測技術現狀及展望

在電纜運行過程中，電纜初期故障現象僅出現在其生命周期末期，該現象頻繁出現后，距離永久性故障往往只有數天到數周的時間，因此在線檢測技術及時發現初期故障征兆具有重要的意義。在線檢測往往需要多個或者多點同步數據的配合，目前獲得多點電流電壓同步信號已非技術難題，電纜初期故障產生的暫態電力擾動信號可由電壓電流互感器、波形檢測單元等信號采集裝置獲取[43-44]，并在線分析擾動數據及時檢測擾動。下面針對現有尚不完善的電纜初期故障在線檢測技術進行分析。

第3、4節綜述的電纜初期故障檢測方法中，由于算法復雜性的差異，大多數方法難以在檢測到擾動的時刻，立即確定該擾動是否為電纜初期故障引發的電力擾動，而是需要進一步的分析，這將延遲故障檢測的時間。其中文獻[7]和[10]中提出的方法，可以在線實現。文獻[7]中的方法通過仿真驗證了算法的有效性，所提電流保護算法已經集成在專門的檢測裝置中，但未測試該方法對不同電流擾動的有效性。文獻[10]中采用2種電流采集裝置在線檢測電纜中的過電流擾動，以超過負荷電流均方根80%的電流值為閾值，采集的電流擾動數據中還包含涌流擾動，該方法可通過電纜次周期電流擾動與涌流的過流時間差異區分擾動。

此外，文獻[45-48]中提出的方法均具有一定在線實現的優勢，但因為僅對擾動信號來源識別，或者算法復雜，或對數據采樣精度要求極高，實現電纜初期故障的在線檢測尚有難度。

總之，電纜初期故障在線檢測理論上可以實現，主要問題是與其他擾動的區分，這需要對電纜初期故障擾動的細節進行研究，找出與電力系統中其他擾動之間的差異。研究電纜初期故障的機理和模型是解決該問題的有效途徑。

另外，目前尚未見報道電纜初期故障定位的研究內容，電纜初期故障定位對提高初期故障位置查找具有重要的意義。該方面研究也需要有效的電纜初期故障模型，研究初期故障擾動在電纜上的傳播特征，以便建立故障點與數據監測點之間的關聯。

根據上述對電纜初期故障電力擾動特征及檢測方法的綜述和分析，可見現有檢測技術尚無法滿足要求。主要問題和進一步的研究建議如下。

1）深入和全面的實驗研究和機理分析

電纜初期故障檢測研究的數據主要為少量現場監測數據、大量仿真數據，采用的研究主要依靠仿真，但現有的電纜初期故障模型并不能完整描述電纜初期故障?，F場數據集需要長期監測電纜運行中的電壓電流數據，獲取數據存在周期長、效率低且可能難以獲得等問題；而采用實驗方式獲取數據是快速、便捷的有效手段，能夠模擬電纜運行中的各種環境狀態和電纜絕緣缺陷的發展過程。通過大量試驗數據分析電力擾動數據特征，并結合現場監測數據，有助于更加全面地認識電纜初期故障。

2）研究中高壓電力電纜局部缺陷形成的暫態電力擾動特征

大部分現場得到的實測波形為電流波形，電壓波形較少，而電壓波形由于受到系統和電纜參數的影響，擾動發生點與監測點的波形特征可能存在極大的差異，對進一步分析擾動特征量造成困難；由于無法獲得擾動發生點的原始擾動波形，對研究分析擾動在系統中的傳播也造成困難，而且對驗證檢測方法的有效性也形成障礙。這需要結合試驗的就地電壓波形及電力系統中的各設備參數進行關聯分析，研究電壓沿電纜線路的傳遞規律，研究暫態電力擾動在電力系統中的影響因素。

3）電纜初期故障定位研究

電纜初期故障準確定位是急需進一步研究的重要問題。電力電纜由于其隱蔽敷設的特點，故障點尋找相對耗時且維護困難。重復的初期故障顯現時，已經到了電纜即將永久故障階段，因此準確的故障檢測及定位，對降低電纜永久故障造成的非計劃停電概率有非常重要的作用。

4）建立電纜運行中擾動數據的長期在線監測系統

電纜初期故障是永久性故障的先兆，但目前多數電纜研究僅在電纜故障后展開，對絕緣缺陷導致的暫態電力擾動特征關注程度不足，不能達到早期預警的目的。建立在線監測系統能夠獲取現場數據，可以深入認識暫態擾動現象，有利于在后續研究中將在線監測系統轉換為在線檢測系統，為檢測方法實際應用創造有利的前提條件，同時結合電纜初期故障定位形成完善的電纜初期故障診斷系統，這將形成新的電纜絕緣狀態在線監測體系。

6 結? 論

電纜初期故障產生的暫態電力擾動表明電纜絕緣即將完全損壞，及時對絕緣狀態預警可以預防發生永久性故障。電纜初期故障檢測技術以電壓電流擾動特征為檢測依據，目前提出的檢測方法能夠解決一部分理論問題，但仍存在檢測算法復雜、在線實現困難的問題。當電纜初期故障檢測技術的實用性研究取得進展后，基于暫態電力擾動的電纜絕緣缺陷檢測方法有望成為一種新型電纜絕緣狀態在線監測手段。

參考文獻

［1］? 趙愛華， 李偉， 葉劍濤， 等. 超聲波局部放電檢測法在電纜終端中的應用[J]. 重慶大學學報， 2014， 37（6）： 112-118.

Zhao A H， Li W， Ye J T， et al. Application of ultrasonic detection for partial discharge to cable terminals [J]. Journal of Chongqing University， 2014， 37（6）： 112-118. （in Chinese）

［2］? 王昱皓， 周凱， 汪先進， 等. 基于改進時頻域反射法的電力電纜局部缺陷定位[J]. 中國電機工程學報， 2021， 41（7）： 2584-2594.

Wang Y H， Zhou K， Wang X J， et al. Power cable defects location based on improved time-frequency domain reflectometry [J]. Proceedings of the CSEE， 2021， 41（7）： 2584-2594. （in Chinese）

［3］? Kojovic L A， Williams C W Jr. Sub-cycle overcurrent protection for self-clearing faults due to insulation breakdown [C]//52 Annual Texas A&M Relay Conference. 1999： 1-12.

［4］? Stringer N T， Kojovic L A. Prevention of underground cable splice failures[J]. IEEE Transactions on Industry Applications， 2001， 37（1）： 230-239.

［5］? Pickett B， Elkin P， Benner C， et al. Reducing outages through improved protection， monitoring， diagnostics， and autorestoration in transmission substations（69 kV and above） [J]. IEEE Transactions on Power Delivery， 2016， 31（3）： 1327-1334.

［6］? Kulkarni S， Allen A J， Chopra S， et al. Waveform characteristics of underground cable failures [C]//IEEE PES General Meeting. IEEE， 2010： 1-8.

［7］? Kasztenny B， Voloh I， Jones C G， et al. Detection of incipient faults in underground medium voltage cables [C]//2008 61st Annual Conference for Protective Relay Engineers. IEEE， 2008： 349-366.

［8］? Moghe R， Mousavi M J， Stoupis J， et al. Field investigation and analysis of incipient faults leading to a catastrophic failure in an underground distribution feeder [C]//2009 IEEE/PES Power Systems Conference and Exposition. IEEE， 2009： 1-6.

［9］? Hamel A， Gaudreau A， Cote M. Intermittent arcing fault on underground low-voltage cables [J]. IEEE Transactions on Power Delivery， 2004， 19（4）： 1862-1868.

［10］? Deursen A V， Wouters P， Steennis F. Corrosion in low-voltage distribution networks and perspectives for online condition monitoring [J]. IEEE Transactions on Power Delivery， 2019， 34（4）： 1423-1431.

［11］? Rowland S M， Wang M. Fault development in wet， low voltage， oil-impregnated paper insulated cables [J]. IEEE Transactions on Dielectrics and Electrical Insulation， 2008， 15（2）： 484-491.

［12］? Naseri F， Ghanbari T， Farjah E. Incipient fault monitoring of medium voltage UD-EPR power cable using Rogowski coil [C]//2015 International Congress on Electric Industry Automation. IEEE， 2015： 33-36.

［13］? 姚海燕， 張靜， 留毅， 等. 基于多尺度小波判據和時頻特征關聯的電纜早期故障檢測和識別方法[J]. 電力系統保護與控制， 2015， 43（9）： 115-123.

Yao H Y， Zhang J， Liu Y， et al. Method of cable incipient faults detection and identification based on multi-scale wavelet criterions and time-frequency feature association [J]. Power System Protection and Control， 2015， 43（9）： 115-123. （in Chinese）.

［14］? Huang M， Wu Q， Han X， et al. Detection of incipient faults in distribution cables based on mathematical morphology [C]//2019 9th International Conference on Power and Energy Systems （ICPES）. IEEE， 2019： 1-6.

［15］? Sidhu T S， Xu Z. Detection of incipient faults in distribution underground cables [J]. IEEE Transactions on Power Delivery， 2010， 25（3）： 1363-1371.

［16］? Ghanbari T. Kalman filter based incipient fault detection method for underground cables [J]. IET Generation， Transmission & Distribution， 2015， 9（14）： 1988-1997.

［17］? Samet H， Tajdinian M， Khaleghian S， et al. A statistical-based criterion for incipient fault detection in underground power cables established on voltage waveform characteristics [J]. Electric Power Systems Research， 2021， 197： 107303.

［18］? Samet H， Khaleghian S， Tajdinian M， et al. A similarity-based framework for incipient fault detection in underground power cables [J]. International Journal of Electrical Power & Energy Systems， 2021， 133： 107309.

［19］? Zhang W， Xiao X， Zhou K， et al. Multicycle incipient fault detection and location for medium voltage underground cable [J]. IEEE Transactions on Power Delivery， 2017， 32（3）： 1450-1459.

［20］? 胡婧， 周洋. 基于零序電壓小波變換的小電流接地系統電纜早期故障檢測[J]. 內蒙古電力技術， 2021， 39（2）： 1-6.

Hu J， Zhou Y. Cable incipient fault detection for non-solidly grounding system based on zero sequence voltage wavelet transform [J]. Inner Mongolia Electric Power， 2021， 39（2）： 1-6. （in Chinese）.

［21］? 楚恬歆， 張文海， 瞿科， 等. 基于復合判據的小電流接地系統接地型早期故障檢測[J]. 高電壓技術， 2022， 48（3）： 1022-1031.

Chu T X， Zhang W H， Qu K， et al. Grounded incipient fault detection based on compound criterion in non-solidly grounding system [J]. High Voltage Engineering， 2022， 48（3）： 1022-1031. （in Chinese）

［22］? 瞿科， 張文海， 肖先勇， 等. 基于波形衰減因子的電纜接頭絕緣早期故障狀態監測[J]. 高電壓技術， 2022， 48（1）： 318-327.

Qu K， Zhang W H， Xiao X Y， et al. Condition monitoring for incipient faults of cable joint insulation based on waveform attenuation factor [J]. High Voltage Engineering， 2022， 48（1）： 318-327. （in Chinese）

［23］? Kim C J， Lee S J， Kang S H. Evaluation of feeder monitoring parameters for incipient fault detection using laplace trend statistic [J]. IEEE Transactions on Industry Applications， 2004， 40（6）： 1718-1724.

［24］? Moghe R， Mousavi M J. Trend analysis techniques for incipient fault prediction [C]//2009 IEEE Power & Energy Society General Meeting. IEEE， 2009： 1-8.

［25］? Mousavi M J， Butler-Purry K L. Detecting incipient faults via numerical modeling and statistical change detection [J]. IEEE Transactions on Power Delivery， 2010， 25（3）： 1275-1283.

［26］? Almalki M M， Hatziadoniu C J. Classification of many abnormal events in radial distribution feeders using the complex morlet wavelet and decision trees [J]. Energies， 2018， 11（3）： 546.

［27］? Mishra S， Swain S C， Naik N B. Tree based incipient fault identification in underground cable [C]//2021 5th International Conference on Electronics， Materials Engineering & Nano-Technology. IEEE， 2021： 1-4.

［28］? 李勝輝， 白雪， 董鶴楠， 等. 基于平穩小波變換與隨機森林的電纜早期故障識別方法[J]. 電工電能新技術， 2020， 39（3）： 40-48.

Li S H， Bai X， Dong H N， et al. Cable incipient fault identification based on stationary wavelet transform and random forest [J]. Advanced Technology of Electrical Engineering and Energy， 2020， 39（3）： 40-48. （in Chinese）.

［29］? Mousavi M J， Butler-Purry K L. A novel condition assessment system for underground distribution applications[J]. IEEE Transactions on Power Systems， 2009， 24（3）： 1115-1125.

［30］? Faisal M F， Mohamed A， Shareef H. Prediction of incipient faults in underground power cables utilizing S-transform and support vector regression[J]. International Journal on Electrical Engineering and Informatics， 2012， 4（2）： 186-201.

［31］? Chang G W， Hong Y H， Li G Y. A hybrid intelligent approach for classification of incipient faults in transmission network [J]. IEEE Transactions on Power Delivery， 2019， 34（4）： 1785-1794.

［32］? Butler-Purry K L， Cardoso J. Characterization of underground cable incipient behavior using time-frequency multi-resolution analysis and artificial neural networks [C]//2008 IEEE Power and Energy Society General Meeting-Conversion and Delivery of Electrical Energy in the 21st Century. IEEE， 2008： 1-11.

［33］? 戴銘. 10kV地下電纜早期故障檢測與識別方法探討[D]. 成都： 西南交通大學， 2012.

Dai M. Discussion methods of incipient fault detection and identification in 10kV underground cables [D]. Chengdu： Southwest Jiaotong University， 2012. （in Chinese）

［34］? Jannati M， Vahidi B， Hosseinian S H. Incipient faults monitoring in underground medium voltage cables of distribution systems based on a two-step strategy[J]. IEEE Transactions on Power Delivery， 2019， 34（4）： 1647-1655.

［35］? 汪穎， 孫建風， 肖先勇， 等. 基于優化卷積神經網絡的電纜早期故障分類識別[J]. 電力系統保護與控制， 2020， 48（7）： 10-18.

Wang Y， Sun J F， Xiao X Y， et al. Cable incipient fault classification and identification based on optimized convolution neural network[J]. Power System Protection and Control， 2020， 48（7）： 10-18. （in Chinese）.

［36］? Deng J， Zhang W， Yang X. Recognition and classification of incipient cable failures based on variational mode decomposition and a convolutional neural network[J]. Energies， 2019， 12（10）： 2005.

［37］? 徐子弘， 季天瑤， 鄧偉民， 等. 基于AE和GRU神經網絡的電纜早期故障檢測和識別方法[J]. 廣東電力， 2020， 33（9）： 27-34.

Xu Z H， Ji T Y， Deng W M， et al. Detection and identification of cable incipient fault based on autoencoder and GRU neural network [J]. Guangdong Electric Power， 2020， 33（9）： 27-34. （in Chinese）.

［38］? 汪穎， 盧宏， 楊曉梅， 等. 堆疊自動編碼器與S變換相結合的電纜早期故障識別方法[J]. 電力自動化設備， 2018， 38（8）： 117-124.

Wang Y， Lu H， Yang X M， et al. Cable incipient fault identification based on stacked autoencoder and S-transform [J]. Electric Power Automation Equipment， 2018， 38（8）： 117-124. （in Chinese）.

［39］? 邵寶珠， 李勝輝， 白雪， 等. 非負約束自動編碼器在電纜早期故障識別中的應用[J]. 電力系統保護與控制， 2019， 47（2）： 16-23.

Shao B Z， Li S H， Bai X， et al. Application of nonnegative constraint autoencoder in cable incipient fault identification [J]. Power System Protection and Control， 2019， 47（2）： 16-23. （in Chinese）.

［40］? Wang Y， Lu H， Xiao X， et al. Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder [J]. IET Generation Transmission & Distribution， 2020， 14（7）： 1242-1250.

［41］? Liu N， Fan B， Xiao X， et al. Cable incipient fault identification with a sparse autoencoder and a deep belief network [J]. Energies， 2019， 12（18）： 3424.

［42］? Xiong S， Liu Y， Fang J， et al. Incipient fault identification in power distribution systems via human-level concept learning [J]. IEEE Transactions on Smart Grid， 2020， 11（6）： 5239-5248.

［43］? Xu W， Huang Z， Xie X， et al. Synchronized waveforms–a frontier of data-based power system and apparatus monitoring， protection and control [J]. IEEE Transactions on Power Delivery， 2022， 37（1）： 3-17.

［44］? Izadi M， Mohsenian-Rad H. Synchronous waveform measurements to locate transient events and incipient faults in power distribution networks [J]. IEEE Transactions on Smart Grid， 2021， 12（5）： 4295-4307.

［45］? Yang L. Fault location system for radial MV underground distribution cable networks [C]//2018 71st Annual Conference for Protective Relay Engineers （CPRE）. IEEE， 2018： 1-6.

［46］? Shi S， Hu Z， Ma Z， et al. Travelling waves-based identification of sub-health condition of feeders in power distribution system [J]. IET Generation， Transmission & Distribution， 2018， 12（5）： 1067-1073.

［47］? Zhang C， Kang X， Ma X， et al. On-line incipient faults detection in underground cables based on single-end sheath currents [C]//2016 IEEE PES Asia-Pacific Power and Energy Engineering Conference. IEEE， 2016： 795-799.

［48］? Cui T， Dong X， Bo Z， et al. Hilbert-transform-based transient/intermittent earth fault detection in noneffectively grounded distribution systems [J]. IEEE Transactions on Power Delivery， 2011， 26（1）： 143-151.