基于粒子群優化算法的電纜中間頭故障智能識別仿真研究

摘 要：針對電纜中間頭相似較高，容易引起誤判的問題，提出一種基于粒子群優化支持向量機的參數識別模型，通過局部放電電場分布圖識別電纜中間頭故障類型。利用Ansys軟件對電纜中間頭3種典型故障類型進行仿真建模，從3個維度進行局放電場特征提取，介紹了粒子群優化支持向量機電纜局放類型識別流程，電纜中間頭尖刺缺陷識別準確率達100%，氣隙缺陷識別準確率達86%。通過與未經粒子群優化過的支持向量機算法和BP神經網絡算法進行識別準確率對比，驗證該模型具有良好的泛化能力，識別準確率更高，可為后續研究改進提供基礎。

關鍵詞：支持向量機法；粒子群算法；電場強度；電纜接頭

中圖分類號：

TP391.99

文獻標志碼：

J文章編號：

1001-5922（2024）01-0137-04

Simulation study on intelligent identification of cable intermediate head fault based on particle swarm optimization algorithm

YANG Tingzhi1，YANG Zhihang2，DENG Jiahong1，DUAN Pan3

（1.State Grid Chongqing Electric Power Company Qijiang Power Supply Branch，Chongqing 401420，China；

2.State Grid Chongqing Electric Power Company Jiangjin Power Supply Branch，Chongqing 400015，China；

3.School of Automation Chongqing University of Posts and Telecommunications Chongqing South Bank，

Chongqing 400065，China）

Abstract：To address the problem of misjudgment caused by the high similarity of partial discharge types among cable intermediate head defect types，a parameter identification model based on particle swarm optimization support vector machine was proposed，which identified the cable intermediate head fault types by using the local discharge electric field distribution map.Using Ansys software，three typical fault types of cable intermediate head were simulated and modeled，and the local discharge electric field characteristics were extracted from three dimensions.The identification process of particle swarm optimized support vector machine cable partial discharge type was introduced，the accuracy of cable intermediate head spike defect identification reached 100%，and the gap defect identification accuracy reached 86%.By comparing the identification accuracy with the support vector machine algorithm that have not been optimized by particle swarmand BP neural network algorithm，it was verified that the model had good generalization ability，higher identification accuracy，and could provide a basis for subsequent research improvement.

Key words：support vector machine method;particle swarm algorithm;electric field strength; cable head

交聯聚乙烯（XLPE）電纜因絕緣性能好、載流量大、結構簡單、附件安裝方便等優點廣泛應用于城市配電網中［1-2］。由于電纜中間頭結構復雜，在電纜所發故障中，中間頭故障占比超過90%［3］。

為研究電纜中間頭故障類型識別，國內外學者開展了大量研究。提出了電纜絕緣層局放電場的計算方法［4-6］。采用EAOStream聚類算法，通過提取放電電流、場強等特征，實現放電源的在線分離［8］。提出一種通過時頻特性，提取脈沖波形特征，采用模糊均值算法實現對電纜局部放電類型的識別方法［9］。提出了一種智能電纜故障系統定位技術［11］。針對配電網局部放電缺陷，采用模糊C均值聚類結合PRPD譜圖實現對局部放電類型的識別［14］。

針對電纜中間頭缺陷類型和局放類型相似較高，容易引起誤判的問題，提出一種基于粒子群優化支持向量機的參數識別模型，通過局部放電電場分布圖識別電纜中間頭故障類型。

1 電纜中間頭不同缺陷類型仿真模型

采用yjv22-3×300電纜開展研究，利用Ansys軟件對電纜缺陷進行仿真模擬，電纜本體結構如圖1。

在對電纜缺陷模型的建立過程中，主要考慮到3種常見的典型缺陷［17］，即

（1）金屬尖刺缺陷Ansys模型；

（2）氣隙缺陷Ansys模型;

（3）絕緣層受潮缺陷Ansys模型。

2 仿真結果以及特征分析

2.1 電場仿真

Ansys Electronics Desktop有限元分析自帶電磁場求解功能，能得出電纜中間頭各缺陷電場分布情況。其原理是將大求解單元模塊分割成若干個小的模塊。對每個小的子模塊進行分別求解，最后將所有的小模塊計算結果進行疊加，得到大模塊的解。在仿真時，設置剖分參數進行網格剖分（設置網格劃分為自適應的50%）。圖2為電纜接頭剖分圖。

靜電場求解器適用于電場只按介質介電常數分布的場合，恒定電場求解器則適用于電場只按介質電導率分布的場合，而時諧電場求解器適用于介質介電常數和電導率同時決定電場分布的情形。故選取時諧電場求解器在工頻50 Hz交流電壓下進行電場求解分析。邊界條件設置為電纜導體對地電壓為正峰值，電壓設為10 kV，屏蔽層設為地電位，控制仿真對象為10 kV XLPE電纜中間接頭，分別得出3種缺陷類型的電場強度分布。

2.1.1 金屬尖刺缺陷電場強度。

圖3展示的是尖刺缺陷所造成局部放電的電場強度分布圖。從電纜接頭最左端開始接入電壓時，強度大小隨著離接頭口距離成反比，靠近端口處場強最大，到尖刺缺陷附近時，場強出現下降趨勢變緩，緊接著降為0，越過尖刺缺陷附近后，場強趨于穩定為125 V/mm。

2.1.2 氣隙缺陷電場強度

圖4所展示的是氣隙缺陷所造成局部放電的電場強度分布圖。接頭左端頭接入電壓時電場上升到最大，隨之開始減小，但經過氣隙區時，場強發生畸變出現跳躍式增長，從375 V/mm變化到了500 V/mm，最后場強趨于穩定為125 V/mm。

2.1.3 絕緣層受潮缺陷電場強度

圖5展示的是受潮缺陷所造成的局部放電電場強度分布圖。受潮的絕緣層部分電場發生畸變，由575 V/mm增加到750 V/mm。

2.2 特征提取

對比尖刺缺陷、氣隙缺陷所產生的電場分布圖，基于2種缺陷所產生的局放電場的特征，二者在缺陷附近幅值上有很大不同，開始產生場強以及趨于穩定時候的場強取樣段波形的最大均值都可以很好量化尖刺缺陷、氣隙缺陷。方差能代表場強大小與平均值的偏離程度，因此選取這些特征量對電纜故障類型數據進行特征提取，對所有采樣數據進行處理作為PSO-SVM故障識別模型的輸入。

3 基于粒子群優化支持向量機電纜中間頭故障類型識別

圖6為粒子群支持向量機算法實現流程。

4 算法仿真實驗結果分析

改變鋼針大小以及氣隙大小，其他條件不變的情況下，重復仿真分別測試3種故障類型各100條，見表1。

經過特征提取后，樣本數據變為300×3的二維矩陣，按慣常訓練集與測試集的劃分原則，選取70%的樣本（即210條）數據作為訓練樣本，剩下的30%作為測試樣本。因為樣本數據跨度大，需將其歸一到［-1，1］，計算公式為：

X=（x－xmin）/（xmax－xmin）

（11）

數據歸一后不會改變數據本身的特征，只是為了方便支持向量機尋優。本文采用MATLAB自帶的Mapminmax函數歸一化樣本數據集。選擇內核函數是高斯徑向基函數。設置粒子群參數初始值：c1=1.5，c2=1.7，ν=3，ω=1通過實驗驗證，綜合考慮求解時間以及精度，終止迭代的次數被設置為200次。實驗結果如圖7、圖8所示。

由圖7可知，PSO-SVM在訓練過程中，訓練集的正確率隨著迭代的次數在提高，雖在約50次時正確率已達98%，但考慮到樣本數量及樣本特征數，在經過多次試驗后，迭代次數還是選為200次。其展示了PSO優化后SVM的2個性能參數值，懲罰因子（C）為33.857 5，尋優得到的核參數（g）為12.840 2。

圖8輸出的結果中類別標簽對應不同：1為尖刺缺陷，2為氣隙缺陷，3為受潮缺陷。雖然測試集準確率為100%，但實際的測試集經過模型測試，分類準確率只有86.40%。下面將對3個樣本類型單獨的準確率進行分析，如表2所示。

由表2可知，尖刺缺陷全部識別正確，原因是產生尖刺放電時，電場由于鋼針的導電特征，導致鋼針附近的電場變化較為明顯。因為氣泡缺陷所產生放電場強傳遞較慢，其分布特征與無缺陷相近，且衰減速度很慢，因此氣泡缺陷識別率比較低。受潮缺陷識別率也較高為93%，原因是其場強在電纜接頭端處會出現場強上升，其值接近缺陷處場強。

除此之外，為驗證通過粒子群優化支持向量機算法比單獨用支持向量機算法識別故障類型的準確率高，進行了對比實驗。實驗樣本數據以及支持向量機各參數都相同，具體如圖9所示。

表3為樣本類型單獨正確率分析表，與表4（經過粒子群優化VSM參數后）識別準確率相比，每種缺陷類型識別準確率都不如后者。說明經過粒子群優化過后的SVM具有更好的識別能力。

此外，為驗證優化過后的VSM算法在中間頭缺陷類型識別中有較高的準確率，與常用的智能算法（BP神經網絡）進行對比，結果如表4所示。

由表4的可知，提取特征量后用支持向量機訓練的準確率為73.63%，利用PSO優化后SVM在分類性能上提升了18.03%，與神經網絡算法相比，準確率提高了3.32%。由此可知，粒子群優化后的參數提高了支持向量機的性能，提高了故障類型識別準確率。

5 結語

研究通過Ansys仿真軟件構建了電纜中間頭3種最為典型的故障類型，通過求解電場強度分布，提取相關特征，用粒子群優化支持向量機算法的特征參數識別模型來準確識別中間頭尖刺缺陷、氣隙缺陷和受潮缺陷。并分別分析每種故障類型的識別準確率，在該算法下，尖刺缺陷識別率高達100%，受潮缺陷識別率為93%，氣隙缺陷識別率達73%，氣隙缺陷識別率不高。研究可為電纜的在線監測提供一定的理論參考。

【參考文獻】

［1］ 黃興溢，張軍，江平開.熱塑性電力電纜絕緣材料：歷史與發展［J］.高電壓技術，2018，44（5）：1377-1398.

［2］ 于麗麗，王玉堂.電線電纜絕緣材料及護套材料的老化分析［J］.粘接，2019，40（7）：78-80.

［3］ 張旭，張穎.電力電纜局部放電特征分析及運維檢修策略研究［J］.電工技術，2022（11）：95-98.

［4］ 志關誠男，矢野敏，姚學禹.高壓直流電纜及附件的電場分析程序［J］.電線電纜，1987（4）：44-48.

［5］ ANDREI L，IRINA V，FLORIN C.Electric field distribu-tion in power cable insulation affected by various defects［C］//2014 International Symposium on Fundamentals ofElectrical Engineering.Bucharest，Romunia： IEEE，2014：1-5.

［6］ EL-BAGES M，ABD-ALLAH M.Electric field distribu-tion within underground power cables in presence of mi-cro cracks ［J］.International Journal of Scientific and Re-search Publications，2016，6（1）：160 -165.

［7］ 楊豐源，許永鵬，鄭新龍，等.直流下交聯聚乙烯電纜局部放電的試驗特性研究［J］.中國電機工程學報，2016，36（24）：6702-6710

［8］ 陳昌川，劉凱，劉仁光，等.基于多源局部放電信號數據流聚類分離方法［J］.上海交通大學學報，2022，56（8）：1014-1023.

［9］ 周達，張昕，鄒云峰，等.基于T-F聚類和PRPD圖譜分析的配網電纜局部放電類型識別研究［J］.電氣工程學報，2022，17（2）：235-242.

［10］ 梁鐘穎，周凱，孟鵬飛，等.基于頻域反射系數譜的電纜故障定位與故障類型識別方法研究［J］.電工電能新技術，2022，41（8）：79-88.

［11］ 胡超強，黃應敏，鄒科敏，等.智能電纜故障系統定位技術及電網新材料應用的研究［J］.粘接，2019，40（11）：174-177.

［12］ 何嘉弘，何康，董博文.配網電纜接頭內部缺陷電場特征研究及電樹發展分析［J］.電力工程技術，2023，42（1）：154-161.

［13］ 江天炎，成守花，畢茂強，等.基于ANSYS的電纜接頭典型絕緣缺陷電-熱場仿真研究［J］.重慶理工大學學報（自然學），2019，33（9）：151-158.

［14］ 吳衛堃，宮士營，鄭耀華，等.基于DRSN的高噪聲環境下XLPE電纜故障識別［J］.電氣傳動，2022，52（16）：75-80.

［15］ 周達，張昕，鄒云峰，等.基于T-F聚類和PRPD圖譜分析的配網電纜局部放電類型識別研究［J］.電氣工程學報，2022，17（2）：235-242.

［16］ 劉文浩，吳毅江，李文澤，等.基于隨機決策森林的高壓電纜局部放電模式識別［J］.高壓電器，2022，58（6）：165-170.

［17］ 尚康良，曹均正，趙志斌，等.320 kV XLPE高壓直流電纜接頭附件仿真分析和結構優化設計［J］.中國電機工程學報，2016，36（7）：2018-2024.

［18］ 張龍，黃晨曦，張偉，等.交流和振蕩波電壓下XLPE電纜典型缺陷局部放電特性研究［J］.高壓電器，2015，51（8）：43-48.