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(hào)：TM75 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：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(lái)，隨著電力系統(tǒng)規(guī)模的不斷擴(kuò)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(yīng)用日益廣泛。然而，由于地理環(huán)境復(fù)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(yán)重威脅著電力系統(tǒng)的安全穩(wěn)定運(yùn)行。傳統(tǒng)的故障診斷方法主要依賴人工經(jīng)驗(yàn)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(zhǔn)確診斷的實(shí)際需求。隨著人工智能技術(shù)的蓬勃發(fā)展，將其應(yīng)用于高壓電纜故障診斷領(lǐng)域，實(shí)現(xiàn)智能化、自動(dòng)化的故障識(shí)別與定位，具有重要的理論價(jià)值和實(shí)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(diǎn)

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(dǎo)致，表現(xiàn)為接地點(diǎn)電阻極小（通常小于 1Ω ），故障電流可達(dá)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(dòng)等引起，接地電阻值一般在 10～1000Ω 之間，故障電流相對(duì)較小，且隨時(shí)間和溫度變化而波動(dòng)。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(jī)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(lái)了巨大挑戰(zhàn)。

1.2故障信號(hào)采集與預(yù)處理

在信號(hào)采集方面，采用高精度電壓互感器（0.2級(jí)）和電流互感器（0.2S級(jí)）采集故障發(fā)生時(shí)的各相電壓、電流信號(hào)，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(dòng)態(tài)范圍達(dá)到 144dB ，信噪比優(yōu)于 85dB 。針對(duì)采集信號(hào)中存在的各類干擾，設(shè)計(jì)了3級(jí)信號(hào)預(yù)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(yīng)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(hào)幅值標(biāo)準(zhǔn)化到[-1，1范圍內(nèi)。同時(shí)，開發(fā)了自適應(yīng)采樣控制算法，可根據(jù)信號(hào)變化特征動(dòng)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(hào)的時(shí)域、頻域和時(shí)頻域特征。時(shí)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(jì)量，以及時(shí)序相關(guān)性指標(biāo)；頻域特征通過快速傅里葉變換獲取，重點(diǎn)提取基波分量、諧波含量、頻帶能量分布等特征；時(shí)頻域特征則采用小波包分解和經(jīng)驗(yàn)?zāi)B(tài)分解相結(jié)合的方法，提取故障信號(hào)的局部時(shí)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(duì)提取的特征進(jìn)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(gè)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(shí)際為主、仿真補(bǔ)充\"的原則。從華東、華北等地區(qū)的20個(gè) 220kV 變電站收集了2020—2023年的實(shí)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(xì)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(shí)驗(yàn)室的故障模擬試驗(yàn)，補(bǔ)充了2000條特殊工況下的故障數(shù)據(jù)。對(duì)所有數(shù)據(jù)進(jìn)行標(biāo)注和質(zhì)量評(píng)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(jí)（ 110～500kV ）不同季節(jié)、不同負(fù)載水平下的各類故障場(chǎng)景，為后續(xù)智能診斷模型的訓(xùn)練和驗(yàn)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(jì)

2.1診斷模型架構(gòu)

本研究基于深度學(xué)習(xí)設(shè)計(jì)了一種級(jí)聯(lián)式故障診斷模型，采用“特征提取一故障識(shí)別一定位估計(jì)”的3層架構(gòu)。輸入層采用多通道結(jié)構(gòu)，可同時(shí)處理50維特征向量，其中包含時(shí)域特征 、頻域特征 （f₁，… f₁₅， 和時(shí)頻域特征 （tf₁，…，tf₁₅） 。模型核心采用改進(jìn)的殘差網(wǎng)絡(luò)結(jié)構(gòu)，包含5個(gè)殘差塊，每個(gè)殘差塊由2個(gè)卷積層和一個(gè)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(jī)制，通過softmax（ W_q× ）計(jì)算注意力權(quán)重，實(shí)現(xiàn)了對(duì)關(guān)鍵特征的自適應(yīng)增強(qiáng)。輸出層使用softmax函數(shù)進(jìn)行故障類型分類，模型在8500條樣本的測(cè)試中，整體診斷準(zhǔn)確率達(dá)到 98.5% ，單相接地、雙相接地和三相接地的分類準(zhǔn)確率分別為 99.5%.98.2% 和 95.6% 。

2.2 特征學(xué)習(xí)算法

特征學(xué)習(xí)采用深度自編碼器與注意力機(jī)制相結(jié)合的混合算法。自編碼器采用對(duì)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(gè)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(jī)制，通過 Q，K，V3 個(gè)矩陣的交互計(jì)算特征權(quán)重 在特征學(xué)習(xí)過程中，采用動(dòng)態(tài)學(xué)習(xí)率調(diào)整策略，初始學(xué)習(xí)率設(shè)為0.001，每2000次迭代衰減0.1倍。經(jīng)過10000次迭代訓(xùn)練，模型在驗(yàn)證集上的重建誤差降至0.015以下，特征提取的準(zhǔn)確率達(dá)到 96.8% 。通過可視化分析表明，學(xué)習(xí)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(xué)習(xí)框架，2種算法采用不同的特征分裂策略，能夠互補(bǔ)提升分類性能。XGBoost的目標(biāo)函數(shù)為 ，其中使用logistic損失函數(shù)和L2正則化項(xiàng)。在模型訓(xùn)練階段，采用5折交叉驗(yàn)證，每折包含1700條樣本。基于網(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(xué)習(xí)率等于0.05，子采樣比例等于0.8，最小子節(jié)點(diǎn)樣本數(shù)等于50。分類結(jié)果顯示：在正常工況下準(zhǔn)確率為 98.5% ，高噪聲環(huán)境下為 97.2% ，弱信號(hào)條件下為 96.8% ，系統(tǒng)過載時(shí)為 97.5% 。平均診斷時(shí)間僅需 2.3s ，滿足實(shí)時(shí)診斷要求。

2.4模型優(yōu)化策略

針對(duì)模型性能和計(jì)算效率的平衡，設(shè)計(jì)了基于多目標(biāo)優(yōu)化的模型優(yōu)化方案。優(yōu)化目標(biāo)函數(shù)為 F（x）= w₁ACC（x）+w₂（I/T（x）） ，式中ACC表示準(zhǔn)確率，T表示計(jì)算時(shí)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(jìn)的粒子群算法進(jìn)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(dòng)態(tài)調(diào)整： w= 。優(yōu)化過程重點(diǎn)關(guān)注4個(gè)指標(biāo)：診斷準(zhǔn)確率從 94.2% 提升至 98.5% ，平均響應(yīng)時(shí)間從3.8s降至2.3s ，模型參數(shù)量從 12M 減少到 8.5M ，訓(xùn)練時(shí)間在GPU上僅需 4.5h 。通過模型剪枝和量化壓縮，進(jìn)一步降低了模型的計(jì)算復(fù)雜度，使其能夠在嵌入式設(shè)備上穩(wěn)定運(yùn)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(shí)際需求。

3故障診斷系統(tǒng)實(shí)現(xiàn)與測(cè)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(yīng)用展示4層。硬件配置采用雙機(jī)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(duì)列、Redis緩存和MongoDB存儲(chǔ)，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(gè)監(jiān)測(cè)點(diǎn)配備采集單元，采樣頻率 100kHz 。數(shù)據(jù)處理包括自適應(yīng)噪聲過濾、特征提取、數(shù)據(jù)標(biāo)準(zhǔn)化和特征選擇，各環(huán)節(jié)準(zhǔn)確率均達(dá) 98% 以上。系統(tǒng)支持 90d 歷史數(shù)據(jù)存儲(chǔ)，采用壓縮算法提升存儲(chǔ)效率。

3.3 故障診斷模塊

基于深度學(xué)習(xí)模型實(shí)現(xiàn)實(shí)時(shí)故障診斷。單相接地故障識(shí)別準(zhǔn)確率 99.5% ，雙相 98.2% ，三相 95.6% ，復(fù)合故障 94.8% 。模型在各類工況下保持穩(wěn)定性能，準(zhǔn)確率均在 96% 以上。通過GPU加速，并發(fā)處理能力達(dá)1200次/s，支持在線學(xué)習(xí)持續(xù)優(yōu)化。基于深度學(xué)習(xí)模型的實(shí)時(shí)故障診斷系統(tǒng)在不同類型故障下的識(shí)別準(zhǔn)確率如圖1所示。

3.4 系統(tǒng)性能評(píng)估

核心性能指標(biāo)：故障識(shí)別準(zhǔn)確率 98.5% ，平均響應(yīng)時(shí)間 2.3s ，系統(tǒng)可用性 99.95% 。全年運(yùn)行數(shù)據(jù)顯示：MTBF達(dá) 2190h ，MTTR僅 0.5h 。系統(tǒng)資源利用合理，CPU負(fù)載維持在 65% 以下，與專家判斷一致性達(dá)96.8% 。

4實(shí)驗(yàn)結(jié)果分析與驗(yàn)證

4.1實(shí)驗(yàn)環(huán)境與數(shù)據(jù)說(shuō)明

本研究在實(shí)際電力系統(tǒng)環(huán)境下進(jìn)行了為期1a的實(shí)驗(yàn)驗(yàn)證，測(cè)試環(huán)境涵蓋8個(gè) 220kV 變電站和12個(gè)110kV 變電站。實(shí)驗(yàn)環(huán)境包括現(xiàn)場(chǎng)運(yùn)行環(huán)境和實(shí)驗(yàn)室模擬環(huán)境兩部分：現(xiàn)場(chǎng)環(huán)境中 220kV 變電站采用雙母線運(yùn)行方式，額定電流 2000A ，監(jiān)測(cè)范圍覆蓋主變、線路和母線； 110kV 變電站采用單母線運(yùn)行方式，額定電流 1000A ，重點(diǎn)監(jiān)測(cè)主變和線路運(yùn)行狀態(tài)。實(shí)驗(yàn)室配備了 0～300kV 可調(diào)的高壓試驗(yàn)臺(tái)，用于模擬各類故障場(chǎng)景。實(shí)驗(yàn)數(shù)據(jù)集總計(jì)采集了168200條完整樣本，包括150000條正常運(yùn)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(yùn)行工況。

4.2 模型性能評(píng)估

模型整體表現(xiàn)：準(zhǔn)確率 98.5% ，靈敏度 97.8% ，特異度 98.2% ，平均響應(yīng)時(shí)間 2.3s 。不同故障類型識(shí)別能力：?jiǎn)蜗嘟拥毓收蠝?zhǔn)確率 99.5% ，雙相 98.2% ，三相95.6% ，復(fù)合故障 94.8% 。在高噪聲、弱信號(hào)等復(fù)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(zhǔn)確率如圖2所示。

4.3 與傳統(tǒng)方法對(duì)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(shì)：診斷準(zhǔn)確率提升至 98.5% （提升6.2＼～13.3個(gè)百分點(diǎn)），響應(yīng)時(shí)間縮短至2.3s（提升 39.5% ），誤報(bào)率降至 1.3% （改善 71.1% ）。在復(fù)雜故障場(chǎng)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(zhǔn)確率、響應(yīng)時(shí)間和誤報(bào)率方面的性能對(duì)比圖。圖3中顯示了新方法在這些關(guān)鍵指標(biāo)上的顯著改進(jìn)。

注：圖中展示了模型的整體性能指標(biāo)（準(zhǔn)確率、靈敏度、特異度）以及不同故障類型的識(shí)別準(zhǔn)確率。誤差線代表一個(gè)指標(biāo)或故障類型的準(zhǔn)確率值，并附有相應(yīng)的數(shù)值標(biāo)簽。從圖中可以直觀地看到，單相接地故障的識(shí)別準(zhǔn)確率最高，而復(fù)合故障的準(zhǔn)確率相對(duì)較低。整體性能指標(biāo)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(zhǔn)確率、響應(yīng)時(shí)間、誤報(bào)率等方面的性能對(duì)比。圖中的每個(gè)單元格代表相應(yīng)方法在特定性能指標(biāo)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(biāo)上均優(yōu)于傳統(tǒng)方法，特別是在診斷準(zhǔn)確率和誤報(bào)率方面的改進(jìn)尤為顯著。

4.4 系統(tǒng)實(shí)際應(yīng)用效果

系統(tǒng)在實(shí)際運(yùn)行環(huán)境中取得了顯著的應(yīng)用效果。故障檢出率從原有的 85.2% 提升至 98.5% ，提升幅度達(dá)13.3個(gè)百分點(diǎn)；平均故障處理時(shí)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(gè)百分點(diǎn)；維護(hù)人力需求從每月150人天降低至85人天，減少 43.3% 。系統(tǒng)運(yùn)行可靠性指標(biāo)優(yōu)異：

系統(tǒng)在線率達(dá) 99.95% ，超過行業(yè)平均水平（ 99.5% ）；誤診斷率降至 1.3% ，遠(yuǎn)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(fù)時(shí)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(dá)到 99.995% ，處于行業(yè)領(lǐng)先水平。經(jīng)濟(jì)效益分析顯示，系統(tǒng)的應(yīng)用每年可節(jié)省運(yùn)維成本超過1000萬(wàn)元，其中包括故障處理效率提升帶來(lái)的320萬(wàn)節(jié)省、設(shè)備可用率提升帶來(lái)的480萬(wàn)元增收以及維護(hù)人力優(yōu)化帶來(lái)的260萬(wàn)元節(jié)省，投資回收期不到 2a ，具有顯著的經(jīng)濟(jì)和社會(huì)效益。

5結(jié)論

本研究針對(duì)電力系統(tǒng)故障診斷的關(guān)鍵問題，提出了基于深度學(xué)習(xí)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(jì)了分布式多層級(jí)故障診斷系統(tǒng)架構(gòu)，實(shí)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(yùn)行1a來(lái)整體準(zhǔn)確率達(dá) 98.5% ，平均響應(yīng)時(shí)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(xué)習(xí)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(zhǔn)確率達(dá) 99.5% ，雙相接地故障準(zhǔn)確率98.2% ，三相接地故障準(zhǔn)確率 95.6% ，復(fù)合故障準(zhǔn)確率94.8% 。在經(jīng)濟(jì)效益方面，系統(tǒng)應(yīng)用顯著提升了運(yùn)維效率，設(shè)備可用率從 98.2% 提高到 99.8% ，故障處理時(shí)間從 2.5h 減少到 0.8h ，年度運(yùn)維成本節(jié)省超過1000萬(wàn)元，投資回收期不到 2a ，充分驗(yàn)證了研究成果的實(shí)用價(jià)值和經(jīng)濟(jì)效益。

參考文獻(xiàn)：

[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(hù)套環(huán)流計(jì)算與故障診斷研究[D]廣州：華南理工大學(xué)，2023.

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

[4]夏君山，夏向陽(yáng)，趙威，等.基于差值電流分析的高壓電纜在線監(jiān)測(cè)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(yàn)方法[J].科學(xué)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(cè)技術(shù)的應(yīng)用研究[J].建筑工程技術(shù)與設(shè)計(jì)，2020（15）：2217.

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