（国网黑龙江省电力有限公司电力科学研究院哈尔滨150030）
摘要：本文研究了中高压电缆高频局部放电传感器网络中传感器层和数据汇聚层的关键技术。利用在线监测智能传感器实现了中高压电缆内部缺陷的自我实时感知。通过边缘计算对中高压电缆状态进行诊断，实现设备状态的自主快速感知和预警。对于异常设备，及时向运行人员推送预警信息，调整状态监控策略，并上传至平台层进行更精确的诊断和分析。研究成果能够显著提高中高压电缆状态检修的覆盖率和准确度，能够有效推动输变电设备运检模式更加智能、高效、安全，从而节约大量运检人工成本，同时大幅减少电网事故的发生。
关键词：泛在电力物联网；中高压电缆；局部放电；智能传感器
1引言
物联网是通信网和互联网的拓展应用和网络延伸，它利用感知技术、智能装备对物理世界进行感知识别，通过网络传输互联，进行计算、处理和知识挖掘，实现人与物、物与物信息交互和无缝链接，达到对物理世界实时控制、精准管理和科学决策的目的。高压电缆有优越的绝缘性能，但由于部分高压电缆埋于地下，在酸、碱、盐等影响下很容易出现运行故障[1]。本文将中高压电缆高频局部放电检测技术与物联网技术相结合，研究满足“泛在电力物联网”要求的高频局部放电传感器网络。
2中高压电缆高频局部放电检测技术
高频脉冲电流法是一种测量电气设备局部放电的有效方法。这种方法较早应用于发电机、变压器的绝缘监测，而将电磁耦合法应用于电力电缆的局部放电检测是近几年才开始的。其原理是，将罗戈夫斯基线圈放在电缆终端或连接头上，穿过电缆屏蔽层的接地线，通过感应流过电缆屏蔽层的局放脉冲电流来检测局放。由于宽频带电磁耦合法具有小巧灵活，操作安全，抗干扰性较强，能更加真实地反映脉冲波形等特点，正在被广泛的研究和应用[2]。为实现对电力电缆局部放电进行检测，首先必须用电流耦合器有效地提取放电信号，所以电流耦合器的设计是关键环节，其中电流耦合器的原理见图1所示。
图1高频电流耦合器的示意图
高频检测法和其他局部放电在线检测技术相比适用于电缆局部放电的检测。由于电缆线路埋在地下，对于没有专用隧道的大部分电缆线路，仅能够在电缆两端或位于地上的交叉互联箱处实施局部放电的带电检测。在局部放电带电检测的诸多手段中，特高频法和超声波法由于信号沿电缆传输衰减大，无法检测到电缆地下部分中间接头或本体缺陷的局部放电信号。由于局部放电所产生的高频脉冲电流沿电缆外屏蔽层导体传播距离较远，因此高频法检测范围远大于特高频法和超声波法，可以通过在电缆接地线或交叉互联箱处检测到电缆内部的局部放电信号。
结合被测设备的工频电压相位信息，高频检测法可通过PRPD图谱实现绝缘缺陷类型的识别。局部放电高频脉冲电流在电缆中的传播可等效为一维模型。脉冲电流从绝缘缺陷处发出，沿电缆屏蔽层导体向两侧传播，传播速度根据电缆规格的不同，一般在150～175米/微秒。因此，可以通过比较局部放电到达时间差，实现电缆局部放电的定位。当电缆绝缘发生劣化时，在高电压的作用下绝缘内部会产生局部放电现象。局部放电会辐射各频段电磁波，其中0.5～30MHz内的脉冲电流会沿着电缆金属屏蔽部分向大地传播。因此，在电力电缆两端接地线上，通过高频电流传感器，能够将脉冲电流耦合出来，通过专用的在线电缆局部放电检测仪器，对比高频电流与50Hz工频电压的相位关系，能够确认电缆内部绝缘的健康状况。
3高频局部放电智能传感器
3.1系统架构
高频局放智能传感器直接安装在中高压电缆接地线上的信号采集点处。其优点是传感器物联网化，能够通过无线网络或简单的有线网络实现快速部署，节约了大量的现场施工和材料成本。整个网络由高频智能传感器、交换机、站端数据汇聚单元和监测中心数据服务器等部件组成。站内各部件之间采用网线连接，数据汇聚单元与电力内网之间通过专网信道连接。
3.2智能传感器
智能传感器由“外置式传感器”和“信号处理模块”两部分组成。为保证检测性能，高频局放传感器要求具备优异的性能，信号处理模块要求具备优异的检测灵敏度、检测动态范围和线性度。所有的智能传感器均具备内置存储器，采集的数据首先保存在内置存储器中（不小于10000条），而后再上传到站端数据汇聚单元。当智能传感器与站端数据汇聚单元通信故障时，监测数据不会中断，也不会丢失，将在通信恢复后自动补传。站端数据汇聚单元具备硬盘，从智能传感器收集的数据首先保存在硬盘中（不小于3个月），而后再上传到监测中心数据服务器。当站端监测单元与监测中心数据服务器通信故障时，监测数据不会中断，也不会丢失，将在通信恢复后自动补传。智能传感器要求具备电网频率自动检测功能，能够在检测到局部放电信号的情况下，自动侦测出电网实时频率，满足PRPS、PRPD图谱准确绘制的要求。
3.3局放类型智能识别
采用深度学习方法，实现智能传感器的电网频率实时侦测和不受相位偏移影响的局放类型识别技术。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，模仿人脑的机制来解释数据，例如图像，声音和文本。对于局部放电类型识别采用卷积神经网络训练识别系统。卷积神经网络就是一种深度的监督学习下的机器学习模型。基于深度学习的局部放电类型识别技术包括2个主要部分：基于已有数据的专家系统分类器训练和分类器对新数据的判断识别。
目前，深度学习算法已经成熟，可直接使用现有的共享资源，如Google公司的TensorFlow，NVIDIA公司的Cuda。特征提取算法是本技术的核心部分。对于局部放电类型识别，特征提取的关键点包括：不受环境噪声影响；不同类型数据之间的特征量差别应最大化；同类型数据之间的特征量差别应最小化；不受工频同步信号相位偏移的影响。PRPD图谱通过提取局部放电PRPD图谱中与绝对相位无关的特征矢量，包括幅值-相位分布特征、脉冲数-相位分布特征等，利用深度学习算法，对专家系统分类器进行训练，进而实现对各类PRPD图谱的诊断识别。
3.4应用效果
在数据汇聚单元，通过深度学习算法，实现基于PRPD图谱、准确率>95%的局部放电类型识别。局部放电类型的识别不受PRPD图谱相位偏移的影响。在识别局部放电类型的基础上，通过智能算法实施侦测电网的频率，反馈到智能传感器，实现更加准确地PRPD图谱绘制。通过以上理论研究和试验，了解决传感器数字化、传感器智能化和缺陷类型智能识别三大技术关键点和难点，实现部署简单、检测灵敏、诊断准确的高频局部放电智能传感器产品。
4结论
该研究在某220kV变电站安装部署一套电缆高频局部放电智能传感器网络，对所收集的各类现场收集的局部放电和噪声数据，进行分类、清洗、汇总，形成噪声脉冲数据库，研究其PRPD图谱特征，监测和诊断效果良好。智能传感器具备优异的检测性能，具备智能工频同步功能、智能缺陷类型识别功能和智能报警功能，能够对中高压电缆实施连续的局部放电在线监测，并能够对电缆内各类缺陷实现实时感知和实时报警。
参考文献：
[1]朱晓辉，杜伯学，周风争等.高压交联聚乙烯电缆在线监测及检测技术的研究现状[J].绝缘材料，2009，42（5）：58-63．
[2]基于K-Means聚类算法的自动图谱识别在电缆局部放电在线监测系统中的应用[J].高电压技术，2012，38（9）：2437-2446．