任廣振 王云鶴 曹俊平 陳維召 成城 雍靜

摘要：嚴(yán)重的電力電纜局部絕緣缺陷會(huì)導(dǎo)致顯著的電壓電流擾動(dòng)，準(zhǔn)確檢測(cè)出這種電纜初期故障產(chǎn)生的擾動(dòng)，可以對(duì)即將發(fā)生永久故障的電力電纜進(jìn)行及時(shí)的運(yùn)維處理，防止無(wú)計(jì)劃停電的發(fā)生。文中對(duì)現(xiàn)有相關(guān)研究進(jìn)行全面綜述，歸納現(xiàn)場(chǎng)收集到的各種電纜局部缺陷導(dǎo)致的電壓電流擾動(dòng)波形及波形特征；對(duì)現(xiàn)有文獻(xiàn)報(bào)道的初期故障檢測(cè)方法，按照其檢測(cè)原理和使用的檢測(cè)數(shù)據(jù)類型，從暫態(tài)電力擾動(dòng)的時(shí)頻特征閾值法和人工智能方法兩個(gè)角度對(duì)檢測(cè)方法進(jìn)行綜述，同時(shí)對(duì)不同方法進(jìn)行分析和評(píng)價(jià)?；诂F(xiàn)有研究成果，對(duì)電纜初期故障在線檢測(cè)技術(shù)的進(jìn)一步研究提出建議。

關(guān)鍵詞：電力電纜；局部絕緣缺陷；暫態(tài)電力擾動(dòng)；檢測(cè)方法；在線檢測(cè)

中圖分類號(hào)：TM726.4????????? 文獻(xiàn)標(biāo)志碼：A????? 文章編號(hào)：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?shù)闹匾淮卧O(shè)備，電纜絕緣狀態(tài)檢測(cè)是維護(hù)電纜安全運(yùn)行的必要環(huán)節(jié)。電纜局部絕緣缺陷不斷發(fā)展最終導(dǎo)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(shí)頻域反射法[2]等離線檢測(cè)方法。離線絕緣狀態(tài)檢測(cè)技術(shù)因?yàn)樾枰娎|停運(yùn)檢修且不能頻繁檢測(cè)等問(wèn)題無(wú)法滿足對(duì)電纜運(yùn)行狀態(tài)信息長(zhǎng)期監(jiān)測(cè)的需求，而局部放電在線檢測(cè)易受環(huán)境噪聲干擾，實(shí)際絕緣檢測(cè)中仍以離線檢測(cè)方式為主。

近年來(lái)，在電力電纜發(fā)生永久性故障前可以觀測(cè)到明顯的暫態(tài)電壓電流擾動(dòng)，暫態(tài)電力擾動(dòng)間歇性出現(xiàn)，且在電纜持續(xù)運(yùn)行一段時(shí)間后發(fā)生永久性故障[3-4]，因此及時(shí)檢測(cè)到電纜絕緣缺陷產(chǎn)生的暫態(tài)電力擾動(dòng)，就能夠提前發(fā)出預(yù)警信號(hào)，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(dòng)特征，對(duì)此進(jìn)行檢測(cè)和定位較局部放電檢測(cè)更容易，引起電力公司和學(xué)者們的廣泛關(guān)注和研究。本文中針對(duì)電纜初期故障導(dǎo)致的電力擾動(dòng)特征和現(xiàn)有檢測(cè)方法進(jìn)行綜述，并分析提出現(xiàn)有各方面研究的不足和進(jìn)一步研究的建議。論文綜述部分主要有兩個(gè)方面內(nèi)容：一是電纜初期故障引發(fā)的電力擾動(dòng)特征，其中包括現(xiàn)場(chǎng)檢測(cè)到的波形特征和實(shí)驗(yàn)得到的波形特征，在第1、2節(jié)進(jìn)行綜述和分析；二是根據(jù)電纜初期故障電力擾動(dòng)特征進(jìn)行電纜初期故障檢測(cè)的方法，包括基于擾動(dòng)時(shí)頻特征的檢測(cè)方法和基于人工智能技術(shù)的檢測(cè)方法，在第3、4節(jié)進(jìn)行綜述和分析；第5節(jié)針對(duì)研究現(xiàn)狀提出存在的問(wèn)題及今后可能的研究方向和思路。

1 電纜局部絕緣缺陷產(chǎn)生的初期故障暫態(tài)電力擾動(dòng)

近年來(lái)，來(lái)自現(xiàn)場(chǎng)的實(shí)測(cè)數(shù)據(jù)不斷證實(shí)，電纜嚴(yán)重局部缺陷會(huì)導(dǎo)致電纜電壓電流顯現(xiàn)出獨(dú)特的暫態(tài)電力擾動(dòng)現(xiàn)象，是電纜初期故障的重要表征，本節(jié)從電力擾動(dòng)波形特征和發(fā)生頻次特征兩個(gè)方面對(duì)文獻(xiàn)中報(bào)道的現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行歸納分析。

1.1 電纜初期故障暫態(tài)電力擾動(dòng)特征及規(guī)律

電纜絕緣在生產(chǎn)、安裝、運(yùn)行過(guò)程中均可能產(chǎn)生局部絕緣缺陷，電纜絕緣層微小的局部缺陷不斷發(fā)展逐漸延展至絕緣層兩端，在電應(yīng)力等作用下形成放電通道，由于此時(shí)絕緣尚未完全破壞，放電通道間歇性導(dǎo)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(nèi)部電弧的熄滅可自主消除，因此電纜仍可以持續(xù)運(yùn)行。

電纜絕緣層內(nèi)部間歇性電弧導(dǎo)致電壓擾動(dòng)和電流擾動(dòng)，現(xiàn)場(chǎng)記錄到的典型擾動(dòng)波形如圖1所示[6]?？梢?jiàn)，擾動(dòng)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(fā)生放電，于是呈現(xiàn)出暫態(tài)電力擾動(dòng)。電纜絕緣缺陷處通常存在水分，放電通道放電時(shí)釋放大量熱能，熱能蒸發(fā)水分形成高壓蒸汽熄滅電弧，從而擾動(dòng)的電壓電流波形恢復(fù)正常。由于局部絕緣缺陷仍然存在，隨著時(shí)間的持續(xù)，當(dāng)缺陷處再次呈現(xiàn)潮濕狀態(tài)，將導(dǎo)致下一次間歇性電弧放電，形成又一個(gè)電力擾動(dòng)現(xiàn)象。

電纜局部絕緣缺陷產(chǎn)生的暫態(tài)電力擾動(dòng)大多持續(xù)1/4個(gè)工頻周期，也稱為次周期擾動(dòng)，如圖1（a）所示；也有一部分報(bào)道稱觀察到多周期暫態(tài)電力擾動(dòng)，持續(xù)時(shí)間為1～4個(gè)工頻周期，如圖1（b）所示。在電纜初期故障發(fā)生期間，電流擾動(dòng)持續(xù)時(shí)間短，電流脈沖幅值相對(duì)較小，因此基于有效值計(jì)算的過(guò)流保護(hù)不能有效檢測(cè)此類擾動(dòng)。

統(tǒng)計(jì)表明10%～15%的電纜在其絕緣發(fā)生永久故障前會(huì)出現(xiàn)暫態(tài)電力擾動(dòng)[7]。通過(guò)現(xiàn)場(chǎng)實(shí)測(cè)得到電流和電壓擾動(dòng)的特征如下。

1）電壓擾動(dòng)起始于相電壓峰值附近，既有正半周擾動(dòng)，也有負(fù)半周擾動(dòng)，其中多周期電壓擾動(dòng)波形近似方波。Moghe等[8]通過(guò)對(duì)含有4條1970年代安裝的中壓（13.2 kV）電力電纜進(jìn)行數(shù)月的電壓電流波形監(jiān)測(cè)，從監(jiān)測(cè)數(shù)據(jù)中捕捉到141個(gè)次周期擾動(dòng)，分析結(jié)果表明：這些擾動(dòng)均起始于相應(yīng)的電壓峰值附近，說(shuō)明這種初期故障形成的電力擾動(dòng)是源于電纜絕緣缺陷處能夠承受的電壓強(qiáng)度降低。

2）電流擾動(dòng)持續(xù)時(shí)間為1/4～4個(gè)周期，擾動(dòng)幅值可高達(dá)幾倍負(fù)荷電流值。文獻(xiàn)[8]中電流擾動(dòng)持續(xù)時(shí)間為0.25～0.47個(gè)工頻周期，電流擾動(dòng)幅值在1～5 p.u.范圍內(nèi)變化；Kulkarni等[6]分析了70多個(gè)次周期電流波形特征，電流突變部分持續(xù)時(shí)間在1/4～1/2個(gè)工頻周期，電流突變部分的幅值在0.7～6.2 p.u.范圍內(nèi)變化，與Moghe等[8]得到的電流擾動(dòng)特征相似，且存在持續(xù)多周期的暫態(tài)電力擾動(dòng)。

3）電流擾動(dòng)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(dòng)幅值變化趨勢(shì)接近。

通過(guò)對(duì)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析得出電壓電流擾動(dòng)在持續(xù)時(shí)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(dú)特特征。當(dāng)電纜初期故障得不到有效檢測(cè)時(shí)，可以結(jié)合上述特征設(shè)計(jì)檢測(cè)算法。由于現(xiàn)場(chǎng)數(shù)據(jù)量較少，僅能得到上述相對(duì)明顯便于分析的特征變化，電纜初期故障暫態(tài)擾動(dòng)中存在的隱含特征需要采用更有效的方法進(jìn)行提取以便有效檢測(cè)。

1.2 電力擾動(dòng)發(fā)生的頻次特征

通過(guò)對(duì)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行觀察分析表明，電纜初期故障引發(fā)的電力擾動(dòng)出現(xiàn)頻次與絕緣永久失效之間具有明顯的關(guān)系。

Kojovic等[3]對(duì)一起電纜接頭絕緣失效前的電力擾動(dòng)進(jìn)行持續(xù)觀察。在電纜接頭損壞前發(fā)現(xiàn)監(jiān)測(cè)到的電壓電流擾動(dòng)出現(xiàn)頻率逐漸增加，擾動(dòng)出現(xiàn)在同一相且在電壓峰值附近發(fā)生。對(duì)電纜接頭故障原因進(jìn)行追溯發(fā)現(xiàn)，由于架空線端的電纜接頭存在缺陷，雨水進(jìn)入電纜與導(dǎo)體發(fā)生反應(yīng)形成氣體，氣體擠出浸入水分，形成自清除的絕緣閃絡(luò)。水分不斷重新積聚，反復(fù)閃絡(luò)使電纜絕緣逐漸損壞，最終引發(fā)永久性故障。上述一系列事件共導(dǎo)致更換了3個(gè)電纜接頭，每次更換前均檢測(cè)到電力擾動(dòng)，第1個(gè)接頭更換前擾動(dòng)由開(kāi)始的每天3次增加到12次；第2個(gè)接頭更換前擾動(dòng)由每天4次增加到8次，第3個(gè)接頭更換前也存在擾動(dòng)頻率逐漸增加的情況。在其他電纜線路上也監(jiān)測(cè)到此種電力擾動(dòng)，且在損壞之前一周內(nèi)，一根電纜上總共記錄下23個(gè)類似圖2所示擾動(dòng)。上述損壞接頭在永久故障前，均未觸發(fā)任何保護(hù)裝置動(dòng)作。

電力擾動(dòng)發(fā)生頻次與電纜絕緣失效的時(shí)間關(guān)系表明，隨時(shí)間推移，電力擾動(dòng)頻次逐漸增加，擾動(dòng)強(qiáng)度逐漸增強(qiáng)，文獻(xiàn)[6]和[8]的數(shù)據(jù)也給出了相似的結(jié)論。

圖3所示為文獻(xiàn)[8]中記錄到的第一個(gè)和最后一個(gè)電流擾動(dòng)波形，期間間隔9個(gè)月時(shí)間。可見(jiàn)隨著時(shí)間推移，擾動(dòng)電流幅值增大很多，說(shuō)明初期故障日趨嚴(yán)重。在電纜發(fā)生永久故障前，電流擾動(dòng)頻次逐漸增多，幅值逐漸升高。

從現(xiàn)場(chǎng)獲得的電纜初期故障電力擾動(dòng)特征可見(jiàn)：電纜初期故障伴隨著出現(xiàn)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(dòng)。盡管現(xiàn)場(chǎng)數(shù)據(jù)顯示出明確的電纜初期故障電力擾動(dòng)特征，但是觀察到的擾動(dòng)信號(hào)強(qiáng)弱及細(xì)節(jié)難以與故障點(diǎn)發(fā)生位置進(jìn)行關(guān)聯(lián)。進(jìn)一步對(duì)電纜初期故障的發(fā)生機(jī)理、檢測(cè)及故障定位方法的研究需要建立較為準(zhǔn)確的故障模型，以便對(duì)不同系統(tǒng)中電纜在不同故障位置下的電力擾動(dòng)傳播特征進(jìn)行研究。

2 電纜初期故障暫態(tài)電力擾動(dòng)的試驗(yàn)?zāi)M

鑒于需要安裝電壓電流波形監(jiān)測(cè)裝置，現(xiàn)場(chǎng)實(shí)際監(jiān)測(cè)到的電纜初期故障現(xiàn)象非常有限，為了進(jìn)一步研究其特征和發(fā)生機(jī)理，部分學(xué)者[3，9-11]通過(guò)試驗(yàn)方法模擬電纜絕緣缺陷產(chǎn)生的電力擾動(dòng)。

試驗(yàn)?zāi)M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(duì)地或者相對(duì)中性線間的絕緣缺陷點(diǎn)，對(duì)電纜進(jìn)行加壓試驗(yàn)，觀察電纜初期故障導(dǎo)致的電力擾動(dòng)。以熔斷器模擬絕緣缺陷可以通過(guò)熔斷器迅速實(shí)現(xiàn)故障電弧的自清除。由于試驗(yàn)電纜非常短，可以認(rèn)為觀察到的擾動(dòng)就是電纜局部缺陷點(diǎn)處的電力擾動(dòng)。

圖4所示為中壓電纜的試驗(yàn)接線和電流擾動(dòng)波形[3]。

圖5所示為低壓電纜中觀察到的間歇性電弧導(dǎo)致的電流和電壓波形[9]。試驗(yàn)是在不同環(huán)境下進(jìn)行的，相對(duì)于干燥條件下，電纜絕緣缺陷處存在水分時(shí)更易觸發(fā)間歇性電弧故障，且在試驗(yàn)過(guò)程中間歇性電弧故障未觸發(fā)保護(hù)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(guò)程是否能夠用熔斷器熔斷過(guò)程替代，尚無(wú)有說(shuō)服力的依據(jù)。

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(duì)低壓電纜進(jìn)行試驗(yàn)。圖6所示為試驗(yàn)中監(jiān)測(cè)到的電壓電流擾動(dòng)[10]，電壓波形表現(xiàn)為從峰值處開(kāi)始凹陷的次周期電壓擾動(dòng)，持續(xù)約1/4個(gè)工頻周期后電壓波形恢復(fù)正常，由于試驗(yàn)回路中未接入負(fù)載，電流擾動(dòng)波形表現(xiàn)為直流脈沖。該試驗(yàn)驗(yàn)證了缺陷電纜會(huì)出現(xiàn)間歇性電力擾動(dòng)，但未對(duì)電力擾動(dòng)波形特征進(jìn)行統(tǒng)計(jì)分析。

圖7所示為從低壓油浸紙絕緣電纜試驗(yàn)中觀察到的間歇性電弧放電電壓和電流[11]。該放電過(guò)程可能持續(xù)幾小時(shí)或幾分鐘，且出現(xiàn)次周期凹陷的電壓波形。試驗(yàn)?zāi)M了整個(gè)電纜絕緣失效過(guò)程，并表明電纜絕緣失效過(guò)程中電氣量變化趨勢(shì)與最終故障相關(guān)。

上述試驗(yàn)?zāi)M研究從最初的電流擾動(dòng)波形外部特征模擬到模擬電纜缺陷產(chǎn)生的電壓電流擾動(dòng)逐漸接近電纜運(yùn)行工況，但僅限于驗(yàn)證電纜絕緣缺陷會(huì)產(chǎn)生間歇性電力擾動(dòng)，并未對(duì)電力擾動(dòng)波形特征深入分析，沒(méi)有采用特征參數(shù)量化擾動(dòng)波形，對(duì)后續(xù)的檢測(cè)研究作用有限?，F(xiàn)有研究對(duì)低壓電纜初期故障導(dǎo)致的間歇性電力擾動(dòng)能夠較好地通過(guò)試驗(yàn)裝置進(jìn)行復(fù)現(xiàn)，但對(duì)于中、高壓電力電纜，在實(shí)驗(yàn)條件下對(duì)其進(jìn)行復(fù)現(xiàn)和研究尚未見(jiàn)報(bào)道。

3 基于暫態(tài)電力擾動(dòng)時(shí)頻特征的電纜初期故障檢測(cè)方法

電纜局部絕緣缺陷產(chǎn)生的暫態(tài)電力擾動(dòng)含有大量的時(shí)頻特征信息，大量研究通過(guò)不同方法提取擾動(dòng)中時(shí)頻特征參數(shù)并設(shè)定閾值檢測(cè)電纜初期故障。基于電力擾動(dòng)時(shí)頻特征的電纜初期故障檢測(cè)方法可以歸納為：1）基于暫態(tài)電流擾動(dòng)的時(shí)頻閾值法；2）基于暫態(tài)電壓擾動(dòng)的時(shí)頻閾值法；3）基于暫態(tài)電流電壓擾動(dòng)的時(shí)頻閾值法；4）暫態(tài)電力擾動(dòng)時(shí)序閾值法。

3.1 基于暫態(tài)電流擾動(dòng)的時(shí)頻閾值法

現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)表明，電纜初期故障導(dǎo)致電流波形出現(xiàn)反復(fù)的脈沖形態(tài)，基于暫態(tài)電流擾動(dòng)的時(shí)頻閾值法通過(guò)設(shè)置不同電流閾值和電流擾動(dòng)持續(xù)時(shí)間檢測(cè)電流脈沖型擾動(dòng)。具體方法有如下幾類[7，12-15]：

1）設(shè)置閾值為大于負(fù)荷電流k倍及持續(xù)時(shí)間小于n個(gè)工頻周期；這種閾值設(shè)置方法很難兼顧不同系統(tǒng)中電纜運(yùn)行條件下k和n的取值。對(duì)電流幅值較小的次周期擾動(dòng)會(huì)造成漏檢，且無(wú)法區(qū)分不同暫態(tài)電力擾動(dòng)；

2）根據(jù)次周期擾動(dòng)特征，以半周波以內(nèi)的高頻電流擾動(dòng)作為電纜初期故障檢測(cè)依據(jù)；

3）采用各種小波變換方法提取擾動(dòng)電流的細(xì)節(jié)，并設(shè)置閾值作為判別電纜初期故障依據(jù)。

上述各類方法中閾值的設(shè)定除文獻(xiàn)[12]外均由仿真數(shù)據(jù)確定，而目前缺乏公認(rèn)的電纜初期故障模型，仿真中的故障模型都是現(xiàn)有電弧模型或者根據(jù)現(xiàn)有電弧模型的改進(jìn)模型。此外，僅部分研究[13-15]將電纜初期故障擾動(dòng)與系統(tǒng)中其他擾動(dòng)進(jìn)行了區(qū)分研究。因?yàn)殡娎|初期故障僅發(fā)生在電纜出現(xiàn)嚴(yán)重局部絕緣損傷的階段，是一種并不常見(jiàn)的電流擾動(dòng)，有效地將電纜初期故障擾動(dòng)從其他擾動(dòng)中正確區(qū)分是避免誤檢的必要環(huán)節(jié)。

3.2 基于暫態(tài)電壓擾動(dòng)的時(shí)頻閾值法

現(xiàn)場(chǎng)監(jiān)測(cè)到的電纜初期故障暫態(tài)電壓擾動(dòng)數(shù)據(jù)報(bào)道較少，暫態(tài)電壓擾動(dòng)較為明顯的特征是電壓幅值的短時(shí)跌落?；跁簯B(tài)電壓擾動(dòng)的時(shí)頻閾值法通過(guò)設(shè)置不同的波形偏差量檢測(cè)電壓擾動(dòng)，具體方法有如下2類[16-19]：

1）設(shè)置閾值為電壓擾動(dòng)波形偏離參考波形的程度。這種參考波形的設(shè)定主要以正弦波或方波為基準(zhǔn)，結(jié)合擾動(dòng)持續(xù)時(shí)間進(jìn)行檢測(cè)，而閾值的設(shè)定依據(jù)樣本集，但所提算法通常計(jì)算量較小，便于在線實(shí)現(xiàn)。

2）設(shè)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(dòng)，而次周期電壓擾動(dòng)的頻率成分與多周期擾動(dòng)存在明顯的差異，僅以電壓總諧波畸變率作為檢測(cè)閾值不能通用。

上述研究分別利用電流、電壓擾動(dòng)作為電纜初期故障的特征電氣量，在電纜初期故障檢測(cè)的早期研究過(guò)程中，因?yàn)殡娏鲾_動(dòng)變化較大，便于采集，是被用于電纜初期故障檢測(cè)的主要電氣量；隨著對(duì)電纜初期故障研究的不斷發(fā)展，近幾年，電壓擾動(dòng)特征逐漸被用于電纜初期故障檢測(cè)，如文獻(xiàn)[19]中提出了考慮補(bǔ)償電壓擾動(dòng)沿線衰減的檢測(cè)方法。

3.3 基于暫態(tài)電流電壓擾動(dòng)的時(shí)頻閾值法

電纜初期故障暫態(tài)電流擾動(dòng)容易被其他擾動(dòng)干擾，而電壓擾動(dòng)特征會(huì)沿線衰減，通過(guò)電流電壓擾動(dòng)提取復(fù)合特征可進(jìn)一步提高檢測(cè)結(jié)果的可靠性[20-21]?；跁簯B(tài)電流電壓擾動(dòng)的時(shí)頻閾值法主要是結(jié)合電纜初期故障時(shí)三相電壓電流、零序電壓電流的變化特征形成復(fù)合判據(jù)作為檢測(cè)依據(jù)。復(fù)合判據(jù)的形成依賴于多種電氣量的同時(shí)變化，在增加可靠性的同時(shí)也增加了判據(jù)的復(fù)雜性，閾值的設(shè)定多依據(jù)經(jīng)驗(yàn)，容易忽視微小的暫態(tài)擾動(dòng)變化而造成漏檢。

3.4 暫態(tài)電力擾動(dòng)時(shí)序閾值法

電纜初期故障是一種間歇性電弧故障，故障持續(xù)時(shí)間內(nèi)電纜絕緣逐漸惡化，暫態(tài)電力擾動(dòng)逐漸加劇，通過(guò)擾動(dòng)波形的時(shí)序特征變化可以預(yù)警故障。具體方法有如下2類[22-25]：

1）根據(jù)暫態(tài)電力擾動(dòng)波形與參照標(biāo)準(zhǔn)的偏移量隨時(shí)間增大的特征設(shè)定閾值判別電纜初期故障；

2）根據(jù)暫態(tài)電力擾動(dòng)間隔時(shí)間逐漸減小的特征設(shè)定閾值判別電纜初期故障。

暫態(tài)電力擾動(dòng)的時(shí)序變化檢測(cè)方法主要是以離線數(shù)據(jù)集作為檢測(cè)的樣本集，為了使電纜絕緣狀態(tài)預(yù)警更具實(shí)際參考意義，需要建立電纜電壓電流長(zhǎng)期監(jiān)測(cè)機(jī)制以達(dá)到動(dòng)態(tài)在線監(jiān)測(cè)電纜絕緣的目的。但目前缺乏對(duì)電纜絕緣惡化狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)，這需結(jié)合大量實(shí)測(cè)數(shù)據(jù)或試驗(yàn)進(jìn)一步分析，量化時(shí)序特征參數(shù)變化范圍，以便設(shè)定閾值預(yù)警絕緣缺陷狀態(tài)。

4 基于人工智能技術(shù)的電纜初期故障檢測(cè)方法

隨著人工智能在電力系統(tǒng)中的廣泛應(yīng)用，人工智能檢測(cè)方法也被用于電纜初期故障檢測(cè)。人工智能方法能夠?qū)簯B(tài)電力擾動(dòng)信號(hào)與電纜絕緣缺陷的潛在關(guān)聯(lián)關(guān)系進(jìn)行建模，減少對(duì)電纜初期故障先驗(yàn)知識(shí)的依賴，加快檢測(cè)方法設(shè)計(jì)流程?，F(xiàn)有基于人工智能技術(shù)的電纜初期故障檢測(cè)方法可歸納為傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法兩大類。

4.1 傳統(tǒng)機(jī)器學(xué)習(xí)方法

傳統(tǒng)機(jī)器學(xué)習(xí)方法是人工智能研究領(lǐng)域在2000年以前的主要成果，用于檢測(cè)電纜初期故障的具體方法有如下幾類[26-34]。

4.1.1 決策樹(shù)（decision tree，DT）

決策樹(shù)是一種通過(guò)對(duì)輸入特征參數(shù)遞歸選擇決策樹(shù)中的分支確定事件類型的分類方法。決策樹(shù)需要提取暫態(tài)電力擾動(dòng)波形特征參數(shù)作為決策樹(shù)的輸入[26]，直接采用原始數(shù)據(jù)會(huì)導(dǎo)致檢測(cè)結(jié)果差，如文獻(xiàn)[27]中檢測(cè)精度僅為67.7%，同時(shí)集成多個(gè)決策樹(shù)融合權(quán)重形成隨機(jī)森林（random forest，RF） [28]方法可以提高檢測(cè)精度。

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

支持向量機(jī)是一種二分類方法，通過(guò)在特征空間內(nèi)求解最大間隔超平面實(shí)現(xiàn)分類，支持向量機(jī)的決策邊界僅依賴少量分類邊界處的支持向量，與訓(xùn)練的總體數(shù)據(jù)樣本無(wú)關(guān)，算法計(jì)算量小，結(jié)構(gòu)簡(jiǎn)單?；谥С窒蛄繖C(jī)的檢測(cè)方法能夠通過(guò)時(shí)間參數(shù)特征[29]、S變換（Stockwell transform，ST）提取的時(shí)頻參數(shù)特征[30]、7個(gè)擾動(dòng)相關(guān)的特征參數(shù)[31]識(shí)別電纜初期故障，其中文獻(xiàn)[31]中采用粒子群優(yōu)化算法（particle swarm optimization，PSO）提升支持向量機(jī)參數(shù)求解速度。但支持向量機(jī)僅適用于小樣本量分類，樣本量較大時(shí)容易產(chǎn)生不收斂等問(wèn)題。

4.1.3 人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）

人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)模擬生物學(xué)中的神經(jīng)網(wǎng)絡(luò)原理實(shí)現(xiàn)復(fù)雜非線性關(guān)系的映射，用于電纜初期故障識(shí)別的人工神經(jīng)網(wǎng)絡(luò)有自組織映射（self-organizing map，SOM）、概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）和自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)（adaptive linear neural network， Adaline）。自組織映射采用暫態(tài)擾動(dòng)的不同頻段特征作為輸入，通過(guò)不同擾動(dòng)特征之間的競(jìng)爭(zhēng)實(shí)現(xiàn)最終分類[32]；概率神經(jīng)網(wǎng)絡(luò)通過(guò)條件概率進(jìn)行分類，文獻(xiàn)[33]中以擾動(dòng)數(shù)據(jù)的諧波含有率作為輸入特征進(jìn)行擾動(dòng)識(shí)別，但僅考慮電纜初期故障和電容器投切2種擾動(dòng)類型；當(dāng)考慮計(jì)算速度時(shí)，自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)具有在線調(diào)整參數(shù)、計(jì)算速度快的特點(diǎn)，文獻(xiàn)[34]中利用自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)的權(quán)重因子變化特征構(gòu)建判據(jù)檢測(cè)電纜次周期、多周期電流擾動(dòng)。

上述檢測(cè)方法仍需要對(duì)擾動(dòng)信號(hào)進(jìn)行預(yù)處理以提取特征參數(shù)，存在提取擾動(dòng)信號(hào)局部特征能力不足、檢測(cè)時(shí)間窗過(guò)長(zhǎng)、同時(shí)對(duì)于微小的擾動(dòng)檢測(cè)存在漏檢等問(wèn)題。但傳統(tǒng)機(jī)器學(xué)習(xí)方法簡(jiǎn)化了分類器設(shè)計(jì)流程，在對(duì)電纜初期故障沒(méi)有深入了解的情況下也能實(shí)現(xiàn)有效檢測(cè)。

4.2 深度學(xué)習(xí)方法

深度學(xué)習(xí)方法利用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)強(qiáng)化對(duì)擾動(dòng)信號(hào)的特征提取過(guò)程，隨神經(jīng)網(wǎng)絡(luò)層數(shù)增加逐步表征局部特征到整體特征，所需先驗(yàn)知識(shí)更少，對(duì)擾動(dòng)數(shù)據(jù)僅需簡(jiǎn)單處理即可進(jìn)行電纜初期故障檢測(cè)。深度學(xué)習(xí)是現(xiàn)階段人工智能研究中的熱點(diǎn)方向，用于檢測(cè)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(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）

卷積神經(jīng)網(wǎng)絡(luò)是一種具有局部連接、權(quán)重共享等特性的深層前饋神經(jīng)網(wǎng)絡(luò)，采用多層神經(jīng)網(wǎng)絡(luò)時(shí)參數(shù)較多、網(wǎng)絡(luò)龐大。為解決卷積神經(jīng)網(wǎng)絡(luò)的過(guò)擬合問(wèn)題，文獻(xiàn)[35]中通過(guò)隨機(jī)函數(shù)和自適應(yīng)學(xué)習(xí)率優(yōu)化提升準(zhǔn)確率；為增強(qiáng)噪聲條件下擾動(dòng)識(shí)別的準(zhǔn)確性，文獻(xiàn)[36]中通過(guò)變分模態(tài)分解（variational mode decomposition，VMD）提取時(shí)頻特征后作為卷積神經(jīng)網(wǎng)絡(luò)輸入進(jìn)行擾動(dòng)識(shí)別。

4.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）

相比于卷積神經(jīng)網(wǎng)絡(luò)的局部特征提取能力，循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)，能夠檢測(cè)擾動(dòng)之間的時(shí)序相關(guān)性。徐子弘等[37]為解決循環(huán)神經(jīng)網(wǎng)絡(luò)存在的梯度爆炸或消失的問(wèn)題，采用門控循環(huán)單元（gated recurrent unit， GRU）簡(jiǎn)化循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于檢測(cè)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(jīng)網(wǎng)絡(luò)，它被訓(xùn)練成使用大量樣本逼近復(fù)雜的高維概率分布。電纜初期故障檢測(cè)中應(yīng)用的深度生成模型有自動(dòng)編碼器（auto-encoder，AE）和受限玻爾茲曼機(jī)（restricted boltzmann machine，RBM）2種，它們能夠?qū)⑤斎氲母呔S特征降維成低維的淺層特征。為避免自動(dòng)編碼器降維時(shí)直接輸入原始波形維度過(guò)高，可以采用S變換[38]、平穩(wěn)小波變換（stationary wavelet transform， SWT）[39]提取擾動(dòng)信號(hào)初級(jí)特征，文獻(xiàn)[39]中為提升對(duì)電流擾動(dòng)信號(hào)的稀疏性和減小建模誤差采用非負(fù)約束自編碼器（non-negative constraint autoencoder， NCAE）。為進(jìn)一步減少人為特征提取環(huán)節(jié)，自動(dòng)編碼器與受限玻爾茲曼機(jī)的組合算法[40-41]可以實(shí)現(xiàn)輸入原始擾動(dòng)波形對(duì)特征進(jìn)行直接提取，其中文獻(xiàn)[41]中采用堆疊受限玻爾茲曼機(jī)形成深度信念網(wǎng)絡(luò)（deep belief network，DBN）。上述檢測(cè)算法均采用堆疊自動(dòng)編碼器（stacked auto-encoder，SAE）且在提取特征后均采用softmax分類器進(jìn)行電纜初期故障識(shí)別，其中文獻(xiàn)[40]表明僅降維處理時(shí)間就遠(yuǎn)大于擾動(dòng)持續(xù)時(shí)間，算法運(yùn)行速度提升有限。

4.2.4 小樣本學(xué)習(xí)（few-shot learning，F(xiàn)SL）

類人概念學(xué)習(xí)（human-level concept learning，HLCL）[42]是一種小樣本學(xué)習(xí)方法，在較少的現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)條件下可以自動(dòng)學(xué)習(xí)擾動(dòng)數(shù)據(jù)的結(jié)構(gòu)特征，并通過(guò)特征組合形成不同的擾動(dòng)波形，該方法擴(kuò)展了擾動(dòng)數(shù)據(jù)集，彌補(bǔ)了小數(shù)據(jù)集難以采用深度學(xué)習(xí)方法的缺點(diǎn)，但數(shù)據(jù)集由算法生成，數(shù)據(jù)集的可信度尚待驗(yàn)證。

人工智能檢測(cè)方法能夠?qū)崿F(xiàn)電纜初期故障檢測(cè)且具備較高的準(zhǔn)確率，傳統(tǒng)機(jī)器學(xué)習(xí)方法結(jié)構(gòu)簡(jiǎn)單，分類器設(shè)計(jì)相對(duì)簡(jiǎn)單，但需要較多的先驗(yàn)知識(shí)；深度學(xué)習(xí)方法結(jié)構(gòu)復(fù)雜，需要較少的先驗(yàn)知識(shí)，但分類器結(jié)構(gòu)復(fù)雜。人工智能檢測(cè)方法所需龐大的樣本數(shù)據(jù)集和深度學(xué)習(xí)算法中海量的參數(shù)、復(fù)雜的結(jié)構(gòu)使提出的檢測(cè)算法不便實(shí)際應(yīng)用，僅停留在理論驗(yàn)證階段。目前的人工智能檢測(cè)方法往往為提高檢測(cè)精度而增加算法復(fù)雜程度，較少評(píng)價(jià)在相近算法復(fù)雜程度下的檢測(cè)方法有效性。為便于人工智能檢測(cè)方法實(shí)際應(yīng)用，后續(xù)的研究需要在保持檢測(cè)準(zhǔn)確率的同時(shí)盡量減少輸入特征參數(shù)，簡(jiǎn)化提取擾動(dòng)參數(shù)流程。

不同人工智能方法的電纜初期故障檢測(cè)方法如表1所示。

5 電纜初期故障在線檢測(cè)技術(shù)現(xiàn)狀及展望

在電纜運(yùn)行過(guò)程中，電纜初期故障現(xiàn)象僅出現(xiàn)在其生命周期末期，該現(xiàn)象頻繁出現(xiàn)后，距離永久性故障往往只有數(shù)天到數(shù)周的時(shí)間，因此在線檢測(cè)技術(shù)及時(shí)發(fā)現(xiàn)初期故障征兆具有重要的意義。在線檢測(cè)往往需要多個(gè)或者多點(diǎn)同步數(shù)據(jù)的配合，目前獲得多點(diǎn)電流電壓同步信號(hào)已非技術(shù)難題，電纜初期故障產(chǎn)生的暫態(tài)電力擾動(dòng)信號(hào)可由電壓電流互感器、波形檢測(cè)單元等信號(hào)采集裝置獲取[43-44]，并在線分析擾動(dòng)數(shù)據(jù)及時(shí)檢測(cè)擾動(dòng)。下面針對(duì)現(xiàn)有尚不完善的電纜初期故障在線檢測(cè)技術(shù)進(jìn)行分析。

第3、4節(jié)綜述的電纜初期故障檢測(cè)方法中，由于算法復(fù)雜性的差異，大多數(shù)方法難以在檢測(cè)到擾動(dòng)的時(shí)刻，立即確定該擾動(dòng)是否為電纜初期故障引發(fā)的電力擾動(dòng)，而是需要進(jìn)一步的分析，這將延遲故障檢測(cè)的時(shí)間。其中文獻(xiàn)[7]和[10]中提出的方法，可以在線實(shí)現(xiàn)。文獻(xiàn)[7]中的方法通過(guò)仿真驗(yàn)證了算法的有效性，所提電流保護(hù)算法已經(jīng)集成在專門的檢測(cè)裝置中，但未測(cè)試該方法對(duì)不同電流擾動(dòng)的有效性。文獻(xiàn)[10]中采用2種電流采集裝置在線檢測(cè)電纜中的過(guò)電流擾動(dòng)，以超過(guò)負(fù)荷電流均方根80%的電流值為閾值，采集的電流擾動(dòng)數(shù)據(jù)中還包含涌流擾動(dòng)，該方法可通過(guò)電纜次周期電流擾動(dòng)與涌流的過(guò)流時(shí)間差異區(qū)分?jǐn)_動(dòng)。

此外，文獻(xiàn)[45-48]中提出的方法均具有一定在線實(shí)現(xiàn)的優(yōu)勢(shì)，但因?yàn)閮H對(duì)擾動(dòng)信號(hào)來(lái)源識(shí)別，或者算法復(fù)雜，或?qū)?shù)據(jù)采樣精度要求極高，實(shí)現(xiàn)電纜初期故障的在線檢測(cè)尚有難度。

總之，電纜初期故障在線檢測(cè)理論上可以實(shí)現(xiàn)，主要問(wèn)題是與其他擾動(dòng)的區(qū)分，這需要對(duì)電纜初期故障擾動(dòng)的細(xì)節(jié)進(jìn)行研究，找出與電力系統(tǒng)中其他擾動(dòng)之間的差異。研究電纜初期故障的機(jī)理和模型是解決該問(wèn)題的有效途徑。

另外，目前尚未見(jiàn)報(bào)道電纜初期故障定位的研究?jī)?nèi)容，電纜初期故障定位對(duì)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(dòng)在電纜上的傳播特征，以便建立故障點(diǎn)與數(shù)據(jù)監(jiān)測(cè)點(diǎn)之間的關(guān)聯(lián)。

根據(jù)上述對(duì)電纜初期故障電力擾動(dòng)特征及檢測(cè)方法的綜述和分析，可見(jiàn)現(xiàn)有檢測(cè)技術(shù)尚無(wú)法滿足要求。主要問(wèn)題和進(jìn)一步的研究建議如下。

1）深入和全面的實(shí)驗(yàn)研究和機(jī)理分析

電纜初期故障檢測(cè)研究的數(shù)據(jù)主要為少量現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)、大量仿真數(shù)據(jù)，采用的研究主要依靠仿真，但現(xiàn)有的電纜初期故障模型并不能完整描述電纜初期故障?，F(xiàn)場(chǎng)數(shù)據(jù)集需要長(zhǎng)期監(jiān)測(cè)電纜運(yùn)行中的電壓電流數(shù)據(jù)，獲取數(shù)據(jù)存在周期長(zhǎng)、效率低且可能難以獲得等問(wèn)題；而采用實(shí)驗(yàn)方式獲取數(shù)據(jù)是快速、便捷的有效手段，能夠模擬電纜運(yùn)行中的各種環(huán)境狀態(tài)和電纜絕緣缺陷的發(fā)展過(guò)程。通過(guò)大量試驗(yàn)數(shù)據(jù)分析電力擾動(dòng)數(shù)據(jù)特征，并結(jié)合現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)，有助于更加全面地認(rèn)識(shí)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(tài)電力擾動(dòng)特征

大部分現(xiàn)場(chǎng)得到的實(shí)測(cè)波形為電流波形，電壓波形較少，而電壓波形由于受到系統(tǒng)和電纜參數(shù)的影響，擾動(dòng)發(fā)生點(diǎn)與監(jiān)測(cè)點(diǎn)的波形特征可能存在極大的差異，對(duì)進(jìn)一步分析擾動(dòng)特征量造成困難；由于無(wú)法獲得擾動(dòng)發(fā)生點(diǎn)的原始擾動(dòng)波形，對(duì)研究分析擾動(dòng)在系統(tǒng)中的傳播也造成困難，而且對(duì)驗(yàn)證檢測(cè)方法的有效性也形成障礙。這需要結(jié)合試驗(yàn)的就地電壓波形及電力系統(tǒng)中的各設(shè)備參數(shù)進(jìn)行關(guān)聯(lián)分析，研究電壓沿電纜線路的傳遞規(guī)律，研究暫態(tài)電力擾動(dòng)在電力系統(tǒng)中的影響因素。

3）電纜初期故障定位研究

電纜初期故障準(zhǔn)確定位是急需進(jìn)一步研究的重要問(wèn)題。電力電纜由于其隱蔽敷設(shè)的特點(diǎn)，故障點(diǎn)尋找相對(duì)耗時(shí)且維護(hù)困難。重復(fù)的初期故障顯現(xiàn)時(shí)，已經(jīng)到了電纜即將永久故障階段，因此準(zhǔn)確的故障檢測(cè)及定位，對(duì)降低電纜永久故障造成的非計(jì)劃停電概率有非常重要的作用。

4）建立電纜運(yùn)行中擾動(dòng)數(shù)據(jù)的長(zhǎng)期在線監(jiān)測(cè)系統(tǒng)

電纜初期故障是永久性故障的先兆，但目前多數(shù)電纜研究?jī)H在電纜故障后展開(kāi)，對(duì)絕緣缺陷導(dǎo)致的暫態(tài)電力擾動(dòng)特征關(guān)注程度不足，不能達(dá)到早期預(yù)警的目的。建立在線監(jiān)測(cè)系統(tǒng)能夠獲取現(xiàn)場(chǎng)數(shù)據(jù)，可以深入認(rèn)識(shí)暫態(tài)擾動(dòng)現(xiàn)象，有利于在后續(xù)研究中將在線監(jiān)測(cè)系統(tǒng)轉(zhuǎn)換為在線檢測(cè)系統(tǒng)，為檢測(cè)方法實(shí)際應(yīng)用創(chuàng)造有利的前提條件，同時(shí)結(jié)合電纜初期故障定位形成完善的電纜初期故障診斷系統(tǒng)，這將形成新的電纜絕緣狀態(tài)在線監(jiān)測(cè)體系。

6 結(jié)? 論

電纜初期故障產(chǎn)生的暫態(tài)電力擾動(dòng)表明電纜絕緣即將完全損壞，及時(shí)對(duì)絕緣狀態(tài)預(yù)警可以預(yù)防發(fā)生永久性故障。電纜初期故障檢測(cè)技術(shù)以電壓電流擾動(dòng)特征為檢測(cè)依據(jù)，目前提出的檢測(cè)方法能夠解決一部分理論問(wèn)題，但仍存在檢測(cè)算法復(fù)雜、在線實(shí)現(xiàn)困難的問(wèn)題。當(dāng)電纜初期故障檢測(cè)技術(shù)的實(shí)用性研究取得進(jìn)展后，基于暫態(tài)電力擾動(dòng)的電纜絕緣缺陷檢測(cè)方法有望成為一種新型電纜絕緣狀態(tài)在線監(jiān)測(cè)手段。

參考文獻(xiàn)

［1］? 趙愛(ài)華， 李偉， 葉劍濤， 等. 超聲波局部放電檢測(cè)法在電纜終端中的應(yīng)用[J]. 重慶大學(xué)學(xué)報(bào)， 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(jìn)， 等. 基于改進(jìn)時(shí)頻域反射法的電力電纜局部缺陷定位[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 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(jù)和時(shí)頻特征關(guān)聯(lián)的電纜早期故障檢測(cè)和識(shí)別方法[J]. 電力系統(tǒng)保護(hù)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(tǒng)電纜早期故障檢測(cè)[J]. 內(nèi)蒙古電力技術(shù)， 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(fù)合判據(jù)的小電流接地系統(tǒng)接地型早期故障檢測(cè)[J]. 高電壓技術(shù)， 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(tài)監(jiān)測(cè)[J]. 高電壓技術(shù)， 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(wěn)小波變換與隨機(jī)森林的電纜早期故障識(shí)別方法[J]. 電工電能新技術(shù)， 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(cè)與識(shí)別方法探討[D]. 成都： 西南交通大學(xué)， 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(fēng)， 肖先勇， 等. 基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的電纜早期故障分類識(shí)別[J]. 電力系統(tǒng)保護(hù)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(jīng)網(wǎng)絡(luò)的電纜早期故障檢測(cè)和識(shí)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(dòng)編碼器與S變換相結(jié)合的電纜早期故障識(shí)別方法[J]. 電力自動(dòng)化設(shè)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(fù)約束自動(dòng)編碼器在電纜早期故障識(shí)別中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)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.