电力电缆局部放电的趋势评估方法

, , , ,

(1.兴义供电局,贵州 兴义 5624002; 2.苏州光格设备有限公司,江苏 苏州 215123)

对电力电缆工作状态的监测是输配电网的重点所在.目前检测的方法和对象有多种类型,其中局部放电是衡量电缆绝缘劣化程度的重要指标.局部放电(Partial Discharge,PD)是指在强电场的作用下,绝缘系统中导体间的绝缘介质内部所发生的局部击穿.受制作工艺、施工破损、绝缘老化等因素的影响,电力电缆在运行过程中会导致不同程度的局部放电.随着绝缘缺陷的不断恶化,局部放电会越来越严重,直至绝缘层被击穿.这是一个长期发展不断恶化的过程.同时不同的环境温湿度、电气干扰等也会对局部放电造成影响和波动[1-2].因此,单次或短期之内的局部放电检测结果,不足以作为电缆局部放电的诊断依据,而对局部放电长期的发展趋势作出准确的评估则至关重要.目前业内对放电趋势的定量计算比较缺乏,大多采用人为查看趋势图谱的方法,也有采用变比、价量趋势(Price/Volume Trend,PVT)等简单的计算方式[3-4].局部放电评估时,除了判别放电类型外,一般使用放电量幅值和放电重复率(频次)来表征局部放电的严重程度.本文就放电类型的概率评估、放电量幅值和放电重复率的趋势评估提出定量计算的方法,可以为电缆局部放电的诊断提供可靠依据.

1 电缆局部放电的单次检测方法

电力电缆在出厂前一般会进行严格的局部放电检测,但在电缆安装施工时由于操作、工艺、环境等原因可能会对电缆造成一定的损伤,尤其是电缆接头处由于接头制作及熔接的工艺水平的影响,在投运后发生局部放电的概率会更高.为了保障电缆的正常运行,经过耐压测试后,仍需要对投运后的电缆进行局部放电检测.一般采用周期性局部放电巡检或在线局部放电监测[5]两种方式,以便动态掌握电缆局部放电的发展情况,及时做好相关的保护措施.

究其原理而言,局部放电是一种高频放电脉冲信号,利用其声光电磁等特性,可以通过超声波、红外光、电磁互感等不同类型的传感器将其放电信息耦合到检测系统中.目前,针对电力电缆的局部放电检测多使用高频电流传感器(High Frequency Current Transformer,HFCT),其有效检测频带一般达到0.03～30 MHz,甚至100 MHz[1-2].

高频脉冲的局部放电电流耦合到HFCT中,再通过同轴电缆线传入局部放电采集器,经过AD转换和一系列的信号处理,可以从中提取放电脉冲数据.由于局部放电脉冲的工频相关性,每次采集应不低于一个工频周期,又由于其高频和随机特性,往往需要使用数据统计的手段来进行分析,因此每次采集需要收集足够多的脉冲数据样本.对脉冲数据样本进行分析时,考虑到现场电缆局部放电检测会受到诸多复杂的背景噪声或其他电气的干扰,必须对脉冲数据进行分类识别:一般先根据脉冲时频特性上的差异进行分离,然后再结合其相位分布特性来进行类型识别[6-7].经过分类识别后,对每种类型的放电源脉冲进行统计,可以得出其综合放电量(一般使用最大值、95%最大值、平均值等统计量来表征)和重复率(频次)作为一次局部放电检测放电评估的最终表征参量.

图1是贵州兴义一隧道内某110 kV电缆B相3#接头的一次局部放电检测形成的脉冲相位放电(Phase Resolved Pulse Sequence,PRPD)图谱,经过等效时频分离[6]后形成两个聚集点簇,分别圈选后形成3个分类点簇(未选中的离散孤立点默认为第0个分类点簇).

图1 分类映射PRPD图谱

对分离过后得到的3个脉冲点簇,进行放电相位特征统计,取得相位分布的偏度、峰度、正负半周对称度、正负半波互相关系数等一系列特征参量,再与典型放电特征指纹库进行比对,得到各自的放电类型相似度[5,7].本文以电晕、表面放电、内部放电3种典型局部放电类型为例,分类识别的统计结果如表1所示.表1中,综合放电量的计算使用95%最大放电量,因为统计学上最大值往往具有较大的随机性,通常选取99%或95%的置信区间,在此使用第95个百分位的数值作为最高值,代表样本中95%的数不超过该值,而超过的5%作为偶然的瞬时跳变被舍弃,使统计更加符合实际.

表1 单次检测放电类型统计

考虑到现场放电干扰不可避免,以及人为分类误差,采用不同类型的放电源和概率统计相结合的方式来定量计算会得到相对准确的结果.按照各个分类脉冲点簇的相似度及其脉冲个数占比,分别计算各放电类型存在的概率为:

(1)

式中:type——放电类型;

c——分类点簇序号;

C——分类点簇总数;

Utype——某一类放电的相似度;

Utype[c]——第c个分类点簇属于某一类放电的相似度;

Np type[c]——第c个分类点簇的脉冲个数占比.

如表1所示,该次检测存在电晕放电、表面放电、内部放电、噪声的概率分别为:

而各放电类型的放电量大小和次数难以从上述概率的角度来确定,因为这本身属于一种模糊的相似度划分分类方法.因此,必须回归到传统的硬聚类划分方法,即每一分类点簇由其最大的放电类型相似度来决定其类型归属,以取得对应放电类型的放电量和频次.如表1所示,点簇c0和c1属于噪声,c2属于电晕放电,因此噪声和电源放电的放电量大小和次数为:

Qnoise=Q[0]=57 pC

Nnoise=N[0]+N[1]=3 957

Qcorona=Q[2]=72 pC

Ncorona=N[2]=1 043

剩下的其他两种放电类型(表面放电和内部放电)没有获得任何一个点簇的类型归属,而其存在的概率又大于零,则取其中最小值即可:

放电次数N与采集时长有关,不便用作放电频次的统计,因此必须除以时间,得到单位时间(通常取1 s)内的放电次数,即脉冲放电重复率(或频次).一次检测的最终评估结果由各放电类型的相似度、放电量、放电重复率3个最主要的参数组成,如表2所示.

表2 单次局部放电检测的放电评估结果

2 放电趋势评估方法

分类概率评估后的结果更加清晰准确.若只作单次的检测,给出这样的结果就可以了.然而单次的局部放电检测评估只能表征当时环境下的放电情况,偶然性和干扰因素的影响都较大,因此参考意义并不大,更为重要的是通过对较长一段时间的多次检测,评估其发展趋势.

放电趋势评估要以单次检测为统计评估单元,要求单次检测的方法和各项参数尽量保持一致,以增强可比性,同时,单次的评估方法(包括人工分类、计算方式)也必须尽量一致和精确.最终的评估结果也要给出各放电类型存在的总体概率、放电量、重复率以及放电趋势的定量指标.

在一段时间内进行放电趋势评估,如果检测次数较少,趋势评估没有太大的意义,直接使用均值计算各个参量即可;如果检测的次数太多,计算比较复杂且细节波动影响太多,不利于直接作趋势评估,需要压缩评估样本数.例如在线监测系统每10 min采集一次,评估一年之内的放电趋势,样本数据太多.这时一般采用两种方法进行评估:一是抽样评估,即分段抽取样本进行趋势评估,如一个月只抽取一组采集数据作为其一个月的放电样本进行趋势评估,这样计算比较简单,但信息量损失较大,计算结果的误差不可避免;二是分级评估,即分不同的时间单元作趋势评估,汇总后再升级评估,如先每天收集各次采集数据作一次趋势评估,再每个月按照各天的评估结果进行趋势评估,最后升级到一年各月进行趋势评估,该评估层次比较分明,结果更加精确.为了方便统一,不管是一次采集还是一天、一周或一个月作为评估单元,在此统称“轮”,即后叙的趋势评估以一轮采集作为评估单元.

局部放电趋势分析的目的在于关注长期趋势.为了抑制或排除其他的短期波动因素,先使用移动平均法[8]进行平滑处理,然后假定局部放电呈线性趋势而作线性拟合(为了更加精确,也可以使用抛物线、指数曲线拟合等更复杂的方式),根据拟合得到的直线斜率来判定上升、下降或是水平趋势.另外,对于放电类型的相似度,依然可以采用概率统计的方式来计算.整个放电趋势评估的流程如图2所示.

图2 放电趋势评估流程

移动平均是选择一定的平均项数(常用N表示,N越大则平滑作用越强),采用逐项递移的方法对原时间序列计算一系列序时平均值,以消除或削弱原序列中的不规则变动,更能体现长期的基本发展趋势.

设时间序列为:Y0,Y1,Y2,…,Yn-1,则取N=3项平均移动后得到新的序列为:

(2)

线性拟合后的斜率代表平均增长量,斜率的计算公式为:

(3)

式中:ti——第i个时间序号;

Yi——第i个序列数值.

按照公式可分别计算出各放电类型的放电量和重复率的平均增长量kQ和kNs,大于零时为增长趋势,小于零时为衰减趋势,等于零时为平稳趋势.

平均项数N的选取,应根据样本的数量及局部的波动幅值而定:不宜过大以致过度平滑,也不宜过小以致丧失对局部波动的抑制.实际应用时,可以从[3,样本总数/10]区间内进行选取和比对,最终得出合适的N值.

对于放电类型存在的总体概率,需要统计其在各轮采集中的相似度U[r]及重复率Ns[r],其计算公式为:

(4)

式中:r——采集轮数序号;

R——采集轮数总数;

Utype[r]——第r轮采集属于某一类放电的相似度;

Ns type[r]——第r轮采集的脉冲重复率.

对于各放电类型的放电量和重复率,则依然按照95%最大值选取即可.

2016年6月贵州兴义一隧道内某10 kV电缆3#接头发现表面放电的概率突然变大,达到46%,原因是附近一段电缆由于施工导致外层绝缘发生部分破损,经过修复后继续使用.图3为其表面放电相似度的趋势图(以10天为一轮统计),在6月以前只有1.5%左右,6月跃变到46%左右,过后则下降至24%左右.通过式(4)可以计算得到表面放电存在的总体概率为22.23%.

图3 表面放电相似度

考察其放电量和重复率,如图4和图5所示.6月之前的放电量和重复率趋势非常平缓,6月之后明显变大,但趋势略微有些上扬,全年的总体趋势变大.经过移动平均后使用式(3)计算6月以前放电量和重复率的平均增长率,趋近于零,6月以后平均增长率略微变大.如果不考虑6月的跃变,计算全年的平均增长率则明显为正,计算结果如表3所示.

因此,从结果来看与曲线的走势比较相符,表明6月之前放电比较平缓,但6月之后放电略微变大,总体呈恶化的趋势.

图4 表面放电的放电量趋势及其移动平均趋势

图5 表面放电的重复率趋势及其移动平均趋势

时 间总体相似度/%放电量平均增长率/(pC·10d-1)重复率平均增长率/[(次·s-1·10d-1]2016年1月至5月1.580.054-0.0412016年7月至12月24.730.3780.6612016年1月至12月22.232.4252.224

3 结 语

本文从局部放电检测后的分类识别出发,采用统计学的概率统计和95%置信区间来定量计算一次局部放电检测的放电概率及其放电量、重复率等重要参量;给出了趋势评估的统计单元方法,使用移动平均法来定量计算放电量和重复率的平均增长率,并给出总体放电概率的定量计算方法.将提出的趋势评估方法应用于贵州兴义一局部放电实例,最终的计算结果与实际放电情况相符,因此可以作为局部放电诊断的重要依据.

[1] 郭灿新,张丽,钱勇,等.XLPE电力电缆中局部放电检测及定位技术的研究现状[J].高压电器,2009,45(3):56-60.

[2] 刘志炜.交联聚乙烯电缆局放系统的应用研究[J].电线电缆,2013(3):28-31.

[3] 李学锋,黄成军,钱勇,等.局部放电趋势分析方法初步研究[J].高压电器,2007,43(6):409-415.

[4] 王燕,贺景亮,郑鹏,等.油纸绝缘局部放电发展趋势及监测参数选取[J].高电压技术,2002,28(8):24-25.

[5] 路明,邢亮,祝晓辉,等.局部放电在线监测系统在配电网电缆中的应用[J].河北电力技术,2013,32(6):10-12.

[6] CAVALLINI A,MONTANARI G C,FABIANI D,etal.Advanced technique for partial discharge detection and analysis in power cables[C]//Int. Conf. on Condition Monitoring & Diagnostic Engineering Management of Power Station,2009:1-4.

[7] CAVALLINI A,MONTANARI G C,CONTIN A,etal.A new approach to the diagnosis of solid insulation systems based on PD signal inference[J].IEEE Elect,Insul.Mag.,2003,19(2):23-30.

[8] 白雪梅,赵松山.移动平均法应用之我见[J].统计教育,2001(1):20-22.