高频高压激励电缆故障测距是提高电缆输出稳定性的关键。随着电网规模的不断增大, 高频高压激励电缆的使用里程也不断增加, 但其受到使用环境等因素的影响, 容易出现故障, 因此构建高频高压激励电缆故障优化检测模型十分必要。

根据高频高压激励电缆的主要故障类别分布^[1]进行故障检测, 相关的检测和测距方法研究受到了的极大关注^[2]。目前, 高频高压激励电缆故障的测距和检测定位方面已经取得了一定的研究成果。对高频高压激励电缆的故障测距和检测是建立在对故障数据挖掘和自适应特征提取的基础上, 并结合了对电缆的逆变特征分析和谱特征提取^[3]。文献[4]提出了基于径向基函数自适应神经模糊推理的短期电力负荷预测方法, 构建了高频高压激励电缆故障的传感信息分布模型, 采用关联特征分析和输电负荷检测方法, 实现了电缆故障测距和检测, 但该方法的自适应性不好, 特征辨识能力不够。文献[5]提出了一种基于链路转发控制的高频高压激励电缆故障的快速检测算法, 采用链路均衡控制模型构建了检测模型, 但该方法的计算复杂度较高。针对传统方法存在的问题, 本文提出了一种基于延时电路的高频高压激励电缆故障测距方法。构建延时电路结构, 采用贝叶斯网络特征分解模型自适应机器学习和特征融合方法进行故障测距和优化检测, 对电流故障输出的收敛性进行判断, 最后通过测试分析得出有效性结论。

为了实现基于延时电路的高频高压激励电缆故障测距, 结合弱电网条件下的运行稳定性监测方法进行电力特征分析和参数识别^[6]。利用广义奈奎斯特判决方法, 得到高频高压激励电缆故障测距的约束参数为

$ R = {R_{{\rm{dc}}}} + \frac{\psi }{3}{\Delta ^4}{R_{{\rm{dc}}}}\frac{{I^\prime }}{{\omega I}} $

(1)

式中:R_dc——故障测距系数;

ψ——漏磁电感;

Δ——故障测距系数变化量;

ω——比例阀增益;

I——负载黏性阻尼系数。

将高频高压激励电缆的输入饱和误差视为不确定的, 对整个电缆进行抗饱和补偿。漏磁电感和励磁电感的计算精度会直接影响谐振性能, 因此采用直接分析的方法进行输出增益调节^[7], 得到最大功率跟踪的控制指令。故障测距增益为

$ {G_{\rm V}} = \left( {\frac{{{R_{\rm dc}}}}{{{Z_3}}} - \frac{{{Z_2}}}{{{Z_1}}}} \right) \times R $

(2)

式中:Z₁, Z₂, Z₃——高频高压下控制电压的均衡调度系数。

采用混合双馈入直流输电故障测距方法, 对电缆的输出电压进行误差补偿^[8]。不同电网强度和不同控制参数下的故障测距增益为

$ \frac{{{{R}_{\rm eq}}}}{{{Z_3}}} = \frac{{{R_{\rm dc}}{G_{\rm V}}}}{{{{R}_{\rm eq}} + {Z_{\rm s}}}} $

(3)

式中:R_eq——模糊控制器的输入向量;

Z_s——负载刚度。

利用虚拟同步控制算法(利用虚拟现实自动维护电力系统的稳定, 实现高频高压激励电缆故障的自主并联的算法)进行电缆故障测距^[9], 通过无功指令控制生成励磁电压, 从而调节输出的稳定性, 得到的谐波整流输出为

$ \frac{{{Z_2}}}{{{Z_1}}} = \frac{{{Z_{\rm{m}}}({{R}_{{\rm{eq}}}} + {Z_{\rm{s}}})}}{{{Z_{\rm{p}}}({R_{{\rm{eq}}}} + {Z_{\rm{m}}} + {Z_{\rm{s}}})}} $

(4)

式中:Z_m, Z_p——负载刚度。

当转子励磁电压的参考值在稳定状态时, 通过模糊反馈调节方法进行稳定性调节和自适应故障测距^[10]。

构建高频高压激励电缆故障测距的延时电路结构^[11], 如图 1所示。

采用贝叶斯网络特征分解模型进行故障特征检测, 得到电缆的系统惯性响应特性输出稳定参数。在阻抗矩阵中, 采用直流故障测距的方法进行电缆整流和滤波检测, 模糊度为μ, 构建故障测距优化参数调节模型^[12]。

在电缆轴向偏移的稳定性调节过程中, 建立模糊参数集, 得到模糊反馈调节的自适应规律。同时, 进行延时电路的约束参数分析, 以提高故障测距的准确性^[13]。

高频高压激励电缆故障检测流程如图 2所示。

采用电压输出稳定性测试方法提取电缆故障的高分辨频谱特征, 根据电缆的输出电压和负载差异性进行延时电路控制和负载均衡调度^[14]。信道传输的实信号模型及包络表达式为

$ y\left( t \right) = u\left( t \right) - {\omega _{\rm C}}s(t - \tau ) $

(5)

式中:u(t)——特征分解系数;

ω_C——线路电阻;

s(t－τ)——整体阻尼可控电压。

采用节点电压法对故障数据进行时域分析, 输出欠阻尼振荡分量。根据故障数据的统计特征序列预测期望值m_k和标准差ε_k, 判断电流故障输出的收敛性。根据负荷差异性特征进行故障测距和优化检测, 采用多层隐藏层逐步检测的方法, 即多层依次排查检测, 得到故障特征分布的时频分量特征为

$ {\hat f_{\rm{i}}}(n) = \frac{1}{{2\pi }}{n_{\rm{r}}}(k) + {n_{\rm{i}}}(k) $

(6)

式中:n_r(k), n_i(k)——故障特征的干扰特征的实部和虚部。

若n_r(k)和n_i(k)均为独立的色噪声, 将高维时空数据在低维空间中进行故障特征提取和输出稳定性分析, 可以得到输出稳定性特征提取的统计特征分量为$\{ {R_j}:1 \le j \le L\} $。采用误差自适应补偿方法(即分段补偿, 非线性误差重构的一种补偿方式)提高电缆的稳态工作特性, 进行电缆输出电压的稳态故障测距^[15]。

将频率和幅值合成作为双馈反馈的电缆故障特征分布, 采用负载均衡调节方法进行误差反馈调节, 得到电磁耦合故障测距模型。选取电缆故障测距的滑模面进行反向误差反馈调节, 得到等效故障测量距离。

存在某个常数G_k>0, G_k表示高频高压激励电缆故障测距的滑模面确定值, 使得电缆的输出增益结果稳定。当t=G_k时, 电缆的输出稳态振幅比值为0。在限定初始状态下, 通过Lyapunov稳定性能量函数, 实现高频高压激励电缆优化故障测距, 得到模特征量。

综上分析, 在高频高压激励电缆的输出电压稳态故障测距中, 可以根据负荷差异性特征优化检测, 实现故障测距的稳定输出。

为了测试本方法的应用性能进行了仿真实验。设高频高压激励电缆在故障状态下输出的磁力矩系数为0.045 N·m/A, 电缆的故障工况输出等效功率为40 kW, 电网等效电感为0.9 mH, 输出阻抗Z_out为20 Ω, 转动惯量为2.3×10⁵ kg·m², 自适应故障测距的模糊迭代学习次数为1 200次, 特征采样频率为120 kHz。在不同电压控制下, 可以得到电缆的故障轨迹跟踪情况, 结果如图 3所示。

由图 3可以看出, 在不同电压情况下, 电缆的故障轨迹跟踪情况差异明显。这说明本方法能有效实现电缆的故障测距和轨迹跟踪, 有助于提高故障检测的准确性。在此基础上, 测试故障检测的精度, 计算公式为

$ {A_{{\rm{cc}}}} = \frac{1}{m}\sum {\left( {a - a^\prime } \right) \times 100\% } $

(7)

式中:m——故障检测的项目数量;

a, a′——故障的实际检测值和预测检测值。

利用式(7)计算出不同故障检测方法的检测精度, 结果如表 1所示。

由表 1可以看出, 不同迭代次数下本文方法的故障检测精度均高于其他两种方法。

为进一步验证基于延时电路的高频高压激励电缆故障测距方法的有效性, 分别利用3种方法进行对比测试, 并分析故障分布, 结果如图 4所示。

由图 4可以看出, 文献[4]和文献[5]方法的测试结果分布不均匀, 而利用本文方法的测试结果分布均匀, 能够有效实现对高频高压激励电缆故障的远程控制, 提高了测距性能, 增强了电缆故障的测距能力。

本文提出了一种基于延时电路的高频高压激励电缆故障测距方法。通过构建优化参数调节模型, 进行延时电路的约束参数分析, 并根据电缆的输出电压和负载差异性进行延时电路控制和负载均衡调度, 采用自适应机器学习和特征融合的方法进行参数估计, 从而实现电缆故障的测距和优化检测。由仿真实验结果得知, 采用本文方法进行故障检测的准确性较高, 提高了电缆故障的自适应跟踪检测能力。我国高频高压激励电缆故障测距方法还在不断发展中, 各种类型市场逐步开放, 接下来的工作将以故障检测的安全性和全能性为目标, 以进一步优化高频高压激励电缆的工作性能。