文献标识码：B文章编号：1003-0492（2023）04-060-05中图分类号：TP206.3

★张建军（国网北京市电力公司电缆分公司，北京100022）

摘要：本文围绕电缆线路移动巡检及交互诊断系统的构建方法开展研究，首先利用分布式边缘代理组件对电缆线路进行数据流改造，并根据前、后端数据特征及应用场景进行算法设计，形成了综合基于模糊证据理论的状态评价模型、灰色马尔可夫的误差反推预测模型的前端自诊断模型和综合相关性分析法模型、Weibull长期运行可靠性评估模型的后端多维度数据分析与决策模型，最终实现设备识别、状态感知、数据交互与智能诊断的无缝衔接和多层级电缆运行的可靠性评价及运维管控决策，强化了设备状态管控力，优化了设备运维策略。

关键词：输配电电缆线路；移动感知；互联诊断；辅助决策；智能运维

现阶段，国网公司电缆线路巡检以人工巡视为主，辅以电子标签资产管理、超声波、红外测温等手段对异常风险进行探查与评估^[1-3]。随着综合管廊及其运检数据量呈指数级增长，状态数据离散化、孤岛化严重，作业效率低下的问题进一步加剧。巡检技术自动化与智能化水平较低，运维人员无法在巡检过程中实时掌握管廊电力舱及电缆线路运行状态，依靠人力为主的传统运维检修模式导致运维能力提升有限，已经无法满足迅猛增长的电网运维工作需求。本文在无线泛在网络的基础上，采用分布式就地状态诊断与后台可靠性评估交互诊断的方式构建了电缆线路移动巡检及交互诊断系统，实现设备识别、状态感知、数据交互与智能诊断的无缝衔接，综合提升了电缆线路智能化运维管控水平，支撑了雄安新区大规模综合管廊的建设、运行质量和效益，强化了设备状态管控，创新了电缆线路及通道巡检模式，提升了巡检效率，优化了巡检效果。

1　电缆线路移动巡检及交互诊断系统架构

本文所涉及的电缆线路移动巡检及交互诊断系统^[4]架构主要包括智能识别标签组件、电缆线路运行状态检测组件、边缘代理组件、智能巡检移动终端、后台诊断系统平台等5个主要部分，其应用架构如图1所示。

图1  电缆线路移动巡检及交互诊断系统架构示意图

（1）智能识别组件，其利用无源电子标签技术，记录存储电缆基础台账信息，与GIS系统联合实现电缆设备资产管理与身份识别，并与无线发送、接收组件自动联动。当移动巡检终端接近时，可快速、远距离识别电缆及通道设备、设施，结合巡检计划或人工选择的方式，启动状态检测数据发送，简化巡检人员查询设备台账流程，并可作为参照物对巡检路径、巡检到位率进行远程管理。

（2）运行状态感知组件，其主要承担电缆线路及通道状态数据采集，包括电缆线路局部放电、运行温度、接地电流、介质损耗等电气特征量以及通道环境、沉降、水位、视频监控等信息数据，同时对运行状态特征数据进行缓存，等待发送组件调用。此外，检测组件包含常规监控、异常报警、重症监护等多类工作模式，可结合设备运行状态评估结果及人工定义两类方式进行更改，满足了不同应用场景需求。

（3）边缘代理组件，其主要承担数据采集组件与巡检终端间的数据通信功能，并具备运行状态数据初步分析与自诊断功能。在自诊断过程中发现异常时，可实现组件间的无线组网并将异常信息推送至状态交互诊断评价系统，实现故障或风险预警。同时在巡检人员需要参考后台历史数据、状态评估结论、运维策略建议时，可通过组件间构建的数据网络进行调用。此外该组件还可以辅助完成巡检记录、风险点记录等功能，可对电缆线路及通道风险与隐患进行追踪处理。

（4）智能移动终端，其主要功能在于感知电子标签获取对象信息，由数据非接触式发送组件中收集和存储的电缆线路及通道状态数据，上传至状态交互诊断评价系统，同时接收巡检计划与辅助巡检作业，记录设备、设施缺陷与隐患，是开展电缆线路移动智能巡检的核心单兵装备。智能巡检移动终端也包括巡检机器人系统，其功能与PDA终端具有一定的相似性，但其主要执行的是定期、差异化巡视任务，对高危风险点进行复核与监控。巡检机器人的应用可以降低人工作业强度、定期收集监控数据、降低无线发送组件的组网数据量要求以及优化电缆线路状态感知架构体系，还可与消防机器人联动执行火灾探查与灭火，降低了人工干预的风险。

（5）后台诊断系统，其结合了国内外在电缆绝缘老化、状态综合诊断、剩余寿命评估以及相关智能识别分析技术领域的相关成果，建立了综合状态感知、离线诊断、材料性能分析手段的综合全过程电缆状态检测与评估体系，并结合了电缆线路设备质量、安装质量及历史试验检修数据，可评估电缆状态与整定运维策略，重点强化了多状态数据的综合评估，支撑了电缆线路的全寿命周期管理和检修策略的科学制定。电缆及通道状态交互诊断系统平台可实现电缆线路台账及运行信息等基础数据管理、同类设备缺陷及故障分析、电缆运行状态分级评价诊断以及差异化运维检测策略决策。

2　分布式前端多状态量融合诊断与预警

针对电缆线路在线监测前端，设计适用于局放、接地电流、温度等监测前端短时数据，实现其数据的就地分析诊断，不仅有利于解决现有移动巡检系统所存在的海量数据处理和通信问题，也能协助运检巡视人员通过手持终端快速获取设备状态表征数据、就地诊断信息和异常信息预警，并可提升运检人员现场巡视与处置的针对性、科学性。

电缆线路在线监测前端，其主要目的是获取电缆状态特征数据，并进行数据的存储与通信。它具备一定的数据分析与处理能力，但由于其硬件条件限制，数据存储的时间跨度一般较短，且无法开展复杂的数据运算。因此，为了适应移动巡检过程中快速获取电缆状态的目标，对监测前端嵌入算法的设计应使其具备数据分析与筛查功能，故我们设计了2类算法模型来实现该目标。

首先是基于模糊和证据理论的状态数据分析模型，该模型利用模糊评判方法确定各绝缘参数值的不同绝缘状态隶属度，再利用证据合成算法对其进行证据合成，并获取最后的绝缘状态信度分配表^[5-6]，进而评估电缆的绝缘状态。该模型包含3个子步骤：

（1）选用模糊分布函数中的半梯半岭相结合的隶属函数来确定各绝缘参数的绝缘状态隶属度。

（2）由于与决策相关数据的精度存在不确定性、数据量不够大等原因，在决策过程中将会出现不确定性问题。同时，考虑到不同子证据体的相对重要程度的差异性，可引入置信度系数来修正证据合成前的信度函数值。它表示考虑数据量不够和获取数据过程中存在误差等因素后的证据体的可信度，可参考以往数据和专家意见获取该值。

（3）将由第二步修正后得到的各参数的隶属度当作证据合成理论中的证据，利用式Dempster合成法则进行证据合成，便可以得到相应的信度函数分配表，以此判断出电缆的绝缘状态。

针对电缆绝缘状态的预测过程中可用数据量少和精确度不高的问题，可采用一种基于灰色预测的马尔可夫状态预测模型。该模型在对绝缘参数进行灰色预测的同时，将预测得到的数据跟原始数据做相对误差计算，再通过马尔可夫模型进行误差预测并修正灰色预测数据，进而得到最终的预测数据，最后，对其进行状态评价获得电缆绝缘的未来状态。结合模糊和证据合成理论的灰色马尔可夫的XLPE电缆绝缘状态预测模型建立过程如图2所示。该模型的实现步骤如下：

（1）对原始数据序列进行灰色预测得到预测数据；

（2）计算预测数据与原始数据的相对误差，并进行马尔可夫误差预测，得到未来某一时刻，K+1时刻的相对误差；

（3）用误修正通过灰色模型预测得到的数据，获得修正后的预测数据；

（4）通过模糊隶属函数和证据合成理论对修正后的预测数据进行状态评价，得K+1时刻的状态。

图2  电缆线路状态预测模型

3　大数据后台多维融合评估与运维决策

3.1　特征指纹与风险因子算法

在大数据后台中，为进一步充分利用台账、设备型号、检修作业，检测试验以及监测感知等多维度数据，本节提出了一种电缆线路后端多维度数据融合评估与决策方法，目的是解决依靠传统状态量数据对单一电缆局部绝缘状态诊断的制约，实现综合宏观与局部、时序与广域、知识逻辑与数据驱动相融合的高压电缆设备可靠性主动研判与运维策略的分级决策，并通过同类型设备故障风险研判、长时间特征趋势变化等维度，实现对感知前端缺失的同类风险设备的挖掘。其主要步骤如下：

（1）建立设备信息数据库：根据设备的初始状态信息、设备的历史正常运行信息与故障信息，建立设备信息库，为设备故障诊断提供深度数据支撑。设备信息库包括设备正常运行信息库、设备故障信息库以及设备初始状态信息库。

（2）状态感知与特征提取：根据设备诊断的需要，使用传感器、数据采集器等技术手段，在设备运行过程中，选择能表征设备运行状态的信号量加以检测与采集，并形成设备的运行状态数据，为设备故障诊断提供最原始的状态数据。将采集到的设备运行状态数据按照特定的规约进行处理、加工，去除数据冗余，提高数据质量，提取设备的运行状态特征量，形成设备的“运行指纹”，即表征设备运行状态的设备运行状态数据，为设备故障诊断提供诊断数据。

（3）指纹库建立：特征指纹库的建立主要采用相关性分析法^[7-8]，其流程如图3所示。

图3  特征指纹及其量化风险因子算法流程

3.2　电缆健康状态多维融合评估

首先将电缆线路缺陷、故障分成电缆本体和附件的不同状态参量进行分析，详细分析典型状态量与不同部件的主要缺陷间的相关性，并基于典型相关性分析法分析两两状态量之间的关联性，即CCA相关系数ρ。若|ρ|=1，则表明X与Y之间线性相关，在工程应用中可将该条件放宽至|ρ|>0.9。但是，对于随机变量非线性相关，单一的相关性系数则无法表征。

若|ρ|≤0.9，则使用跨领域典型相关性分析（Canonical Correlation Analysisacross Different Domains，CCADD）、（混合）概率典型相关性分析（Mixtureof Probabilistic Canonical Correlation Analysis，（Mix）PCCA）、Coupula函数模型[9-11]等方法研究变量之间相关性规律，并通过计算数据权重规律/概率规律及数列向异性规律，找到最大出现的权重/概率等参数的变化规律，从而得到电缆线路及通道运行状态量数据量化风险因子指纹。

通过筛查最大出现的权重/概率等参数，可以建立不同设备故障所指向的电缆线路故障表征数据组。

在缺陷严重程度评估参量提取的过程中，构造描述缺陷发展过程的原始多源评估参量集，引入互信息、最大信息系数等新变量衡量特征信息之间以及特征信息与缺陷严重程度之间的关联关系，采用权重因子衡量冗余度与相关度的重要性，以最大相关最小冗余为准则进行特征选择，最终可优选出最能表征缺陷严重程度的特征参量。

通过现有状态监测量进行表征电缆线路及隧道运行状态的准确性与可靠性分析，建立电缆线路及隧道运行状态特征量集合与状态评价映射关系，最终可形成电缆线路缺陷、故障及状态特征表征数据指纹库。电缆运行可靠性的相关影响因素分为两类：依时协变量和非依时协变量^[9-10]。依时协变量，比如电缆的温度、环流、局部放电、介损、空气湿度等；非依时协变量，比如电缆的施工单位、电缆长度、电缆厂家等。根据指纹库及其权重/概率系数，可以对电缆运行可靠性表征数据进行分类归一化，并可建立依时协变量和非依时协变量概率关联性及其概率规律，从而简化Weibull模型计算复杂度。

Weibull分布可以用来分析依时协变量，其函数表达式如式（1）所示。

其中Xj为非依时协变量，Y_j为X_j对应的回归系数，n为依时协变量的个数，β为Weibull分布形状参数，η为Weibull尺度参数。

可靠度表示设备在时间t内正常工作的概率，Weibull比例风险模型^[11-12]对应的可靠度函数如式（2）所示。

故障概率密度函数如式（3）所示。

构造故障概率密度函数的似然函数如式（4）所示。

其中n为数据的总数，m为故障数据个数，n-m表示截尾数据个数。

当K=0时，代入β、η和α的初值β0、η0和α0进行求解，获得Weibull分布的形状参数，根据Weibull分布求出可靠性，并结合状态评价结果得到最终的可靠性评估结果^[13-14]；同时分析电缆的故障数据和状态数据，并通过求解模型的参数绘制电缆的状态决策曲线。根据可靠度将电缆的状态划分为正常工作、临界区、维修三类，同时也可以实现电缆剩余寿命的预测^[15]。

3.3　基于RF算法的电缆通道状态评估方法

RF是一种集成多决策树的算法，每个决策树都是一个分类器，将所有分类投票结果集成在一起，指定具有最高投票数的类别作为最终的输出。RF具有精度高、效率高、自行评估特征量重要度和自行计算内部误差无偏估计等优点，是一种具有较高灵活度的机器学习算法，应用范围广泛。

电缆通道实时监测数据经过边缘计算处理后发送至中台，每次刷新的一组数据可组成一个样本矩阵。根据电缆运行原理和日常运维经验，每个样本中不同特征量在事故诱发因素中权重不同，例如接头处温度超过阈值属于影响权重较高的特征量，而非电缆本体的设备锈蚀在一定程度以下影响较小；同时某些特征量具有较强的相关性，例如烟雾、火焰和温度。在RF的计算过程中，样本和特征的选择是一个随机抽取的过程，因此可以对决策树进行去相关，从而降低内部误差。同时可使用袋外误差率的计算来评估各特征量的贡献从而确定各特征量的权重。RF中决策树的数量增加在初期会提升算法的效果，但大于一定值时，计算效果会趋于平缓不再有明显的提升。这是一个鲁棒性较强的参数，一定范围内的调整并不会明显地影响算法的分类识别效果，因此特征量维数和训练集数量在一定范围内时，可使用固定的推荐值。电缆通道的在线监测实际物理测量装置的增减，基于现实具有较长的变化周期，其特征量的形式和维数变化频率是较低的。总体来说，针对电缆通道运行参数的状态评估，在采用RF算法的计算过程中不需要做很多参数调试，同时可以兼容较长时间的监测设备更替，具有较强的鲁棒性。

4　结论

针对电缆线路高可靠性和智能运维管理需求，本文提出了电缆线路移动巡检及交互诊断系统的设计方法，并结合数据分级分析与前后端融合的基本思路，提出了综合基于模糊证据理论的状态评价模型、灰色马尔可夫的误差反推预测模型的前端自诊断模型和综合相关性分析法模型、Weibull长期运行可靠性评估模型的后端多维度数据分析与决策模型，实现了综合管廊电力舱内电缆线路多状态量的前后端运行状态分级分析与决策。经实践应用证明，该系统不仅能便于运维人员快速掌握电缆线路运行状态信息，而且实现了对电缆线路中存在普遍性潜伏性隐患缺陷的研判与挖掘，有助于提升高压电缆设备状态管控能力和运检决策科学水平。

作者简介：

张建军（1976-），男，黑龙江鹤岗人，工程师，现就职于国网北京市电力公司电缆分公司，研究方向为高压电缆运维检修。

参考文献：

[1] 吴明祥, 欧阳本红, 李文杰. 交联电缆常见故障及原因分析[J]. 中国电力, 2013, 46 (5) : 66 - 70.

[2] 王少华, 叶自强, 梅冰笑．电缆故障原因及检测方法研究[J]. 电工电气, 2011, 11 (5) : 58 - 62．

[3] Q/GDW 11316-2014, 电力电缆线路试验规程[S].

[4] 王昱力, 夏荣, 任广振, 黄肖为. 电缆线路及通道移动巡检与交互诊断技术研究[J]. 电力系统装备, 2018 (11) : 95 - 97．

[5] Tang Z Y. Analysis of significant factors on cable failure using the Cox proportional hazard model[J]. IEEE Transactions on Power Delivery, 2014, 29 (2) : 951 - 957.

[6] Bajbor Z Z. Cable Life Expectancy Calculation - A Practical Approach[J]. IEEE Transactions on Electrical Insulation, 1987, EI-22 (4) : 485 - 487.

[7] Zickler U, Schnettler A, Schwan M. Impact of maitenance on component condition and system supply reliability in distribution networks[C]. International Conference and Exhibition on Electricity Distribution, IEEE Xplore, 2009 : 1 - 4.

[8] Stotzel M, Zdrallek M, Wellssow W H. Reliability calculation of MV-distribution networks with regard to ageing in XLPE-insulated cables[J]. Generation, Transmission and Distribution, IEE Proceedings, 2001, 148 (6) : 597 - 602.

[9] Chiodo E, Gagliardi F, Lauria D. Probabilistic approach to transient stability evaluation[J]. Generation Transmission and Distribution, 1994, 141 (5) : 537 - 544.

[10] 粟秋硕, 廖洪根, 张泽秋, 等. 电力电缆故障分类和绝缘检测方法[J]. 红水河, 2007, 26 (4) : 103 - 105.

[11] Cox D R. Regression Models and Life-Tables[J]. Journal of the Royal Statistical Society, 1992, 34 (2) : 187 - 220.

[12] Weibull W. Spread around the initiating point of the detonation wave in high explosives.[J]. Nature, 1947, 160 (4055) : 92 - 93.

[13] 罗潘, 任志刚, 徐阳, 等. 退役高压交联聚乙烯电缆绝缘老化状态分析[J]. 电工技术学报, 2013, 28 (10) : 41 - 46.

[14] 周承科, 李明贞, 王航, 等. 电力电缆资产的状态评估与运维决策综述[J]. 高电压技术, 2016, 42 (8) : 2353 - 2362.

[15] Q/GDW 456—2010, 电缆线路状态评价导则[S]. 2010.

摘自《自动化博览》2023年4月刊