Methodenartikel

Technologie zur Lokalisierung von Leistungsverteilungskabeldefekten basierend auf der Methode der maximalen Entropie-Spektralität

76 Ansichten

⸱

DOI:

10.3791/70701

⸱

5. Juni 2026

 ,  ,  ,  ,  , 
1College of Information Science and Engineering, Huaqiao University, 2College of Electrical Engineering, Zhejiang University, 3Xiamen Guocheng Electech Co., Ltd.

In diesem Artikel

Zusammenfassung

Dieses Protokoll stellt eine auf Spektralschätzung basierende Methode mit maximaler Entropie zur präzisen Defektlokalisierung in langen Stromverteilungskabeln mittels Frequenzdomänenreflektometrie vor. Es beschreibt Hochfrequenzkabelmodellierung, Analyse des Reflexionskoeffizientenspektrums, spektrale Extrapolation und Validierung durch Simulationen und Experimente und erreicht eine überlegene Genauigkeit im Vergleich zu herkömmlichen FFT-Ansätzen.

Zusammenfassung

Da die Kabelverlegungsentfernungen in modernen städtischen Verteilnetzen weiter wachsen, nimmt die Genauigkeit der Fehlerlokalisierung mittels Frequenzbereichsreflektometrie (FDR) mit zunehmender Länge deutlich ab. Um die Präzision für lange Kabel zu verbessern, schlägt diese Studie eine Methode mit maximaler Entropiespektralschätzung vor. Ein Hochfrequenzmodell mit verteilten Parametern für Verteilkabel wird entwickelt, um die Auswirkungen von Isolierungsalterung und mechanischen Schäden auf die Kapazität und Induktivität pro Einheit quantitativ zu bewerten. Basierend auf der Übertragungsleitungstheorie wird die Beziehung zwischen dem Reflexionskoeffizientenspektrum und der Defektposition abgeleitet, zusammen mit einem Stufenfrequenz-Optimierungskriterium zur Verbesserung der spektralen Auflösung. Um spektrale Leckage und begrenzte Auflösung bei schneller Fourier-Transformations-(FFT)-basierter Frequenzdomänenanalyse zu mindern, wird die Methode des maximalen Entropiespektrals für die hochpräzise Spektrumschätzung eingesetzt, wodurch die Genauigkeit der Fehlerentfernungslokalisierung erhöht wird. Simulationen zeigen, dass die vorgeschlagene Methode im Vergleich zu herkömmlicher FFT die Positionsfehler in typischen Langkabelfällen um das 2–4,5-fache reduziert. Experimentelle Ergebnisse bestätigen einen relativen Fehler unter 0,25 % für den maximalen Entropie-Ansatz, der den Fehler der konventionellen Methode unter 0,55 % übertrifft und somit ihre Wirksamkeit und Überlegenheit in der technischen Praxis bestätigt.

Einleitung

Mit der steigenden Nachfrage nach Zuverlässigkeit und Sicherheit der Stromversorgung in modernen Stromsystemen sind Kabel in städtischen Verteilnetzen weit verbreitet geworden. Unter anderem werden vernetzte Polyethylenkabel (XLPE) aufgrund der herausragenden Vorteile des Autorsumfangreich verwendet. Verteilungskabel werden typischerweise unterirdisch verlegt, wo das Betriebsumfeld rau ist. Mit zunehmender Betriebszeit, kombiniert mit Lastschwankungen und Überlastung, wird die Kabelalterung deutlicher. Folglich können lokalisierte Mängel wie Wasserbäume, elektrische Bäume, Teilentladungen und Dämmungsfeuchtigkeit allmählich auftreten. Wenn diese Mängel nicht rechtzeitig behoben werden, können sie zu schwerwiegenden Ausfällen führen, die schließlich zu Stromausfällen imNetz führen. Daher sind die Fehlererkennung und die Fehlerlokalisierung von Verteilungskabeln zu wesentlichen Bestandteilen des Stromnetzbetriebs und der Wartung geworden.

Die Fehlerlokalisierungsmethoden für Verteilungskabel lassen sich grob in zwei Typen einteilen: Online- und Offline-Ansätze. Online-Methoden werden hauptsächlich durch Wanderwellenpositionierung, Teilentladungsüberwachung (PD) und die Common-Mode-Leckstrommethode repräsentiert. Die Position der Wanderwelle identifiziert die Störungspositionen durch Analyse von transienten Wanderwellen, die an der Störung erzeugt werden. Es steht jedoch vor mehreren Herausforderungen, darunter Schwierigkeiten bei der genauen Extraktion von Wellenfronten, starke Überlagerung von Störungsmerkmalen mit nichtlinearer Verteilung und eine unbequeme Installation. Wichtiger ist, dass diese Methode nicht zur Lokalisierung altersbedingter Defekteanwendbar ist. Die auf PD basierende Online-Überwachung erkennt im Kabel erzeugte Defektsignale und ermöglicht eine Echtzeitbewertung der Betriebsbedingungen. Dennoch stößt es weiterhin auf technologische Engpässe bei der Erkennung von Alterungsfehlern und der Durchführung langfristiger Überwachung. Probleme wie Signalstörungen, Rauschunterdrückung und komplexe Datenanalyse führen in praktischen Anwendungen häufig zu Fehlurteilen 6,7,8. Das Gleichmodus-Leckstromverfahren bestimmt die Lage und Schwere der Alterungsfehler, indem Variationen der Gleichmodus-Leckströme an den Kabelanschlüssen gemessen werden. Diese Technik bietet eine nicht-invasive Erkennung mit hoher Empfindlichkeit. Seine Anti-Interferenzfähigkeit ist jedoch relativ schwach, da hochfrequente Differentialmodenströme, wie sie beim Betrieb variabler Frequenzgeräte erzeugt werden, die Messgenauigkeit erheblich verringern können. Zusätzlich muss die Online-Überwachung von unter Strom stehenden Kabeln die Signalisolation in Hochspannungsumgebungen berücksichtigen, was die Gerätekosten und die Wartungskomplexität erhöht.

Im Hinblick auf Offline-Methoden wurden mehrere Ansätze vorgeschlagen, darunter Zeitdomänen-Reflektometrie (TDR)12, Frequenzdomänen-Reflektometrie (FDR)13 und Zeit-Frequenz-Domänen-Reflektometrie (TFDR)14. Darunter leidet TDR unter niedriger Energie in den hochfrequenten Komponenten des eingespritzten Impulssignals und ist sehr anfällig für Kabeldämpfungseffekte und Rauschstörungen, was zu begrenzter Ortungsgenauigkeit und schlechter Fähigkeit zur Erkennung beginnender Defekte führt in frühen Stadien von Kabelfehlern15. TFDR mindert durch die Injektion von Gaußschen Chirp-Impulsen den Mangel an unzureichenden hochfrequenten Komponenten in TDR16. TFDR erfordert jedoch komplexe Signalmodulationsschaltungen und Extraktionsalgorithmen, und seine hochfrequenten modulierten Signale dämpfen schnell, was die Fehlererkennung in langen Kabeln erschwert17. FDR hingegen injiziert Signale mit gleichmäßiger Leistungsverteilung. Er enthält die reichsten Hochfrequenzkomponenten, erreicht eine höhere Standortgenauigkeit und zeigt eine höhere Empfindlichkeit im Vergleich zu TDR, was zu seiner raschen Entwicklung geführt hat. Je nach Art des empfangenen Signals kann FDR weiter in Breitbandimpedanzspektrum-Methoden (BIS) 18,19,20 und Reflexionskoeffizientenspektrum-(RCS)-Methoden 21,22,23,24 eingeteilt werden.

Im Jahr 2003 schlug eine Gruppe erstmals eine Methode zur lokalen Defektlokalisierung von Kabeln vor, die auf dem Eingangsreflexionskoeffizientenspektrumvon Kabeln 25 basiert. Dieser Ansatz berücksichtigte jedoch nicht die frequenzabhängigen Effekte verteilter Parameter, die zu Fehleinschätzungen führen können. Später wurde eine inverse schnelle Fourier-Transformation (IFFT) angewendet, um Informationen aus dem Reflexionskoeffizientenspektrum am Kabeleingang zu extrahieren, was eine effektive Lokalisierung lokaler Defekte wie thermische Alterung, Strahlungsalterung und Extrusionsdeformation26 ermöglichte. Es wurde außerdem beobachtet, dass je höher die obere Frequenz des Sweep-Signals ist, desto höher ist die räumliche Auflösung der Frequenzdomänen-Reflektometrie (FDR). Dennoch nimmt bei Anwendung auf lange Kabel die obere Frequenz des Sweep-Signals deutlich ab, was zu einer geringeren Lokalisierungsgenauigkeit führt.

Der Kern der FDR-Methode liegt in der Durchführung der FFT auf den erfassten Reflexionssignalen. Aufgrund des inhärenten spektralen Leckproblems der FFT haben Forscher jedoch mehrere Verbesserungen vorgeschlagen. Eine Studie führte die Verwendung eines Distanzfensters in Kombination mit einer Kaiser-Fensterfunktion in der diskreten Fourier-Transformation (DFT) ein, um die Defektkomponenten aus dem realen Teil des Reflexionskoeffizientenspektrums zu extrahieren und so die Lokalisierung gelockerter Kupferabschirmungsdefekte in Kabelnzu ermöglichen 27. Ein Kaiser-fensterbasiertes DFT28 wurde auf den realen Teil des Eingangsreflexionskoeffizientenspektrums angewendet und erreichte so eine Fehlertypidentifikation für offene Schaltkreise, Kurzschluss-, Hochwiderstands- und Niederwiderstandsbedingungen. Eine Studie schlug vor, eine Blackman-fensterbasierte DFT auf den imaginären Teil der Kabeleingangsimpedanz anzuwenden, um Feuchtigkeit in Zwischenfugen zu detektieren und zu lokalisieren29. Ein Interpolationsalgorithmus mit dem Hanning-Selbstfaltungsfenster in der DFT wurde eingeführt, um die Frequenz und Phase periodischer Komponenten im realen Teil des Reflexionskoeffizientenspektrums30 zu schätzen, was die Polaritätsbestimmung von Kabelimpedanomalien ermöglichte. In der Folge wurden Verbesserungen durch die Einbeziehung von Nuttall-Fenstern, Drei-Term-Nuttall-Fenstern vierter Ordnung, Nuttall-Selbstfaltungsfenster zweiter Ordnung und dreipunktige interpolierte DFT-Algorithmen31 erreicht. Insgesamt konzentrieren sich bestehende Studien hauptsächlich auf das Design von Fensterfunktionen oder die Verfeinerung von Interpolationsalgorithmen, die die Genauigkeit der Fehlerlokalisierung bis zu einem gewissen Grad verbessert haben.

Aus Sicht des FFT-Prinzips gilt in der Frequenzbereichsreflektometrie (FDR): Je höher die Frequenz des eingespritzten Signals, desto besser die Messgenauigkeit. Theoretisch kann der Kabeldefekt mit perfekter Präzision lokalisiert werden, wenn die Einspritzfrequenz sich unendlich nähert. Die Übertragung von Ultrahochfrequenzsignalen über Kabel wird jedoch stark abgeschwächt, was sie für mittel- und langstreckige Kabelungeeignet macht. Daher besteht ein inhärenter Kompromiss zwischen der maximalen Einspritzfrequenz in FDR und der erreichbaren Genauigkeit der Fehlerlokalisierung. Um dieses Problem zu adressieren, schlägt diese Arbeit eine Technik zur Lokalisierung von Kabeldefekten vor, die auf der Methode des Maximalentropiespektrals basiert. Die Methode sagt den hochfrequenten Teil des Reflexionskoeffizientenspektrums aus den gemessenen niederfrequenten Daten gemäß dem Kriterium der maximalen Entropie voraus und berechnet dann das maximale Entropiespektrum (MES) des Reflexionskoeffizienten, um die Defektposition zu bestimmen. Im Vergleich zu herkömmlichen FFT-basierten FDR-Methoden, die durch spektrale Leck- und Auflösungsbeschränkungen begrenzt sind, insbesondere in Langstreckenkabelanwendungen, bietet die vorgeschlagene Methode mit maximaler Entropie eine höhere spektrale Auflösung, indem sie hochfrequente Informationen effektiv aus begrenzten gemessenen Daten extrapoliert. Im Gegensatz zu fensterfunktionalen Verbesserungen, die hauptsächlich Seitenkeulen unterdrücken, ohne die Auflösung grundlegend zu verbessern, verbessert der MES-Ansatz sowohl die Spitzenschärfe als auch die Lokalisierungsgenauigkeit. Darüber hinaus bietet die MES-Methode im Vergleich zu interpolationsbasierten oder parametrischen spektralen Schätzungsmethoden ein besseres Gleichgewicht zwischen Auflösung und Robustheit, was sie besonders geeignet macht, um beginnende Defekte in langen Verteilkabeln zu erkennen. Dieser Ansatz verbessert die Lokalisierungsgenauigkeit, reduziert den relativen Fehler von 0,55 % bei herkömmlichen Methoden auf 0,25 % und erzeugt glattere Lokalisierungskurven, die die Identifizierung von Defektspitzen erleichtern.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

HINWEIS: Führen Sie alle Messungen am Testkabel im Offline-Zustand durch (stromlos geschaltet). Verwenden Sie einen Vektornetzwerk-Analysator (VNA) oder ein gleichwertiges Reflektometrieinstrument im Frequenzbereich, das in der Lage ist, Signaleinspritzung und Reflexionskoeffizienten einzufügen. Stellen Sie sicher, dass das Kabel am anderen Ende offen geschaltet ist, sofern nicht anders angegeben. Vermeiden Sie Verbindungsreflexionen durch kurze, direkte Koaxialverbindungen und leitfähiges Band für sicheren Kontakt. Siehe die Materialtabelle für empfohlene Geräte und Software.

1. Bereite die Kabelprobe und die Messanlage vor

  1. Wählen Sie das Stromverteilungskabel zum Testen aus (z. B. YJLV22-8,7/10 kV-3×70 XLPE-Kabel oder äquivalent).
  2. Messen und notieren Sie die gesamte Kabellänge sowie bekannte Defektpositionen (falls künstlich eingeführt).
  3. Misse die Ausbreitungsgeschwindigkeit der elektromagnetischen Wellen im Kabel.
    1. Verbinden Sie das Kabel an einem Ende mit dem Instrument und lassen Sie das entfernte Ende offen.
    2. Erfassen Sie das Reflexionskoeffizientenspektrum über ein geeignetes Frequenzband.
    3. Identifizieren Sie die Schwingungsperiode, die der gesamten Kabellänge entspricht (Hin- und Rückfahrt).
    4. Berechnen Sie die Geschwindigkeit als figure-protocol-1 (1)
  4. Bereiten Sie den Kabelkopfanschluss vor.
    1. Strippe das Kabelende, um den Kern und die Abschirmung freizulegen.
    2. Verwenden Sie doppelseitiges, leitfähiges Kupferband, um die Instrumentenleitungen sicher am Kern und am Schirm zu befestigen.
    3. Reduzieren Sie die Länge der Zweigleitungen, um Kopfendreflexionen zu reduzieren.

2. Konfigurieren Sie die Frequenzsweep-Parameter

  1. Bestimmen Sie den Frequenzschritt (Δf) anhand des Auswahlkriteriums.
    1. Verwenden Sie die Seilend-Oszillationsperiode figure-protocol-2 (2)
    2. So eingestelltfigure-protocol-3, dass mindestens 200 Probenahmepunkte pro Zyklus gewährleistet sind.
    3. Der Frequenzschritt Δf bestimmt den maximal beobachtbaren Abstandsbereich:figure-protocol-4 (3)
    4. Um sicherzustellen, dass die gesamte Kabellänge L ohne Mehrdeutigkeit aufgelöst werden kann:
      figure-protocol-5(4)
    5. In dieser Studie wird eine strengere Bedingung zur Verbesserung der Auflösung angenommen: figure-protocol-6 (5)
  2. Stellen Sie das Frequenzband ein.
    1. Setzen Sie die untere Grenze auf 100 kHz (oder Instrumentenminimum).
    2. Stellen Sie die obere Grenze auf das maximal erreichbare Maximum ohne übermäßige Dämpfung ein (typischerweise 30–50 MHz für Kabel <200 m; reduzieren Sie bei längeren Kabeln).
    3. Die obere Frequenzgrenze fmax beeinflusst direkt die räumliche Auflösung:figure-protocol-7 (6)
    4. Ein höheres Blendenlimit führt zu einer feineren Auflösung, wird jedoch durch die Kabeldämpfung eingeschränkt.
  3. Berechnen Sie die erforderliche Anzahl von Stichprobenpunktenfigure-protocol-8 (7)
  4. Konfigurieren Sie das Instrument mit dem berechneten Frequenzband, dem Schritt und den Punkten (z. B. 100 kHz–50 MHz, ~5.000 Punkte für hohe Auflösung).

3. Erfassen des Reflexionskoeffizientenspektrums

  1. Kalibrieren Sie das Instrument (offen-kurzlast-Kalibrierung empfohlen für VNA).
  2. Schließen Sie den vorbereiteten Kabelkopf an den Instrumentenanschluss an.
  3. Injizieren Sie Sinussignale mit geschwungener Frequenz und messen Sie den Eingangsreflexionskoeffizienten Γ(ω) an jedem diskreten Frequenzpunkt.
    1. Der gemessene Reflexionskoeffizient kann wie folgt ausgedrückt werden:figure-protocol-9 (8)
    2. wobei: Γd: Reflexionskoeffizient am Defekt, figure-protocol-10: Phasenkonstante, d: Defektabstand.
    3. Diese Beziehung zeigt, dass die Phase des Reflexionskoeffizienten linear mit der Häufigkeit variiert und so die Grundlage für die Entfernungsschätzung bildet.
  4. Zeichnen Sie das komplexe Reflexionskoeffizientenspektrum (Größe und Phase oder reelle und imaginäre Teile) auf.
  5. Speichere die Daten als Frequenz- versus reale/imaginäre Reflexionskoeffizienten.

4. Verarbeiten Sie die Daten mit der herkömmlichen FFT-Methode (zum Vergleich)

  1. Extrahieren Sie den imaginären Teil des Reflexionskoeffizientenspektrums.
  2. Wenden Sie eine Fensterfunktion an (z. B. Blackman-Fenster), um das Lecken von Seitenloben zu reduzieren.
  3. Führen Sie eine inverse schnelle Fourier-Transformation (IFFT) auf dem fensterten imaginären Teil durch.
    1. Die inverse Fourier-Transformation wird eingeführt als:figure-protocol-11 (9)
  4. Der Defektabstand wird berechnet wie folgt:
    figure-protocol-12(10)
    1. wobei t die Zeit ist, die der Spitzenposition nach der inversen Fourier-Transformation entspricht.
  5. Identifizieren Sie Defektspitzen (ohne Kopf- und Endspiegelungen) im Reflexionskoeffizientenspektrum.

5. Anwendung der Methode des maximalen Entropiespektrals zur Defektlokalisierung

  1. Laden Sie die erfassten Reflexionskoeffizienten-Spektrumdaten.
  2. Entfernen Sie die Trend und zentriere die imaginäre Teilefolge.
  3. Wählen Sie die autoregressive Modellreihenfolge
    figure-protocol-13(11)
    1. wobei N die Anzahl der Datenpunkte ist.
  4. Implementiere den Burg-Rekursionsalgorithmus.
    1. Initialisieren Sie Vorwärts- und Rückwärtsvorhersagefehler.
    2. Rekursiv werden Reflexionskoeffizienten und autoregressive Parameter berechnet, während die Vorwärts- und Rückwärtsfehlerleistung minimiert wird.
    3. Extrapolieren Sie die Autokorrelationssequenz basierend auf dem Kriterium der maximalen Entropie.
  5. Berechnen Sie das Leistungsspektrum aus der extrapolierten Sequenz.
  6. Identifizieren Sie Spitzen im maximalen Entropie-Leistungsspektrum.
  7. Maximale Positionen in Defektabstände figure-protocol-14 mit (12) umrechnen
  8. Vergleichen Sie die maximale Klarheit und den Lokalisierungsfehler mit den herkömmlichen FFT-Ergebnissen.

6. Die Ergebnisse interpretieren

  1. Unterscheide positive Peaks (erfolgreiche Defekterkennung) von scheinbaren Peaks oder suboptimalen Spuren.
  2. Berechnen Sie den relativen Lokalisierungsfehler als figure-protocol-15 (13)
  3. Erfolg durch relativen Fehler <0,25 % und einen klaren, glatten Peak ohne signifikante Seitenlappen bestätigen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Die Ergebnisse des Reflexionskoeffizientenspektrums und der Defektlokalisierung wurden sowohl aus Simulationen als auch aus Experimenten mit der Methode des maximalen Entropiespektrals gewonnen und mit konventionellen FFT-basierten Ansätzen verglichen. Eine erfolgreiche Defektlokalisierung zeichnet sich durch ein glattes Leistungsspektrum mit einem scharfen, markanten Peak an der exakten Defektposition, minimalen spuriosen Peaks (Pseudopeaks verursacht durch Seitenlappen oder Leckage) un...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

In dieser Studie präsentieren die Autoren ein detailliertes Protokoll zur Lokalisierung von Defekten in Stromverteilungskabeln mittels Frequenzdomänen-Reflektometrie (FDR), die durch die maximale Entropie-Spektralmethode (MES) verbessert wird. Frühere Studien stützten sich oft auf konventionelle, schnelle Fourier-Transformations-(FFT)-basierte Analysen, die mit spektraler Leckage, begrenzter Auflösung in langen Kabeln und unsicheren Peaks zu kämpfen hat, die die Fehlererkennung

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben keine Interessenkonflikte, die für den Inhalt dieses Artikels relevant sind.

Danksagungen

Diese Arbeit wurde vom Science and Technology Project der Guangxi Power Grid Co., Ltd. unter Projektnummer 040100KC23110005 unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Leitfähiges Kupferband, doppelseitigNicht spezifiziertN/AWird verwendet, um Prüfleitungen an den Kabelkern und die Abschirmung anzuschließen, um Reflexstörungen durch das Kopfend
https://www.shcenxin.com/metaltape/93.html zu minimieren
YJLV22-8,7/10 kV-3&Times; 70er MittelspannungskabelNicht spezifiziertYJLV22-8,7/10 kV-3&Times; 70Quervernetztes Polyethylen (XLPE) Aluminiumkern-Stahlband mit gepanzertem PVC-Ummantelungskabel; Gesamtlänge 171 m; Verwendet als Testobjekt mit extern induziertem Defekt
http://www.xmdl518.com/jspn01-Products-6234877/
10-kV-KabelfehlerlokalisierungsgerätNicht spezifiziertNicht spezifiziertFrequenzdomänen-Reflektometrieinstrument; Frequenzband 100 kHz; 50 MHz; konfiguriert mit 5.001 Abtastpunkten für die Reflexionskoeffizienten-Spektrumerfassung
https://www.163.com/dy/article/K6OHFJOO0552X57P.html

Referenzen

  1. Yang, Y., Hepburn, D. M., Zhou, C., Jiang, W., Yang, B., et al. Online monitoring and trending of dielectric loss in a cross-bonded HV cable system. , (2015).
  2. Bian, H., Yang, L., Ma, Z., Deng, B., Zhang, H., et al. Improved physical model of electrical lifetime estimation for crosslinked polyethylene AC cable. IEEE Trans Dielect Electr Insul. 27 (1), 132-139 (2020).
  3. Li, Z., Yang, H., Yang, F., Tan, T., Lu, X., et al. An infrared image based state evaluation method for cable incipient faults. Electric Power Systems Research. 210, 108148 (2022).
  4. Zhang, P., Xu, L., Liang, R., Pan, Y., Jin, M., et al. Distance Estimation for Early Three-core Cable Fault based on Multiple Amplitude Ratios Fusion of Grounding Line Current Selected Frequency Band. , 1-6 (2023).
  5. Lan, T., Mazhari, S. M., Teimourzadeh, H., Chung, C. Y. An Online Data-Efficient HV Cable Fault Localization Approach Via an AI-Enabled Recognition of Modal Wavefront in Sheath Current. IEEE Trans Power Delivery. 38 (3), 1977-1989 (2023).
  6. Ouatah, E., Megherfi, S., Haroun, K., Zebboudj, Y. Characteristics of partial discharge pulses propagation in shielded power cable. Electric Power Systems Research. 99, 38-44 (2013).
  7. Liang, R., Zhang, Z., Li, H., Chi, P., Li, G., et al. Partial discharge location of power cables based on an improved single-terminal method. Electric Power Systems Research. 193, 107013 (2021).
  8. Hassan, W., Shafiq, M., Hussain, G. A., Choudhary, M., Palu, I. Investigating the progression of insulation degradation in power cable based on partial discharge measurements. Electric Power Systems Research. 221, 109452 (2023).
  9. Wu, Y., Zhang, P. A Novel Online Monitoring Scheme for Underground Power Cable Insulation Based on Common-Mode Leakage Current Measurement. IEEE Trans Ind Electron. 69 (12), 13586-13596 (2022).
  10. Wu, Y., Wei, Z., Yang, Y., Zhang, P. Improved Common-Mode Leakage Current Measurement Method for Insulation Condition Monitoring in Distribution Grids. IEEE Trans Ind Electron. 71 (5), 5307-5317 (2024).
  11. Wen, S., Peng, L., Liu, Y., Zhang, J., Li, S., et al. Detection and location of cable aging in underground distribution network with complex topologies. Meas Sci Technol. 36 (6), 065116 (2025).
  12. Kim, S. M., Sung, J. H., Park, W., Ha, J. H., Lee, Y. J., et al. Development of a Monitoring System for Multichannel Cables Using TDR. IEEE Trans Instrum Meas. 63 (8), 1966-1974 (2014).
  13. Hu, Y., Chen, L., Liu, Y., Xu, Y. Principle and Verification of an Improved Algorithm for Cable Fault Location Based on Complex Reflection Coefficient Spectrum. IEEE Trans Dielect Electr Insul. 30 (1), 308-316 (2023).
  14. Hua, X., Wang, L., Zhang, Y. Analysis and Diagnosis of Shielded Cable Faults Based on Finite-Element Method and Time-Reversal Time-Frequency Domain Reflectometry. IEEE Trans Ind Electron. 69 (4), 4205-4214 (2022).
  15. Baharozu, E., Ilhan, S., Soykan, G. High impedance fault localization: A comprehensive review. Electric Power Systems Research. 214, 108892 (2023).
  16. Song, E., Shin, Y. J., Stone, P. E., Wang, J., Choe, T. S., et al. Detection and Location of Multiple Wiring Faults via Time–Frequency-Domain Reflectometry. IEEE Trans Electromagn Compat. 51 (1), 131-138 (2009).
  17. Giaquinto, N., Scarpetta, M., Spadavecchia, M. Algorithms for Locating and Characterizing Cable Faults via Stepped-Frequency Waveform Reflectometry. IEEE Trans Instrum Meas. 69 (9), 7271-7280 (2020).
  18. Zhou, Z., Zhang, D., He, J., Li, M. Local degradation diagnosis for cable insulation based on broadband impedance spectroscopy. IEEE Trans Dielect Electr Insul. 22 (4), 2097-2107 (2015).
  19. Mo, S., Zhang, D., Li, Z., Wan, Z. The Possibility of Fault Location in Cross-Bonded Cables by Broadband Impedance Spectroscopy. IEEE Trans Dielect Electr Insul. 28 (4), 1416-1423 (2021).
  20. Wang, S., Liu, J., Li, Z., Zhang, H., Zhang, L., et al. Diagnosis and Location of Defects in a Cross-Bonding Cable System Based on Multi-Phase High-Voltage High-Frequency Collaborative Excitation. IEEE Trans Ind Electron. 71 (11), 14946-14956 (2024).
  21. Tang, Z., Zhou, K., Meng, P., Li, Y. A Frequency-Domain Location Method for Defects in Cables Based on Power Spectral Density. IEEE Trans Instrum Meas. 71, 1-10 (2022).
  22. Huang, J., Zhou, K., Xu, Y., Meng, P., Tang, Z., et al. Upper Sweeping Frequency Selection for Cable Defect Location Based on STFT. IEEE Trans Instrum Meas. 72, 1-9 (2023).
  23. Tang, Z., Xu, Y., Zhou, K., Meng, P., Huang, J., et al. A Frequency Sweep Location Method for Soft Faults of Power Cables Based on MUSIC-Pseudospectrum. IEEE Trans Instrum Meas. 72, 1-10 (2023).
  24. Zhang, L. A Novel Time-frequency Domain Reflectometry Method Based on S-transform for Power Cable Defect Localization. EEENG. 18 (5), 563-574 (2025).
  25. Korde, A., Sonerud, B. Condition Monitoring and Fault Detection in Cables using Line Impedance Resonance Analysis. Power Research. 18 (1), 69-75 (2022).
  26. Ohki, Y., Hirai, N. Location attempt of a degraded portion in a long polymer-insulated cable. IEEE Trans Dielect Electr Insul. 25 (6), 2461-2466 (2018).
  27. Jiang, K., Zhou, K., Ren, X., Xu, Y. Frequency Domain Sampling Optimization of Cable Defect Detection and Location Method Based on Exponentially Increased Frequency Reflection Coefficient Spectrum. Energies. 18 (10), 2428 (2025).
  28. Liu, C., Chen, D., Hou, Y. Underground XLPE coaxial cable length calculation and fault detection based on broadband impedance spectroscopy. Meas Sci Technol. 36 (1), 016146 (2024).
  29. Deng, W., Cheng, L., Wang, X., Luo, H., Zhang, T. Research on Microwave Non-Destructive Testing Method for Defects in 10 kV Distribution Cable Intermediate Joints. Energies. 19 (2), 499 (2026).
  30. Huang, J., Zhou, K., Meng, P., Xu, Y., Tang, Z., et al. Detection of Different Cable Defects Simulated by Impedance Box Based on FDR. , 1-5 (2023).
  31. Tang, Z., Zhou, K., Xu, Y., Meng, P., Zhang, H., et al. A Reflection Coefficient Estimation Method for Power Cable Defects Based on Three-Point Interpolated FFT. IEEE Trans Instrum Meas. 73, 1-8 (2024).
  32. Zhang, G., He, X., Wang, L., Yang, D., Chang, K., et al. Step Frequency TR-MUSIC for Soft Fault Detection and Location in Coaxial Cable. IEEE Trans Instrum Meas. 72, 1-11 (2023).
  33. Luo, C. Improvement of FDR Methods for Identifying Defects of Jointed HV Cable. J Phys: Conf Ser. 2584 (1), 012155 (2023).
  34. Wei, L., Pang, X., Su, J., Han, T., Yao, Y. Improved Locating Method for Local Defects in XLPE Cable Based on Broadband Impedance Spectrum. Energies. , (2022).
  35. Song, Y., Chen, W., Wan, F., Zhang, Z., Du, L., et al. Online multi-parameter sensing and condition assessment technology for power cables: A review. Electric Power Systems Research. 210, 108140 (2022).
  36. Li, S., Gu, B., Zhu, X., Li, H., Deng, J., et al. High impedance grounding fault location method for power cables based on reflection coefficient spectrum. Energy Reports. 9, 576-583 (2023).
  37. Wang, M., Liu, Y., Huang, Y., Xin, Y., Han, T., et al. Defect Identification of XLPE Power Cable Using Harmonic Visualized Characteristics of Grounding Current. Electronics. 13 (6), 1159 (2024).
  38. Huo, Y., Wang, K., Lampe, L., Leung, V. C. M. Validation of Machine Learning-Aided and Power Line Communication-Based Cable Monitoring Using Measurement Data. Sensors. 24 (2), 335 (2024).
  39. Li, Y., Li, W., Yao, Y., Li, Q., Han, T. Cable Defects Location Method Based on M-sequence with Broadband Impedance Spectroscopy. , 1-4 (2024).
  40. He, H., Zheng, F., Zhao, X. Research on Defect Localization of Power Cables Using Compressed Sensing-Based FDR Method. IEEE Trans Instrum Meas. 75, 1-9 (2026).
  41. Liu, D., Feng, H., Yang, H. A Novel Method Based on Spread-Spectrum Time-Domain Reflectometry for Improving the Distance of Cable Fault Detection. IEEE Sensors J. 23 (9), 9440-9446 (2023).
  42. Jin, Y., Hu, Y., Shi, C., He, G., Qi, J., et al. An Improved Algorithm of Cable Fault Diagnosis Considering Signal Attenuation Compensation. , 1-4 (2024).
  43. Yang, X., Wang, Z., Li, J., Wu, M., Wang, G., et al. Research on the Carrier Characteristics of Power Cables Considering the Aging Status of Insulation and Semiconducting Layers. Energies. 17 (22), 5655 (2024).
  44. Xie, C., Mu, H., Zou, X., Zhang, H., Sun, X., et al. A novel cable defect localization technique via time-frequency domain reflectometry. IET Conf Proc. 2021 (15), 875-879 (2022).
  45. Wang, R., Mu, H., Zou, X., Song, C., Cheng, Z., et al. Analysis of Electric Field Characteristics and Defect Diagnosis for Local Cable Breakage. , 3002-3007 (2024).
  46. He, B., Yuan, J., Wang, C., Zhou, Y., Chen, R., et al. High-Voltage Cable Fault Detection Technology Based on Broadband Impedance Spectroscopy. , 504-507 (2022).
  47. Peng, J., Pan, S., Wang, W., Zhang, M., Shen, J., et al. A Measurement Method for Wide-frequency Harmonic Signal in Power Grid Based on Window Interpolation FFT and RLS-Adaline Neural Network. J Phys: Conf Ser. 1920 (1), 012062 (2021).
  48. Deng, H., Chen, Y., Li, L., Zhao, Y., Tu, H., et al. Characteristics impedance modeling for shielding damage of I&C cables in NPPs using TFDR. Electr Eng. 107 (5), 6329-6341 (2024).
  49. Ju, D., Chu, G., Liang, Y., Huang, J., Bai, W. Fault Identification and Localization for Cables Based on Time-Frequency Domain Reflection. , 896-900 (2023).
  50. Kiitam, I., Shafiq, M., Choudhary, M., Parker, M., Palu, I., et al. Precision and Accuracy of Pulse Propagation Velocity Measurement in Power Cables. Energies. 16 (6), 2702 (2023).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Defekte an StromkabelnFehlersucheMaximum Entropie MethodeSpektralsch tzungFrequenzbereichs ReflektometriebertragungslinientheorieReflexionskoeffizientenspektrumOptimierung der SchrittfrequenzIsolationsalterungmechanische Besch digung

Verwandte Artikel