Voedingsdistributiekabel-localisatietechnologie gebaseerd op de maximale entropiespectrale methode

Summary

Dit protocol presenteert een op maximale entropie gebaseerde spectrale schattingsmethode voor precieze defectlokalisatie in lange vermogensdistributiekabels met behulp van frequentiedomeinreflectometrie. Het beschrijft hoogfrequente kabelmodellering, reflectiecoëfficiëntspectrumanalyse, spectrale extrapolatie en validatie via simulaties en experimenten, waarbij een superieure nauwkeurigheid wordt bereikt ten opzichte van conventionele FFT-benaderingen.

Abstract

Naarmate de kabellegafstanden in moderne stedelijke distributienetwerken blijven toenemen, neemt de nauwkeurigheid van foutlocatie via frequentiedomeinreflectometrie (FDR) aanzienlijk af naarmate de lengte toeneemt. Om de precisie voor lange kabels te verbeteren, stelt deze studie een methode met maximale entropie voor spectrale schatting. Er wordt een hoogfrequente gedistribueerde parametermodel voor distributiekabels ontwikkeld om de effecten van isolatieveroudering en mechanische schade op de capaciteit en inductantie per eenheidslengte kwantitatief te beoordelen. Op basis van de transmissielijntheorie wordt de relatie tussen het reflectiecoëfficiëntspectrum en de defectpositie afgeleid, samen met een stapfrequentieoptimalisatiecriterium om de spectrale resolutie te verbeteren. Om spectrale lekkage en beperkte resolutie in snelle Fouriertransformatie (FFT)-gebaseerde frequentiedomeinanalyse te beperken, wordt de maximale entropiespectrale methode gebruikt voor spectrumschatting met hoge fideliteit, waardoor de nauwkeurigheid van de lokalisatie van foutafstand wordt verhoogd. Simulaties tonen aan dat, vergeleken met conventionele FFT, de voorgestelde methode locatiefouten met 2–4,5 keer vermindert in typische langkabelgevallen. Experimentele resultaten bevestigen een relatieve fout onder 0,25% voor de maximale entropie-benadering, waarmee de fout van de conventionele methode onder 0,55% wordt overschreden, waarmee de effectiviteit en superioriteit in de technische praktijk worden bevestigd.

Introduction

Met de toenemende vraag naar betrouwbaarheid en veiligheid van de stroomvoorziening in moderne energiesystemen zijn kabels breed toegepast in stedelijke distributienetwerken. Onder andere worden cross-linked polyethylene (XLPE) kabels veelvuldig gebruikt vanwege de uitstekende voordelen van de auteur ^1,2. Distributiekabels worden doorgaans ondergronds geïnstalleerd, waar de werkomgeving zwaar is. Naarmate de diensttijd toeneemt, gecombineerd met belastingschommelingen en overbelasting, wordt kabelveroudering steeds duidelijker. Daardoor kunnen lokale defecten zoals waterbomen, elektrische bomen, gedeeltelijke ontladingen en isolatievocht geleidelijk optreden. Als deze defecten niet tijdig worden aangepakt, kunnen ze uitgroeien tot ernstige storingen, wat uiteindelijk leidt tot stroomuitval in het^{net 3,4}. Daarom zijn het identificeren van defecten en het lokaliseren van storingen van distributiekabels essentiële onderdelen van de werking en het onderhoud van het elektriciteitsnet.

De foutlocatiemethoden voor distributiekabels kunnen grofweg worden ingedeeld in twee typen: online en offline benaderingen. Online methoden worden voornamelijk vertegenwoordigd door de locatie van de reisgolf, gedeeltelijke ontlading (PD) monitoring en de common-mode lekstroommethode. De locatie van de reizende golf identificeert de posities van de breuk door transiënte lopende golven te analyseren die bij de breuk worden gegenereerd. Het kampt echter met verschillende uitdagingen, waaronder moeilijkheden bij het nauwkeurig extraheren van golfvlakken, ernstige superpositie van breukkenmerken met niet-lineaire verdeling, en onhandige installatie. Belangrijker nog, deze methode is niet toepasbaar om verouderingsgerelateerde defecten te lokaliseren⁵. PD-gebaseerde online monitoring detecteert defectsignalen die in de kabel worden gegenereerd en maakt realtime beoordeling van de bedrijfsomstandigheden mogelijk. Desalniettemin ondervindt het nog steeds technologische knelpunten bij het herkennen van verouderingsdefecten en het uitvoeren van langetermijnmonitoring. Problemen zoals signaalinterferentie, ruisonderdrukking en complexe data-analyse leiden vaak tot misrekeningen in praktische toepassingen ^6,7,8. De common-mode lekstroommethode bepaalt de positie en ernst van verouderingsdefecten door variaties in common-mode lekstromen aan de kabelterminals te meten. Deze techniek biedt niet-intrusieve detectie met een hoge gevoeligheid. De anti-interferentiecapaciteit is echter relatief zwak, aangezien hoogfrequente differentiaalmodusstromen, zoals die tijdens het gebruik van variabele frequentieapparatuur, de meetnauwkeurigheid aanzienlijk kunnen verminderen. Daarnaast moet online monitoring van onder spanning staande kabels rekening houden met signaalisolatie in hoogspanningsomgevingen, wat de kosten van apparatuur en de onderhoudscomplexiteit verhoogt ^9,10,11.

Wat offline methoden betreft, zijn verschillende benaderingen voorgesteld, waaronder tijddomeinreflectometrie (TDR)¹², frequentiedomeinreflectometrie (FDR)¹³ en tijd-frequentiedomein reflectometrie (TFDR)¹⁴. Hiervan lijdt TDR aan lage energie in de hoogfrequente componenten van het geïnjecteerde pulssignaal en is het zeer gevoelig voor kabeldempingseffecten en ruisinterferentie, wat resulteert in beperkte locatienauwkeurigheid en een slechte capaciteit bij het detecteren van beginnende defecten in de vroege stadia van kabelfouten¹⁵. TFDR, door Gaussische chirppulsen te injecteren, verzacht het tekort aan onvoldoende hoogfrequente componenten in TDR¹⁶. TFDR vereist echter complexe signaalmodulatiecircuits en extractie-algoritmen, en de hoogfrequente gemoduleerde signalen verzwakken snel, waardoor defectdetectie in lange kabels een uitdaging is¹⁷. FDR daarentegen injecteert geswept-frequentiesignalen met gelijke vermogensverdeling. Het bevat de rijkste hoogfrequente componenten, bereikt een hogere locatienauwkeurigheid en vertoont een grotere gevoeligheid dan TDR, wat heeft geleid tot de snelle ontwikkeling ervan. Afhankelijk van het type verkregen signaal kan FDR verder worden ingedeeld in breedbandimpedantiespectrum (BIS) methoden 18,19,20 en reflectie coëfficiëntspectrum (RCS) methoden 21,22,23,24.

In 2003 stelde een groep voor het eerst een kabellokale defectlokalisatiemethode voor gebaseerd op het ingangsreflectiecoëfficiëntspectrum van kabels²⁵. Deze benadering hield echter geen rekening met de frequentie-afhankelijke effecten van verspreide parameters, wat tot misvattingen kan leiden. Later werd een inverse snelle Fouriertransformatie (IFFT) toegepast om informatie uit het reflectiecoëfficiëntenspectrum bij de kabelinvoer te extraheren, waardoor lokale defecten zoals thermische veroudering, stralingsveroudering en extrusiedeformatie²⁶ effectief werden gelokaliseerd. Er werd ook waargenomen dat hoe hoger de bovenfrequentie van het sweepsignaal, hoe hoger de ruimtelijke resolutie van frequentiedomeinreflectometrie (FDR) is. Desalniettemin neemt de bovenste frequentie van het sweepsignaal aanzienlijk af wanneer het wordt toegepast op lange kabels, wat resulteert in een verminderde lokalisatienauwkeurigheid.

De kern van de FDR-methode ligt in het uitvoeren van de FFT op de verkregen reflectiesignalen. Vanwege het inherente spectrale lekprobleem van de FFT hebben onderzoekers echter verschillende verbeteringen voorgesteld. Een studie introduceerde het gebruik van een afstandsvenster gecombineerd met een Kaiser-vensterfunctie in de discrete Fouriertransformatie (DFT) om de defectcomponenten uit het reële deel van het reflectiecoëfficiëntspectrum te extraheren, waardoor de lokalisatie van losgemaakte koperafschermingsdefecten in kabels^{mogelijk werd gemaakt 27}. Een Kaiser-venstergebaseerde DFT²⁸ werd toegepast op het reële deel van het ingangsreflectiecoëfficiëntspectrum, waarmee fouttypeidentificatie werd bereikt voor open-circuit, kortsluiting, hoge weerstand en lage weerstand. Een studie stelde voor om een Blackman-venstergebaseerde DFT toe te passen op het imaginaire deel van de kabelingangsimpedantie voor het detecteren en lokaliseren van vocht in intermediaire voegen²⁹. Een interpolatie-algoritme met het Hanning-zelfconvolutievenster in de DFT werd geïntroduceerd om de frequentie en fase van periodieke componenten in het reële deel van het reflectiecoëfficiëntenspectrum³⁰ te schatten, wat polariteitsbepaling van kabelimpedantie-anomalieën mogelijk maakte. Vervolgens werden verbeteringen bereikt door Nuttall-vensters, vierde-orde drie-term Nuttall-vensters, tweede-orde Nuttall-zelfconvolutievensters en driepunts geïnterpoleerde DFT-algoritmen³¹ te integreren. Over het algemeen hebben bestaande studies zich voornamelijk gericht op het ontwerp van windowfuncties of het verfijnen van interpolatie-algoritmen, die de nauwkeurigheid van defectlokalisatie tot op zekere hoogte hebben verbeterd.

Vanuit het perspectief van het FFT-principe, in frequentiedomeinreflectometrie (FDR), geldt: hoe hoger de frequentie van het geïnjecteerde signaal, hoe beter de meetnauwkeurigheid. In theorie, als de injectiefrequentie oneindig benadert, kan het kabeldefect met perfecte precisie worden gelokaliseerd. De overdracht van ultrahoogfrequente signalen via kabels ondervindt echter een sterke demping, waardoor ze ongeschikt zijn voor middellange en lange kabels^32,33. Daarom bestaat er een inherente afweging tussen de maximale injectiefrequentie in FDR en de haalbare nauwkeurigheid van defectlocatie. Om dit probleem aan te pakken, stelt dit artikel een techniek voor voor kabeldefectlokalisatie gebaseerd op de maximale entropiespectrale methode. De methode voorspelt het hoogfrequente deel van het reflectiecoëfficiëntenspectrum uit de gemeten laagfrequente gegevens volgens het maximum entropiecriterium, en berekent vervolgens het maximale entropiespectrum (MES) van de reflectiecoëfficiënt om de defectlocatie te bepalen. In vergelijking met conventionele FFT-gebaseerde FDR-methoden, die worden beperkt door spectrale lek- en resolutiebeperkingen, vooral in langeafstandskabeltoepassingen, biedt de voorgestelde maximum entropie spectrale methode een hogere spectrale resolutie door effectief hoogfrequente informatie te extrapoleren uit beperkte gemeten data. In tegenstelling tot vensterfunctie-gebaseerde verbeteringen die vooral zijlobben onderdrukken zonder de resolutie fundamenteel te verbeteren, verbetert de MES-benadering zowel de piekscherpte als de lokalisatienauwkeurigheid. Daarnaast biedt de MES-methode in vergelijking met interpolatie- of parametrische spectrale schattingsmethoden een betere balans tussen resolutie en robuustheid, waardoor deze bijzonder geschikt is voor het detecteren van beginnende defecten in lange distributiekabels. Deze aanpak verbetert de lokalisatienauwkeurigheid, waarbij de relatieve fout wordt verlaagd van 0,55% in conventionele methoden naar 0,25%, terwijl ze gladdere lokalisatiecurves oplevert die het identificeren van defectpieken vergemakkelijken.

Protocol

OPMERKING: Voer alle metingen uit op de testkabel in een offline toestand (zonder spanning). Gebruik een vectornetwerkanalyzer (VNA) of een equivalent frequentiedomein-reflectometrie-instrument dat in staat is om geveegde frequentie signaalinjectie en reflectiecoëfficiënten te verkrijgen. Zorg ervoor dat de kabel aan het uiteinde open circuit is, tenzij anders vermeld. Minimaliseer verbindingsreflecties door korte, directe coaxiale verbindingen en geleidend tape te gebruiken voor veilig contact. Raadpleeg de Materiaaltabel voor aanbevolen apparatuur en software.

1. Bereid het kabelmonster voor en meet opstelling

1. Selecteer de stroomdistributiekabel voor de test (bijv. YJLV22-8,7/10 kV-3×70 XLPE-kabel of gelijkwaardige).
2. Meet en registreer de totale kabellengte en de bekende defectposities (indien kunstmatig aangebracht).
3. Meet de voortplantingssnelheid van elektromagnetische golven in de kabel.
   1. Verbind de kabel aan het instrument aan één uiteinde en laat het uiteinde open.
   2. Verkrijg het reflectiecoëfficiëntenspectrum over een geschikte frequentieband.
   3. Identificeer de oscillatieperiode die overeenkomt met de volledige kabellengte (heen-en-terug).
   4. Bereken snelheid als (1)
4. Maak de kabelhoofdverbinding klaar.
   1. Strip het kabeluiteinde om de kern en het scherm bloot te leggen.
   2. Gebruik dubbelzijdig geleidend koperen tape om de instrumentkabels stevig aan de kern en het scherm te bevestigen.
   3. Minimaliseer de lengte van de tak om reflecties van het hoofd te verminderen.

2. Configureer de frequentiesweepparameters

1. Bepaal de frequentiestap (Δf) met behulp van het selectiecriterium.
   1. Gebruik de oscillatieperiode aan het kabeleinde (2)
   2. Stel in dat er minstens 200 bemonsteringspunten per cyclus zijn.
   3. De frequentiestap Δf bepaalt het maximaal waarneembare afstandsbereik: (3)
   4. Om te garanderen dat de volledige kabellengte L zonder ambiguïteit kan worden opgelost:
      (4)
   5. In deze studie wordt een strengere voorwaarde aangenomen om de resolutie te verbeteren: (5)
2. Stel de frequentieband in.
   1. Stel de ondergrens in op 100 kHz (of instrumentminimum).
   2. Stel de bovengrens in op het maximaal haalbare zonder overmatige demping (meestal 30–50 MHz voor kabels <200 m; verminder bij langere kabels).
   3. De bovenste frequentielimiet f_max beïnvloedt direct de ruimtelijke resolutie: (6)
   4. Een hogere _f-max leidt tot een fijnere resolutie, maar wordt beperkt door kabeldemping.
3. Bereken het vereiste aantal steekproefpunten (7)
4. Configureer het instrument met de berekende frequentieband, stap en punten (bijv. 100 kHz–50 MHz, ~5.000 punten voor hoge resolutie).

3. Verkrijg het reflectiecoëfficiëntspectrum

1. Kalibreer het instrument (open-korte-belasting kalibratie aanbevolen voor VNA).
2. Sluit de voorbereide kabelkop aan op de instrumentenpoort.
3. Injecteer swept-frequentie sinusvormige signalen en meet de ingangsspiegelcoëfficiënt Γ(ω) bij elk discrete frequentiepunt.
   1. De gemeten reflectiecoëfficiënt kan worden uitgedrukt als: (8)
   2. waarbij: Γ_d: reflectiecoëfficiënt bij het defect, : faseconstante, d: defectafstand.
   3. Deze relatie toont aan dat de fase van de reflectiecoëfficiënt lineair varieert met de frequentie, wat de basis vormt voor afstandsschatting.
4. Noteer het spectrum van complexe reflectiecoëfficiënten (grootte en fase, of reële en imaginaire delen).
5. Sla de data op als frequentie- versus echte/imaginaire reflectiecoëfficiënt.

4. Verwerk de gegevens met de conventionele FFT-methode (ter vergelijking)

1. Extraheren van het imaginaire deel van het reflectiecoëfficiëntspectrum.
2. Pas een vensterfunctie toe (bijv. Blackman-venster) om de zijloblekkage te verminderen.
3. Voer inverse snelle Fouriertransformatie (IFFT) uit op het vensterde imaginaire deel.
   1. De inverse Fouriertransformatie wordt geïntroduceerd als: (9)
4. De defectafstand wordt berekend als:
   (10)
   1. waarbij t de tijd is die overeenkomt met de piekpositie na de inverse Fouriertransformatie.
5. Identificeer defectpieken (exclusief head-end en terminal reflecties) in het reflectiecoëfficiëntenspectrum.

5. Pas de maximale entropiespectrale methode toe voor defectlokalisatie

1. Laad de data van het verworven reflectiecoëfficiëntspectrum.
2. Onttrend en centreer de denkbeeldige deelvolgorde.
3. Selecteer de autoregressieve modelvolgorde
   (11)
   1. waarbij N het aantal datapunten is.
4. Implementeer het Burg-recursie-algoritme.
   1. Initialiseer voorwaartse en achterwaartse voorspellingsfouten.
   2. Bereken reflectiecoëfficiënten en autoregressieve parameters recursief terwijl de voorwaartse en achterwaartse foutkracht wordt geminimaliseerd.
   3. Extrapoleer de autocorrelatiesequentie op basis van het maximum entropiecriterium.
5. Bereken het vermogensspectrum uit de geëxtrapoleerde reeks.
6. Identificeer pieken in het maximum entropievermogensspectrum.
7. Zet piekposities om in defectafstanden met behulp van (12)
8. Vergelijk piekhelderheid en lokalisatiefout met de conventionele FFT-resultaten.

6. Interpreteer de resultaten

1. Onderscheid positieve pieken (succesvolle defectdetectie) van valse pieken of suboptimale sporen.
2. Bereken de relatieve lokalisatiefout als (13)
3. Bevestig succes door relatieve fout <0,25% en een heldere, gladde piek zonder significante zijlobben.

Results

De reflectiecoëfficiëntenspectrum en defectlokalisatieresultaten werden verkregen uit zowel simulaties als experimenten met behulp van de maximum entropie spectrale methode en vergeleken met conventionele FFT-gebaseerde benaderingen. Een succesvolle defectlokalisatie wordt gekenmerkt door een glad vermogensspectrum met een scherpe, prominente piek op de exacte defectpositie, minimale schijnpieken (pseudopieken veroorzaakt door zijlobben of lekkage), en een lage relatieve fout (typisch <0...

Discussion

In deze studie presenteren de auteurs een gedetailleerd protocol voor het lokaliseren van defecten in stroomdistributiekabels met behulp van frequentiedomeinreflectometrie (FDR), versterkt met de maximum entropy spectral (MES) methode. Eerdere studies hebben vaak vertrouwd op conventionele snelle Fouriertransformatie (FFT)-gebaseerde analyse, die worstelt met spectrale lekkage, beperkte resolutie in lange kabels en valse pieken die defectidentificatie^{bemoeilijken 34}

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Geleidende kopertape, dubbelzijdig	Niet gespecificeerd	N/A	Gebaten voor het verbinden van testleidingen naar de kabelkern en schild om reflectie-interferentie aan het begin te minimaliseren https://www.shcenxin.com/metaltape/93.html
YJLV22-8,7/10 kV-3×70 middelspanningskabel	Niet gespecificeerd	YJLV22-8,7/10 kV-3×70	Gecrosslinkte polyethyleen (XLPE) aluminium kern staalband gepantserde PVC omhulde stroomkabel; totale lengte 171 m; gebruikt als testobject met extern geïnduceerde defect http://www.xmdl518.com/jspn01-Products-6234877/
10 kV kabeldefect lokalisatieapparaat	Niet gespecificeerd	Niet gespecificeerd	Frequentiedomein reflectometrie-instrument; frequentieband 100 kHz–50 MHz; geconfigureerd met 5.001 samplepunten voor reflectiecoëfficiënt spectrum acquisitie https://www.163.com/dy/article/K6OHFJOO0552X57P.html