Онлайн-обнаружение частичных разрядов в кабеле и оценка состояния на основе глубокой сети представлений и алгоритма оптимизации ройного интеллекта

Наблюдение за скрытым состоянием силовых кабелей

Современные города опираются на обширные сети подземных силовых кабелей, чтобы обеспечивать свет, движение поездов и работу дата-центров. Однако глубоко в изоляции этих кабелей мельчайшие электрические искры — так называемые частичные разряды — могут в течение месяцев или лет незаметно разъедать материал, прежде чем внезапный отказ отключит часть сети. В этой статье представлен новый интеллектуальный метод мониторинга, который в реальном времени улавливает эти ранние предупреждающие сигналы даже в шумной городской среде и преобразует их в понятные оценки состояния кабеля.

Почему небольшие искры — большая проблема

Подземные кабели популярны благодаря надежности, компактности и неприметности. Но их изоляция может получить мелкие дефекты из‑за заводских погрешностей, влаги или механических напряжений. При подаче высокого напряжения такие слабые места могут генерировать крошечные вспышки тока вместо чистого непрерывного потока. Каждая вспышка слегка повреждает окружающую изоляцию, и со временем этот процесс может перерасти в внезапный пробой и крупномасштабное отключение электроэнергии. Традиционные методы мониторинга используют акустические, тепловые, оптические или радиочастотные датчики, но у каждого из них есть компромиссы: некоторые дороги в разворачивании на больших расстояниях, некоторые легко нарушаются внешним шумом, а многие требуют, чтобы эксперты вручную создавали признаки или перенастраивали параметры для каждого типа кабеля.

Обучение машин распознавать шумные сигналы

Авторы решают эту задачу с помощью подхода, основанного на глубокой сети представлений — разновидности многослойной нейронной сети, которая способна автоматически извлекать закономерности из сырых измерений. Вместо того чтобы инженеры вручную конструировали признаки сигналов, сеть самостоятельно обнаруживает полезные представления сигналов частичных разрядов. Чтобы лучше работать с непрерывной природой реальных измерений, команда заменяет обычные бинарные компоненты на версию, более естественную для аналоговых данных. Затем они добавляют две техники из современного машинного обучения: DropConnect, который во время обучения случайно редуцирует соединения в сети для предотвращения переобучения, и «эластичную» схему весов, помогающую модели сохранять выученное при появлении новых типов данных со временем.

Ройная настройка «мозга»

Даже умная нейронная сеть может работать хуже, если ее внутренняя структура — сколько слоев, сколько нейронов, какие скорости обучения применять — выбрана методом проб и ошибок. Чтобы избежать этого, авторы предлагают процедуру оптимизации, вдохновленную коллективным поведением в природе. Они объединяют модель роя криля, шаблон поиска, вдохновленный летучими мышами, и спиральные траектории полета в единый алгоритм, который отправляет виртуальный рой исследовать множество возможных архитектур сети. Каждая кандидатная сеть оценивается не только по точности классификации состояний кабеля, но и по скорости работы и компактности. За многие итерации рой сходится к конфигурациям, которые лучше всего балансируют точность, скорость и использование ресурсов, создавая оптимизированную модель, пригодную для развёртывания в подстанциях и на периферийных устройствах.

От лабораторных данных к реальному шуму

Для проверки фреймворка исследователи обучают и оценивают его на общедоступных наборах данных по батареям и дополнительных данных по кабелям, сравнивая с популярными моделями глубокого обучения и гибридными методами. Улучшенная сеть сама по себе превосходит сверточные сети и методы градиентного бустинга по стандартным метрикам качества, таким как точность, полнота и площадь под ROC-кривой. При добавлении оптимизатора на основе роя производительность дополнительно растет, в то время как число параметров, требуемые вычисления, объём памяти и время обучения значительно сокращаются. Система также демонстрирует устойчивость при добавлении сильного шума в реальные полевые измерения с городских кабельных линий, сохраняя более высокую точность по сравнению с конкурирующими методами даже при очень низких отношениях сигнал/шум.

Что это означает для бесперебойного электроснабжения

Проще говоря, эта работа показывает, как компактный самоадаптирующийся искусственный интеллект может непрерывно «слушать» слабое электрическое «сердцебиение» подземных силовых кабелей и надежно сигнализировать о ранних признаках неисправностей. Поймав частичные разряды раньше и различая незначительные и серьёзные дефекты, энергокомпании могут планировать техническое обслуживание вместо реагирования на аварии. Сочетание надёжного понимания сигналов, устойчивости к шуму и эффективных вычислений делает предложенный фреймворк перспективным для масштабного круглосуточного мониторинга городских электросетей, помогая городам сделать доставку электроэнергии более безопасной и экономичной.

Цитирование: Hou, Y., Li, Y., Song, B. et al. Cable online partial discharge detection and state evaluation based on deep belief network and swarm intelligence optimization algorithm. Sci Rep 16, 13797 (2026). https://doi.org/10.1038/s41598-026-42730-6

Ключевые слова: мониторинг силовых кабелей, частичный разряд, глубокое обучение, надежность интеллектуальных сетей, прогнозное обслуживание