基于ConvNeXt-Transformer的500kV超高压电缆局部放电预测方法

摘要

500 kV超高压电缆作为跨区域输电核心设备，其局部放电故障易引发绝缘击穿、大面积停电等重大事故。针对500 kV超高压电缆局部放电信号“幅值微弱、相位锁定、电磁干扰强”的特性，本文提出基于ConvNeXt-Transformer深度神经网络的预测方法。首先，构建“工频陷波-改进巴特沃斯滤波-小波包分解”三级信号预处理流程，滤除电网基波及高频噪声，并提取包含脉冲峭度、相位分布熵在内的19维特征；其次，设计融合深度卷积与自注意力的ConvNeXt-Transformer模型，通过ConvNeXt模块捕获放电信号的局部波形轮廓特征，结合相位感知位置编码的Transformer编码器挖掘长时序放电关联；最后，完成实验预操作验证流程搭建。实验结果表明，该方法可改善传统检测方法的局限性，提升500 kV电缆故障检测的可靠性与效率，为超高压电缆运维提供技术支持。

关键词

超高压 / 电缆 / 故障检测 / 局部放电 / 预测 / 深度学习