王定發(fā)

摘要：高壓線纜在運(yùn)行中容易受到氣候和環(huán)境的影響，導(dǎo)致狀態(tài)數(shù)據(jù)出現(xiàn)異常，為了精準(zhǔn)檢測異常線纜狀態(tài)數(shù)據(jù)，保障線纜全生命周期安全，提出基于資產(chǎn)全生命周期的高壓線纜狀態(tài)數(shù)據(jù)異常自動檢測方法。設(shè)計異常數(shù)據(jù)檢測框架，以提供軟硬支持的基礎(chǔ)層為基礎(chǔ)，以能力層的平臺能力模塊為技術(shù)支撐，大數(shù)據(jù)處理能力模塊通過松耦合方法集成線纜資產(chǎn)全生命周期信息，提取其波動性、趨勢性以及變動性特征記作特征向量并形成投影矩陣；應(yīng)用層資產(chǎn)狀態(tài)監(jiān)測模塊以此為依據(jù)，構(gòu)建T2和平方誤差預(yù)測統(tǒng)計量作為線纜狀態(tài)特征量，將特征向量控制限作為判斷狀態(tài)數(shù)據(jù)異常閾值，實(shí)現(xiàn)線纜異常狀態(tài)檢測。實(shí)驗(yàn)結(jié)果表明：該方法可有效檢測線纜異常狀態(tài)數(shù)據(jù)，檢測精度較高，且通過界面展示異常狀態(tài)數(shù)據(jù)檢測結(jié)果。

關(guān)鍵詞：高壓線纜；異常檢測；松耦合；特征提??；檢測技術(shù)

中圖分類號：TM76文獻(xiàn)標(biāo)志碼：A文章編號：1001-5922（2023）05-0188-05

Automaticdetectiontechnologyof featureintegration andabnormalstatedatabasedoncablestatusdata

WANG Dingfa

（China Southern Power Grid Digital Grid Research Institute Co.，Ltd.，Guangzhou 510000，China）

Abstract：High voltage cables are easily affected by climate and environment during operation，resulting in abnor? mal state data. In order to accurately detect abnormal cable state data and ensure the safety of cable life cycle，an automatic detection method of abnormal state data of high voltage cables based on the whole lifecycle of assets was proposed. The abnormal data detection framework was designed，based on the basic layer providing software and hardware support，and supported with the platform capability module of the capability layer as the technical sup? port. The big data processing capability module integrated the full life cycle information of cable assets through the loose coupling method，extracted its volatility，trend and variability characteristics as feature vectors，and formed a projection matrix. Based on this，the application layer asset status monitoring module，the T2 and squared error prediction statistics were constructed as the cable state characteristic quantity，and the eigenvector control limit was used as the abnormal threshold to judge the state data，so as to realize the cable abnormal state detection. The experimental results showed that this method could effectively detect cable abnormal state data，and the detectionaccuracy was high. The abnormal state data detection results were displayed through the interface.Keywords：High voltage cable；Abnormal detection；Loose coupling；Feature extraction；Statistic

高壓線纜一般用于電力線纜內(nèi)1～986 kV 內(nèi)電力傳輸，是供電與用電設(shè)備之間重要的樞紐，其結(jié)構(gòu)可抵擋地面高強(qiáng)度擠壓以及其他外力損壞[1]。但高壓線纜依然存在內(nèi)部數(shù)據(jù)損壞的情況主要因素包括制造商生產(chǎn)、施工質(zhì)量和設(shè)計部門設(shè)計3種，為線纜運(yùn)作造成威脅。為提升線纜工作效率，加快電力傳輸精度，減少線纜造成的經(jīng)濟(jì)損失，需進(jìn)行及時、快速檢測線纜狀態(tài)異常數(shù)據(jù)[2]。

眾多學(xué)者為此展開研究，提出戶外線纜多渠道融合的狀態(tài)檢測方法，此方法將各個渠道數(shù)據(jù)進(jìn)行采集以及處理，實(shí)現(xiàn)線纜5年以上的狀態(tài)檢測，但該方法計算資源損耗過大，不利于長久使用[3]。提出線纜異常多元模糊檢測方法，此方法通過向量選取異常數(shù)據(jù)的最小數(shù)據(jù)，完成異常數(shù)據(jù)檢測，該方法檢測可行性較高；但該方法檢測結(jié)果嚴(yán)謹(jǐn)性較低，容易產(chǎn)生誤差[4]。

資產(chǎn)全生命周期表示資產(chǎn)從謀劃、研究、采選、報廢以及處理的生命周期，該生命周期內(nèi)信息非常全面。因此提出基于資產(chǎn)全生命周期的高壓線纜狀態(tài)異常數(shù)據(jù)自動檢測方法，保證配電網(wǎng)運(yùn)行安全。

1 高壓線纜狀態(tài)數(shù)據(jù)異常檢測

基礎(chǔ)層、能力層以及應(yīng)用層構(gòu)成高壓線纜的資產(chǎn)全生命周期信息異常狀態(tài)檢測框架，該框架結(jié)構(gòu)圖如圖1所示。

公有云、私有云構(gòu)建基礎(chǔ)層的框架，為高壓線纜資產(chǎn)全生命周期狀態(tài)數(shù)據(jù)異常檢測提供軟硬支持；5G 物聯(lián)網(wǎng)、區(qū)塊鏈等功能性能力以及數(shù)據(jù)采集、提取和可視化構(gòu)成資產(chǎn)全生命周期的能力層，該能力層的大數(shù)據(jù)處理能力模塊可實(shí)現(xiàn)高壓線纜全生命周期狀態(tài)數(shù)據(jù)的集成、異常狀態(tài)特征提取并可視化呈現(xiàn)高壓線纜全生命周期狀態(tài)數(shù)據(jù)集成結(jié)果；資產(chǎn)狀態(tài)檢測、運(yùn)行監(jiān)控以及安全管理構(gòu)成應(yīng)用層，該層能夠有效地完成高壓線纜的異常檢測，并展示高壓線纜的運(yùn)行狀態(tài)變化情況。

1.1高壓線纜資產(chǎn)全生命周期信息集成

高壓線纜根據(jù)型號采選和組合調(diào)節(jié)到運(yùn)行、養(yǎng)護(hù)、再到更換和作廢的過程組成線纜資產(chǎn)全生命周期，應(yīng)該將該生命周期的所有信息進(jìn)行集成、分享和增加更換處理，即完成線纜資產(chǎn)全生命周期信息集成，便于線纜生產(chǎn)廠家和用戶對該集成評估處理[5]。檢測信息被該信息集成分批集成傳輸?shù)轿募铮瑢z測信息以文件形式顯示給用戶，為后期檢測信息的有效利用和共享打下基礎(chǔ)。線纜資產(chǎn)全生命周期內(nèi)的數(shù)據(jù)類型各異，處理這些異構(gòu)數(shù)據(jù)是信息集成的主要難題。

該線纜資產(chǎn)全生命周期一般通過線纜屬性維、線纜分類維和線纜生命周期維3種形式顯示。根據(jù)線纜屬性的視圖性和時段性特點(diǎn)，采用分層模塊進(jìn)行數(shù)據(jù)區(qū)分，以便將線纜屬性與屬性的依附聯(lián)系起來。依據(jù)上述分層模塊，具體區(qū)分為邏輯裝備、節(jié)點(diǎn)、數(shù)據(jù)類和數(shù)據(jù)屬性。其中無數(shù)個邏輯節(jié)點(diǎn)構(gòu)成邏輯裝備，表示實(shí)體線纜的性能概括；線纜中最小性能部分的概括以及集中與數(shù)據(jù)類有關(guān)的數(shù)據(jù)代表邏輯節(jié)點(diǎn)；數(shù)據(jù)類中具有整個與數(shù)據(jù)屬性有關(guān)的數(shù)據(jù)，設(shè)置通用數(shù)據(jù)類為大眾數(shù)據(jù)類[6]。

若高壓線纜是一個邏輯裝備，則邏輯裝備的節(jié)點(diǎn)是導(dǎo)電芯線、高壓絕緣層以及半導(dǎo)體層等結(jié)構(gòu)；數(shù)據(jù)類不同數(shù)據(jù)保存在各個邏輯點(diǎn)內(nèi)，例如，此邏輯節(jié)點(diǎn)設(shè)計、建造、應(yīng)用以及運(yùn)行檢測等數(shù)據(jù)屬于時間數(shù)據(jù)類，邏輯點(diǎn)名稱、生產(chǎn)商、應(yīng)用位置以及修理信息等數(shù)據(jù)形成字符數(shù)據(jù)類；將邏輯節(jié)點(diǎn)狀態(tài)檢測數(shù)據(jù)、工作地點(diǎn)等數(shù)據(jù)歸類在大眾數(shù)據(jù)類內(nèi)。

利用松耦合方法進(jìn)行信息集成計算，將多個渠道邏輯裝備內(nèi)每一個邏輯節(jié)點(diǎn)信息通過包的形式展現(xiàn)，利用并行方式集成多種異構(gòu)包，得到整個資產(chǎn)全生命周期數(shù)據(jù)。通過將數(shù)據(jù)離散化并進(jìn)行耦合，可提升各個性能分區(qū)的可配置性和數(shù)據(jù)可調(diào)節(jié)性。為提高整個模塊變通性，選取異構(gòu)數(shù)據(jù)時需要多樣化的應(yīng)用形式和數(shù)據(jù)處理。

將應(yīng)用XML 語言集成所有邏輯裝備的資產(chǎn)全生命周期有關(guān)數(shù)據(jù)，并將集成后資產(chǎn)全生命周期數(shù)據(jù)傳到文件內(nèi)。高壓線纜實(shí)體屬性就是根據(jù)實(shí)時監(jiān)測到的資產(chǎn)全生命周期動態(tài)數(shù)據(jù)形成新的線纜數(shù)據(jù)集成文件，線纜狀態(tài)數(shù)據(jù)異常檢測根據(jù)新的線纜資產(chǎn)全生命周期數(shù)據(jù)實(shí)現(xiàn)。

1.2 異常特征提取

經(jīng)典的一維時間序列可記作集成后的狀態(tài)檢測類數(shù)據(jù)和與其相關(guān)的數(shù)據(jù)，通過對時間序列進(jìn)行處理實(shí)現(xiàn)高壓電流的檢測算法。該序列具有非線性、結(jié)構(gòu)復(fù)雜以及規(guī)模大的特性。為防止測量噪聲以及隨機(jī)誤差對檢測結(jié)果造成影響，以及序列形成過程中計算資源消耗過大，造成檢測效率減少的現(xiàn)象，提出初始數(shù)據(jù)預(yù)處理的方法，減少檢測算法的計算復(fù)雜度以及噪聲影響[7]。

初始數(shù)據(jù)通過特征提取的通用方式進(jìn)行數(shù)據(jù)降維，一般表現(xiàn)為分析初始高維數(shù)據(jù)并提取其中一些特征，即初始數(shù)據(jù)的實(shí)體屬性采用該特征進(jìn)行描述，降低噪聲和數(shù)據(jù)降維等對檢測算法造成的影響。因此描述初始時間序列的方法通過提取波動性、趨勢性以及變動性3個維度內(nèi)的9項特征。

1.2.1波動性特征

將時間序列計算后的數(shù)值平均值波動水平記作波動性描述，線纜數(shù)據(jù)的波動性通過極差、標(biāo)準(zhǔn)差、離散系數(shù)以及幾何平均值4類特征進(jìn)行描述。

1）極差

時間序列的最大波動界限用極差描述，表達(dá)式為：

式中：x（t）表示時間序列；max 表示 x（t）最大值；min 代表 x（t）最小值。

2）標(biāo)準(zhǔn)差

式中：時間序列總長度和計算時間序列的平均數(shù)值分別是 G 、。數(shù)據(jù)計算后數(shù)值平均值的離散水平是標(biāo)準(zhǔn)差，波動性隨著標(biāo)準(zhǔn)差逐漸增加而增加，波動過大導(dǎo)致數(shù)據(jù)不穩(wěn)定。

3）離散系數(shù)

式中：標(biāo)準(zhǔn)差、數(shù)據(jù)計算后的數(shù)值平均值比值是離散系數(shù)，代表數(shù)據(jù)相對的離散水平，離散系數(shù)與數(shù)據(jù)波動性成正比。

4）幾何平均值

1.2.2 趨勢性特征

時間序列隨時間變化的整體走勢記作趨勢性特征，線纜數(shù)據(jù)的走勢利用質(zhì)心、有關(guān)系數(shù)以及中值3類特征描述。

1）質(zhì)心

用于描述時間序列能量隨時間分布特點(diǎn)的是時間序列質(zhì)心，其表達(dá)式：

其中：

2）有關(guān)系數(shù)

G 的前半部分時間序列采樣位置與 G 的后半部分時間序列采樣位置之間有關(guān)系數(shù)即為序列的有關(guān)系數(shù)，表達(dá)式：

其中，時間序列前后變化走勢即為相關(guān)系數(shù)。相關(guān)系數(shù)越小，時間序列前后走勢變化越不穩(wěn)定，一致性減弱。

3）中值

G 的前半部分時間序列采樣位置的中值減去 G 的后半部分時間序列采樣位置的中值，二者之間的變化走勢由該結(jié)果表達(dá)，表達(dá)式為：

式中：x1是 G 的前半部分時間序列采樣位置的中值； x2是 G 的后半部分時間序列采樣位置的中值。

1.2.3 變動性特征

時間序列不同采樣位置的整體分散特點(diǎn)是變動性描述。線纜的變動性是采用波性熵、二階中心距2個特征進(jìn)行描述。

1）波形熵

其中，時間序列的能量分散特點(diǎn)采用式（8）描述。

2）二階中心

式中：t（-）>8tpt 。其中，時間序列相對質(zhì)心的分散狀況

采用式（9）描述。

1.3 統(tǒng)計高壓線纜狀態(tài)異常特征量

提取的高壓線纜特征可記作特征向量，利用假定檢查方法建立特征統(tǒng)計量，將該特征統(tǒng)計量代入檢測算法內(nèi)進(jìn)行線纜識別與異常檢測[8]。采用多元統(tǒng)計分析方法（T2）統(tǒng)計量和平方誤差預(yù)測（SPE）方法處理統(tǒng)計量，完成線纜異常狀態(tài)檢測。

將全部特征向量構(gòu)成投影矩陣設(shè)為A >{a1. a2.…aj } eRqxj；線纜時間序列樣本正常數(shù)據(jù)設(shè)為 X>{x1.x2.…x（k）}eRqx k ，將 X 分化成主元與殘差子空間，分化表達(dá)式為：

式中：主元和殘差空間分別為BY 、E；Y>{y1.y2.…yj }e Rkxj（q5k）是低維數(shù)據(jù)映射； B > A ，C 是常數(shù)。

對于待檢測數(shù)據(jù)xC則有：

式中：殘差向量為 e 。

高壓線纜異常狀態(tài)檢測根據(jù)主元以及殘差空間選取的 T2以及SPE 統(tǒng)計量來實(shí)現(xiàn)[9-10]。數(shù)據(jù)樣本位置遠(yuǎn)離中心的距離和主元空間沒有解釋的數(shù)據(jù)變化分別是 T2、SPE統(tǒng)計量。

將數(shù)據(jù) y 進(jìn)行投影處理，此時點(diǎn) y 的 T2統(tǒng)計量和控制線表達(dá)式為：

式中：Y 的協(xié)方差矩陣和顯著性程度 u 內(nèi)的控制限分別是 S 和 Tu2；自由度 k 和 j-k 的 F 分散在 u 內(nèi)的臨界值是 Fa（k .j-k）。

殘差向量 e 的SPE統(tǒng)計量和控制限表達(dá)式為：

式中：u 內(nèi)的控制限是SPEu；h 是自由度，h 的卡方分散在 u 內(nèi)的臨界值是uu（2）（h）；g = 、h = ，正常數(shù)據(jù)樣本的SPE統(tǒng)計量的平均值為 m ，SPE統(tǒng)計量的方差為 v 。

線纜運(yùn)作狀態(tài)特征通過 T2以及 SPE 統(tǒng)計量描述，為進(jìn)一步檢測線纜狀態(tài)需通過識別詳細(xì)狀態(tài)數(shù)據(jù)[11]。詳細(xì)狀態(tài)數(shù)據(jù)采用不同數(shù)據(jù)對 T2統(tǒng)計量和 SPE 統(tǒng)計量的貢獻(xiàn)率描述，T2統(tǒng)計量和SPE 統(tǒng)計量表達(dá)式為：

式中：e 的第 n 個數(shù)據(jù)是en；第 n 個高壓線纜狀態(tài)數(shù)據(jù)應(yīng)用在 T2統(tǒng)計量和SPE 統(tǒng)計量內(nèi)的貢獻(xiàn)率分別為

1.4 檢測高壓線纜狀態(tài)異常過程

資產(chǎn)全生命周期數(shù)據(jù)集成、提取數(shù)據(jù)特征、運(yùn)算線纜預(yù)測數(shù)據(jù)統(tǒng)計量、判斷異常和確定異常范圍5個步驟組成線纜狀態(tài)異常檢測[12-13]，具體流程如圖2所示。

（1）將高壓線纜資產(chǎn)全生命周期信息利用松耦合方法進(jìn)行信息集成，得到線纜數(shù)據(jù)文件[14-15]；（2）通過特征提取將集成的線纜數(shù)據(jù)進(jìn)行降維以及降噪處理；（3）獲取的特征記作特征向量，并形成投影矩陣[16-17]；（4）正常數(shù)據(jù)樣本 X 的 T2、SPE統(tǒng)計量和控制限結(jié)果通過式（12）～式（15）獲得；（5）待檢測數(shù)據(jù) x 的 T2、SPE 統(tǒng)計量利用式（10）、式（12）進(jìn)行計算；（6）將正常樣本的控制限與待檢測數(shù)據(jù)的統(tǒng)計量進(jìn)行對比，若待檢測數(shù)據(jù)統(tǒng)計量大于控制限，則判定該線纜狀態(tài)異常進(jìn)入下一步計算。反之，則線纜屬于正常狀態(tài)[19]；（7）通過線纜各個分段的數(shù)據(jù)指標(biāo)進(jìn)行計算每一個分段的統(tǒng)計量；（8）每一個分段統(tǒng)計量進(jìn)行對比，若某分段統(tǒng)計量數(shù)值最大，則該分段線纜為異常狀態(tài)。

2 實(shí)驗(yàn)說明

研究基于資產(chǎn)全生命的高壓線纜狀態(tài)數(shù)據(jù)異常自動檢測，選取某地區(qū)供電站范圍內(nèi)310 kV高壓線纜狀態(tài)數(shù)據(jù)作為實(shí)驗(yàn)對象，選取線纜長度15.6、17.9 km，線纜樣本數(shù)量為500組。利用本文方法分別對線纜正常狀態(tài)樣本、異常狀態(tài)樣本進(jìn)行提取，提取結(jié)果如圖3所示。

從圖3（a）可以看出，供電站檢測線纜狀態(tài)時正常樣本數(shù)據(jù)與異常樣本數(shù)據(jù)混合分布，雜亂且不能清晰顯示各個數(shù)據(jù)特征排序關(guān)系；從圖3（b）可以看出，本文方法檢測的線纜狀態(tài)，整個線纜數(shù)據(jù)狀態(tài)排序規(guī)律，清楚看出線纜正常與異常數(shù)據(jù)特征分布情況，并且沒有破壞線纜數(shù)據(jù)結(jié)構(gòu)特性。

隨機(jī)選取供電站內(nèi)某一條線纜進(jìn)行模擬實(shí)驗(yàn)，設(shè)置該線纜運(yùn)作12 s 時出現(xiàn)狀態(tài)異常狀況，持續(xù)5 s 后恢復(fù)正常數(shù)據(jù)，利用本文方法提取該線纜異常狀態(tài)數(shù)據(jù)的輸出電流，結(jié)果如圖4所示。

從圖4可以看出，本文方法提取線纜異常數(shù)據(jù)樣本輸出電流顯示，運(yùn)行時間0～12 s 內(nèi)異常數(shù)據(jù)樣本輸出電流曲線呈規(guī)律變化，說明此線纜保持正常狀態(tài)，運(yùn)行時間到12～16 s，異常數(shù)據(jù)輸出電流曲線發(fā)生波動不規(guī)律現(xiàn)象，說明線纜此處正處于異常狀態(tài)，之后異常數(shù)據(jù)輸出電流恢復(fù)規(guī)律波動，說明線纜此處恢復(fù)正常運(yùn)行。

綜上所述，本文方法提取的異常狀態(tài)數(shù)據(jù)和實(shí)際模擬狀況保持一致，說明本文方法自動檢測精度較高，有效性和實(shí)際應(yīng)用性功能較強(qiáng)。

利用本文方法對供電站內(nèi)5條高壓線纜進(jìn)行狀態(tài)異常數(shù)據(jù)自動檢測，線纜狀態(tài)異常檢測界面如圖5所示。

從圖5可以看出，本文方法檢測線纜狀態(tài)異常數(shù)據(jù)，序號1的線纜檢測結(jié)果顯示通過，檢測通過說明此線纜無異常狀態(tài)；序號2、3線纜分別在時間17：32：25、08：35：58時，顯示檢測結(jié)果為不通過，說明序號2、3線纜出現(xiàn)異常情況，電力人員需要注意這2條線纜運(yùn)行情況；其他型號線纜均顯示通過，說明線纜狀態(tài)正常。根據(jù)檢測界面及時掌握線纜狀態(tài)異常數(shù)據(jù)，便于電力作業(yè)人員及時發(fā)現(xiàn)線纜運(yùn)行狀態(tài)并快速進(jìn)行補(bǔ)救措施，降低供電站線纜損壞損失。

3 結(jié)語

研究基于資產(chǎn)全生命全周期的高壓線纜狀態(tài)異常自動檢測，提高線纜狀態(tài)異常檢測水平，建立狀態(tài)檢測框架，線纜資產(chǎn)全生命周期采用松耦合方法實(shí)現(xiàn)信息集成，根據(jù)集成的信息文件提取狀態(tài)特征，將提取特征用作特征向量，使用 T2、SPE 統(tǒng)計量統(tǒng)計異常特征量，實(shí)現(xiàn)線纜狀態(tài)異常檢測。實(shí)驗(yàn)說明：本文方法檢測狀態(tài)異常特征清晰且保持結(jié)構(gòu)完整，檢測精度高，實(shí)用性較好，及時顯示線纜異常狀態(tài)，避免線纜損壞造成的經(jīng)濟(jì)損失。

【參考文獻(xiàn)】

[1] 宗文澤，吳永明，徐計，等.基于DTW-kmedoids算法的時間序列數(shù)據(jù)異常檢測[J].組合機(jī)床與自動化加工技術(shù)，2022（5）：120-124.

[2] 周海峰，曾振城，林昌.海底線纜早期短路故障建模與分析[J].計算機(jī)仿真，2021，38（5）：75-79.

[3] 尚英強(qiáng)，哈岳，蔡曉宇，等.基于多源數(shù)據(jù)融合技術(shù)的高壓線纜戶外終端狀態(tài)監(jiān)測系統(tǒng)研究[J].自動化博覽，2021，38（3）：62-66.

[4] 劉敏，方義治，孫廷璽，等.基于多元模糊支持向量數(shù)據(jù)描述的高壓線纜缺陷識別[J].電子科技大學(xué)學(xué)報，2020，49（2）：240-247.

[5] 楊斌，李明貞，周承科.基于泄漏電流的高壓線纜線路故障測距方法[J].電測與儀表，2020，57（5）：120-124.

[6] 劉敏，孫廷璽，方義治，等.基于權(quán)重空間 MCMC 抽樣的高壓線纜狀態(tài)評價方法[J].南方電網(wǎng)技術(shù)，2019，13（10）：62-73.

[7] 于嘉成，王剛，劉衛(wèi)東，等.礦山設(shè)備全生命周期信息集成與工況判別算法研究[J].煤炭科學(xué)技術(shù)，2019，47（4）：38-43.

[8] 胡姣姣，王曉峰，張萌，等.基于深度學(xué)習(xí)的時間序列數(shù)據(jù)異常檢測方法[J].信息與控制，2019，48（1）：1-8.

[9] 袁婧，周承科，周文俊，等.基于時間延遲理論的高壓線纜巡檢周期優(yōu)化[J].高電壓技術(shù)，2021，47（5）：1640-1648.

[10] 李國倡，魏艷慧，雷清泉，等.高壓線纜半導(dǎo)電屏蔽料關(guān)鍵問題及研究進(jìn)展[J].中國電機(jī)工程學(xué)報，2022，42（4）：1271-1284.

[11] 杜林，余輝宗，嚴(yán)涵.基于構(gòu)建溫度場分析的非侵入式高壓線纜纜芯溫度測量方法[J].電工技術(shù)學(xué)報，2021，36（7）：1338-1346.

[12] 李嘉明，于沛鑫，鄧軍波，等.基于EMTP 仿真平臺的超高壓線纜操作過電壓特性及其影響研究[J].陜西電力，2021，49（10）：83-89.

[13] 鄧雯玲，盧繼平，茍鑫，等.適用于高壓線纜-架空線混合線路的新型重合閘方案[J].電力系統(tǒng)自動化，2021，45（12）：126-132.

[14] 李忠磊，趙宇彤，韓濤，等.高壓線纜半導(dǎo)電屏蔽材料研究進(jìn)展與展望[J].電工技術(shù)學(xué)報，2022，37（9）：2341-2354.

[15] 袁超，儲海軍，陳燕擎，等.考慮金屬護(hù)層耦合的高壓線纜單相接地故障定位方法[J].電力系統(tǒng)保護(hù)與控制，2021（2）：115-120.

[16] 陳杰，吳世林，胡麗斌，等.退役高壓線纜附件絕緣狀態(tài)及理化性能分析[J].電工技術(shù)學(xué)報，2021，36（12）：2650-2658.

[17] 周凱，趙琦，李原，等.基于分階段產(chǎn)氣的高壓線纜阻水緩沖層狀態(tài)評估[J].高電壓技術(shù)，2022，48（10）：3882-3890.

[18] 石延輝，楊洋，阮彥俊，等.不同運(yùn)行工況下的換流站多模態(tài)數(shù)據(jù)深度感知模型[J].粘接.2022，49（12）：169-173.

[19] 袁偉.一種基于物聯(lián)網(wǎng)技術(shù)的變電站智能監(jiān)控系統(tǒng)設(shè)計[J].粘接.2022，49（10）：185-189.