随着工业化的发展与城市化的推进,电力电缆因体积小、安全性高和抗干扰性强等优点而被广泛应用于电力传输和电力分配。然而,由于受到生产工艺、土壤条件和运行时间等多种因素的影响,电力电缆绝缘会出现局部劣化,从而引发闪络、局放等现象,最终导致电缆永久性故障。因此,研究电缆早期故障的检测和识别方法,及时维护和更换存在绝缘缺陷的电缆,对提高电力系统的安全性和稳定性具有重要意义。在对电缆早期故障进行检测和识别的研究中,仅通过现场采集或物理实验得到的数据难以充分反映故障的状态特征,而且得到的数据量远远不足以满足相关分析的需求,此外实施试验的成本和难度相对较高。因此,本文在研究电缆绝缘劣化及故障产生机理的基础上,在PSCAD/EMTDC中搭建电缆模型、电弧模型及改进的IEEE-13节点馈线系统模型,生成早期故障的仿真信号。详细阐述了仿真所依据的数学模型和相关的参数设置,使得PSCAD/EMTDC生成的仿真信号可以代替实际信号用于故障检测和识别分析。此后,通过修改相关模型参数即可获得电缆在各种运行状态的数据,为后续开发早期故障检测和识别算法提供合理充足的数据。电缆早期故障区别于永久性故障,是一种自清除电弧故障,属于暂态过流扰动信号。为了将其与线路中多种非故障过流扰动信号相区别,本文提出了一种基于数据驱动的电缆早期故障检测和识别方法。该方法以电缆单端采集的电流信号为基础,首先通过降噪自编码器对电流信号进行特征提取和降噪处理,降低了数据维度,加快了分析效率,提高了算法的抗噪能力。然后,将降噪自编码器提取的电流信号特征作为卷积神经网络的输入,通过训练调整网络参数建立输入特征与类编码之间的映射。为了提高卷积神经网络的性能,本文首先对传统的粒子群算法进行改进,然后通过改进的粒子群算法优化卷积神经网络的结构,通过批归一化层和dropout层解决梯度消失和过拟合的问题。本文提出的电缆早期故障的检测方法是基于数据驱动的,因此该方法不需要对物理模型分析或进行复杂的数学运算,有效减少了对“专家知识”的依赖。本文采用高斯噪声模型来检验所提出的故障检测算法对于实际状态下不确定因素的干扰,同时将所提出的检测算法与现有的多种算法进行比较。仿真结果表明,所提出的方法能够从多种过流扰动中准确地识别电缆早期故障,其性能优于多种现有的算法,具有较强的鲁棒性。