Overview of Monitoring, Diagnostics, Aging Analysis, and Maintenance Strategies in High-Voltage AC/DC XLPE Cable Systems
Notice bibliographique
Résumé
High-voltage (HV) cable systems-particularly those insulated with cross-linked polyethylene (XLPE)-are increasingly deployed in both AC and DC applications due to their excellent electrical and mechanical performance. However, their long-term reliability is challenged by partial discharges (PD), insulation aging, space charge accumulation, and thermal and electrical stresses. This review provides a comprehensive survey of the state-of-the-art technologies and methodologies across several domains critical to the assessment and enhancement of cable reliability. It covers advanced condition monitoring (CM) techniques, including sensor-based PD detection, signal acquisition, and denoising methods. Aging mechanisms under various stressors and lifetime estimation approaches are analyzed, along with fault detection and localization strategies using time-domain, frequency-domain, and hybrid methods. Physics-based and data-driven models for PD behavior and space charge dynamics are discussed, particularly under DC conditions. The article also reviews the application of numerical tools such as FEM for thermal and field stress analysis. A dedicated focus is given to machine learning (ML) and deep learning (DL) models for fault classification and predictive maintenance. Furthermore, standards, testing protocols, and practical issues in sensor deployment and calibration are summarized. The review concludes by evaluating intelligent maintenance approaches-including condition-based and predictive strategies-framed within real-world asset management contexts. The paper aims to bridge theoretical developments with field-level implementation challenges, offering a roadmap for future research and practical deployment in resilient and smart power grids. This review highlights a clear gap in fully integrated AC/DC diagnostic and aging analyses for XLPE cables. We emphasize the need for unified physics-based and ML-driven frameworks to address HVDC space-charge effects and multi-stress degradation. These insights provide concise guidance for advancing reliable and scalable cable assessment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».