基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测

为了实现对变压器油中溶解气体体积分数的精确预测,同时克服仅使用单一预测模型导致预测精度及泛化能力不足的局限,提出了一种基于改进完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)和灰色关联系数时变权重集成预测模型的变压器油中溶解气体预测方法。首先将溶解气体含量序列模态分解为一系列具有不同时间尺度的子序列。然后,使用门控循环神经网络和麻雀搜索算法优化支持向量机对各子序列进行训练,组合为一个集成预测模型;并比较不同预测方法的预测精度,计算灰色关联系数时变权重,形成各子系列的预测结果。最后将各子序列的预测结果叠加重构,得到最终预测结果。算例分析结果显示:该方法单步预测的均方根误差、平均绝对误差和相关系数分别为0.593、0.422和0.768,相比其他算法在预测精度上有明显提升,同时具有很强的泛化性能,可以为油浸式变压器内部状态监测提供依据。

基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测

为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网络(long short-term memory,LSTM)无法对数据间的深层特征进行有效提取的问题,提出了一种融合了相关变分模态分解(correlation variational mode decomposition,CVMD)、1维卷积神经网络(one dimensional convolutional neural network,1D-CNN)和LSTM的组合预测模型。首先,利用CVMD去除原始气体序列中的噪声信号,并将去噪序列分解为1组相对平稳的子序列分量;然后,针对各子序列分量分别构建CNN-LSTM预测模型,利用1D-CNN挖掘数据间的深层特征形成特征向量,并将其输入到LSTM中进行预测;最后,对各子序列预测结果叠加重构,得到最终的气体预测值。并通过4组对比实验对所提模型进行了全方位、多角度的验证。算例研究结果表明,所提模型单步和多步预测的平均绝对百分比误差分别为1.53%和2.09%。相较于现有模型,该文所提模型在单步和多步预测性能上均有明显提升,为变压器在线监测和故障预警提供了重要技术支撑。

基于油中溶解气体特征量筛选的变压器故障诊断方法

油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest,RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator,TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,验证了该方法的有效性。

基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法

油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模态分解将气体体积分数序列分解为多个子序列,降低其非平稳性;其次,利用多模型融合策略,将4种不同单模型的预测结果进行融合重构,因单模型权重系数对预测结果有显著影响,利用改进黏菌算法对权重系数进行优化,以提高预测精度;最后,通过算例验证表明,相比于传统的预测模型,所提方法具有更高的预测精度,可以更好地预测油中气体体积分数的变化趋势。

基于变分模态分解-布谷鸟搜索-支持向量回归的变压器油中溶解气体浓度预测方法

针对电力变压器油中溶解气体浓度预测过程中存在的时间序列内部复杂和预测困难等问题,研究了时间序列分解预测重构方式,提出变分模态分解,结合布谷鸟搜索-支持向量回归组合预测方法。首先采用VMD将原始溶解气体浓度分解成为一组平稳的模态分量,降低了预测的复杂度。之后利用预测性能较好的SVR对各个模态分量分别进行预测。最后使用CS开展全局搜索对SVR参数进行优化选取,将得到的溶解气体浓度预测结果进行叠加重构。通过对油中溶解气体中H_(2)的仿真实验,得到VMD-CS-SVR组合模型预测结果的均方根误差为0.124μL/L,平均绝对百分比误差为1.19%,有效提升了预测精度。通过对CO和C 2H 4建模预测,进一步验证了本文所提模型的有效性。

基于模态分解和混合式CNN⁃GRUT的变压器油中溶解气体预测方法

为防止电力变压器出现运维不足或者过度运维的情况,对其运行状态进行评估和潜在性故障进行预测具有重要意义。DGA技术是对变压器状态进行评估的有效方法,而变压器的机械振动、油温等原因会导致油中溶解气体信号呈非线性趋势,非稳定特性;致使预测难度增加,甚至日常测量气体数据缺失导致以DGA技术为主的在线监测系统无法监测变压器状态。针对以上问题,本文应用EEMD分解气体浓度信号集,而EEMD产生的高频本征模态函数会增加预测难度和影响预测精度,使用WPD进一步将子信号模态函数分解,针对过去机器学习无法分离和解析浓度信号间时间关联性和蕴藏特性的难题,本文提出了混合式CNN⁃GRUT预测模型,分离气体浓度子信号当中的蕴藏特性,深度解析气体浓度子信号集当中的时间关联特性,迭代子信号重组得到油中溶解气体浓度信号预测值。实验结果得出,提出的CMD⁃CNN⁃GRUT预测模型相较于BP、Elman等混合预测模型,CMD⁃CNN⁃GRUT的预测平均绝对误差减少2244%和309%,并且结合实验证明了所提出的预测模型的有效性。

基于CEEMDAN和TCN的变压器油中溶解气体含量预测

准确预测油中溶解气体含量的变化趋势,对变压器的状态评价和寿命评估有着积极的作用。为了提高油中溶解气体预测的准确性,文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和时间卷积网络(time convolution network,TCN)的油中溶解气体预测方法。首先,通过CEEMDAN方法将油中溶解气体含量的原始序列分解为多个本征模态分量,并将其中的稳定分量与非稳定分量分离;其次,对本征模态分量分别建立TCN并预测未来趋势变化;最后,叠加TCN对各个本征模态分量的预测结果,重构得到原始序列的预测结果。实例分析表明,该预测方法的均方根误差、平均绝对误差、最大误差分别为1.01μL/L、1.53μL/L、5.54μL/L,相较于未采用CEEMDAN算法时分别减小了53.47%、41.18%、13.36%;在使用CEEMDAN的情况下,对比常用的递归神经网络,3种误差均最小。且对比现有油中溶解气体预测方法,文中提出的油中溶解气体预测方法具有更高的预测精度,可以为制定状态检修策略提供更有效的支撑。

基于Pt-C_(3)N传感器的变压器油中溶解气体的吸附性能研究

变压器的在线监测技术是全球能源互联网建设的重要保障,而变压器油中溶解气体的诊断被视为变压器故障的有效判据。采用密度泛函理论方法模拟了6种油中溶解气体在铂修饰的C3N纳米薄片的吸附过程,通过能带结构、态密度、差分电荷密度的计算揭示相关的吸附和传感机理。结果表明铂修饰可以显著增强C3N纳米薄片的气敏响应能力,尤其是对CO和C_(2)H_(2)的捕捉能力,这主要归因于掺杂金属颗粒的d轨道电子层贡献。铂修饰C3N纳米薄片对变压器油中溶解气体的吸附能力排序为CO>C_(2)H_(2)>C_(2)H_(4)>H_(2)>CO_(2)>CH_(4)。吸附底物的电子特性发生较大变化。该研究为开发用于检测变压器油中溶解气体的高性能气敏传感器提供了理论基础。

油中溶解气体在线监测装置典型缺陷处理及分析

油中溶解气体在线监测装置是及时发现主设备运行缺陷的重要抓手,对保障电网安全稳定运行具有重要意义。本文结合生产实际阐述了装置运行中常见的问题及分析处理方法,并提出相应防范措施,切实发挥油色谱装置及时发现设备隐患的作用,确保所有在运装置状态可靠。

中国首次完成高海拔地区光谱类油中溶解气体在线监测装置特性试验

近日,国网青海电科院成功完成“光谱类油中溶解气体在线监测装置的测量误差及稳定性环境影响特性试验”,该试验是中国首次在海拔2000米以上地区进行的该类在线监测装置的特性试验,试验结果可有效解决在高海拔环境下,光谱类油中溶解气体在线监测装置可靠性差和现场运维难题。据悉,通过在线监测装置实时监测大型充油电气设备绝缘油中溶解气体含量,反馈主设备运行状态、实现故障主动预警,是当前强化变压器(高抗)状态管控、对设备开展早期故障检测和诊断最有效的手段之一。

气相色谱法在油中溶解气体中的应用研究

随着经济的发展,对电力设备在线监测技术有了更高的要求,电力变压器作为电力系统的枢纽,对其在线监测尤其重要。在线监测、分析电力变压器油中溶解气体是诊断主变运行状态及内部过热、放电等缺陷的重要检测手段。首先介绍了气相色谱法原理以及气相色谱原理在油中溶解气体监测中的应用,然后阐述了对溶解气体氢气超标的某220 kV变压器油的气相色谱分析以及在此基础上进行的故障诊断和应对处理。

基于油中溶解气体分析技术的10 kV电抗器内部放电故障处理与分析

油中溶解气体分析(又称油色谱分析)是诊断充油电气设备内部故障的重要技术手段。对油中溶解气体分析技术的原理和方法进行了介绍,并通过某110 kV变电站10 kV油浸式电抗器内部放电故障处理与分析,来验证油中溶解气体分析可为充油电气设备故障和潜在故障识别及故障类型判断提供有力的技术支撑,有效保障电网的安全稳定运行。

基于混合模态分解和LSTM-CNN的变压器油中溶解气体浓度预测

对油中溶解气体浓度进行预测,可提前掌握变压器运行趋势。提出一种基于混合模态分解和LSTMCNN(long short-term memory network-convolution network)网络的预测方法,实现精准的气体浓度预测。首先,为消除分解中模态混叠和残余白噪声的影响,对气体序列进行ICEEMDAN分解,以削弱序列的非平稳性;然后,使用VMD对聚合重构后的高频分量进行二次分解,降低高频分量的复杂度;最后,为了增强模型对序列时间特征和空间特征的拟合,采用结合时间注意力机制的LSTM-CNN网络对分解分量分别进行预测并重构气体浓度数据。算例验证表明,所提出的模型相比其他模型具有更强的预测性能,为后续故障预测提供有力支撑。

基于声速频散谱弛豫特征的油中溶解气体检测方法

针对传统气体检测方法难以满足电力运营部门大范围低成本实时监控油浸式电力设备问题,提出一种利用3个频率点声速测量值获取声速频散谱弛豫特征进行气体监测方法。首先,通过推导有效压缩系数与声弛豫过程理论公式,简化声速频散谱表达式。其次,根据不同频率点声速测量值重建声速频散谱,抽取油浸式电力设备故障气体声速频散谱弛豫声速和弛豫频率。最终,利用弛豫特征定性定量检测气体成分。仿真结果显示重建声速频散谱与实验数据相符,完成了CH_(4)、CO_(2)等多种气体检测,为实时在线监测电力设备油中溶解气体成分提供一种低成本、测量简单的声学方法。

基于CEEMDAN-SG-BiLSTM的变压器油中溶解气体体积分数预测

变压器油中溶解气体体积分数可对变压器潜伏故障诊断提供重要依据,为了更精确的预测变压器油中溶解气体体积分数,提出了CEEMDAN结合BiLSTM网络的组合预测方法,先针对EMD中的模态混叠现象和EEMD重构误差较大的问题,提出了CEEMDAN,将气体序列分解,得到模态分量,并对高频波动分量进行Savitzky-Golay(SG)滤波,消弱高频分量中的极值点和噪声干扰。然后利用BiLSTM网络对各个分量进行预测,进一步提高特征提取的完整性。叠加重构所有分量的预测结果,得到变压器油中溶解气体体积分数预测值。经算例验证,相较其他模型,所提方法精度更高,证实其有效性。

基于微型共振光声池的高灵敏度油中溶解气体检测技术

针对真空脱气法脱气效率高但气量少的特点,提出了基于微型共振光声池的高灵敏度油中溶解气体检测技术。使用真空脱气法对变压器油中溶解的乙炔气体进行脱气,结合气室体积为12.4 mL的小体积H型共振式光声池,实现对油中溶解乙炔气体浓度的高灵敏度测量。利用掺铒光纤放大器对激光功率进行放大,并分析在近红外波段乙炔、水蒸气和二氧化碳的气体吸收光谱,选择较合适的气体吸收谱线进行光声信号激发。通过实验对激光调制电流和调制频率等参数进行优化。配置不同浓度的油样对系统的性能进行测试,得到系统对乙炔油样的最低检测限为0.2μL/L。

基于SMA-VMD-GRU模型的变压器油中溶解气体含量预测

针对电力变压器油中溶解气体浓度序列非线性、非平稳特性影响预测精度问题,该文基于黏菌算法(SMA)和变分模态分解(VMD)构成黏菌算法优化的变分模态分解(SMA-VMD),结合门控循环单元(GRU)组成分解-预测-重构的变压器油中溶解气体含量预测模型。首先,采用差分法提取原始序列趋势项;然后利用SMA-VMD对剩余序列进行分解,得到一组平稳的模态分量;之后通过GRU对分解所得各模态分量分别进行预测;最后对预测结果进行重构。该研究通过对变压器油中溶解气体H_(2)进行仿真实验,并与另外五种预测模型对比,得出SMA-VMD-GRU模型预测结果平均绝对百分比误差为0.36%,方均根误差为1.76μL/L,有效地提高了变压器油中溶解气体含量含量预测精度。通过对变压器油中溶解气体成分CH_(4)、CO、总烃进行仿真实验,证明了该研究所提预测模型的有效性。

基于层次聚类分析的变压器油中溶解气体在线监测数据异常检测

油中溶解气体分析是电力变压器常用的状态检测手段,在变压器运行与维护中发挥了显著作用,但因现有油中溶解气体在线监测系统可靠性问题及现场干扰,监测数据中充斥着大量的伪数据及错数据,易引起误判。针对此问题,监测系统常采用基于数据分布统计的阈值法判定数据真伪,因数据分布规律预先难以掌握,造成异常数据检出率普遍低下问题。文中依据油中溶解气体在线监测数据时间序列特点,提出了一种基于凝聚层次聚类的异常数据检测方法。首先,利用滑动时间窗对多种油中气体监测数据进行预处理,获得监测数据时间序列集,接着通过综合应用均值、阈值、标准差、小波变换周期性分量等指标对其进行分类建立异常类型的典型时序图谱;在此基础上,利用凝聚层次聚类模型,对不同特征的数据点与典型异常图谱的距离进行相似性聚类,以确定监测数据的异常类型。通过实际监测数据应用验证表明,该方法可实时检测在线监测数据流中数据异常并确定其类型,简单且易操作,具有较好的理论及应用价值。

Ni掺杂单层PtSe_(2)检测变压器油中溶解气体CH_(4)和C_(2)H_(4)的DFT研究

甲烷(CH_(4))和乙烯(C_(2)H_(4))是变压器故障的重要特征气体,其组分可以有效反应变压器的运行状态。为实现特征气体的快速精准检测,文中提出一种新型材料Ni掺杂单层PtSe_(2)(Ni-PtSe_(2))用于检测变压器油中溶解特征气体CH_(4)和C_(2)H_(4)的检测方法。基于第一性原理密度泛函理论,文中对单层Ni-PtSe_(2)吸附变压器油中溶解特征气体CH_(4)和C_(2)H_(4)进行理论计算,从理论上探讨单层Ni-PtSe_(2)在气体吸附前后的几何结构、单层NiPtSe_(2)电子态密度以及能带结构的变化。计算发现,CH_(4)和C_(2)H_(4)气体吸附体系的吸附能分别为-1.536 eV和-2.502 eV,表明单层Ni-PtSe_(2)对两种特征气体的吸附均为化学吸附,同时也说明单层Ni-PtSe_(2)对C_(2)H_(4)分子具有更强的吸附性能,这在态密度和功函数中也进一步得到了证实。单层Ni-PtSe_(2)作为电阻型传感器,能带结构BS和前线分子轨道分析为其提供了基本传感机制。结果表明,单层Ni-PtSe_(2)是一种检测变压器油中溶解特征气体CH_(4)和C_(2)H_(4)的优越的气体传感器。通过单层Ni-PtSe_2检测CH_(4)和C_(2)H_(4)气体来监测变压器的状态,可以进一步保证电力系统的稳定运行,这一研究可用于实现相关应用,并为变压器安全监测提供传感器支撑。

基于单气室真空脱气的变压器油中溶解气体红外光谱分析探讨

油中溶解气体监测法是一种重要的变压器故障诊断与运行状态评估方法。本文提出了一种基于单气室真空脱气的变压器油中气体光谱分析法,介绍了基于此方法的变压器油中溶解气体监测装置的原理与结构。由于每次检测时气室内的温度和压强不同,需要进行温度压强补偿实验,实验验证了温度压强补偿方法的有效性。最后利用设计的装置对混合气体进行了定量分析实验。结果表明:本文设计的基于单气室真空脱气的油中气体光谱分析法具有良好的效果,验证了设计方案的可行性。与常见的红外光谱法监测气体含量的方案相比,本方案不需要氮气作为背景气体,降低了运行成本,提高了装置的自动化程度。