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。

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。

基于增强型等离子检测器的油中溶解气体分析仪器研制

分析变压器油中溶解气体组分和含量是发现并诊断变压器故障的主要手段。对于超/特高压变压器,同等量级的局部放电产生的气体溶解浓度更低,这对变压器油中溶解气体分析仪器提出了更高要求。研究基于增强型等离子检测器的油中溶解气体分析仪器的研制,以氩气作载气,并对其进行性能验证;试验结果表明,基于增强型等离子检测器的油中溶解气体分析仪器的重复性优于3%,最小检测浓度可达10-8量级。与传统气相色谱仪相比,增强型等离子分析仪可以实现超痕量级(10^(-7)~10^(-8)量级)气体组分的检测,有利于及时发现变压器早期潜伏性故障。

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。

激光拉曼光谱应用于变压器油中溶解气体分析

变压器油中溶解气体在线监测是实施变压器状态检修的重要手段之一。激光拉曼光谱技术能直接使用单一频率的激光对混合气体进行非接触式的测量,符合在线监测的要求。利用激光拉曼光谱对变压器油中溶解气体进行分析,能克服传统在线监测方法的诸多不足。对激光拉曼光谱在变压器油中溶解气体分析中的应用进行了研究。分析了变压器油中7种主要故障特征气体(H2、CH4、C2H6、C2H4、C2H2、CO、CO2)的拉曼特征频谱,并阐述了基于特征频谱和最小二乘法对7种特征气体进行定性定量分析的方法。利用共聚焦拉曼技术和镀银石英玻璃管制成的气体样品池,构建了激光拉曼光谱气体分析试验平台。结合平台研究了7种故障特征气体的拉曼光谱检测特性,并与实验室气相色谱法的测量结果进行了对比。对比结果表明,激光拉曼光谱能有效地对变压器油中溶解气体进行定量分析,为变压器油中溶解气体的拉曼光谱在线监测奠定了基础。

变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究

基于当前对电力变压器故障识别中的模式空间划分缺乏研究的情况 ,将模糊聚类技术引入了电力变压器油中溶解气体分析DGA。在对所收集的 183组电力变压器绝缘故障样本进行了多层树形聚类的基础上 ,通过多次分析绝缘故障 ,得到了一种准确程度较高的故障诊断方法。

光声光谱技术应用于变压器油中溶解气体分析

变压器油中溶解气体在线监测装置中的色谱柱和气敏传感器存在消耗被测气体和长期稳定性差等不足。光声光谱气体分析技术灵敏度高,不消耗被测气体,克服了传统油中溶解气体在线监测技术的缺点。文中对其在变压器油中溶解气体在线监测中的应用进行了研究。构建了用于变压器油中溶解气体分析的光声光谱平台,给出具有红外特征吸收峰的CH4,C2H6,C2H4,C2H2,CO和CO2这6种主要故障特征气体的特征频谱,采用加权最小二乘法对2种混合气体中的CH4,C2H6,C2H4,C2H2,CO和CO2进行了定性和定量分析。分析结果与气体各组分体积分数真实值或气相色谱仪测量值的比较表明,光声光谱技术能有效地对变压器油中溶解气体进行分析。

基于小波网络及油中溶解气体分析的电力变压器故障诊断方法

小波网络是近年来发展起来的一种高效非线性信号处理新模型。该文将适于电力变压器故障诊断的小波网络分为第一、第二类小波网络,提出了基于自适应算法小波网络的变压器故障诊断方法,该方法继承了人工神经网络的学习能力和小波变换的局部化特征,具有良好的收敛性和鲁棒性。选择经模糊预处理的250组油中溶解气体作为采用不同小波基的2类小波网络训练与识别样本,对训练过程和仿真结果进行对比分析。大量诊断实例表明,文中提出的2类小波网络均适于变压器故障诊断,其性能优于单独使用传统BP神经网络的方法。

变压器油中溶解气体拉曼光谱检测及其光谱线型模型分析

拉曼光谱气体检测技术能利用单一波长的激光对气体样品进行无接触、无损耗检测,适用于油浸式变压器油中溶解气体检测。结合拉曼光谱检测机理,分析了拉曼光谱谱线特征,建立了由洛仑兹函数与高斯函数卷积表示的拉曼光谱Voigt线型模型,其表现出较好的拉曼谱峰线型轮廓基本特征。以谱峰高、中心位置、半峰全宽等为代表的拉曼谱峰线型轮廓基本特征是寻峰的主要目标,其根本目的在获取样本定性及定量检测分析依据。故针对拉曼光谱实验数据设计了基于比较法的自动寻峰模型以实现检测目标。对引入到Voigt线型模型中的寻峰模型进行的模拟实验结果表明,模拟中谱峰高、中心位置等数据均与模型输出数据相吻合。依托实验室构建的变压器油中溶解气体拉曼光谱检测平台,分析检测实验数据表明,Voigt线型模型中半峰全宽参数实际取值区间为(8.7,11.5)(cm^(-1)),模型与其存在偏差。修正该参数取值为10.257cm^(-1),并对比研究表明:修正后的Voigt线型模型及寻峰模型具有更好的适应性及实用性。结合实验平台的拉曼光谱气体检测数据的寻峰结果,有效地完成了七种变压器故障特征气体的检测及分析。针对甲烷气体,获得单位气体含量、拉曼特征峰强度与面积三者之间的线性关系,为变压器油中溶解气体拉曼光谱检测定量分析奠定基础。

变压器油中溶解气体的红外吸收特性理论分析

气体的红外吸收特性是红外光学方法分析气体的依据。基于HITRAN2004数据库用逐线积分法对变压器油中溶解气体CH_4、C_2H_6、C_2H_4、C_2H_2、CO、CO_2及H_2O的红外吸收特性进行分析,给出各气体在波段500~4000cm^-1内的吸收系数、主要吸收谱带位置、最强吸收谱线的中心波数及其峰值吸收系数;以各气体特征频谱处的吸收谱线为研究对象,分析峰值吸收系数随压强、温度的变化规律。计算和分析结果是用傅里叶变换红外光谱、光声光谱等红外光学方法对变压器油中溶解气体进行定性定量分析的重要依据。

基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法

电力变压器属电力系统中的重要设备,目前油中溶解气体分析(DGA)的三比值法是对变压器进行故障诊断的最方便、有效的方法之一。本文结合改良的三比值法,将贝叶斯网络方法引入大型变压器的故障诊断,提出了基于贝叶斯网络(BN)理论和变压器油中溶解气体分析方法的变压器智能故障诊断方法,并据此建立了变压器故障诊断模型。通过实例判断验证了本文方法的有效性。

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。

新版电力行业标准《变压器油中溶解气体分析判断导则》解读

对新版DL/T722《变压器油中溶解气体分析判断导则》的修订原则和主要修订进行了解读,并对新版标准与原标准的指标进行了对比。

量子遗传神经网络在变压器油中溶解气体分析中的应用

常规的神经网络存在容易陷入局部极小点、收敛速度慢、泛化能力差的问题。为了解决这些问题,使用量子遗传算法来获得神经网络初始变量。由于其具有量子态和量子门操作,可有效提高寻优的性能,大大提高初始值的质量,为后续算法逼近全局最优奠定基础。在用该算法获得网络可变参数初值后,选择计算速度快的Levenberg-Marquardt算法对多层前馈神经网络的权值和阈值进行优化得到最优解,很好地解决了网络训练易收敛于局部极小点的问题。根据气体浓度和产气速率判断变压器是否故障,将无故障和有故障情况分别用各自的神经网络进行评估/诊断,分别给出变压器的健康水平和故障类型,有效减少了网络的复杂性,提高了训练和应用效果。将提出的方法应用于现场变压器的油中溶解气体分析,评估/诊断准确性达95%以上。

差频中红外吸收光谱应用于油中溶解气体分析

高准确度、高灵敏度检测故障特征气体是基于油中溶解气体分析的变压器早期潜伏性故障诊断的关键。基于差频中红外及离轴腔增强吸收光谱技术,搭建了一个变压器油中溶解气体检测系统。以故障混合气体中浓度为0.5μL/L的C2H4为代表,验证了该系统的检测特性。选取1 583.0 nm信号源及1 063.8 nm抽运源,利用非线性光学周期极化铌酸锂晶体,结合准相位匹配技术,差频产生了3.245μm(对应C2H4的基频吸收线3 081.001 6 cm-1)的中红外相干光:最大输出功率为288μW,最大调谐范围为35 cm-1。气体压强100 Torr下,系统对于气体C2H4的最低吸收系数及检测下限分别为7.39×10-10 cm-1及0.014 4μL/L,很好地满足了变压器油中溶解乙烯检测极限值(0.5μL/L)的需要,分析和证明了气体压强对C2H4的吸收峰值、系统最低吸收系数及检测下限的影响。该研究结果为基于差频中红外吸收光谱的变压器油中溶解气体带电检测提供了理论依据和技术支撑。

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。

羟基化碳纳米管检测油中溶解气体的理论分析

为检测油中溶解气体,应用密度泛函理论,通过计算机量子力学模拟研究了羟基侧壁修饰的(8,0)单壁碳纳米管(SWNT-OH)对变压器油中溶解气体分子C2H2、CH4、C2H4、CO、H2的吸附特性。计算得到的吸附能、净电荷转移量、作用距离及电子态密度表明,SWNT-OH对油中溶解气体分子的吸附属于物理吸附,且吸附气体分子之后,SWNT-OH的几何结构和电子结构都发生了变化。SWNT-OH对有机分子(C2H2、CH4、C2H4)的吸附能力大于对无机分子(CO、H2)的吸附能力,在有机分子中对C2H2的吸附能力最大。因此,预测SWNT-OH可以作为检测变压器油中溶解的C2H2气体的新型气体传感器。

变压器油中溶解气体光声光谱检测最小二乘回归定量分析

文中针对目前通过求解多元方程反演计算气体各组分浓度时,会引入吸收系数、池常数等参数误差的缺点,分析了光声光谱检测原理,提出了一种基于最小二乘回归的光声光谱定量分析方法,并建立了定量分析模型;应用该方法反演气体浓度时,可以避免这些参数引入的误差。以变压器油中溶解气体中重要特征气体CH4和C2H2进行实验分析,验证了所建立的定量分析模型的正确性。

基于RPROP算法的变压器油中溶解气体分析故障诊断

在分析BP算法和RPROP(振荡传播)算法原理的基础上,指出了RPROP算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点,并分析了原因。将RPROP算法训练的多层前馈神经网络用于变压器油中溶解气体分析故障诊断,给出了网络模型,分析了隐层神经元数目对网络训练和诊断的影响。变压器油中溶解气体数据的训练和诊断表明,RPROP算法的收敛速度快于BP算法、加动量项BP算法,并且具有较高的诊断准确率,是一种有效的方法。