一种新型变压器油中溶解气体在线监测仪的研究

研究提出了一种基于固体氧化物燃料电池(SOFC)技术的微量可燃气体检测新方法,该方法只需要一种载气就能够完成变压器油中溶解气体的检测。利用从四大守恒定律出发建立的管式SOFC数学模型,得到了可燃气体含量与SOFC输出电压的关系,进而通过优化参数并结合色谱分析技术设计了一套变压器油中气体在线监测仪。该测量仪以嵌入式PC104为核心,具有油中气体含量的实时LCD显示,并通过与上位机的串行通信实现气体含量数据的后台存储。实验与现场投运的结果表明该技术满足电力变压器在线监测与故障诊断的需求,具有线性度好、精度高、方便、清洁和自动化程度高等优点。

电力变压器油中溶解气体在线监测数据修复方法

变压器油中溶解气体分析已广泛应用于变电站中。但是一些在线监测装置常常出现数据异常或缺失,影响对变压器状态的实时准确判断,因此亟需对在线监测数据中被剔除的“脏数据”和缺失数据进行修复。在总结现场变压器油中溶解气体在线监测数据特点的基础上,综合考虑数据修复的时效性和准确度要求,提出了由滑动平均、径向基函数神经网络和多项式拟合3种缺失数据修复算法组成的修复策略;利用现场典型数据,分析了这3种方法的修复效果、最佳参数、优缺点和相互配合方式,实现了对油中溶解气体在线监测数据的快速准确修复。

基于膜脱气的光声光谱系统在线实时监测变压器油中溶解气体含量的方法构建

对变压器油中溶解气体含量进行快速实时监测可以有效对变压器潜在故障做出预警诊断,因此进行了题示研究。利用高透气性的Teflon-AF2400膜组件与高灵敏光声光谱检测器搭建了一套油中溶解气体在线监测系统,系统最短检测时间为2.5 min。构建了理论脱气模型并从气室体积、油温和油中常见变压器故障气体(CO、C_(2)H_(2)、C_(2)H_(4)、C_(2)H_(6)、CH_(4))体积分数角度论证了模型的准确度。模型可在20 min内实现故障气体脱气平衡体积分数的预测,缩小气室体积或升高油温,该时间还可进一步减小。当变压器油中故障气体体积分数急剧变化,20 min内所建模型所得的预测平衡体积分数和实测平衡体积分数的相对偏差小于7.0%。

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。

变压器油中溶解气体的在线监测研究

在以往的变压器故障检测过程中,主要采用离线方式进行气相色谱分析,这种故障检测方式虽然在较长一段时间内发挥出重要作用,却具有较强的复杂性与繁琐性,在很大程度上阻碍了气相色谱分析作用的有效发挥,更不利于生产效益的进一步提升。为此,相关技术人员研发了一种基于气敏传感器的在线监测系统,使得原有的故障检测技术屏障得到了有效突破。在本文中,针对变化器油中溶解气体的在线监测技术运用进行了系统化研究,希望能够给大家带来些许有价值的参考。

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。

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。

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。

复合浓度型油中气体在线监测仪的应用及运行分析

介绍了复合浓度型油中溶解气体在线监测仪(dissolved gas-in-oil analyzer of composite concentration,DGA)的结构特点及其应用,并结合实际运行与离线色谱分析数据,从监测仪的优缺点、准确性、运行可靠性和维护成本等方面进行分析,得出复合浓度型在线监测仪对故障反映不及时、测量数据不准确、不能进行故障类型判断、通信方式不合理、故障率高且维修成本大的结论。

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。

变压器油中的溶解气体色谱在线监测系统分析

阐述油溶解气体在线检测技术原理,压器油中溶解气体色谱在线检测系统构建的关键技术,包括气体在变压器内部的存在形式、法拉第变压器看护单元、变压器色谱监测装置的应用。

电力变压器油中溶解气体离群值识别和数据重构

高质量传感数据是驱动新型电力系统数字化和智能化发展的基础,而由于传感器性能退化、传输中断或其他干扰因素,数据时常出现错误和异常值,造成数据利用率低等问题。针对在役电力变压器油中溶解气体在线监测数据,该文提出了基于COPOD、孤立森林(IForest)与Grubbs的联合方法提升油中溶解气体数据的价值。首先,通过COPOD和IForest筛选出包含离群点的数据集,再采用Grubbs对其进行检验,有效识别离群值。进一步地,采用掩码方式优化训练Transformer神经网络模型,填补空缺值重构油中溶解气体数据序列。在相同气体数据序列上,所提算法正确识别点数、正确识别离群点数和受试者工作特征曲线平均面积相比于传统K-近邻算法分别提升了3.5%、29.4%和5.0%。对于数据填补,对比双向缩放算法,填补后的数据与实际数据的方均根误差均值为7.29μL/L,平均绝对误差均值为2.7μL/L,性能分别提升了9.7%和9.2%,有效地提高了数据的质量和利用率。最后,通过11台500 kV变压器油中溶解气体数据分析,有力支撑了变压器状态评价和设备数字化管理。

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OVMD-HWOA-KELM模型的变压器油中溶解气体体积分数预测方法

针对变压器油中溶解气体序列波动性、随机性较强难以精确预测的问题,提出一种基于最优变分模态分解(optimal variational mode decomposition,OVMD)、混合型鲸鱼优化算法(hybrid whale optimization algorithm,HWOA)和核极限学习机(kernel extreme learning machine,KELM)的组合预测模型。首先,运用OVMD获取最优分解参数,并将原始序列分解为一系列相对平稳的分量;其次,通过在鲸鱼种群中融入混沌映射、非线性收敛参数、自适应权重因子和改进的算术优化算法提出HWOA算法,并利用测试函数验证HWOA算法的优越性;然后,对各分量分别构建KELM预测模型,使用HWOA优化KELM的关键参数。最后,将各分量的预测结果叠加重构,得到最终预测结果。案例分析表明,所提模型对变压器正常和异常案例预测的决定系数分别可达97.7%和93.46%,相较于现存方法,该模型具有更好的准确性和适应性,可为电力变压器运维管理提供有利技术支撑。

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。

基于激光光声光谱的变压器油中溶解气体在线监测预警装置研制

油中溶解气体的相关参量能很好地表征设备的工作状态,因此开展变压器油中溶解气体分析,对于预知变压器潜伏性故障、预防规模化停电事故意义重大。针对现有色谱法监测的弊端,基于激光光声光谱原理,设计了气体监测模块,研制了变压器油中溶解气体在线监测预警装置,并建立了相对应的气体溯源校准方法。实验结果表明:在低、中、高不同浓度范围内,H_(2)、C_(2)H_(2)、CH_(4)、C_(2)H_(4)、C_(2)H_(6)、CO及CO_(2)的最大相对误差分别为-12.51%、-29.25%、-20.04%、-19.31%、19.11%、-26.7%及-20.18%,均在±30%误差范围内。总烃(C1+C2)的最大相对误差为18.87%,处于±20%误差限值内,满足技术规范要求。低、中、高浓度范围内总烃的RSD分别为2.46%、2.87%和4.3%,均不大于5%,表现出良好重复性。该装置可满足电力行业恶劣工况条件的监测需求,可为电力行业油中溶解气体在线监测提供有效的实践经验。

光声光谱技术在变压器油中溶解气体检测研究

变压器油中溶解气体在线监测装置采用先进的红外光声光谱技术,针对我国智能电网发展事业中对变压器油中溶解气体检测仪器需求,开展了变压器油中故障气体的检测研究,通过谱线优选和斩波器滤光轮的集成设计,该检测系统对CO、CO_(2)、CH_(4)、C_(2)H_(2)、C_(2)H_(4)、C_(2)H_(6 )和H_(2)的检测灵敏度分别为0.22 ppm、0.03 ppm、0.3 ppm、0.3 ppm、0.95 ppm、0.1 ppm和1.2 ppm解决了变压器事故及其导致的停电问题,全面维护我国电力系统长久稳定运行.