变压器油中溶解气体色谱分析误差来源及排除

变压器油中溶解气体色谱分析法是诊断变压器及充油电力设备内部潜伏性故障的重要手段。本文论述生产一线现场工作中色谱分析时各种误差产生的原因,排除方法及建议。

变压器油中溶解气体色谱分析的改进

通过对变压器油中溶解气体色谱分析,判断其存在问题及缺陷原因,实施用大口径毛细柱进行变压器油中溶解气体分析,取得较好效果。

关于变压器故障诊断中油中溶解气体色谱分析技术的有效运用研究

近些年来,我国的工业科技得到了快速的发展。在电力行业的输变电系统中,变压器是十分重要的设备,电力系统质量的高低直接由变压器的优劣决定。为确保整个供电网络运行正常,必须正确判断变压器的运行状态,及时反映变压器的故障。在分析变压器的运行状态时,运用油中溶解气体色谱分析技术,通过总结和分析色谱数据的变化规律来判断和检测变压器的潜在故障。

便携式变压器油中溶解气体色谱分析装置的研制

介绍了一种便携式变压器油中溶解气体分析装置的工作原理及其研制过程。

变压器油中溶解气体色谱分析误差来源及排除

变压器油中溶解气体色谱分析法是诊断变压器及充油电力设备内部潜伏性故障的重要手段,本文针对生产现场色谱分析时取油样、脱气、转移气体、仪器标定、样品气定性分析、样品气定量分析、结果计算判断等7个步骤,分析各种误差产生的原因,提出排除方法及建议。

用油中溶解气体色谱分析法诊断变压器故障

文章通过对变压器油中溶解气体进行色谱分析,对变压器故障进行诊断,并给出实例。

变压器油中溶解气体色谱分析的误差来源及排除方法

随着工业技术的不断进步及发展,变压器在线监测技术在供电系统运行中得到了广泛使用与推广。文章阐述了变压器油中溶解气体色谱分析的理论基础及方法,分析了变压器油中溶解色谱分析误差的来源,并提出了相应的排除方法,以供相关人士参考。

变压器油中溶解气体色谱分析与诊断

变压器油中溶解气体色谱分析法，能及早发现设备内部存在的潜伏性故障，是监督与保障设备安全运行的重要手段。要做出正确的判断，在技术上要做到：正确地进行样品的采集、分析与计算；根据结果进行综合分析与诊断，准确判断设备故障；针对故障性质，提出处理意见。

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。

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。

油溶解气体色谱分析中的小型真空在线脱气技术

基于当前气相色谱分析技术的发展,针对变压器绝缘油中溶解气体色谱在线分析的状况,提出了色谱系统对气相中气体组分体积分数最小检测值极限算法的数学模型。应用该模型,可对脱气室和集气室体积进行小型化计算和试验典型配置。在此基础上,文中设计了一种新型的小型真空在线脱气系统(10cm×10cm×20cm)和新型的全自动进样器(5cm×5cm×2cm)。系统采用全自动化控制。用标准气体试验确定了定量器体积(0.769mL),用样品气体试验对整个系统进行了检测。试验结果表明,文中所设计的小型真空脱气系统能较好地用于变压器绝缘油中溶解气体在线色谱分析。

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。

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。