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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。