基于拉曼光谱的变压器混合故障特征气体的改进卷积神经网络定量方法

引用本文

陈新岗, 张文轩, 马志鹏, 张知先, 万福, 敖怡, 曾慧敏. 基于拉曼光谱的变压器混合故障特征气体的改进卷积神经网络定量方法[J]. 光谱学与光谱分析, 2025,45(4): 932-940.
CHEN Xin-gang, ZHANG Wen-xuan, MA Zhi-peng, ZHANG Zhi-xian, WAN Fu, AO Yi, ZENG Hui-min. Improved Convolutional Neural Network Quantification of Mixed Fault Characterization Gases in Transformers Based on Raman Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2025,45(4): 932-940.
Doi:10.3964/j.issn.1000-0593(2025)04-0932-09 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于拉曼光谱的变压器混合故障特征气体的改进卷积神经网络定量方法

陈新岗^1,², 张文轩¹, 马志鹏^1,^*, 张知先¹, 万福³, 敖怡¹, 曾慧敏¹

1.重庆理工大学电气与电子工程学院, 重庆 400054

2.重庆市能源互联网工程技术研究中心, 重庆 400054

3.重庆大学输配电装备及系统安全与新技术国家重点实验室, 重庆 400044

*通讯作者 e-mail: mazhipeng@cqut.edu.cn

作者简介: 陈新岗, 1968年生, 重庆理工大学电气与电子工程学院教授 e-mail: chenxingang@cqut.edu.cn

收稿日期: 2024-01-20 修订日期: 2024-06-26

基金: 国家自然科学基金项目(62275035), 重庆市教育委员会科学技术研究项目(KJZD-K202101103), 重庆理工大学研究生教育高质量发展项目(gzlcx20233150)资助

摘要

激光拉曼光谱技术在变压器故障特征气体检测方面具有明显优势, 随变压器状态监测智能化的发展, 研究混合故障特征气体的快速、准确定量分析方法具有重要意义。传统拉曼光谱分析需要预处理过程, 极大程度依赖人为经验, 光谱特征提取虽可降低信号维度, 但也会造成其特征部分缺失或改变。针对上述问题, 提出基于改进一维卷积神经网络与最小二乘支持向量回归相融合的拉曼光谱定量分析方法, 即引入全局均值池化与最小二乘支持向量回归改进传统卷积神经网络, 并运用Dropout方法提高模型泛化性能, 防止过拟合。设计并搭建变压器故障特征气体拉曼光谱检测平台, 采集7种故障特征气体及N₂、 O₂混合气体的拉曼信号, 在谱图2 900 cm^-1频移附近, CH₄、 C₂H₆气体呈现谱峰重叠, 且变压器过热或局部放电故障发生时, 会产生主要故障特征气体CH₄, 选择不同含量比例下的CH₄、 C₂H₆混合气体作为研究对象具有代表性, 按不同比例配制146组不同含量的CH₄、 C₂H₆混合气体样本, 检测时选用氮气作为标气, 采集不同含量比例下混合气体样本的拉曼光谱数据, 利用光谱数据增强方法, 构建适用于深度神经网络的气体样本数据集。通过不断实验, 优化网络结构参数与网络权重, 完成模型训练并测试其预测效果, 与多种定量模型进行对比分析, 并研究光谱预处理对不同定量模型的影响, 进而评估模型性能。结果表明, 使用原始数据集建模时, 改进卷积神经网络模型的预测精确度与回归拟合优度最佳, 决定系数可达0.999 8, 均方根误差仅为0.000 5 MPa; 使用预处理后数据集建模时, 改进卷积神经网络模型均方根误差为0.002 3 MPa, 相比使用原始数据集建模误差上升了0.001 8, 而传统方法误差均有所下降。该研究结果表明, 所提方法与传统拉曼光谱定量方法相比, 集成光谱预处理、特征提取和定量分析过程, 在确保预测精确度的基础上, 简化光谱分析流程, 为快速、准确分析变压器混合故障特征气体提供了新的思路与参考。

关键词: 变压器; 特征气体; 拉曼光谱; 改进一维卷积神经网络; 定量分析

中图分类号:O433.4 文献标志码:A

Improved Convolutional Neural Network Quantification of Mixed Fault Characterization Gases in Transformers Based on Raman Spectroscopy

CHEN Xin-gang^1,², ZHANG Wen-xuan¹, MA Zhi-peng^1,^*, ZHANG Zhi-xian¹, WAN Fu³, AO Yi¹, ZENG Hui-min¹

1. School of Electrical and Electronic Engineering, Chongqing University of Technology, Chongqing 400054, China

2. Chongqing Energy Internet Engineering Technology Research Center, Chongqing 400054, China

3. State Key Laboratory of Power Transmission Equipment & System Security and New Technology, (Chongqing University), Chongqing 400044, China

*Corresponding author

Abstract

Laser Raman spectroscopy has obvious advantages in detecting transformer fault characteristic gases. With the development of intelligent transformer condition monitoring, it is of great significance to study the fast and accurate quantitative analysis method of mixed fault characteristic gases.Conventional Raman spectral analysis requires a preprocessing process that greatly relies on human experience and spectral feature extraction. Although it can reduce the signal dimensions, it can also result in partially missing or altered spectral features. Aiming at the above problems, a method for quantitative analysis of Raman spectra based on the fusion of improved 1DCNN and LSSVR is proposed; that is, the introduction of global mean pooling and least squares support vector regression improves traditional CNN, and the use of the Dropout method to improve model generalization performance and prevent over-fitting. Design and build the transformer fault characteristic gas Raman spectroscopy detection platform, collect the Raman signal of 7 kinds of fault characteristic gases and N₂, O₂ mixed gases, in the spectrogram near 2 900 cm^-1 frequency shift, CH₄, C₂H₆ gases show the overlap of the spectral peaks, and when transformer overheating or partial discharge fault occurs, it will produce the main fault characteristic gas CH₄, choose different content ratio of CH₄, C₂H₆ mixed gas as a representative research object, 146 groups of mixed gas samples with different contents of CH₄ and C₂H₆ are prepared according to different ratios. Nitrogen is chosen as the standard gas for detection, the Raman spectral data of the mixed gas samples with different content ratios are collected, and the spectral data enhancement method is utilized to construct the gas sample dataset suitable for deep neural networks. Through continuous experiments, we optimize the network structure parameters and network weights, complete the model training and test its prediction effect, compare and analyze with multiple quantitative models, study the effect of spectral preprocessing on different quantitative models, and then evaluate the model performance. The results show that when using the original data set for modeling, the improved CNN model has the best prediction accuracy and regression fitting goodness, the R² can reach 0.999 8, and the RMSE is only 0.000 5 MPa; using preprocessed data. When modeling the set, the RMSE of the improved convolutional neural network model is 0.002 3 MPa, which is an increase of 0.001 8 compared to the modeling error using the original data set. In contrast, the errors of traditional methods have declined.The results of this study show that the proposed method integrates the spectral pre-processing, feature extraction, and quantitative analysis processes compared with the traditional Raman spectroscopy quantitative method, which simplifies the spectral analysis process based on ensuring the prediction accuracy and provides new ideas and references for the fast and accurate analysis of transformer mixed fault characteristic gases.

Keyword: Transformer; Characteristic gas; Raman spectroscopy; Improved one-dimensional convolutional neural network; Quantitative analysis

文章图片

引言

大型油浸式电力变压器作为电力系统关键设备, 其安全稳定运行对防范电网突发事故至关重要, 是确保电网安全可靠运行的关键, 其在运行过程中发生过热、放电故障及金属作用下的催化/老化过程时, 绝缘油和固体绝缘材料会发生分解, 产生各种特征气体, 主要有H₂、 CO、 CO₂、 CH₄、 C₂H₆、 C₂H₄、 C₂H₂等, 表征了电力变压器运行状态, 且反映了设备内部故障性质和绝缘性能, 并溶解于绝缘油中^{[1, 2]}。根据DL/T 722-2000《变压器油中溶解气体分析和判断导则》标准^[3]可得, 不同的气体组分和含量反映了特定的变压器状态, 可用来识别其故障类型。变压器内部发生过热故障时, 绝缘介质中的总烃含量较高, 且主要产生CH₄和C₂H₄等气体。当温度低于500 ℃时, CH₄含量高于C₂H₄; 而温度超过500 ℃时, C₂H₄含量则会超过CH₄。在发生放电故障时, 会主要产生H₂和C₂H₂等气体。局部放电可引起离子反应, 使能量最低的C— H键断裂, 重新结合时主要生成H₂, 且CH₄为总烃中的主要成分; 高能量的火花、电弧放电可使C— C键断裂, 随后以C— C、C=C、C≡ C键的形式迅速重新组合成低分子烃类气体。通过监测故障特征气体含量变化, 可判断变压器的内部温度状态以及放电故障类型。因此, 快速精准分析油中特征气体的组分与含量, 对实现油浸式电力变压器运行状态监测和早期潜在故障诊断具有实际意义^{[4, 5, 6]}。

目前普遍采用的变压器油中溶解气体分析(dissolved gas-in-oil analysis, DGA)方法主要有气相色谱法、电化学/半导体传感器法、红外吸收光谱法及光声光谱分析法等。气相色谱法虽准确性高, 但分离混合气体时需消耗大量载气^[7]; 电化学/半导体传感器法存在多组分气体交叉敏感严重的问题且灵敏度较低^{[8, 9]}; 红外吸收光谱与光声光谱分析法虽灵敏度较高, 但无法检测同核双原子分子气体, 如H₂、 O₂、 N₂等^{[10, 11]}。

拉曼光谱分析技术基于拉曼效应, 利用单一波长激光, 可同时实现混合多组分气体的直接检测, 被称作物质的“ 指纹图谱” ^{[12, 13, 14]}。与传统分析方法相比, 拉曼光谱技术具备准确、无损、高效、抗干扰能力强和可重复检测等优势, 与光纤传感技术的结合进一步加速了对变压器运行状态的准确评估^{[15, 16, 17]}。然而, 传统拉曼光谱定量分析步骤相对繁琐, 首先需光谱数据预处理, 然后对预处理后光谱中的关键波峰信息进行特征提取, 最后采用偏最小二乘、支持向量回归等方法进行定量分析。由此可见, 研究一种可简化光谱处理流程的变压器故障特征气体的高效且准确的定量分析方法非常重要。

卷积神经网络(convolutional neural network, CNN)可拟合海量数据复杂的非线性关系, 具有精准识别、预测的能力, 不仅在图像、语音等领域取得了突破性进展, 而且被成功应用于拉曼光谱分析领域^{[18, 19, 20]}。目前已有研究将CNN应用到拉曼光谱领域进行预测与分类, 均取得极佳效果^{[21, 22]}, 为将CNN应用到变压器混合故障特征气体拉曼光谱定量分析方法研究中提供了理论支持。 CNN与传统神经网络相比, 应用于拉曼光谱分析时具有两个重要特征: 局部连接和权值共享, 有效地集成光谱预处理、特征提取和定量分析步骤, 提高预测精确度的同时, 简化光谱处理步骤, 在拉曼光谱定量分析中具有良好的前景。

本文研究中, 通过自主搭建的拉曼光谱检测实验平台, 对七种故障特征混合气体进行光谱采集, 在谱图中选择具有代表性的CH₄、 C₂H₆混合气体作为研究对象, 配制不同含量比的CH₄、 C₂H₆混合气体样本, 检测并采集混合气体样本拉曼光谱数据; 根据拉曼光谱数据特点, 提出基于全局平均池化和Dropout方法的改进1DCNN与最小二乘支持向量回归(LSSVR)相融合的变压器混合故障特征气体含量预测模型, 结合1DCNN特征提取能力和LSSVR处理非线性、高维度问题的高效性, 解决传统定量分析方法流程冗杂、准确性较低等问题; 为提高模型鲁棒性, 采用拉曼光谱数据增强方法, 扩充原始光谱数据, 构建数据集, 优化模型参数并完成训练; 通过决定系数和均方根误差两种评估指标, 从回归拟合度与预测精度两方面分析改进卷积神经网络模型所带来的提升效果; 引入传统卷积神经网络、最小二乘支持向量回归(LSSVR)和偏最小二乘(PLSR)算法构建定量模型, 并与1DCNN-LSSVR模型进行对比评估; 最后, 研究拉曼光谱预处理对不同定量模型的影响。

1 实验部分

1.1 实验平台搭建

自主设计并搭建变压器故障特征气体拉曼光谱检测平台, 其结构如图1所示。该实验平台由激光功率调节系统、激光准直系统、气路系统、光路系统以及数据采集系统构成。激光功率调节主要通过532 nm型固体激光器发射线偏振光, 经过半波片和偏振分束器, 二者组合调节其输出功率为100 mW; 激光准直系统由反射镜M₁、 M₂组成; 气室由钢材料制成, 设有进、出气口, 方便样本气体有效载入; 光路系统由反射镜、半波片、滤波镜及透镜组成; 数据采集系统由拉曼光谱仪与电荷耦合检测器组成。为提高CCD灵敏度, 检测前将其内部工作温度设置为-60 ℃, 避免高温引起的过高暗电流与阅读噪声。室内温度恒定为25 ℃, 且保证黑暗实验环境, 避免外部光线对样本检测的干扰。设置数据采集积分时间为0.3 s, 积分次数为10。

	Figure Option View Download New Window
	图1 拉曼光谱检测实验平台结构示意图Fig.1 Schematic structure of the experimental platform for Raman spectroscopy detection

1.2 光谱数据检测与分析

通过拉曼光谱气体检测平台, 对7种故障特征气体(H₂、 CO、 CO₂、 CH₄、 C₂H₆、 C₂H₂、 C₂H₄)及N₂、 O₂进行拉曼光谱检测, 得到混合气体拉曼光谱如图2所示。观察其在1 250~3 050 cm^-1频段下的拉曼光谱, 可得CH₄、 C₂H₆在2 900 cm^-1频移附近呈现谱峰重叠, 并且变压器发生过热或局部放电故障时, 会产生主要故障特征气体CH₄, 故选取CH₄、 C₂H₆混合气体样本作为研究对象具有代表性。研究存在谱峰重叠的混合气体拉曼光谱定量分析方法, 对提高多种特征气体分析的可靠性和适用性具有重要意义。

	Figure Option View Download New Window
	图2 七种故障特征气体及N₂、 O₂混合样本检测拉曼光谱图Fig.2 Raman spectra of 7 fault characteristic gases and N₂, O₂ mixed sample detection

为提高拉曼光谱检测的精度、可靠性和可重复性, 从而更准确地定量分析变压器故障特征气体, 选择纯度均为99.99%的CH₄、 C₂H₆气体, 在相同实验条件下, 选用氮气作为标气, 控制一种气体含量不变, 另一种气体含量逐渐增加, 按不同比例配制146组不同含量的混合气体样本进行检测。检测前, 对检测池进行洗气操作, 并经真空泵抽为真空, 充入样本气体, 检测后, 再次洗气, 清理检测池。检测过程中, 通过压力计记录每次充入气体样本后的压强, 并完成气体样本光谱检测。理想气体状态方程如式(1)

$PV = nRT$ (1)

式(1)中, P为气体压强、 V为理想气体体积、 R为理想气体常数、 T为热力学温度、 n为气体含量。

根据样本检测池体积固定, 实验室温度恒定, 由上述理想气体状态方程可知, 当V与T保持不变, P与n成正比关系, 可得实验过程中记录的检测池压强与气体样本含量成正比, 表达式如式(2)

$N = aP (a = V / RT)$ (2)

2 改进卷积神经网络定量模型搭建

2.1 拉曼光谱数据增强

深度神经网络可快速识别数据并进行特征提取, 但往往需要大规模数据集使其充分学习数据特征, 避免发生过拟合。受限于拉曼光谱采集环境、人员及仪器等因素, 目前难以获得大规模带有气体含量标签的变压器故障特征气体光谱样本。为充分训练本文模型, 提高其泛化性能和稳健性, 采用2种数据增强算法扩充样本, 并构建混合气体样本数据集, 具体步骤如下: (1)向混合气体样本数据中随机添加不同强度的高斯白噪音, 将其由146条扩充至401条; (2)将每条混合气体样本数据强度值在± 2 %范围内改变, 扩充至802条。

2.2 一维卷积神经网络

卷积神经网络主要由卷积层、池化层和全连接层构成。 1DCNN卷积核和前向、反向传播的输入输出都采用一维结构, 相较于2DCNN在处理一维数据时更具优势。因此, 根据特征气体拉曼光谱数据类型, 本文选用1DCNN作为深度学习模型, 图3所示为1DCNN结构图。

	Figure Option View Download New Window
	图3 1DCNN结构图Fig.3 1DCNN structure diagram

卷积层是CNN的核心, 通过卷积核对输入进行卷积操作, 以提取局部特征; 池化层通过减少特征图和参数数量, 有效控制过拟合现象; 展平层将卷积-池化层输出的二维特征图转换为一维向量, 为全连接层提供所期望的输入格式; 全连接层输出特征映射, 以满足各种任务需求。由并行卷积操作, 利用稀疏交互、参数共享等机制, 网络可学习样本数据隐含特征, 提升其预测能力。

2.3 改进一维卷积神经网络

为提高变压器混合故障特征气体拉曼光谱定量分析的效率和精确度, 本文提出改进1DCNN的定量分析方法, 即引入全局均值池化、最小二乘支持向量回归来改进传统CNN, 并通过Dropout方法减小过拟合, 提高模型泛化性能。利用改进的1DCNN自适应提取样本气体拉曼光谱数据有效特征, 并进行样本气体CH₄、 C₂H₆的含量预测。

LSSVR算法采用线性方程组替代传统SVR的二次规划问题, 进一步优化算法并提高预测精度, 使其在回归任务中表现更为出色。本文采用LSSVR与1DCNN相融合, 将1DCNN输出的样本气体拉曼光谱特征作为LSSVR的输入数据, 通过维度运算, 将输入数据映射至高维空间, 构建最优回归模型。 LSSVR带有RBF核的决策函数如式(3)

$f (x) = \overset{N}{\sum_{i = 1}} β_{i} \exp (- \frac{‖ x_{i} - x_{j} ‖^{2}}{2 σ^{2}}) + b$ (3)

式(3)中, N为训练样本数量; β _i为拉格朗日乘子; σ 为核函数宽度参数; b为偏移量。

全局平均池化(global average pooling)通过对末位卷积层的输出特征图执行整体均值池化来获取平均值。为了对气体样本含量进行准确预测, 本文采用全局平均池化层替代传统CNN中的Flatten层, 有效降低参数量、提高特征与目标值的相关性, 自适应完成维度变换, 有利于后接LSSVR对样本气体CH₄、 C₂H₆含量进行预测, 减少过拟合风险, 提升预测精确度。

Dropout方法通过减小模型参数量与复杂度来提高泛化能力, 防止过拟合。本文在1DCNN中添加Dropout正则化, 训练时, 为降低模型对无关特征的提取, 随机选取一定比例的神经元临时隐藏, 并通过多次迭代, 选取最优Dropout值。

2.4 1DCNN-LSSVR故障特征气体定量模型

根据变压器故障特征气体拉曼光谱数据类型, 本文选用1DCNN作为深度学习模型。针对传统1DCNN易发生过拟合及预测精确度较低等问题, 将LSSVR、全局平均池化和Dropout方法应用于回归模型, 提出1DCNN-LSSVR混合模型用于气体样本CH₄、 C₂H₆的含量预测, 图4所示为模型结构图。

	Figure Option View Download New Window
	图4 1DCNN-LSSVR模型结构图Fig.4 Structure of the 1DCNN-LSSVR model

气体样本光谱数据以483× 1控阵形式输入卷积层, 为降低运算复杂性, CNN在每一层内共享神经元权重。卷积操作有助于提取前一层输入数据的不同特征, 共同作为下一层网络的输入。通过不断仿真与优化, 两层卷积核尺寸分别设置为3, 数量分别设置为32、 64。一维信号卷积运算表达式如式(4)

$y^{j} = f (\sum_{i} k^{ij} * x^{j} + b^{j})$ (4)

式(4)中, y^j、 x^j分别表示第j个输出、输入特征图; k^ij为本层卷积运算所使用的卷积核; b^j为第j个特征图的偏置; * 表示卷积运算。

本文采用全局平均池化(GAP), 其位于卷积层之后, 通过对每个特征图执行全局的平均操作, 计算出每个特征图所有元素的平均值, 以减少参数并增强模型的泛化能力, 如式(5)

$y = \frac{1}{L} \overset{L}{\sum_{i = 1}} x_{i}$ (5)

式(5)中, y表示全局均值池化后的输出值; x_i表示特征图中第i个元素; L表示特征图长度。

本文模型选择Adam优化器与均方误差损失函数, 并在卷积层、全连接层中采用训练速度快、泛化能力强的ReLU作为激活函数。开发环境为Python3.10, 代码基于Pytorch框架实现。根据图2模型结构图, 通过反复调整网络层, 卷积、池化核数量、大小, 步长以及激活函数, 并优化RBF核函数, 得到最终模型参数如表1所示。

表1 1DCNN-LSSVR模型参数设置 Table 1 1DCNN-LSSVR model parameter settings

由于模型各层参数变化会导致输入后续层的分布发生明显变化, 尤其在模型层次较深情况下, 这种分布的变化加剧了数值不稳定性, 给模型有效训练带来挑战。因此, 本文采用Z-score数据标准化与批量归一化两种方法对气体样本数据进行处理。

通过Z-score数据标准化, 使各指标值处于同一数量级, 满足标准正态分布。有助于模型更快地收敛和提高精度, 防止梯度爆炸。表达式如式(6)

$Z = \frac{(X - μ)}{σ}$ (6)

式(6)中, Z为标准化后的值; X为原始数据值; μ 为原始数据均值; σ 为原始数据标准差。

批量归一化通过计算小批量数据的均值与标准差, 对网络中间输出进行动态调整, 确保各层输出值分布稳定, 提升模型性能, 表达式如式(7)和式(8)

$x^{l} = \frac{x^{l} - μ_{b}}{\sqrt[]{σ_{b}^{2}} + ε}$ (7)

$y^{l} = γ x^{l} + β$ (8)

式(7)和式(8)中, y^l为第l层卷积核输出特征x^l批量归一化结果; μ _b、 $σ_{b}^{2}$ 分别为输入特征的均值与标准差; ε 为常值向量; γ 和β 分别为尺度因子和移动因子。

经卷积、池化层有效提取原始样本光谱数据中无法直接获取的局部、全局特征后, 将其经过全局平均池化层进行全局平均值提取, 并输入LSSVR进行样本气体含量预测。基于1DCNN-LSSVR的变压器故障特征气体含量定量方法具体流程如图5所示。

	Figure Option View Download New Window
	图5 基于1DCNN-LSSVR的变压器故障特征气体含量预测流程Fig.5 Prediction flow of transformer fault characteristic gas content based on 1DCNN-LSSVR

3 结果与讨论

3.1 拉曼光谱实验检测结果

通过实验检测得到的CH₄、 C₂H₆两种单一气体以及随机选取的9组不同配比下的混合气体拉曼光谱如图6所示, 反映了不同配比下混合气体光谱图的显著差异。

	Figure Option View Download New Window
	图6 两种单一气体及9组不同配比下的混合气体拉慢光谱Fig.6 Raman spectra of two single gases and nine groups of gas mixtures with different ratios

3.2 模型训练过程与预测结果分析

将802组CH₄、 C₂H₆混合气体样本数据集按7：3的比例随机划分为训练集与测试集, 设置随机种子数为42, 批处理样本数(Batch size)为32, 模型训练采用均方误差(MSE)损失函数值与决定系数(R²)作为模型评价指标, 每进行一次前向、反向传播与优化记录一次平均损失值和决定系数, 图7所示为模型经过200次迭代后的损失和决定系数曲线, 模型基本收敛。

	Figure Option View Download New Window
	图7 1DCNN-LSSVR模型损失和决定系数曲线Fig.7 Loss and coefficient of determination curves for the 1DCNN-LSSVR model

模型参数优化后在测试集进行样本气体含量预测, 本文引入式(9)所示决定系数R²和式(10)所示均方根误差RMSE来评估模型的回归拟合度和样本气体含量预测精度。

$R^{2} = 1 - \frac{\overset{n}{\sum_{i}} (y_{i} - f_{i})^{2}}{\overset{n}{\sum_{i}} (y_{i} {- \overset{̅}{y})}^{2}}$ (9)

$RMSE = \sqrt[]{\frac{\overset{n}{\sum_{i}} (y_{i} - f_{i})^{2}}{N}}$ (10)

模型对变压器故障特征气体CH₄、 C₂H₆检测样本回归拟合结果如图8所示。

	Figure Option View Download New Window
	图8 变压器故障特征气体CH₄ (a)、 C₂H₆ (b)检测样本气体回归拟合结果Fig.8 Transformer fault characteristic gas CH₄ (a), C₂H₆ (b) detection sample gas regression fitting results

由图8可知, 模型预测所得样本气体含量与实验检测所得具有较好一致性, 其中CH₄、 C₂H₆的测试集RMSE分别仅为0.000 5和0.000 7 MPa, R²分别可达0.999 8和0.999 5, 表明1DCNN-LSSVR模型可以准确地预测样本气体含量, 并具有较佳的拟合优度。

3.3 不同定量模型对比分析

为进一步评估模型性能, 以CH₄为例, 将本文提出的变压器故障特征气体定量模型(1DCNN-LSSVR)与1DCNN、最小二乘支持向量回归(LSSVR)和偏最小二乘回归(PLSR)等现有模型, 采用相同数据样本进行回归拟合度与预测精确度对比, 对比结果如图9所示。

	Figure Option View Download New Window
	图9 本文模型与其他定量模型性能对比图Fig.9 Comparison of the performance of this model with other quantitative models

由图9可知, 1DCNN-LSSVR模型R²在4种定量模型中最高, 训练集、测试集分别达0.999 9、 0.999 8, 表明该模型较其他定量模型具有更佳的拟合优度; 由4种定量模型的RMSE可知, 1DCNN-LSSVR模型测试集误差为0.000 5 MPa, 优于另3种定量模型, 具有较高的预测精确度。

3.4 光谱预处理对不同定量模型的影响

平滑降噪与基线校正是传统拉曼光谱定量分析的关键环节, 为评估光谱预处理对不同定量模型的影响, 以CH₄为例, 分别在原始数据集与预处理后数据集上构建1DCNN-LSSVR、 1DCNN、 LSSVR、 PLSR四种定量模型, 每种模型分别进行6次训练与测试, 并分别计算R²与RMSE的平均值。 4种模型在原始数据集与预处理后数据集的预测精确度对比如表2所示, 其中, RMSE_C1、 RMSE_P1分别表示采用原始数据集建模时训练集、测试集的平均RMSE, RMSE_C2、 RMSE_P2分别表示采用预处理后数据集建模时训练集、测试集的平均RMSE, 误差上升用“ +” 表示、下降用“-” 表示; 模型回归拟合效果如图10所示, 其中, $R_{C}^{2}$ 、 $R_{P}^{2}$ 分别表示训练集、测试集的平均R²。

表2 原始数据集与预处理后数据集上4种模型的精确度对比 Table 2 Comparison of the accuracy of the four models on the original dataset and the preprocessed dataset

Figure Option
View Download New Window

图10 原始数据集与预处理后数据集上4种模型回归拟合效果对比图
(a): 训练集回归拟合效果对比; (b): 测试集回归拟合效果对比Fig.10 Comparison of regression fitting effects of the four models on the original dataset and the preprocessed dataset
(a): Comparison regression fitting effects on the training set; (b): Comparison of regression fitting performance on the test set

由表2、图10可知, 使用原始数据集建立变压器故障特征气体定量模型时, 1DCNN-LSSVR模型训练集(0.999 9)与测试集(0.999 7)的R²均高于其他3种定量模型, 且测试集RMSE仅为0.000 5 MPa; 样本气体拉曼光谱数据经预处理后, 1DCNN-LSSVR、 1DCNN模型拟合效果与预测精确度均出现小幅下降, 其中, 1DCNN-LSSVR模型测试集上误差相比使用原始数据集建模上升了0.001 8, 而LSSVR、 PLSR模型的R²明显提升, RMSE有所降低, 且LSSVR模型测试集误差下降了0.003 7。结果表明, 相比传统拉曼光谱定量分析采用适当预处理步骤可提升模型性能, 深度神经网络采用预处理后数据集建模, 模型性能有所降低, 说明不恰当的预处理可能导致光谱特征部分缺失与改变, 增加了模型特征提取难度。由此可见, 与传统拉曼光谱定量分析方法依赖光谱预处理相比, 本文提出的1DCNN-LSSVR模型直接使用原始数据集建模, 便可实现相对较高的回归拟合度与预测精确度。

4 结论

为实现变压器混合故障特征气体含量的快速精准预测, 在相同条件下, 按不同含量比例配制146组CH₄、 C₂H₆混合气体样本, 使用拉曼光谱检测平台对样本进行检测。提出了改进1DCNN与LSSVR相融合的故障特征气体定量方法, 为提升模型鲁棒性, 采用2种拉曼光谱数据增强方法对数据进行增强, 并构建混合气体样本数据集。搭建1DCNN-LSSVR故障特征气体定量模型, 优化网络结构参数与权重, 完成模型训练并进行评估分析。

(1)对CH₄、 C₂H₆检测样本进行含量预测, R²分别达0.999 8、 0.999 5, RMSE分别为0.000 5和0.000 7 MPa。结果表明: 1DCNN-LSSVR模型具有较佳的回归拟合度和预测精确度。

(2)分别采用1DCNN-LSSVR、 1DCNN、 LSSVR、 PLSR构建定量模型, 评估4种模型性能, 1DCNN-LSSVR模型训练集、测试集R²分别达0.999 9和0.999 8, 测试集RMSE仅为0.000 5 MPa。结果表明: 1DCNN-LSSVR模型性能优于其他3种定量模型。

(3)分别使用原始数据集与预处理后数据集搭建1DCNN-LSSVR、 1DCNN、 LSSVR、 PLSR定量模型, 使用原始数据集建模时, 1DCNN-LSSVR模型的 $R_{C}^{2}$ 、 $R_{P}^{2}$ 分别为0.999 9和0.999 7, RMSE_P1仅为0.000 5 MPa, 性能较其他3种模型最优; 使用预处理后数据集建模时, 1DCNN-LSSVR模型测试集上误差相比使用原始数据集建模上升了0.001 8。结果表明: 相比传统拉曼光谱定量分析方法依赖预处理过程, 本文模型可在原始数据集上实现较优的回归拟合度与预测精确度。

综上可得, 该模型集成了拉曼光谱分析中的预处理、特征提取与定量过程, 在准确预测变压器故障特征气体含量的同时, 简化光谱处理流程, 为存在谱峰重叠的变压器主要故障特征混合气体定量分析提供了新方法, 提高了混合故障特征气体分析的效率与准确度, 通过该模型可实现变压器混合故障特征气体中各组分气体含量的快速准确分析, 进而监测变压器的运行状态, 为拉曼光谱分析技术在变压器状态监测中成为一种更为可靠和实用的分析工具提供了新的思路与参考。

参考文献

文献列表

[1]	Yang D K, Chen W G, Wan F, et al. IEEE Transactions on Dielectrics and Electrical Insulation, 2020, 27(6): 1770. [本文引用:1]
[2]	WANG Jian-xin, CHEN Wei-gen, WANG Pin-yi, et al(王建新, 陈伟根, 王品一, 等). Proceedings of the CSEE(中国电机工程学报), 2022, 42(16): 6136. [本文引用:1]
[3]	DL/T 722-2000, Guide to the Analysis and the Diagnosis of Gases Dissolved in Transformer Oil(变压器油中溶解气体分析和判断导则). Industry Stand ards-Electricity(行业标准-电力), 2000. [本文引用:1]
[4]	CHEN Wei-gen, ZHANG Zhi-xian, LI Jian, et al(陈伟根, 张知先, 李剑, 等). Proceedings of the CSEE(中国电机工程学报), 2020, 40(S1): 323. [本文引用:1]
[5]	LI Guang-mao, QIAO Sheng-ya, ZHU Chen, et al(李光茂, 乔胜亚, 朱晨, 等). High Voltage Engineering(高电压技术), 2021, 47(6): 2007. [本文引用:1]
[6]	Wan Fu, Wang Rui, Ge Hu, et al. Optics Express, 2024, 32(7): 12428. [本文引用:1]
[7]	Molavi H, Yousefpour A, Mirmostafa A, et al. Chromatographia, 2017, 80(7): 1129. [本文引用:1]
[8]	Tang S, Chen W, Jin L, et al. Sensors & Actuators: B. Chemical, 2020, 312: 127998. [本文引用:1]
[9]	Zhou Q, Xu L, Umar A, et al. Sensors & Actuators: B. Chemical, 2018, 256: 656. [本文引用:1]
[10]	CHEN Wei-gen, WAN Fu, GAO Tuo-yu, et al(陈伟根, 万福, 高拓宇, 等). Proceedings of the CSEE(中国电机工程学报), 2015, 35(18): 4833. [本文引用:1]
[11]	YANG Tian-he, CHEN Wei-gen, LI Zhi-jun(杨天荷, 陈伟根, 李志军). High Voltage Engineering(高电压技术), 2020, 46(6): 1922. [本文引用:1]
[12]	CHEN Xin-gang, YANG Ding-kun, TAN Hao, et al(陈新岗, 杨定坤, 谭昊, 等). High Voltage Engineering(高电压技术), 2017, 43(7): 2256. [本文引用:1]
[13]	CHEN Xin-gang, FAN Yi-jie, MA Zhi-peng, et al(陈新岗, 范益杰, 马志鹏, 等). Laser & Optoelectronics Progress(激光与光电子学进展), 2023, 60(21): 2130002. [本文引用:1]
[14]	Yang D K, Chen W G, Zhou W R, et al. IEEE Access, 2019, 7: 127862. [本文引用:1]
[15]	WANG Pin-yi, WAN Fu, WANG Jian-xin, et al(王品一, 万福, 王建新, 等). Optics and Precision Engineering(光学精密工程), 2018, 26(8): 1917. [本文引用:1]
[16]	WAN Fu, WANG Rui, KONG Wei-ping, et al(万福, 王锐, 孔维平, 等). Acta Photonica Sinica(光子学报), 2023, 52(9): 0930001. [本文引用:1]
[17]	Ge Hu, Kong Weipin, Wang Rui, et al. Optics Letters, 2023, 48(8): 2186. [本文引用:1]
[18]	YANG Yong, DONG Hao, WANG Shu, et al(杨勇, 董浩, 王澍, 等). Chinese Journal of Lasers(中国激光), 2022, 49(15): 1507405. [本文引用:1]
[19]	ZHAO Yong, RONG Kang, TAN Ai-ling(赵勇, 荣康, 谈爱玲). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(12): 3755. [本文引用:1]
[20]	Li Dongdong, Zhao Yang, Zhao Yao. Protection and Control of Modern Power Systems, 2022, 7: 22. [本文引用:1]
[21]	WU Hao, CHEN Yun-tao, ZHU Zhao-hui, et al(吴浩, 陈运涛, 朱赵辉, 等). Journal of Basic Science and Engineering(应用基础与工程科学学报), 2024, 32(1): 145. [本文引用:1]
[22]	ZHOU Can-ru, WANG Zhe-tao, YANG Si-wei, et al(周粲入, 王哲涛, 杨思危, 等). Chinese Journal of Analytical Chemistry(分析化学), 2023, 51(8): 1232. [本文引用:1]

2020

0.0

... 引言大型油浸式电力变压器作为电力系统关键设备, 其安全稳定运行对防范电网突发事故至关重要, 是确保电网安全可靠运行的关键, 其在运行过程中发生过热、放电故障及金属作用下的催化/老化过程时, 绝缘油和固体绝缘材料会发生分解, 产生各种特征气体, 主要有H₂、 CO、 CO₂、 CH₄、 C₂H₆、 C₂H₄、 C₂H₂等, 表征了电力变压器运行状态, 且反映了设备内部故障性质和绝缘性能, 并溶解于绝缘油中^[1,2] ...

2022

0.0

2000

0.0

... 根据DL/T 722-2000《变压器油中溶解气体分析和判断导则》标准^[3]可得, 不同的气体组分和含量反映了特定的变压器状态, 可用来识别其故障类型 ...

2020

0.0

... 因此, 快速精准分析油中特征气体的组分与含量, 对实现油浸式电力变压器运行状态监测和早期潜在故障诊断具有实际意义^[4,5,6] ...

2021

0.0

... 因此, 快速精准分析油中特征气体的组分与含量, 对实现油浸式电力变压器运行状态监测和早期潜在故障诊断具有实际意义^[4,5,6] ...

2024

0.0

... 因此, 快速精准分析油中特征气体的组分与含量, 对实现油浸式电力变压器运行状态监测和早期潜在故障诊断具有实际意义^[4,5,6] ...

2017

0.0

... 气相色谱法虽准确性高, 但分离混合气体时需消耗大量载气^[7] ...

2020

0.0

... 电化学/半导体传感器法存在多组分气体交叉敏感严重的问题且灵敏度较低^[8,9] ...

2018

0.0

... 电化学/半导体传感器法存在多组分气体交叉敏感严重的问题且灵敏度较低^[8,9] ...

2015

0.0

... 红外吸收光谱与光声光谱分析法虽灵敏度较高, 但无法检测同核双原子分子气体, 如H₂、 O₂、 N₂等^[10,11] ...

2020

0.0

... 红外吸收光谱与光声光谱分析法虽灵敏度较高, 但无法检测同核双原子分子气体, 如H₂、 O₂、 N₂等^[10,11] ...

2017

0.0

... ^[12,13,14] ...

2023

0.0

... ^[12,13,14] ...

2019

0.0

... ^[12,13,14] ...

2018

0.0

... 与传统分析方法相比, 拉曼光谱技术具备准确、无损、高效、抗干扰能力强和可重复检测等优势, 与光纤传感技术的结合进一步加速了对变压器运行状态的准确评估^[15,16,17] ...

2023

0.0

2023

0.0

2022

0.0

... 卷积神经网络(convolutional neural network, CNN)可拟合海量数据复杂的非线性关系, 具有精准识别、预测的能力, 不仅在图像、语音等领域取得了突破性进展, 而且被成功应用于拉曼光谱分析领域^[18,19,20] ...

2019

0.0

2022

0.0

2024

0.0

... 目前已有研究将CNN应用到拉曼光谱领域进行预测与分类, 均取得极佳效果^[21,22], 为将CNN应用到变压器混合故障特征气体拉曼光谱定量分析方法研究中提供了理论支持 ...

2023

0.0