蔣友列，祝詩(shī)平，唐 超，孫碧云，王 亮

西南大學(xué)工程技術(shù)學(xué)院，重慶 400716

引 言

變壓器是電力系統(tǒng)穩(wěn)定運(yùn)行的關(guān)鍵性設(shè)備，其內(nèi)絕緣為礦物油或植物油與絕緣紙所構(gòu)成的油紙絕緣系統(tǒng)。在實(shí)際運(yùn)行中，油紙絕緣系統(tǒng)受微水、溫度、應(yīng)力、氧氣等作用逐步老化。不同作用機(jī)理的老化過(guò)程，如：電老化、熱老化、機(jī)械老化等，均會(huì)致使變壓器的絕緣性能下降，造成安全隱患。因此，準(zhǔn)確診斷老化狀態(tài)，預(yù)估變壓器剩余壽命亟需解決。

目前，油浸式變壓器老化狀態(tài)及壽命評(píng)估主要基于聚合度(DP)、糠醛含量、油中溶解氣體等特征量[1]。其中，DP是最可靠的評(píng)價(jià)參數(shù)，且CIGRE(國(guó)際大電網(wǎng)會(huì)議)于1962年提出DP降至150時(shí)變壓器壽命終止。但檢測(cè)DP時(shí)需停電吊罩以采樣，于現(xiàn)場(chǎng)檢測(cè)不利。楊麗君[2]等利用頻域介電譜技術(shù)，建立了油紙絕緣老化狀態(tài)區(qū)間識(shí)別方法；范舟[3]等利用拉曼光譜，結(jié)合Fisher判別法和小波包能量熵，建立了油紙絕緣老化診斷模型；顧朝亮[4]等利用拉曼光譜，實(shí)現(xiàn)了變壓器油中溶解微量糠醛的原位檢測(cè)。

近紅外光譜(NIR)波長(zhǎng)為780～2 526 nm，介于VIS和MIR之間。其蘊(yùn)藏大量的物質(zhì)分子組成信息，主要表征含氫基團(tuán)(C—H，O—H和N—H等)振動(dòng)的倍頻及合頻吸收，快速無(wú)損，適用于在線分析[5]。NIR結(jié)合化學(xué)計(jì)量學(xué)方法，已用于多個(gè)研究領(lǐng)域。李敬巖[6]等建立了汽油近紅外譜庫(kù)，實(shí)現(xiàn)了汽油辛烷值、烯烴和芳烴含量快速分析；Wang[7]等總結(jié)了NIR技術(shù)在酒、乳制品等液態(tài)食品檢測(cè)領(lǐng)域的進(jìn)展；Mari Merce Cascant[8]等基于NIR技術(shù)實(shí)現(xiàn)了三文魚(yú)油中脂肪酸、脂質(zhì)的分類；因液相色譜法等傳統(tǒng)油中特征產(chǎn)物檢測(cè)手段存在操作復(fù)雜且耗時(shí)等缺陷，故本工作基于絕緣油NIR譜圖，分析其C—H和O—H等基團(tuán)信息，建立老化時(shí)間、糠醛含量的快速定量預(yù)測(cè)模型，以期為油紙絕緣老化的近紅外光譜快速檢測(cè)及剩余壽命評(píng)估奠定基礎(chǔ)。

1 實(shí)驗(yàn)部分

1.1 老化樣本的制備

采用克拉瑪依25號(hào)礦物油，經(jīng)雙極真空濾油機(jī)濾除微粒雜質(zhì)，同時(shí)可脫水脫氣。通過(guò)禾業(yè)V310型卡爾費(fèi)休微水測(cè)試儀測(cè)得處理5 h后油中微水降至約10 mg·L-1。

采用厚度為0.5 mm的普通絕緣紙板，將其在90 ℃真空箱干燥48 h以脫水。

將處理后礦物油、絕緣紙按20∶1混合裝瓶，在40 ℃真空環(huán)境下充分浸漬24 h。然后密封靜置于老化箱中，依據(jù)IEEE導(dǎo)則[9]，在130 ℃，100 Pa密閉環(huán)境中加速熱老化。老化樣品制備流程如圖1所示。定期取一組油樣，共計(jì)14組，老化時(shí)間如表1所示。

圖1 加速熱老化樣品的制備流程Fig.1 Preparation flowchart of accelerated thermal aging samples

1.2 光譜采集

對(duì)于14組絕緣油樣品，每組均取10份，每份均為0.5 mL，共140份樣品用于光譜采集。采用MPA型近紅外光譜儀(德國(guó)BRUKER公司)，設(shè)置光譜掃描次數(shù)32次，掃描范圍12 500～4 000 cm-1，分辨率4 cm-1。保持環(huán)境溫度24℃，將樣品注入石英比色皿中，掃描3次并取其平均光譜，光譜采集過(guò)程使用軟件OPUS7.0。140份絕緣油樣品的原始光譜如圖2所示。

圖2 140份絕緣油的原始光譜Fig.2 Original spectra of 140 insulating oil samples

1.3 油中糠醛含量檢測(cè)

對(duì)于14組絕緣油樣品，采用沃特世E2695型高效液相色譜儀，依據(jù)DL/T 1355—2014[10]，油中糠醛通過(guò)甲醇萃取，此期間需連續(xù)震蕩5 min以上，靜置10 min以上；經(jīng)色譜柱分離，由高靈敏檢測(cè)器測(cè)定，每份油樣處理及色譜檢測(cè)需30 min以上。另需配置糠醛標(biāo)樣，以備通過(guò)色譜峰計(jì)算油中糠醛含量，整個(gè)過(guò)程操作復(fù)雜且耗時(shí)。14組油中糠醛含量如表1所示。

表1 絕緣油樣品的糠醛含量及老化時(shí)間Table 1 Furfural content and aging time of insulating oil samples

如圖3所示，采用最小二乘法初步分析油中糠醛含量與老化時(shí)間的相關(guān)關(guān)系如式(1)

F=0.003 3t+0.196 5

(1)

式(1)中，F(xiàn)為油中糠醛含量，t為老化時(shí)間，且R2為0.985 5。

圖3 油中糠醛含量與老化時(shí)間的相關(guān)性Fig.3 Correlation between furfural content in oil and aging time

2 結(jié)果與討論

2.1 光譜解析

實(shí)驗(yàn)所用礦物油主要成分為烷烴、環(huán)烷族飽和烴、芳香族不飽和烴，絕緣紙成分為90%纖維素、6%～7%半纖維素、3%～4%木質(zhì)素。老化過(guò)程中，纖維素裂解生成CO2等氣體和糠醛等呋喃化合物溶于油中[1, 11]，油中還存在微水。原始譜圖中，吸收峰主要位于C—H一級(jí)和二級(jí)倍頻區(qū)、O—H一級(jí)倍頻區(qū)、C—H第二合頻區(qū)，波數(shù)為8 373，8 264，7 181，7 076，6 981，5 855，5 799和5 678 cm-1。根據(jù)文獻(xiàn)[5]對(duì)譜圖的主要吸收峰作以歸屬，如表2所示。

表2 絕緣油近紅外光譜的主要吸收峰歸屬Table 2 Attribution of absorption near-infrared spectral peaks of insulating oil

2.2 數(shù)據(jù)處理

間隔偏最小二乘法[12](interval partial least squares，iPLS)是一種特征波長(zhǎng)選擇方法，最早由Norgaard等提出。iPLS是將全段光譜等寬分為若干子區(qū)間，在各子區(qū)間上構(gòu)建相應(yīng)PLS模型。進(jìn)而求解各子區(qū)間模型的交叉驗(yàn)證均方根誤差(root mean square error of cross-validation, RMSECV) ，以尋求RMSECV最小的區(qū)間，再以此區(qū)間為中心擴(kuò)充(消減)波長(zhǎng)變量，找到最優(yōu)譜區(qū)。

主成分分析[8](principal component analysis，PCA)是將光譜陣X(n×m)分解為m個(gè)向量的外積之和

(2)

即

X=TPT

(3)

2.3 老化時(shí)間的近紅外模型建立

對(duì)于140份不同老化時(shí)間的樣品，按接近3∶1分配，即校正集和預(yù)測(cè)集分別包含98和42份油樣。以五點(diǎn)三次多項(xiàng)式Savitzky-Golay卷積平滑算法預(yù)處理原始光譜。

采用iPLS方法，計(jì)算各區(qū)間RMSECV如圖4所示。保留低RMSECV值的11 209～10 364，9 087～7 818和7 390～4 424cm-1區(qū)間共1 320個(gè)波長(zhǎng)點(diǎn)，建立基于NIR的老化時(shí)間預(yù)測(cè)模型。

圖4 原始光譜的iPLS圖Fig.4 The iPLS plot of original spectra

如圖5所示，利用PCA提取1320個(gè)波長(zhǎng)點(diǎn)的絕緣油近紅外光譜信息，前7個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)99.78%。故取主成分?jǐn)?shù)為7，以PCA得分矩陣為輸入，在Matlab2018a中訓(xùn)練誤差反向傳輸人工神經(jīng)網(wǎng)絡(luò)(back propagation-artificial neural network，BP-ANN)。如表3所示，設(shè)置隱含層神經(jīng)元數(shù)目為2，采用共軛梯度算法的PCA-BP-ANN模型預(yù)測(cè)水平最優(yōu)，其預(yù)測(cè)均方根誤差(RMSEP)為18.67，決定系數(shù)(R2)為0.997 3。

圖5 絕緣油樣品近紅外光譜的7個(gè)主成分貢獻(xiàn)率

表3 不同BP學(xué)習(xí)算法的校正模型預(yù)測(cè)效果

同時(shí)，建立基于1 320個(gè)波長(zhǎng)點(diǎn)，關(guān)于老化時(shí)間的主成分回歸(principle component regression，PCR)、偏最小二乘回歸(partial least squares regression，PLSR)模型，并與PCA-BP-ANN模型、原始光譜PLSR模型對(duì)比。如表4所示，選取特征譜區(qū)后，模型預(yù)測(cè)能力明顯提升；且基于共軛梯度算法的PCA-BP-ANN老化時(shí)間預(yù)測(cè)模型表現(xiàn)最優(yōu)。關(guān)于老化時(shí)間的四種預(yù)測(cè)模型效果對(duì)比如圖6所示。

圖6 老化時(shí)間四種預(yù)測(cè)模型的效果Fig.6 Prediction results of four aging time models

表4 不同校正方法的模型預(yù)測(cè)效果Table 4 Predicting results of models with different correction methods

2.4 油中糠醛含量的近紅外模型建立

采用iPLS選取關(guān)于油中糠醛含量的特征譜區(qū)，如圖7所示，9 107～4 424 cm-1譜區(qū)RMSECV明顯低于全局模型(圖中虛線)，優(yōu)選該譜區(qū)共1 210個(gè)波長(zhǎng)點(diǎn)建模。

圖7 原始光譜的iPLS圖像Fig.7 The iPLS plot of original spectra

如圖8所示，利用PCA提取1 210個(gè)波長(zhǎng)點(diǎn)的絕緣油近紅外光譜信息，前4個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)99.96%。優(yōu)選主成分?jǐn)?shù)為4，以PCA得分矩陣為輸入，在Matlab2018a中訓(xùn)練PCA-BP-ANN模型。如表5所示，設(shè)置隱含層神經(jīng)元數(shù)目為3，采用共軛梯度算法的PCA-BP-ANN模型預(yù)測(cè)水平最優(yōu)，其RMSEP為0.134 4，R2為0.9877。

圖8 絕緣油樣品近紅外光譜的4個(gè)主成分貢獻(xiàn)率Fig.8 Contribution rates of four principal components of NIR spectra of insulating oil samples

表5 不同BP學(xué)習(xí)算法的校正模型預(yù)測(cè)效果Table 5 Predicting results of correction models with different BP learning algorithms

同時(shí)，建立基于1 210個(gè)波長(zhǎng)點(diǎn)，關(guān)于油中糠醛含量的PCR和PLSR模型，并與PCA-BP-ANN模型、原始光譜PLSR模型對(duì)比。如表6所示，選取特征譜區(qū)后，模型預(yù)測(cè)能力明顯提升；且基于共軛梯度算法的PCA-BP-ANN油中糠醛含量預(yù)測(cè)模型表現(xiàn)最優(yōu)。關(guān)于油中糠醛含量的四種預(yù)測(cè)模型效果對(duì)比如圖9所示。

表6 不同校正方法的模型預(yù)測(cè)效果Table 6 Predicting results of models with different correction methods

圖9 糠醛含量四種預(yù)測(cè)模型的效果Fig.9 Prediction results of four furfural content models

3 結(jié) 論

在130 ℃真空箱中進(jìn)行加速熱老化試驗(yàn)，共制備14組不同老化時(shí)間的變壓器油紙絕緣熱老化樣品。利用近紅外光譜儀采集絕緣油的光譜，并采用高效液相色譜法檢測(cè)油中糠醛含量。解析了絕緣油近紅外光譜所對(duì)應(yīng)的化學(xué)基團(tuán)信息，并建立了基于絕緣油近紅外光譜的老化時(shí)間和油中糠醛含量預(yù)測(cè)模型。

(1)經(jīng)iPLS方法選取特征譜區(qū)后，模型預(yù)測(cè)能力明顯提升。

(2)基于共軛梯度算法的PCA-BP-ANN老化時(shí)間預(yù)測(cè)模型表現(xiàn)最優(yōu)，其RMSEP為18.67，R2為0.997 3。

(3)基于共軛梯度算法的PCA-BP-ANN油中糠醛含量預(yù)測(cè)模型表現(xiàn)最優(yōu)，其RMSEP為0.134 4，R2為0.987 7。

(4)基于絕緣油近紅外光譜的老化時(shí)間及油中糠醛含量評(píng)估具有可行性。