陳新崗，崔煒康，朱瑩月，劉新宇，譚 悅，朱 磊

（重慶理工大學(xué) 電氣與電子工程學(xué)院，重慶 400054）

當(dāng)前，我國有大量長期運(yùn)行的變壓器面臨老化檢測的問題［1－2］。經(jīng)調(diào)研，由于變壓器的型號及規(guī)格差異，其絕緣油與絕緣紙的比例范圍通常在10∶1～18∶1。故對不同油紙比的變壓器油紙絕緣樣本的老化評估做相關(guān)研究。

通過對油中溶解糠醛、溶解氣體［3－4］或?qū)^緣紙聚合度的檢測等傳統(tǒng)方法均可判斷油紙絕緣系統(tǒng)的老化狀態(tài)。但對油中溶解的糠醛或氣體的定量檢測過程操作繁瑣，精度極易受影響；絕緣紙的聚合度最能準(zhǔn)確直觀地反映樣本的老化狀態(tài)，但取樣困難且無法滿足帶電或在線監(jiān)測的要求。

基于拉曼光譜技術(shù)，利用算法構(gòu)建合理的評估模型以判斷變壓器油紙絕緣系統(tǒng)的老化狀態(tài)是目前高效的檢測手段之一?；诶庾V技術(shù)，文獻(xiàn)［5］通過構(gòu)建核算法分類器實(shí)現(xiàn)了對變壓器的老化狀態(tài)診斷；文獻(xiàn)［6］利用支持向量機(jī)模型對拉曼光譜數(shù)據(jù)進(jìn)行分析，提出了一種變壓器老化診斷方法。上述2種方法對單一油紙比的變壓器樣本的測試準(zhǔn)確率分別達(dá)到了90.83%、96.19%。

KNN（K-nearest neighbor）法即K最鄰近法，由于性能優(yōu)異、簡單可靠而被廣泛應(yīng)用。文獻(xiàn)［7］運(yùn)用KNN算法對斷路器中的缺陷文本進(jìn)行分類處理，提升了對斷路器狀態(tài)的評估效果。文獻(xiàn)［8］采用KNN算法對變壓器局部放電超高頻信號特征進(jìn)行識別，得到了較高的變壓器故障診斷準(zhǔn)確率。

在變壓器油紙絕緣系統(tǒng)的老化評估中，針對其油紙比不盡相同的問題，對傳統(tǒng)KNN算法的距離度量方式進(jìn)行改進(jìn)，提出了一種基于拉曼光譜的改進(jìn)KNN老化評估模型。為驗(yàn)證該模型的評估效果，通過老化實(shí)驗(yàn)制備了不同油紙比、不同老化階段的實(shí)驗(yàn)樣本。分別依據(jù)絕緣的紙聚合度以及油中溶解的糠醛含量來劃分樣本老化階段，利用拉曼檢測平臺獲取樣本的拉曼光譜數(shù)據(jù)，進(jìn)行預(yù)處理后來驗(yàn)證改進(jìn)KNN算法的性能。最后，將此模型的評估效果與傳統(tǒng)老化狀態(tài)檢測量的評估效果進(jìn)行對比。

1 KNN算法的改進(jìn)

KNN法作為一種分類學(xué)習(xí)算法，其思想為：對于測試向量x，在訓(xùn)練集中尋找K個與向量x最接近的向量的集合，將x預(yù)測為該集合中類別數(shù)最多那一類。K值的選取會影響KNN算法的評估性能，通常隨著K值的增大，模型的泛化能力會增強(qiáng)，但訓(xùn)練誤差也會增大。

該算法通過測量不同特征值之間的距離進(jìn)行分類，其常用的距離度量方法有2種：

1）歐幾里得距離度量方法［9－10］。其重點(diǎn)在于表現(xiàn)各維度數(shù)值上的差異，計(jì)算公式為

當(dāng)p＝1，L1被稱為曼哈頓距離；當(dāng)p＝2，L2被稱為經(jīng)典歐氏距離；當(dāng)P→∞，L∞被稱為切比雪夫距離。

2）余弦距離度量方法。其重點(diǎn)體現(xiàn)樣本在向量方向上的差異性。計(jì)算公式為

由于拉曼光譜數(shù)據(jù)的維度較大，上述2種距離計(jì)算方式不能將光譜中包含的信息全部反映出來，因此在KNN算法的基礎(chǔ)上將2種距離度量方式有效結(jié)合來提高基于拉曼光譜的老化評估精度。

拉曼光譜中包含的數(shù)據(jù)點(diǎn)不會同時為0，且具有非負(fù)性的特點(diǎn)。若2個樣本X、Y的差異越大，則sim（X，Y）越接近0，而Lxy越接近無窮大［11］。因此對于不同樣本的拉曼光譜數(shù)據(jù)，其中2點(diǎn)的歐氏距離可能十分接近，但余弦距離恰恰相反。為了實(shí)現(xiàn)對拉曼光譜數(shù)據(jù)更精準(zhǔn)的分類，將2種距離度量方式相結(jié)合，將歐氏距離與余弦距離的比值作為新的距離度量方式，二者互為權(quán)重系數(shù)。其公式為

距離值Dxy同時受到2個因素的影響，其大小反映了樣本相似程度。

2 實(shí)驗(yàn)及數(shù)據(jù)預(yù)處理

2.1 樣本的制備及拉曼光譜的獲取

將變壓器油和絕緣紙分別按照為10∶1和15∶1的比例制備成2組實(shí)驗(yàn)樣本，進(jìn)行符合IEEE標(biāo)準(zhǔn)的130℃下的加速熱老化實(shí)驗(yàn)。將其老化至不同階段后，在油紙比為10∶1和15∶1的樣本組中分別隨機(jī)選取200個作為A組和B組，并測試絕緣紙的聚合度；在A、B的混合樣本組中隨機(jī)選取200個作為C組。

以聚合度為標(biāo)準(zhǔn)劃分油紙絕緣樣本的老化階段具有效果直觀、分類準(zhǔn)確等優(yōu)點(diǎn)［12］。隨著加熱天數(shù)的增加，2種油紙比樣本的聚合度均逐漸降低，其變化曲線如圖1所示。

圖1 聚合度的變化曲線

依照絕緣紙聚合度將樣本的老化階段分為S1、S2、S3、S4，如表1所示。

表1 樣本老化階段分類

圖2為1組油紙比為10∶1的老化樣本，該組樣本按熱老化天數(shù)從左到右依次排列。油樣的顏色隨加熱時間從無色向深黃色變化，油中逐漸生成的游離碳以及一些老化特征物會使油樣顏色逐漸加深。

圖2 老化油樣實(shí)物圖

以激光拉曼光譜檢測技術(shù)搭建的實(shí)驗(yàn)平臺原理如圖3所示。選用Cobolt公司04－01 SambaTM系列DPSS激光器，經(jīng)過測試，設(shè)置激光器的激光功率為250 mW，積分時間為0.5 s。532 nm激光束通過共聚焦顯微鏡聚焦在檢測點(diǎn)，發(fā)生拉曼散射后進(jìn)入光譜儀以及電荷耦合元件（CCD）完成光譜的繪制。

圖3 拉曼檢測平臺原理示意圖

在調(diào)試好的拉曼光譜檢測平臺下獲取不同老化階段樣本的光譜圖，如圖4所示。可發(fā)現(xiàn)樣本光譜圖在1 500 cm－1和2 950 cm－1頻移處有明顯的特征譜峰。由于原始光譜中往往存在噪聲信號，其基線也會由于熒光信號等干擾而升高，比如1 600～3 200 cm－1頻移之間出現(xiàn)基線升高現(xiàn)象。故需先對其進(jìn)行去噪聲和去基線等預(yù)處理，再進(jìn)行后續(xù)計(jì)算分析。

圖4 樣本的拉曼光譜圖

2.2 對拉曼光譜的預(yù)處理

分別運(yùn)用滑動窗口平均法和夾窗法對獲取的光譜數(shù)據(jù)去噪聲和去基線。

滑動窗口平均法先設(shè)置窗口大小，再將窗口中包含數(shù)據(jù)的平均值替換窗口中心位置的數(shù)據(jù)，在平移窗口的過程中就可對光譜數(shù)據(jù)進(jìn)行降噪處理。其表達(dá)式如下：

其中：2m＋1為窗口的寬度；S（n）為原始光譜數(shù)據(jù)；S′（n）為降噪處理后的光譜數(shù)據(jù)。

夾窗法同樣先設(shè)置窗口的大小，再移動窗口依次對窗口內(nèi)數(shù)據(jù)的平均值進(jìn)行計(jì)算，并與上次結(jié)果比較后取最小值，不斷迭代，直到差值為零。其計(jì)算方式如下：

式中：Sp（n）表示第p次循環(huán)得到的值；Sp－1（n）表示上次迭代結(jié)果。

光譜去基線后的效果如圖5所示。經(jīng)上述預(yù)處理后的拉曼光譜如圖6所示。

圖5 去基線后的光譜圖

圖6 預(yù)處理后的光譜圖

3 適用于不同油紙比的改進(jìn)KNN拉曼光譜老化評估模型

利用傳統(tǒng)KNN算法對C組樣本預(yù)處理后的拉曼光譜數(shù)據(jù)進(jìn)行分析，輸出結(jié)果設(shè)置為S1、S2、S3、S4共4種老化階段。在不同K值的情況下，使用2種常規(guī)距離度量方式對KNN模型的性能進(jìn)行測試。如表2所示，常規(guī)KNN算法對不同油紙比樣本的老化評估準(zhǔn)確率整體在80%左右，其中K取9時準(zhǔn)確率最高。

表2 不同K值時應(yīng)用2種距離度量法的 KNN算法評估效果 %

以改進(jìn)KNN算法作為評估模型，分別對A、B、C 3組樣本進(jìn)行測試。將K值設(shè)為9。老化評估結(jié)果如表3所示?？梢园l(fā)現(xiàn)：改進(jìn)后的KNN算法對不同油紙比變壓器油紙絕緣樣本老化評估的整體效果較好，且4個老化階段的靈敏度分布較為平均。其中，對樣本組A和B的整體預(yù)測精度分別達(dá)到93%和92%；對C組樣本的整體預(yù)測精度達(dá)到91.5%，相比傳統(tǒng)KNN算法有了顯著提升。

表3 改進(jìn)KNN算法的評估結(jié)果

改進(jìn)KNN算法對C組樣本老化評估后的擬合優(yōu)度R2可達(dá)到0.96，進(jìn)一步說明該模型的精確度和可信度較高。

4 改進(jìn)KNN老化評估模型與傳統(tǒng)老化評估方法的性能對比

對油中溶解糠醛［13－15］、溶解氣體［16－19］以及絕緣紙聚合度的檢測是目前評估變壓器油紙絕緣系統(tǒng)老化階段的常用方法。其中，聚合度的評估效果最為精準(zhǔn)。但這些方法都有各自的缺陷，比如取樣困難、操作繁瑣、精度易受影響等。

為進(jìn)一步驗(yàn)證基于拉曼光譜的改進(jìn)KNN老化評估模型對不同油紙比樣本老化評估的性能，以聚合度的評估結(jié)果為標(biāo)準(zhǔn)，將該方法與上述傳統(tǒng)老化評估方法進(jìn)行準(zhǔn)確性對比。

從A、B兩組老化樣本中隨機(jī)挑選出12個樣本。采用高效液相色譜法獲取樣本油中溶解糠醛的含量；采用氣相色譜儀獲取樣本油中溶解的CO和CO2含量；測量樣本的絕緣紙聚合度作為對照。

絕緣油中溶解的CO和CO2的比值通常會隨變壓器老化程度的加深而逐漸增大，當(dāng)該值大于7時認(rèn)為老化達(dá)到中后期；油中溶解糠醛的濃度理論上也會隨變壓器的老化而上升。

依照油中溶解的糠醛濃度將樣本的老化階段劃分為K1、K2、K3、K4共4種，如表4所示。

表4 與糠醛濃度相對應(yīng)的樣本老化階段

經(jīng)過預(yù)處理后，12組樣本的拉曼光譜圖如圖7所示。

圖7 12組樣本的拉曼光譜圖

用改進(jìn)KNN老化評估模型對樣本的拉曼光譜數(shù)據(jù)進(jìn)行分析，分析結(jié)果和3種傳統(tǒng)老化特征量的檢測結(jié)果如表5所示。

表5 12組樣本的測試結(jié)果

對照聚合度的測試結(jié)果，發(fā)現(xiàn)改進(jìn)KNN老化評估模型的評估結(jié)果與聚合度評估結(jié)果完全一致，說明該模型具有較高的精確性和可靠性。

糠醛含量的判別結(jié)果與聚合度判別結(jié)果基本相同，但個別樣本（如3號和12號樣本）的判別結(jié)果存在偏差。

油中溶解的CO／CO2值若小于7，聚合度判別的老化階段為S1或S2；該值大于7時聚合度判別結(jié)果為S3或S4，二者的判別結(jié)果相吻合。但該方法只能粗略判斷樣本的老化程度，精度不足。

綜上可以看出，基于拉曼光譜的改進(jìn)KNN模型對不同油紙比的變壓器油紙絕緣樣本的老化階段評估精確度較高，且簡單易行，具有較為優(yōu)異的性能。

5 結(jié)論

1）改進(jìn)了傳統(tǒng)KNN算法的距離度量方式，結(jié)合拉曼光譜技術(shù)，提出了一種適用于不同油紙比的變壓器油紙絕緣老化評估方法。

2）改進(jìn)后的KNN算法對不同油紙比的變壓器油紙絕緣樣本的老化評估效果較傳統(tǒng)KNN算法得到了顯著提升。

3）相比油中溶解糠醛和油中溶解CO／CO2值2種老化評估方法，基于拉曼光譜的改進(jìn)KNN老化評估模型具有更高的評估精度；相比絕緣紙聚合度老化評估方法，該模型更加簡便易行。故相較于傳統(tǒng)的老化評估方法，該模型具有一定優(yōu)勢，適用于不同油紙比的變壓器油紙絕緣老化評估。