颗粒污染物对变压器油介质损耗因数的影响

陈 彬， 韩 超， 刘 阁

(重庆工商大学 废油资源化技术与装备工程研究中心， 重庆 400067)



颗粒污染物对变压器油介质损耗因数的影响

陈 彬， 韩 超， 刘 阁

(重庆工商大学 废油资源化技术与装备工程研究中心， 重庆 400067)

介质损耗因数是变压器油电气性能的一项重要指标，颗粒污染物对油液的介质损耗因数性能的影响较为显著。采用均匀设计法按照ISO4406标准配制了24组含Cu、Fe、SiO2的不同粒径、不同污染度的颗粒污染物油样，并测定其介质损耗因数，获得了不同种类、不同含量的颗粒物对油液介质损耗因数的影响规律；采用支持向量机法建立了油中Cu、Fe、SiO2混合颗粒物粒径和含量与油样介质损耗因数关系的数学模型。结果表明，建立的Cu、Fe、SiO2混合颗粒物与油液介质损耗因数关系的SVM模型对验证集的决定系数和均方根误差分别是0.9913、0.0039；随着颗粒物含量的增加，油液介质损耗因数增加；油中Cu、Fe、SiO2混合颗粒物在粒径为5、15 μm时对变压器油介质损耗因数的影响较为显著，变化幅度分别为0.021%、0.019%。

颗粒污染物； 变压器油； 介质损耗因数； 支持向量机

变压器油作为电力设备中重要的绝缘介质，其质量的好坏直接关系到设备能否安全运行[1]。击穿电压、介质损耗因数、电阻率等[2]是表征其绝缘特性的主要性能指标。介质损耗因数是指在电场作用下，由于介质电导和极化在其内部引起的能量损耗[3]，能直接反映变压器油中是否存在胶体粒子、金属微粒和微生物等极性杂质。变压器油在生产以及运行过程中不可避免地受到颗粒物污染，如变压器中绝缘纸等纤维颗粒、碳颗粒以及金属颗粒等[4]，尤其是金属颗粒对油液的击穿电压有直接的影响，并且随着油液颗粒物含量的不同，油液介质损耗因数等性能指标受影响的程度及影响机理也不同[5-6]。油液中混入了Cu、Fe等金属颗粒，悬浮的金属颗粒杂质在电场作用下沿电场方向排列形成“小桥”[7-9]，对电流具有传导和损耗作用；油液中颗粒物的含量不同、粒径不同，架桥现象形成的机理也不同。因此，监测颗粒物种类和含量对变压器油介质损耗因数性能的影响，对保护电力设备的安全运行极其重要。

支持向量机(Support vector machine， SVM)是建立在统计学理论VC理论和最小化结构风险的原理基础上的学习算法，由Corinna Cortes等[10-12]于1995年提出。该方法在解决小样本、非线性以及高维模式识别问题中具有独特的优势。张瑜等[13]基于可见近红外光谱技术，采用最小二乘支持向量机法建立了油液可见近红外光谱检测模型，该模型预测集决定系数达到0.9546，均方根误差仅0.0081，实现了对油液酸值的无损检测。唐舟进等[14]提出一种基于迭代误差补偿的最小二乘支持向量机预测方法，在Lorenz时间序列以及Mackey Glassy预测的仿真实验中的预测精度均有大幅度的提升。陈彬等[15]基于近红外光谱技术，采用LS-SVM模型建立了油中含水量的预测模型，对验证集样本预测的相关系数达到0.97。

笔者根据均匀设计法，采用国标ISO4406作为油液污染度标准，配制24组不同污染度等级的含Cu、Fe及SiO2颗粒物油样，建立油样中Cu、Fe、SiO2混合颗粒污染物的粒径、含量与油样介质损耗因数之间的SVM模型，以深入分析颗粒污染物的粒径、含量对油液介质损耗因数的影响规律，为实现变压器油性能的在线监测提供技术支撑。

1 实验部分

1.1 实验仪器

采用昆山苏美超声波仪器有限公司KQ-400KDB型高功率数控超声波振荡器对不同污染度的含颗粒污染物油样进行预处理，超声波功率400 W、频率40 kHz；采用丹东百特仪器有限公司BT-9300H(T)型激光粒度分布仪测定油样中Cu、Fe、SiO2颗粒的粒度分布，测试范围0.1～340 μm；采用HACH Company HIAC8012油品污染度测试仪器检测含颗粒污染物油样的污染度，得到14/11-21/17污染度等级(ISO4406)的油样；采用山东中惠仪器有限公司ZHJ3100型绝缘油介损及电阻率自动测定仪测定油样的介质损耗因数。

1.2 实验油样的配制

1.2.1 单种颗粒污染物油样的配制

选用新疆克拉玛依25#变压器油，利用抽滤机将其经过8层中性滤纸抽滤得到的油液作为实验初始油样。

采用玻璃砂芯过滤装置，添加一张中速滤纸并将过滤装置密封好，向容器杯中加入0.02 g Cu粉和1000 mL实验初始油样，不断搅拌使Cu粉与油液充分混合，同时打开真空泵抽滤。过滤的过程中需要不停地搅拌，以避免形成滤饼而影响过滤效果。将过滤得到的油液经8 h超声波振荡(温度30～60℃)，检测振荡均匀的油样的污染度，得到污染度等级23/18(ISO4406)的油样。按一定的体积比向污染度等级为23/18的含Cu油样中加入实验初始油样，经过8h超声波振荡，检测油品的污染度，得到14/11到21/18梯度污染度等级的油样共24组，分别盛入500 mL锥形瓶中，待用。

称取0.03 g SiO2与1 L实验初始油样混合，按照上述方法进行配制，获得14/11到21/15梯度污染度等级的含SiO2颗粒油样共24组，分别盛入500 mL锥形瓶中，待用。

称取15 g Fe粉与1000 mL的实验初始油样混合，按照上述方法同样进行配制，得到14/11-21/16梯度污染度等级的含Fe颗粒油样共24组，分别盛入500 mL锥形瓶中，待用。

1.2.2 混合油样的配制

将配制好的Cu、Fe、SiO2单种颗粒油样根据均匀设计法配制混合颗粒油样。采用3因素(即含Cu、Fe、SiO2单种颗粒油样3类)、24水平(即每一类单种颗粒油样组编号，用1,2，……，24数字表示)的U24(243)表进行正交实验，具体的U24(243)表如表1所示。

将配制好的Cu、Fe、SiO2单种颗粒油样置于超声波振荡器中振荡8h(温度30～60℃)，使其处于均匀状态后，按对应的水平、体积1∶1∶1混合置于1 L锥形瓶，得到24组混合油样。

1.3 油样介质损耗因数测试实验

根据GB/T5654-2007[16]，采用ZHJ3100介损及电阻率自动测试仪，对经过8 h(温度30～60℃)超声波振荡均匀后的24组混合油样进行介质损耗因数(90℃)实验测试，每组油样均进行3次平行实验，记录实验数据，取3次实验结果平均值作为该组油样的介质损耗因数值。

2 结果与讨论

2.1 单种颗粒污染物油样及混合颗粒污染物油样的颗粒粒度分布

分别测定污染度等级为23/18的含Cu颗粒油样、21/15的含SiO2颗粒油样、21/16的含Fe颗粒油样的粒度分布，结果列于表2。所列数据为某一粒径区间内颗粒数量占所有颗粒数量的百分比。

表2 分别含Cu、Fe、SiO2颗粒物变压器油中 颗粒物粒度分布Table 2 The particle size distributions of Cu-, Fe- and SiO2-containing transformer oils

由表2可知，含Cu颗粒油样的粒度分布主要集中在5～15 μm区间内；含Fe颗粒油样的粒度分布较均匀分散，在5～15 μm、25～50 μm区间内粒度分布相对较多；含SiO2颗粒油样的粒度分布主要集中在2～5 μm区间。

24组混合颗粒污染物油样中5～50 μm粒径的颗粒数范围列于表3，颗粒粒度分布示于图1。图1中曲线表示的是混合油样中颗粒的累积数量(小于某一粒径的颗粒数量占所有粒径颗粒数量的百分比)。可以看出，混合油样中颗粒物的粒度分布主要集中在5～15 μm，累计数量占89.57%，15～25 μm的累计数量占8.49%。

表3 3种颗粒混合油样中颗粒物的数量范围Table 3 Particle number range in oil samples containing Cu, Fe and SiO2 three particles

图1 混合油样中颗粒粒度分布Fig.1 The distribution of particle size of mixed oil samples

2.2 油样的介质损耗因数

不同5 μm粒径颗粒物含量的24组油样介质损耗因数示于图2。由图2可以看出，随着粒径5 μm颗粒物含量的增加，油液介质损耗因数逐渐增加。其中，当粒径5 μm的 Cu、Fe、SiO2颗粒数量小于2200时，随着颗粒数量的增加，油液介质损耗因数上升幅度较小，变化幅度仅为0.012%。这是由于油液中颗粒物数量较少，在较强电场作用下介质产生的电流损耗作用较小。当颗粒数量由2200增加至14500，油液介质损耗因数由0.039%增加至0.256%，增加幅度为0.217%。这是因为随着油液中颗粒物数量的增加，在较强电场作用下颗粒物沿着电场方向排列形成“小桥”，电流沿“小桥”传导的概率随着颗粒物的增多而增加，使得绝缘介质内部能量损耗增加即油液的介质损耗因数增加，从而降低变压器油的绝缘性能。

图2 粒径5 μm颗粒物数量对变压器油 介质损耗因数(tgδ)的影响(90℃)Fig.2 Influence of 5 μm particles number in transformer oil on dielectric dissipation factor (tgδ)

3 颗粒物与油样介质损耗因数SVM模型的建立与分析

3.1 模型的构建

在24组油样中随机选取19组油样作为SVM模型的训练集样本，将19组油样中颗粒物的不同粒径、不同数量作为模型的输入变量，测得的对应油样的介质损耗因数作为模型的输出变量，建立油中Cu、Fe、SiO2颗粒物粒径、数量与油液介质损耗因数之间关系的SVM模型；将剩余5组油样作为模型的验证集样本，并利用建立的SVM模型对剩余5组颗粒污染物油样的介质损耗因数进行预测。将决定系数(R2)和预测均方根误差(RMSE)作为模型的评价指标，模型的决定系数越接近1，均方根误差越接近0，则模型的预测精度越高。验证集的SVM数学模型预测值与实测值的回归结果如图3所示。

图3 颗粒物粒径、数量与油液介质损耗因数(tgδ)关系的 SVM模型预测值与实测值Fig.3 SVM predicted and measured values for the relations between dielectric dissipation factor (tgδ) and particle size and number in transformer oil

建立的SVM数学模型的训练集决定系数为0.9687，均方根误差为0.1433×10-2；利用建立的SVM模型对验证集样本进行预测的决定系数和均方根误差分别为0.9913、0.0039；建立的SVM模型获得了较好的预测精度。

从图3可以看出，该SVM模型的输出能够很好地跟踪油样介质损耗因数的变化，预测值与实测值之间的相对误差范围为0.01～0.13；预测值与实测值数据的回归点基本都在回归直线附近，二者数据基本吻合，其中R2=0.9913，RMSEP=0.0039，Bias=-0.0002，说明建立的SVM模型能够充分利用油中颗粒物的污染度信息，有效地预测含Cu、Fe、SiO2颗粒物油样的介质损耗因数。

3.2 SVM模型模拟颗粒物与油液介质损耗因数的关系

根据建立的支持向量机模型，得到24组油样中5、15、25和50 μm的Cu、Fe、SiO2颗粒物对油液介质损耗因数的影响，结果示于图4。

图4(a)为油样中15、25和50 μm的Cu、Fe、SiO2颗粒数量为最小值时，油液中5 μm的Cu、Fe、SiO2混合颗粒数量对油液介质损耗因数(90℃)的影响。可以看出，随着Cu、Fe、SiO2颗粒数量的增加，油液介质损耗因数先上升后下降。当5 μm颗粒由292增加到4700时，油液介质损耗因数增加，增加幅度0.021%，并在4700时达到最大值为0.04%。这是因为随着油液中5μm Cu、Fe、SiO2混合颗粒数量的增加，颗粒物在较强电场作用下沿电场方向排列形成“小桥”，使得电流沿着“小桥”传导的概率增加，并增大了对电流的损耗。当5μm颗粒含量由4700增加到7500时，油液介质损耗因数下降，下降幅度为0.011%，且当颗粒数量增加至7500后，油液介质损耗因数趋于稳定。这是由于随着5 μm颗粒的增加，颗粒物形成的“小桥”对电场作用下产生的电流的传导作用和损耗趋于饱和状态所致。

图4(b)为油样中5、25和50 μm的Cu、Fe、SiO2混合颗粒数量为最小值时，15 μm Cu、Fe、SiO2混合颗粒书数量对油液介质损耗因数(90℃)的影响。可以看出，随着油样中15 μm Cu、Fe、SiO2颗粒数量的增加，油液介质损耗因数逐渐下降，下降幅度为0.019%。当15 μm颗粒数量由19增加至370时，油液介质损耗因数由0.047%减小为0.028%；当颗粒数量达到370后，油液介质损耗因数趋于平稳。这是由于粒径为15 μm的颗粒物相对于5 μm的颗粒物粒径较大，使15 μm颗粒物在较强电场作用下沿电场方向排列形成“小桥”的概率降低，减小了对电流的损耗；且随着15 μm颗粒数的增加，“小桥”的传导作用更弱，从而使得油液介质损耗因数下降。

图4(c)为油样中5、15和50 μm的Cu、Fe、SiO2颗粒数量为最小值时，油液中25 μm Cu、Fe、SiO2混合颗粒数量对油液介质损耗因数(90℃)的影响。可以看出，随着油液中25 μm Cu、Fe、SiO2颗粒数量的增加，油液介质损耗因数下降，下降幅度为0.0027%，且在颗粒数为15时，油液介质损耗因数达到最小值0.0269%。25 μm Cu、Fe、SiO2混合颗粒对油液的介质损耗因数影响较小，这是因为25 μm 颗粒数量较少且粒径较大，会减弱导电“小桥”的传导作用所致。

图4(d)为油样中5、15和25 μm的Cu、Fe、SiO2颗粒数量为最小值时，油液中50 μm Cu、Fe、SiO2混合颗粒数量对油液介质损耗因数(90℃)的影响。可以看出，50 μm颗粒影响区间很小，且对油液介质损耗因数的影响较小，变化范围仅为0.0026%。这是因为颗粒粒径较大且数量很少，对电流损耗作用小。

图4 SVM模型模拟所得颗粒物粒径和数量对变压器油介质损耗因数(tgδ)的影响(90℃)Fig.4 Influence of particle size and number in transformer oil on dielectric dissipation factor (tgδ) simulated by SVM Particle size/μm: (a) 5; (b) 15; (c) 25; (d) 50

综合上述分析可知，粒径为5、15 μm颗粒对油液介质损耗因数的影响较为显著，油液介质损耗因数变化幅度分别为0.021%、0.019%；25、50 μm 颗粒对油液介质损耗因数影响较小，介质损耗因数变化幅度分别为0.0027%、0.0026%。

4 结 论

(1)含不同粒径和不同数量的Cu、Fe、SiO2混合颗粒物油样的介质损耗因数随着颗粒物数量的增加而增加。

(2)建立的Cu、Fe、SiO2混合颗粒物粒径和数量与油液介质损耗因数关系的SVM模型的训练集决定系数(R2)和均方根误差(MSE)分别为0.9687、0.1433×10-2；验证集数据均匀分布在回归直线附近，预测值与实测值基本吻合，R2=0.9913，RMSEP=0.0039，Bias=-0.0002，建立的SVM模型具有较高的预测精度。

(3)Cu、Fe、SiO2颗粒在粒径为5～15 μm范围内对油液介质损耗因数影响较大，其中5、15 μm 颗粒的影响较为显著；受粒径5 μm Cu、Fe、SiO2混合颗粒的影响，油液介质损耗因数变化较大，变化幅度为0.021%，并且在颗粒数为4700时达到最大值0.04%；粒径为15 μm 的Cu、Fe、SiO2混合颗粒数量增加，油液介质损耗因数呈下降趋势，变化幅度为0.019%。

(4)25、50 μm的Cu、Fe、SiO2颗粒物对油液介质损耗因数影响较小，变化幅度分别为0.0027%、0.0026%。

[1] KALANTAR A, LEVIN M. Factors affecting the dissolution of copper in transformer oils[J].Lubrication Science, 2008, 20(3): 223-240.

[2] 高明.低温下变压器油绝缘特性研究[D].北京： 中国电力科学研究院, 2011.

[3] 钱艺华, 吴海燕, 苏伟, 等. 不同变压器油电气性能的对比研究[J].变压器, 2012, 49(4): 29-33. (QIAN Yihua, WU Haiyan, SU Wei, et al. Comparison and research on electrical properties of different transformer oils[J].Transformer, 2012, 49(4): 29-33.)

[4] 周凤, 吾满江·艾力, 张亚刚, 等. 二芳基乙烷的合成与精制及其性能评价[J]. 石油学报(石油加工), 2014, 30(4): 656-661. (ZHOU Feng, WUMANJIANG Aili, ZHANG Yagang, et al. Synthesis and refining and performance evaluation of phenyl ethylbenezene ethane[J].Acta Petrolei Sinica (Petroleum Processing Section), 2014, 30(4): 656-661.)

[5] WAN T, QIAN H, FENG B, et al. Influence of copper ions in transformer oil properties and adsorption treatment[J].IEEE Transactions on Dielectrics & Electrical Insulation, 2013, 20(1): 141-146.

[6] MAHMUD S. Influence of contamination on the electrical performance of power transformer oil [D].Southampton： University of Southampton, 2015.

[7] 孟群辉, 王维霞, 毛玲玲, 等. 三种主要杂质对变压器油绝缘性能的影响及控制措施[J].广东化工, 2013, 40(14): 97-98. (MENG Qunhui, WANG Weixia, MAO Lingling, et al. Influence of three kinds of main impurities on the insulation performance of transformer oil and control measures[J].Guangdong Chemical Industry, 2013, 40(14): 97-98.)

[8] KOCH M, KRUEGER M, PUETTER M. Advanced insulation diagnostic by dielectric spectroscopy[J].Omicron Electronics Austria, 2009.

[9] 陈彬, 武宏阳, 韩超, 等. 基于中红外光谱分析的微水对绝缘油电气性能影响研究[J].光谱学与光谱分析, 2015, 35(10): 2740-2745. (CHEN Bin, WU Hongyang, HAN Chao, et al. Study on trace water influence on electrical properties of insulating oil based on the mid-infrared spectrum analysis[J].Spectroscopy and Spectral Analysis, 2015, 35(10): 2740-2745.)

[10] 丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J].电子科技大学报， 2011, 40(1): 2-10. (DING Shifei, QI Bingjuan, TAN Hongyan. An overview on theory and algorithm of support vector machines[J].Journal of University of Electronic Science & Technology of China, 2011, 40(1): 2-10.)

[11] NELLO C, JOHN S T. 支持向量机导论[M].李国正, 王猛, 曾华军, 译. 北京： 电子工业出版社， 2004.

[12] 郭明玮, 赵宇宙, 项俊平, 等. 基于支持向量机的目标检测算法综述[J].控制与决策, 2014, 29(2): 193-200. (GUO Mingwei, ZHAO Yuzhou, XIANG Junping, et al. Review of object detection methods based on SVM[J].Control & Decision, 2014, 29(2): 193-200.)

[13] 张瑜, 吴迪, 何勇, 等. 基于可见-近红外光谱技术的润滑油酸值无损检测方法研究[J].红外, 2011, 32(12): 39-44． (ZHANG Yu, WU Di, HE Yong, et al. Non-invasive measurement of acid value of lubricant using visible and near infrared spectroscopy [J].Infrared, 2011, 32(12): 39-44.)

[14] 唐舟进, 任峰, 彭涛, 等. 基于迭代误差补偿的混沌时间序列最小二乘支持向量机预测算法[J].物理学报, 2014, 63(5): 78-87. (TANG Zhoujin, REN Feng, PENG Tao, et al. A least square support vector machine prediction algorithm for chaotic time series based on the iterative error correction[J].Acta Physica Sinica, 2014, 63(5): 78-87.)

[15] 陈彬, 刘阁, 张贤明. 汽轮机油中含水量的近红外光谱研究[J].光谱学与光谱分析, 2013, 33(11): 2959-2963. (CHEN Bin, LIU Ge, ZHANG Xianming. Near infrared spectroscopy study on water content in turbine oil[J].Spectroscopy and Spectral Analysis, 2013, 33(11): 2959-2963.)

[16] GB/T5654-2007. 液体绝缘材料相对电容率、介质损耗因数和直流电阻率的测量[S].

The Influence of Particle Pollution on Dielectric Dissipation Factor of Transformer Oil

CHEN Bin, HAN Chao, LIU Ge

(EngineeringResearchCentreforWasteOilRecoveryTechnologyandEquipment,ChongqingTechnologyandBusinessUniversity,Chongqing400067,China)

Dielectric dissipation factor is an important index to characterize the electrical performance of transformer oil, which is remarkably deteriorated by the solid particles in it. Based on ISO4406 standard, 24 groups of oil samples containing Cu, Fe, and SiO2particles with different sizes were prepared by uniform design method, and their dielectric dissipation factors were tested to investigate the influence law of particle size and content on the dielectric dissipation factor of oil. The mathematical model for simulating the relation between Cu, Fe and SiO2particles with different particle size, particle content and dielectric dissipation factor of oil samples was established by support vector machine method. The results showed that the determination coefficient was 0.9913 and the root mean square error was 0.0039 of the validation set. The dielectric dissipation factor increased with the increase of the content of particulate pollutant in oil. The Cu, Fe and SiO2particles with the size of 5 and 15 μm have a significant influence on the dielectric dissipation factor of oil, resulting in the change of dielectric dissipation factor values of 0.021% and 0.019%, respectively.

particulate pollutant; transformer oil; dielectric dissipation factor; support vector machine

2016-03-28

国家自然科学基金项目(51375516)资助

陈彬，男，教授，博士，主要研究方向为油液污染控制技术;Tel:023-62768316;E-mail:hustchb@163.com

1001-8719(2017)01-0182-07

O657.99； TM215.4

A

10.3969/j.issn.1001-8719.2017.01.026