变压器色谱峰识别研究综述

杨志勇 单杰 卜冠南 张建学 万福

（1. 国电南京自动化股份有限公司 2. 福建工程学院福建省大数据挖掘与应用技术重点实验室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）

0 引言

油中溶解气体分析（Dissolved Gas Analysis, DGA）是诊断油浸式高压电力设备故障的重要手段[1]。色谱技术是目前检查电力变压器油中溶解气体有效的方法之一，在线色谱技术是实现油浸式电力变压器在线实时监测的关键技术[2]。

电力变压器油色谱在线监测技术的特点：没有人工操作，系统自动完成油样采集、油气分离、多组分气体逐一分离、色谱峰辨识及定性定量分析、故障诊断等功能。其中色谱峰辨识指的是辨识色谱信号（频域图或时域图）中的色谱峰。定性分析就是鉴别分离出来的色谱峰所代表的物质（部分文献中变压器色谱峰辨识包含定性分析，本文为了方便叙述准确将两个概念完全划分开）。主要任务是从电力变压器在线色谱分析过程中采集到的有干扰的色谱信号中提取特定组分气体谱峰的位置，包括特定组分峰的起始点、峰的顶点、峰的结束点等[3]。

1 变压器色谱峰类型及辨识难点

1.1 完全分离的孤立峰（分离峰）

在分离峰中，每个峰都是独立且可识别，与邻近的其他峰没有重叠峰部分。分离峰成正态分布。图1中峰1和峰2是完全分离的峰。在处理分离峰的过程中，将每个峰的所在曲线部分当成只与一个峰有关的曲线处理。

1.2 局部重叠混合峰

两个及两个以上相邻近的峰部分重叠在一起，并不能完全分开。第一个峰的尾峰还未完全回到基线，第二个峰就呈上升趋势，两个色谱峰峰形发生重叠。图2中峰1和峰2是局部重叠的混合峰。局部重叠混合峰可以分为两种：少部分重叠峰和多部分重叠峰。如果峰的拐点没有存在于重叠的部分当中，称之为少部分重叠峰。如果峰的拐点存在于重叠的部分中，称之为多部分重叠峰。

1.3 完全重叠混合峰

完全重叠混合峰很严重或两峰面积差异过大时，两峰之间无谷点存在。

（1）肩峰

肩峰分为前肩峰和后肩峰两种。一般主峰的面积包含了肩峰的面积。

前肩峰峰形是在一个大峰的上升沿上未形成的峰，不存在峰谷（下降沿），该类型峰特点是没有峰的下降部分，如图3所示。

后肩峰峰形是在一个大峰的下降沿上未形成的峰，不存在峰顶（上升沿），该类型峰的特点是没有上升部分，如图4所示。

前肩峰与后肩峰是较为特殊的重叠峰，其所对应的二阶导数与多部分重叠峰相同，故利用二阶导数法时，难以辨识。

（2）拖尾峰

小峰骑在大峰的下降沿上，并且小峰的峰高和大峰相比较小，此种小峰称为拖尾峰，如图5峰2。拖尾峰与后肩峰相区别：拖尾峰有上升部分，后肩峰没有上升部分。拖尾峰可以重叠。 拖尾峰可以看作主峰与尾峰的峰高比例相差较大的局部重叠峰。其外形与后肩峰有相似之处，较为难辨识[4]。

2 色谱峰辨识和峰定性的关键技术

2.1 色谱峰辨识主要方法

（1）基于时间窗和导数法的色谱峰辨识

时间窗法主要是通过变压器中气体组分的保留时间范围内来寻找极值来确定峰位置。导数法对原始色谱通过求导数来获得一系列的极值确定多个峰位置（峰辨识），再利用成分保留时间在多个峰位置中确定组分峰位置（峰定性）。严格意义上二者在原理方面区别不大，实际的应用过程中，导数法更为精确。目前，大多数的变压器在线监测厂商都采用导数法来判断峰位置。导数法最早由缪华建[5]等人提出，将一种一阶和二阶导数之间方法应用到色谱峰检测上，它能够排除基线漂移的影响，具有抗噪声干扰能力，能判别重叠峰，还能获得色谱峰上各拐点的位置。王崇杰[6]等人通过指数函数法、阈值法、极值法来确定色谱的峰位。但随着装置的长时间运行，色谱峰会出现不可避免的漂移，若漂移范围超过窗口区间则出现无法识峰或识峰错误的故障。这是该类方法在设备运行上的局限，无法通过改进方法而避免。故随后文献[7-9]对其的各种改进这里不再赘述。

（2）模糊数学法的色谱峰辨识

袁鹏等人将模糊技术引入电力变压器色谱峰定性领域[10]。首先根据峰辨识算法获得一系列的峰位置（例如导数法的前半部分），然后利用模糊数学技术来确定这一系列的峰到底是哪个组分。胡劲松[11]等人利用模糊数学把要定性的色谱峰位置作为模糊矢量，把各个组分作为模糊集元素，峰位相对于成分的隶属度函数用成分的绝对保留实际来构造，2个相邻成分的绝对保留时间中点的隶属度值设为50%，若某个峰位置相对于某个组分隶属度函数大于50%，则代表那个组分峰。该方法的劣势在于仍没有摆脱保留时间，那么依旧会出现峰漂移现象，但是相比较时间窗和导数法来说，其峰漂移的影响会大大降低。用了该方法之后，峰位置在很大的漂移范围内都可以识别出来，这是该方法的优势。但是关于隶属函数的构造是根据经验选取，具有很大的主观性，容易导致峰辨识误判。

（3）模式匹配法的色谱峰辨识

胡劲松等人将模式匹配技术引入电力变压器色谱峰辨识领域[12-13]。首先通过构造一个匹配的高斯波，沿着色谱数据滑动求高斯波与色谱数据段的相似性来查找峰位，相似度大于设定阈值的数据段存在色谱峰位，该数据色谱峰位的位置对应滑动到该处的高斯波峰位。该方法主要在以下两点需格外注意：①匹配高斯波的构造是否合理。②阈值和相关系数的设定是否准确。为了解决这一问题，曹建等人[14]将灰色关联度分析技术应用到色谱峰辨识算法当中，通过统计平均及数据拟合的方法确定最优高斯波函数的参数以及各项阈值。其次该方法的劣势在于随着装置的长时间运行，峰的高度、宽度和面积都会发生变化，严重的情况下会出现拖尾峰，此时模式匹配会出现不准确的情况。总的来说，该方法比较时间窗和导数法来说有相当大的改进，识峰错误大大降低。目前该方法已经在宁波理工监测设备有限公司的电力变压器色谱在线监测装置上运行多年，效果良好。

（4）多参数权重分析法的色谱峰辨识

张炜等人提出了多参数权重比分析方法来进行色谱峰辨识[15]。该方法通过计算得出峰偏移实际，峰型的半峰宽、峰型与标准峰的相似度以及峰高等特征参数，并进行归一化处理。同时该方法会设置各个特征参数的权重比系数，通过综合判断真假色谱峰。该方法关键在于归一化处理的方法选择以及权重比系数的设定，若方法不合理，权重系数不准确都会导致辨识结果的错误。这就需要通过大量数据的反复试验，反复比较，构造合理的归一化处理方法，选择合理的权重系数。

（5）基于机器学习的色谱峰辨识

随着机器学习，深度学习的智能技术的快速发展，将其中的典型算法应用到色谱峰辨识当中不失为一种新思路。王巍[16]等人将BP神经网络技术引入电力变压器色谱峰辨识和定性领域。该方法首先建立了结构为2-8-2型、学习算法为GDX的BP神经网络、然后利用该网络得到的预测值，结合峰辨识的回溯前推法和峰定性窗口区间阈值法，实现油中溶解气体在线色谱峰的准确辨识和定性。廖建平、李志军[3]等人基于C4.5决策树算法的阈值自适应来进行色谱峰定性，该算法将“峰高”，“峰宽”，“峰面积”和“峰中点位置”作为色谱峰辨识的特征属性，利用决策树对于根结点的选取时会采用二分法对连续属性离散化处理，得到特征属性的自适应阈值，达到数据正确分类的效果，有效峰定性准确，可有效避免因峰位的前后移动、峰形的扩展收缩导致对气体色谱峰的误判和漏判现象。

2.2 主流色谱峰辨识方法比较

从实际工程应用的角度来看，可以将色谱峰辨识方法分为三大类。第一类是工业界普遍采用的传统法（时间窗和导数法）；第二类是近10年来部分公司自我研发的新方法；第三类是近年来随着机器学习发展的智能算法。三类方法比较如下表所示。

表 主流方法比较

3 问题与展望

本文重点回顾了近20年来国内对于变压器色谱峰辨识的研究现状。主要从变压器色谱峰类型及辨识难点，色谱峰辨识方法等方面对国内取得的研究进行了总结。然而，在这一领域仍存在需要进行深入探索的问题：

1）在工程应用方面，随着应用要求不断提高，传统方法逐步被新方法以及智能算法替代。

2）随着机器学习，深度学习等技术的发展，智能算法必将是未来发展的趋势。