绝缘油热老化时间及糠醛含量的近红外光谱快速预测方法

2020-11-04蒋友列祝诗平孙碧云

光谱学与光谱分析 2020年11期

蒋友列，祝诗平，唐超，孙碧云，王亮

西南大学工程技术学院，重庆 400716

引言

变压器是电力系统稳定运行的关键性设备，其内绝缘为矿物油或植物油与绝缘纸所构成的油纸绝缘系统。在实际运行中，油纸绝缘系统受微水、温度、应力、氧气等作用逐步老化。不同作用机理的老化过程，如：电老化、热老化、机械老化等，均会致使变压器的绝缘性能下降，造成安全隐患。因此，准确诊断老化状态，预估变压器剩余寿命亟需解决。

目前，油浸式变压器老化状态及寿命评估主要基于聚合度(DP)、糠醛含量、油中溶解气体等特征量[1]。其中，DP是最可靠的评价参数，且CIGRE(国际大电网会议)于1962年提出DP降至150时变压器寿命终止。但检测DP时需停电吊罩以采样，于现场检测不利。杨丽君[2]等利用频域介电谱技术，建立了油纸绝缘老化状态区间识别方法；范舟[3]等利用拉曼光谱，结合Fisher判别法和小波包能量熵，建立了油纸绝缘老化诊断模型；顾朝亮[4]等利用拉曼光谱，实现了变压器油中溶解微量糠醛的原位检测。

近红外光谱(NIR)波长为780～2 526 nm，介于VIS和MIR之间。其蕴藏大量的物质分子组成信息，主要表征含氢基团(C—H，O—H和N—H等)振动的倍频及合频吸收，快速无损，适用于在线分析[5]。NIR结合化学计量学方法，已用于多个研究领域。李敬岩[6]等建立了汽油近红外谱库，实现了汽油辛烷值、烯烃和芳烃含量快速分析；Wang[7]等总结了NIR技术在酒、乳制品等液态食品检测领域的进展；Mari Merce Cascant[8]等基于NIR技术实现了三文鱼油中脂肪酸、脂质的分类；因液相色谱法等传统油中特征产物检测手段存在操作复杂且耗时等缺陷，故本工作基于绝缘油NIR谱图，分析其C—H和O—H等基团信息，建立老化时间、糠醛含量的快速定量预测模型，以期为油纸绝缘老化的近红外光谱快速检测及剩余寿命评估奠定基础。

1 实验部分

1.1 老化样本的制备

采用克拉玛依25号矿物油，经双极真空滤油机滤除微粒杂质，同时可脱水脱气。通过禾业V310型卡尔费休微水测试仪测得处理5 h后油中微水降至约10 mg·L-1。

采用厚度为0.5 mm的普通绝缘纸板，将其在90 ℃真空箱干燥48 h以脱水。

将处理后矿物油、绝缘纸按20∶1混合装瓶，在40 ℃真空环境下充分浸渍24 h。然后密封静置于老化箱中，依据IEEE导则[9]，在130 ℃，100 Pa密闭环境中加速热老化。老化样品制备流程如图1所示。定期取一组油样，共计14组，老化时间如表1所示。

图1 加速热老化样品的制备流程Fig.1 Preparation flowchart of accelerated thermal aging samples

1.2 光谱采集

对于14组绝缘油样品，每组均取10份，每份均为0.5 mL，共140份样品用于光谱采集。采用MPA型近红外光谱仪(德国BRUKER公司)，设置光谱扫描次数32次，扫描范围12 500～4 000 cm-1，分辨率4 cm-1。保持环境温度24℃，将样品注入石英比色皿中，扫描3次并取其平均光谱，光谱采集过程使用软件OPUS7.0。140份绝缘油样品的原始光谱如图2所示。

图2 140份绝缘油的原始光谱Fig.2 Original spectra of 140 insulating oil samples

1.3 油中糠醛含量检测

对于14组绝缘油样品，采用沃特世E2695型高效液相色谱仪，依据DL/T 1355—2014[10]，油中糠醛通过甲醇萃取，此期间需连续震荡5 min以上，静置10 min以上；经色谱柱分离，由高灵敏检测器测定，每份油样处理及色谱检测需30 min以上。另需配置糠醛标样，以备通过色谱峰计算油中糠醛含量，整个过程操作复杂且耗时。14组油中糠醛含量如表1所示。

表1 绝缘油样品的糠醛含量及老化时间Table 1 Furfural content and aging time of insulating oil samples

如图3所示，采用最小二乘法初步分析油中糠醛含量与老化时间的相关关系如式(1)

F=0.003 3t+0.196 5

(1)

式(1)中，F为油中糠醛含量，t为老化时间，且R2为0.985 5。

图3 油中糠醛含量与老化时间的相关性Fig.3 Correlation between furfural content in oil and aging time

2 结果与讨论

2.1 光谱解析

实验所用矿物油主要成分为烷烃、环烷族饱和烃、芳香族不饱和烃，绝缘纸成分为90%纤维素、6%～7%半纤维素、3%～4%木质素。老化过程中，纤维素裂解生成CO2等气体和糠醛等呋喃化合物溶于油中[1, 11]，油中还存在微水。原始谱图中，吸收峰主要位于C—H一级和二级倍频区、O—H一级倍频区、C—H第二合频区，波数为8 373，8 264，7 181，7 076，6 981，5 855，5 799和5 678 cm-1。根据文献[5]对谱图的主要吸收峰作以归属，如表2所示。

表2 绝缘油近红外光谱的主要吸收峰归属Table 2 Attribution of absorption near-infrared spectral peaks of insulating oil

2.2 数据处理

间隔偏最小二乘法[12](interval partial least squares，iPLS)是一种特征波长选择方法，最早由Norgaard等提出。iPLS是将全段光谱等宽分为若干子区间，在各子区间上构建相应PLS模型。进而求解各子区间模型的交叉验证均方根误差(root mean square error of cross-validation, RMSECV) ，以寻求RMSECV最小的区间，再以此区间为中心扩充(消减)波长变量，找到最优谱区。

主成分分析[8](principal component analysis，PCA)是将光谱阵X(n×m)分解为m个向量的外积之和

(2)

即

X=TPT

(3)

2.3 老化时间的近红外模型建立

对于140份不同老化时间的样品，按接近3∶1分配，即校正集和预测集分别包含98和42份油样。以五点三次多项式Savitzky-Golay卷积平滑算法预处理原始光谱。

采用iPLS方法，计算各区间RMSECV如图4所示。保留低RMSECV值的11 209～10 364，9 087～7 818和7 390～4 424cm-1区间共1 320个波长点，建立基于NIR的老化时间预测模型。

图4 原始光谱的iPLS图Fig.4 The iPLS plot of original spectra

如图5所示，利用PCA提取1320个波长点的绝缘油近红外光谱信息，前7个主成分累计贡献率达99.78%。故取主成分数为7，以PCA得分矩阵为输入，在Matlab2018a中训练误差反向传输人工神经网络(back propagation-artificial neural network，BP-ANN)。如表3所示，设置隐含层神经元数目为2，采用共轭梯度算法的PCA-BP-ANN模型预测水平最优，其预测均方根误差(RMSEP)为18.67，决定系数(R2)为0.997 3。

图5 绝缘油样品近红外光谱的7个主成分贡献率

表3 不同BP学习算法的校正模型预测效果

同时，建立基于1 320个波长点，关于老化时间的主成分回归(principle component regression，PCR)、偏最小二乘回归(partial least squares regression，PLSR)模型，并与PCA-BP-ANN模型、原始光谱PLSR模型对比。如表4所示，选取特征谱区后，模型预测能力明显提升；且基于共轭梯度算法的PCA-BP-ANN老化时间预测模型表现最优。关于老化时间的四种预测模型效果对比如图6所示。

图6 老化时间四种预测模型的效果Fig.6 Prediction results of four aging time models

表4 不同校正方法的模型预测效果Table 4 Predicting results of models with different correction methods

2.4 油中糠醛含量的近红外模型建立

采用iPLS选取关于油中糠醛含量的特征谱区，如图7所示，9 107～4 424 cm-1谱区RMSECV明显低于全局模型(图中虚线)，优选该谱区共1 210个波长点建模。

图7 原始光谱的iPLS图像Fig.7 The iPLS plot of original spectra

如图8所示，利用PCA提取1 210个波长点的绝缘油近红外光谱信息，前4个主成分的累计贡献率达99.96%。优选主成分数为4，以PCA得分矩阵为输入，在Matlab2018a中训练PCA-BP-ANN模型。如表5所示，设置隐含层神经元数目为3，采用共轭梯度算法的PCA-BP-ANN模型预测水平最优，其RMSEP为0.134 4，R2为0.9877。

图8 绝缘油样品近红外光谱的4个主成分贡献率Fig.8 Contribution rates of four principal components of NIR spectra of insulating oil samples

表5 不同BP学习算法的校正模型预测效果Table 5 Predicting results of correction models with different BP learning algorithms

同时，建立基于1 210个波长点，关于油中糠醛含量的PCR和PLSR模型，并与PCA-BP-ANN模型、原始光谱PLSR模型对比。如表6所示，选取特征谱区后，模型预测能力明显提升；且基于共轭梯度算法的PCA-BP-ANN油中糠醛含量预测模型表现最优。关于油中糠醛含量的四种预测模型效果对比如图9所示。