基于声速频散谱弛豫特征的油中溶解气体检测方法

张向群，王晓静，刘婷婷，杜根远, 张 帆

基于声速频散谱弛豫特征的油中溶解气体检测方法

张向群1，王晓静2，刘婷婷3，杜根远1, 张 帆1

(1.许昌学院信息工程学院，河南 许昌 461000；2.河南轻工职业学院机电工程系，河南 郑州 450008；3.湖北第二师范学院物理与电子信息学院，湖北 武汉 430205)

针对传统气体检测方法难以满足电力运营部门大范围低成本实时监控油浸式电力设备问题，提出一种利用3个频率点声速测量值获取声速频散谱弛豫特征进行气体监测方法。首先，通过推导有效压缩系数与声弛豫过程理论公式，简化声速频散谱表达式。其次，根据不同频率点声速测量值重建声速频散谱，抽取油浸式电力设备故障气体声速频散谱弛豫声速和弛豫频率。最终，利用弛豫特征定性定量检测气体成分。仿真结果显示重建声速频散谱与实验数据相符，完成了CH4、CO2等多种气体检测，为实时在线监测电力设备油中溶解气体成分提供一种低成本、测量简单的声学方法。

油中溶解气体分析；声弛豫；电力设备；气体监测；声速频散谱

0 引言

油浸式变压器等电力设备是变电站、输电、配电网核心设备，这些设备正常运行关乎电力系统的安全稳定[1-3]。油浸式电力设备在长期运行中因局部放电、过热等因素导致设备故障，同时产生CH4、H2、CO2、N2、CO、C2H6、C2H4和C2H2等气体，并溶解于油中。因此，分析油中溶解气体成分及浓度是诊断油浸式电力设备故障类型和排除隐患的有效方法[4-7]。文献[8]通过监测油中溶解H2浓度判断油浸式变压器局部放电或受潮。电力部门通常根据CO2气体浓度变化分析变压器温度及固体绝缘老化程度，基于O2浓度判断变压器是否密闭，监测CH4获取变压器热源温度。

目前电力设备油中溶解气体监测技术和方法已较成熟[9]，但有些指标仍未满足电力设备运营部门的需求。传统气相色谱技术检测环境受恒温恒压等条件限制。此外，该方法需标定气体色谱柱和载气推进，色谱柱需定期更换，导致运行成本较高。受其设备价格及技术力量限制，电力部门难以保证每个变电站均配备常规油色谱分析仪，导致管理人员无法随时掌握变压器运行状况。随着我国电力物联网和国家能源互联网快速发展，传统油色谱技术已不能满足电力设备运营部门大范围、低成本、实时监控油浸式电力设备的需求。近年来，一些学者尝试将新技术应用于油浸式电力设备气体监测：文献[10]研制基于可调谐激光吸收光谱技术的变压器油中溶解气体在线检测装置；文献[11]利用光声光谱技术有效检测油浸式电气设备油中溶解气体含量；文献[12]提出基于近红外激光和光声光谱技术的油浸式电力设备气体检测；文献[13]采用电化学检测技术分析密闭环境下电力设备局部放电空气成分变化。

基于声弛豫的超声气体传感技术是当前热门气体传感前沿技术之一，其工作原理是不同成分和浓度气体分子在声传播过程中呈现不同声弛豫特性，宏观上表现为在一定环境温度和压强下声速和声弛豫吸收谱系数随声频率、气体成分及浓度不同而变化[14]。与光谱气体传感技术类似，油浸式变压器等电力设备发生故障时产生的气体有显著声弛豫特征，因此可用于检测电力设备油中溶解气体成分。与传统油色谱、半导体和电化学传感、光纤等油中溶解气体传感技术[15]相比，基于声弛豫理论的超声气体传感器寿命长，无需定期校正，受工作环境影响小，具有易于大规模应用、可无损检测易燃易爆气体等优点[16-17]。本研究方法降低油中溶解气体检测装置成本和维护费用，较好地满足了电力设备运营部门大范围、低成本、实时监控油浸式电力设备的需求。

传统声弛豫超声气体传感技术通过测量不同频率点声速和声弛豫吸收谱系数进行气体探测，然而测量声弛豫吸收谱系数的设备复杂、测量操作繁琐且测量精度低[18]。本文在Kneser经典声弛豫理论[19]、声速测量值重建声弛豫吸收谱系数方法[14]的基础上，将流体声速理论压缩系数扩展为声弛豫过程有效压缩系数，通过三频点声速测量值，合成弛豫气体绝热定压弛豫时间和弛豫强度，重建声速频散谱，最终抽取声速频散谱弛豫频率和弛豫声速，定性定量检测气体成分，仿真结果验证该方法的有效性。

1 声速频散谱弛豫特征算法

1.1 理论算法

根据式(2)—式(4)，推导高频有效压缩系数、声速频散谱及声弛豫吸收谱系数关系为

1.2 理论算法验证

本节展示如何通过三频率点声速测量值重建声速频散谱曲线，进而得到弛豫声速和弛豫频率，与此同时将仿真结果、实验数据和理论曲线进行对比。图1显示CO2理论曲线、重构曲线和实验数据[25]。从图1选择三频率点20 kHz、55 kHz、95 kHz声速测量值(需要满足三频率点声速值随频率依次增大)重建声速频散谱曲线，计算得到声速频散谱弛豫特征。图1中黑色实线表示通过文献[26]混合气体复合弛豫解耦模型生成的理论声速频散谱曲线，电子彩版中红色虚线代表利用本文式(9)重建的声速频散谱曲线。图1重建声速频散谱曲线与理论曲线、实验数据均吻合，验证该重建方法的有效性。

图1 CO2理论声速频散谱曲线、重建声速频散谱曲线与实验数据比较

图1中CO2气体弛豫过程以分子振动弛豫为主，下面讨论分子转动弛豫为主的特殊气体(H2)。根据气体声弛豫理论可知，振动弛豫和转动弛豫过程均来源于气体分子的内自由度(转动和振动)和外自由度(平动)能量交换，本质类似。图2显示H2和CO2混合气体理论声速频散谱曲线、重建声速频散谱曲线与实验数据比较。图中圆圈表示文献[27]中温度为303.15 K，一个大气压实验环境下2%H2-98% CO2声速测量值。选择重建声速频散谱三频率点分别为78 kHz、780 kHz、3.6 MHz，黑色实线代表由复合弛豫解耦模型生成的理论声速频散谱曲线，声速频散谱曲线(电子彩版中红色虚线)由本文式(9)重构合成。图2显示重建声速频散谱曲线与理论曲线、文献[27]实验数据均吻合，验证该重建方法有效。

图2 2%H2 -98% CO2理论声速频散谱曲线、重建曲线与实验数据比较图

2 油浸式电力设备故障气体声弛豫特征分析

油浸式电力设备如变压器发生故障时产生CH4、C2H6、C2H4、C2H2、H2、CO、CO2等特征气体，这些气体的内部分子结构具有显著差异从而产生不同弛豫过程，导致气体声速频散谱的弛豫频率和弛豫声速具有唯一性。利用该特性可监测和分析油中溶解气体类型及浓度，准确诊断油浸式电力设备是否存在潜伏性故障，是否需要维护，从而延长设备寿命，减小故障发生概率。表1显示不同故障气体声速频散谱弛豫特征，由声弛豫理论模型计算，温度为296.6 K，压强为一个大气压。由表1数据可知：H2分子量最小，弛豫声速值最大；CO和C2H4分子量相同，声速近似相等，然而两者弛豫频率差值较大，分别为5551 Hz和887 321 Hz。由此表明，本研究可根据气体声速频散谱的弛豫声速和弛豫频率从两个维度定性定量检测气体。

图3显示由理论弛豫模型生成CH4、CO2和N2等混合气体声速频散谱弛豫频率和弛豫声速随气体浓度变化情况。由图3可知，CO2和CH4在背景气体N2下的浓度变化0~100%，混合气体声速频散谱的弛豫频率和弛豫声速值随之变化，且没有相同值。

表1 油中溶解气体声速频散谱弛豫特征

图3 CH4和CO2在N2背景下声速频散谱的弛豫特征随浓度变化图

如图3所示，当CO2在背景气体N2中的浓度为61 PPM时，计算得到的弛豫频率为16 713.48 Hz，弛豫声速为348.8102 m/s；当CO2的浓度增大到80 PPM时，弛豫频率为16 713.27 Hz，弛豫声速为348.8082 m/s。与此同时，当混合气体CH4-N2中CH4浓度为74 PPM时，弛豫频率为32 029.56 Hz，弛豫声速为348.8401 m/s；当CH4的浓度增大到89 PPM时，弛豫声速为348.8411 m/s，弛豫频率为32 028.04 Hz。因此，当油浸式电力设备发生故障产生CO2或CH4气体时，可以通过本文提出的方法监测气体CO2或CH4浓度，最终判断故障类型，过程如下：1) 测量三频率点声速值，抽取声速频散谱弛豫特征；2) 根据弛豫频率和弛豫声速坐标定位在不同曲线上探测未知气体种类CO2或CH4；3) 最后将弛豫频率和弛豫声速与标准弛豫特征数据库对比计算CO2或CH4浓度，从而判断油浸式电力设备故障类型。

综上所述，与基于经典声速检测气体方法相比，本方法能够获取气体分子弛豫信息，对于相同分子量混合气体仍有效。与文献[24]基于声弛豫吸收谱峰值点探测CO2-N2、CH4-N2混合气体相比，本文基于声速频散谱的弛豫特征方法减少了声弛豫吸收谱系数测量，且声速测量精度更高，因此探测结果更为准确。此外，某些气体(如H2或掺氢混合气体)弛豫发生在高频阶段，此时经典弛豫信号级数倍增大，导致声弛豫吸收谱信号淹没于噪声，增加测量难度和设备复杂度，而本文基于声速频散谱方法在高频阶段不受经典弛豫影响，适用性更强。

3 气体检测及结果分析

3.1 实验设备

实验设备用于测量不同频率声速和声弛豫吸收谱系数，其工作原理是利用气体声弛豫频率和压强成正比关系。实验设备整体实物图如图4所示，具有气体腔体、真空泵、温湿度传感器、数据采集卡、压强计、上位机、控制板、步进电机、超声波发送和接收等模块。不锈钢腔体承受负压， 7组固定频率(25 kHz、40 kHz、75 kHz、100 kHz、200 kHz、300 kHz、300 kHz)超声波收发换能器安装腔体内，如图5所示，信号线和电源线通过高压航空插头引出，供测量使用。温湿度传感器用于监测腔体内气体温度和湿度。真空泵为双极旋片，抽速为16 mm3/h，极限真空达1 Pa，真空泵上端尾气收集软管，便于真空泵室外排气。数据采集卡代替示波器测量实验设备发送信号和接收信号之间的延迟时间。超声波换能器发送及接收模块安装于光学导轨，单片机控制步进电机转动，从而改变发送和接收端之间距离。

图4 实验设备实物图

图5 超声波换能器传感器

图6 实验设备背面图

3.2 气体检测

测量前，首先开启真空泵将腔体压强抽至0.001 一个大气压，其次打开气瓶阀门，充入一个大气压N2(纯度为99.99%)至腔体，重复上述步骤两次以保证腔体内部实验气体纯度，最终装入待测气体。为保持接收信号稳定，测量过程中腔体内超声波换能器接收模块保持固定不动。上位机发送命令，波形发生器产生不同测量频率正弦波信号，经模拟电路放大后，激励超声波换能器发送超声信号，传播于气体介质中，接收超声波换能器接收发送信号，经放大电路和AD转换，最终通过LabView数据采集或示波器计算时间延迟和声速。单片机控制步进电机实现超声波发送模块前进或后退，改变发送端和接收端之间的距离。为避免衍射和波形失真，不同频率超声波换能器发送和接收模块距离保持一定范围，频率大于300 kHz时收发换能器之间距离为10~60 mm，频率为25~100 kHz时收发换能器之间距离为30~150 mm。图4—图6实验设备用于实验室阶段测量，便于模拟不同工业环境和建立标准气体数据库，实际环境中测量设备仅需3对收发超声波换能器。图7显示测量过程示波器获取超声波发送信号(黄色)和接收信号(绿色)。

图7 频率为42 kHz时的发送和接收信号

油浸式电力设备气体检测关键技术为分离气体和检测气体，具体过程如下：首先进行现场油浸式电力设备油样采集，采用IEC标准动态顶空脱气方法将溶解于油浸式电力设备的油气分离出来，然后载气输入，不同类型气体分时段流出，进入本文的超声波气体传感器，测量不同频率点气体声速数据，经通信模块发至上位机，上位机根据声速测量值获取气体声速频散谱弛豫频率和弛豫声速等数据，与气体标准数据库进行比较，得到气体类型和浓度，并根据气体种类和浓度分析电力设备故障类型，诊断电力设备是否正常运行，及时处理异常情况。根据国家电网公司企业标准Q/GDW 540.2-2010变电设备在线监测装置检验规范中第二部分“变压器油中溶解气体在线监测装置”，CO2气体浓度检测范围为25~15 000 PPM，CO气体浓度检测范围为25~5000 PPM，H2的气体检测范围为2~2000 PPM，CH4气体浓度检测范围为0.5 ~1000 PPM，测量误差要求不大于±30%。

由于客观原因无法采集电力设备现场油样及缺乏油气分离设备，本文以文献[11]气体油样浓度为例进行检测和分析。表2显示4种油中溶解气体的测量数值和误差。由于H2对红外光无吸收，文献[11]无H2测量数据，因此本文表2第4行第3列为空。由表2可知，以气相色谱数据为标准值与本文探测结果进行比较，CO2气体探测误差小于10%，H2和CH4的误差大于10%，满足气体检测标准误差范围(小于30%)。声速具体测量过程与误差修正请查阅文献[21]。

表2 油中溶解气体检测结果

下面以实际工况为例进行检测，如表3所示。某大型钢铁厂二期工程新建一座110 kV变电站，投入运营一个月后，发现H2含量达到539.4 PPM，超出H2规定的报警值150 PPM，表3第2列数据记录的是2018年9月15日变压器实际工况中油中气体色谱数据[28]，表3中第3列和第4列显示本文探测的结果和误差。

通过表2和表3可知，气体检测浓度大于100 PPM时，本方法探测结果误差较小，在±20%以内。当气体浓度为1~100 PPM时，本文方法探测误差相对较大，原因是随气体浓度减少，需高精度的超声传感器[29]。

4 结论

本文提出一种基于声速频散谱弛豫特征的油中溶解气体检测方法，首先利用三频率点声速测量值重建声速频散谱，抽取弛豫特征，根据弛豫频率和弛豫声速与气体成分对应关系，检测气体成分及浓度。仿真结果验证了该方法的有效性。与较为成熟的红外吸收、光谱、半导体和电化学等气体探测技术相比，虽然本方法测量精度相对较低，探测误差相对较大，但符合国家电网公司企业标准Q/GDW 540.2-2010变电设备油中溶解气体监测装置检验规范(±30%之内)。此外，本方法采用的超声波气体换能器价格低，一对超声波换能器仅几百元，且寿命长，无需校准。由于H2对红外光无吸收，基于红外吸收和光声光谱技术油中溶解气体检测方法难以检测H2，需额外采购H2传感器，增加气体检测成本。然而，本研究方法能检测多种气体包括H2，减少气体传感器数量。综上，本文提出的基于声速频散谱弛豫特征气体检测方法可大规模应用于变电站、天然气发电厂、电力物联网等电力部门设备气体检测。

基于声弛豫的超声气体探测理论属于量子力学、信号处理、热力学等学科交叉领域，目前处于快速发展阶段。随着研究进一步深入，基于声弛豫的气体传感技术尚存在不足，在测量精度方面有较大提升空间，未来应用前景广阔。

[1] MEIRA M, VERUCCHI C, ALVAREZ R et al. Dissolved gas analysis in mineral oil and natural ester liquids from thermal faults[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2021, 28(4): 1317-1325.

[2] CHEN K, GUO M, YANG B, et al. Highly sensitive optical fiber photoacoustic sensor for in situ detection of dissolved gas in oil[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-8.

[3] 江军. 基于光学传感技术的变压器油中溶解气体传感研究[D]. 北京: 华北电力大学, 2016.

JIANG Jun. Dissolved gases detection in power transformer oil based on optical sensing techniques[D]. Beijng: North China Electric Power University, 2016.

[4] ZHAO P, LI T, ZHANG D. Absorption of dissolved gas molecules in the transformer oil on silver-modified (002) planes of molybdenum diselenide monolayer: a DFT study[J]. Journal of Physics: Condensed Matter, 2021, 33: 1-11.

[5] 黄志亮, 王怀兴, 阳同光, 等. 储能锂离子电池包单体内部温度压力模拟[J]. 电力系统保护与控制, 2022, 50(15): 138-146.

HUANG Zhiliang, WANG Huaixing, YANG Tongguang, et al. Simulation of internal temperature and pressure for cells in an energy storage lithiumion battery[J]. Power System Protection and Control, 2022, 50(15): 138-146.

[6] 张国治, 陈康, 方荣行, 等. 基于DGA与鲸鱼算法优化LogitBoost-决策树的变压器故障诊断方[J/OL].电力系统保护与控制: 1-11[2022-11-13]. http://kns.cnki.net kcms/detail/41.1401.tm.20220927.2131.006.html.

ZHANG Guozhi, CHEN Kang, FANG Rongxing, et al. Transformer fault diagnosis method based on DGA and whale algorithm optimizing LogitBoost-decision tree[J]. Power System Protection and Control: 1-11[2022-11-13]. http://kns.cnki.net/kcms/detail/41.1401.tm.20220927.2131.006.html.

[7] ZHOU Q, ZHANG G, TIAN S, et al. First-principles insight into Pd-Doped ZnO monolayers as a promising scavenger for dissolved gas analysis in transformer oil[J]. ACS Omega, 2020, 5(28): 17801-17807.

[8] 田光哲. 变压器油溶解气中氢气的检测方法研究[D]. 大连: 大连理工大学, 2021.

TIAN Guangzhe. Research on detection method of hydrogen in transformer dissolved gas-in-oil[D]. Dalian: Dalian University of Technology, 2021.

[9] 潘育龙. 变压器油中溶解气体在线监测技术的研究[D]. 郑州: 郑州大学, 2019.

PAN Yulong. Research on on-line monitoring technology of dissolved gas in transformer oil[D]. Zhengzhou: Zhengzhou University, 2019.

[10] 陈杨, 戴景民, 王振涛, 等. 基于近红外TDLAS变压器油中溶解气体在线检测装置[J]. 光谱学与光谱分析, 2021, 41(12): 3712-3716.

CHEN Yang, DAI Jingmin, WANG Zhentao, et al. A near-infrared TDLAS online detection device for dissolved transformer oil[J]. Spectroscopy and Spectral Analysis, 2021, 41(12): 3712-3716.

[11] 毛知新, 文劲宇. 光声光谱技术在油浸式电气设备故障气体检测中的应用[J]. 电力系统保护与控制, 2015, 43(7): 76-82.

MAO Zhixin, WEN Jinyu. Dissolved gas analysis in oil-immersed equipment based on photeacoustic spectroscopy[J]. Power System Protection and Control, 2015, 43(7): 76-82.

[12] 马凤翔, 田宇, 陈珂, 等. 基于微型光声传感器的油中溶解气体检测技术[J]. 光学学报, 2020, 40(7): 1-7.

MA Fengxiang, TIAN Yu, CHEN Ke, et al. Technique for detection of dissolved gas in oil based on miniature photoacoustic sensor[J]. Acta Optica Sinica, 2020, 40(7): 1-7.

[13] 刘宝升, 王涤, 马爱军. 封闭环境空气局部放电组分研究[J]. 电力系统保护与控制, 2021, 49(9): 21-28.

LIU Baosheng, WANG Di, MA Aijun. Study of the componenets of air under partial discharge condition in closed space[J]. Power System Protection and Control, 2021, 49(9): 21-28.

[14] ZHANG Kesheng, DING Yi, ZHANG Xiangqun, et al. Synthesizing the frequency-dependent sound relaxational absorption by three-frequency sound speeds in excitable gases[J]. Applied Acoustics, 2022, 188: 1-9.

[15] 胡晓静, 徐鹏, 王海亮, 等. 一起500 kV油浸式电抗器故障调查及防范措施分析[J]. 电力系统保护与控制, 2021, 49(2): 173-178.

HU Xiaojing, XU Peng, WANG Hailiang, et al. Fault analysis preventive measures for a 500 kV oil-immersed reactor[J]. Power System Protection and Control, 2021, 49(2): 173-178.

[16] PALACÍN J, MARTÍNEZ D, CLOTET E, et al. Application of an array of metal-oxide semiconductor gas sensors in an assistant personal robot for early gas leak detection[J]. Sensors, 2019, 19(9): 1-16.

[17] SEBTAHMADI S S, YAGHMAEE M S, RAISSI B. General modeling and experimental observation of size dependence surface activity on the example of Pt nano-particles in electrochemical CO gas sensors[J]. Sensors & Actuators: B. Chemical, 2019, 285: 310-316.

[18] LIU T, WANG S, ZHU M. A versatile acoustic gas sensing method via extracting intrinsic molecular internal specific heat[J]. Physics Letters, Section A: General, Atomic and Solid State Physics, 2021, 401: 1-7.

[19] MASON W. Physical acoustic[M]. New York: Academic Press, 1965.

[20] LIU T, WANG S, ZHU M. Decomposition of effective specific heat of molecular relaxation for gas detection in a mixture[J]. Journal of the Acoustical Society of America, 2017, 141(3): 1844-1851.

[21] ZHANG X, WANG S, ZHU M. Locating the inflection point of frequency-dependent velocity dispersion by acoustic relaxation to identify gas mixtures[J]. Measurement Science and Technology, 2020, 31(11): 1-9.

[22] PHILLIPS S, DAIN Y, LUEPTOW R M. Theory for a gas composition sensor based on acoustic properties[J]. Measurement Science and Technology, 2003, 14(1): 70-75.

[23] BHATIA A B. Sound and matter (Book reviews: ultrasonic absorption an introduction to the theory of sound absorption and dispersion in gases, liquids, and solids)[J]. Science, 1967: 158-159.

[24] 张克声, 陈刘奎, 欧卫华, 等. 基于声吸收谱峰值点的天然气燃烧特性检测理论[J]. 物理学报, 2015, 64(5): 1-8.

ZHANG Kesheng, CHEN Liukui, OU Weihua, et al. A theory for monitoring combustion of natural gas based on the maximum point in sound absorption spectrum[J]. Acta Physica Sinica, 2015, 64(5): 1-8.

[25] SHIELDS F D. Thermal relaxation in carbon dioxide as a function of temperature[J]. The Journal of the Acoustical Society of America, 1957, 29(4): 450-454.

[26] 张向群, 王殊, 朱明. 常温下氢气声转动弛豫研究[J]. 物理学报, 2018, 67(9): 1-11.

ZHANG Xiangqun, WANG Shu, ZHU Ming. Acoustic rotational relaxation of hydrogen around normal temperature[J]. Acta Physica Sinica, 2018, 67(9): 1-11.

[27] BEHNEN S W, ROTHWELL H L, AMME R C. Vibration-rotation energy transfer between CO2 (ν2 ) and orthohydrogen[J]. Chemical Physics Letters, 1971, 8(3): 318-320.

[28] 任立新. 色谱分析法在钢铁厂新投运110 kV变压器故障诊断中的应用[J]. 电工技术, 2020, 2: 33-34.

REN Lixin. Application of chromatographic analysis in fault diagnosis of newly operated 110 kV transformer in steel plant[J]. Electric Engineering, 2020, 2: 33-34.

[29] YI H, SHU W, MING Z. A relaxation times coupling method to construct acoustic relaxation calibration for two-frequency measuring gas compositions[J]. Applied Acoustics, 2016, 113: 102-108.

Detecting dissolved gas mixtures in electrical equipment oil based on relaxation features of sound speed dispersion

ZHANG Xiangqun1, WANG Xiaojing2, LIU Tingting3, DU Genyuan1, ZHANG Fan1

(1. School of Information Engineering, Xuchang University, Xuchang 461000, China; 2. Department of Mechanical and Electrical Engineering, Henan Light Industry Vocational College, Zhengzhou 450008, China; 3. School of Physics and Electronics Information, Hubei University of Education, Wuhan 430205, China)

The traditional gas detection method cannot meet the requirements of power department monitoring of oil-immersed electrical equipment at low cost and over a large range. Thus this paper presents a monitoring gas method. It uses the measured sound speed at three frequency points to get sound speed dispersion relaxation characteristics. First, the sound speed dispersion expression is simplified by deducing the theoretical formula of effective compressibility and the acoustic relaxation process. From the measured sound speeds at different frequency points, the sound speed dispersion is reconstructed, and the sound speed dispersion relaxation speed and frequency of the fault gas of oil-immersed electrical equipment are extracted. Finally, the gas composition is identified qualitatively and quantitatively using relaxation characteristics. Simulation results show that the reconstructed sound speed dispersion is consistent with the experimental results, and gas mixtures including CH4and CO2are identified. It provides a low-cost acoustic method with simple equipment for online detection of dissolved gas composition from oil-immersed electrical equipment.

oil dissolved gas analysis; acoustic relaxation; electrical equipment; gas monitoring; sound speed dispersion

10.19783/j.cnki.pspc.220494

国家自然科学基金项目资助(62071189，62271451)；河南省科技厅项目资助(212102210402)

This work is supported by the National Natural Science Foundation of China (No. 62071189 and No. 62271451).

2022-04-08；

2022-08-25

张向群(1978—)，女，博士，副教授，研究方向为声学信号处理与气体检测；E-mail: dzzxq18@163.com

杜根远(1974—)，男，通信作者，博士，教授，研究方向为智能电网信息处理。E-mail: xcdgy@163.com

(编辑 姜新丽)