絕緣油熱老化時(shí)間及糠醛含量的近紅外光譜快速預(yù)測方法

蔣友列，祝詩平，唐 超，孫碧云，王 亮

西南大學(xué)工程技術(shù)學(xué)院，重慶 400716

引 言

變壓器是電力系統(tǒng)穩(wěn)定運(yùn)行的關(guān)鍵性設(shè)備，其內(nèi)絕緣為礦物油或植物油與絕緣紙所構(gòu)成的油紙絕緣系統(tǒng)。在實(shí)際運(yùn)行中，油紙絕緣系統(tǒng)受微水、溫度、應(yīng)力、氧氣等作用逐步老化。不同作用機(jī)理的老化過程，如：電老化、熱老化、機(jī)械老化等，均會致使變壓器的絕緣性能下降，造成安全隱患。因此，準(zhǔn)確診斷老化狀態(tài)，預(yù)估變壓器剩余壽命亟需解決。

目前，油浸式變壓器老化狀態(tài)及壽命評估主要基于聚合度(DP)、糠醛含量、油中溶解氣體等特征量[1]。其中，DP是最可靠的評價(jià)參數(shù)，且CIGRE(國際大電網(wǎng)會議)于1962年提出DP降至150時(shí)變壓器壽命終止。但檢測DP時(shí)需停電吊罩以采樣，于現(xiàn)場檢測不利。楊麗君[2]等利用頻域介電譜技術(shù)，建立了油紙絕緣老化狀態(tài)區(qū)間識別方法；范舟[3]等利用拉曼光譜，結(jié)合Fisher判別法和小波包能量熵，建立了油紙絕緣老化診斷模型；顧朝亮[4]等利用拉曼光譜，實(shí)現(xiàn)了變壓器油中溶解微量糠醛的原位檢測。

近紅外光譜(NIR)波長為780～2 526 nm，介于VIS和MIR之間。其蘊(yùn)藏大量的物質(zhì)分子組成信息，主要表征含氫基團(tuán)(C—H，O—H和N—H等)振動(dòng)的倍頻及合頻吸收，快速無損，適用于在線分析[5]。NIR結(jié)合化學(xué)計(jì)量學(xué)方法，已用于多個(gè)研究領(lǐng)域。李敬巖[6]等建立了汽油近紅外譜庫，實(shí)現(xiàn)了汽油辛烷值、烯烴和芳烴含量快速分析；Wang[7]等總結(jié)了NIR技術(shù)在酒、乳制品等液態(tài)食品檢測領(lǐng)域的進(jìn)展；Mari Merce Cascant[8]等基于NIR技術(shù)實(shí)現(xiàn)了三文魚油中脂肪酸、脂質(zhì)的分類；因液相色譜法等傳統(tǒng)油中特征產(chǎn)物檢測手段存在操作復(fù)雜且耗時(shí)等缺陷，故本工作基于絕緣油NIR譜圖，分析其C—H和O—H等基團(tuán)信息，建立老化時(shí)間、糠醛含量的快速定量預(yù)測模型，以期為油紙絕緣老化的近紅外光譜快速檢測及剩余壽命評估奠定基礎(chǔ)。

1 實(shí)驗(yàn)部分

1.1 老化樣本的制備

采用克拉瑪依25號礦物油，經(jīng)雙極真空濾油機(jī)濾除微粒雜質(zhì)，同時(shí)可脫水脫氣。通過禾業(yè)V310型卡爾費(fèi)休微水測試儀測得處理5 h后油中微水降至約10 mg·L-1。

采用厚度為0.5 mm的普通絕緣紙板，將其在90 ℃真空箱干燥48 h以脫水。

將處理后礦物油、絕緣紙按20∶1混合裝瓶，在40 ℃真空環(huán)境下充分浸漬24 h。然后密封靜置于老化箱中，依據(jù)IEEE導(dǎo)則[9]，在130 ℃，100 Pa密閉環(huán)境中加速熱老化。老化樣品制備流程如圖1所示。定期取一組油樣，共計(jì)14組，老化時(shí)間如表1所示。

圖1 加速熱老化樣品的制備流程Fig.1 Preparation flowchart of accelerated thermal aging samples

1.2 光譜采集

對于14組絕緣油樣品，每組均取10份，每份均為0.5 mL，共140份樣品用于光譜采集。采用MPA型近紅外光譜儀(德國BRUKER公司)，設(shè)置光譜掃描次數(shù)32次，掃描范圍12 500～4 000 cm-1，分辨率4 cm-1。保持環(huán)境溫度24℃，將樣品注入石英比色皿中，掃描3次并取其平均光譜，光譜采集過程使用軟件OPUS7.0。140份絕緣油樣品的原始光譜如圖2所示。

圖2 140份絕緣油的原始光譜Fig.2 Original spectra of 140 insulating oil samples

1.3 油中糠醛含量檢測

對于14組絕緣油樣品，采用沃特世E2695型高效液相色譜儀，依據(jù)DL/T 1355—2014[10]，油中糠醛通過甲醇萃取，此期間需連續(xù)震蕩5 min以上，靜置10 min以上；經(jīng)色譜柱分離，由高靈敏檢測器測定，每份油樣處理及色譜檢測需30 min以上。另需配置糠醛標(biāo)樣，以備通過色譜峰計(jì)算油中糠醛含量，整個(gè)過程操作復(fù)雜且耗時(shí)。14組油中糠醛含量如表1所示。

表1 絕緣油樣品的糠醛含量及老化時(shí)間Table 1 Furfural content and aging time of insulating oil samples

如圖3所示，采用最小二乘法初步分析油中糠醛含量與老化時(shí)間的相關(guān)關(guān)系如式(1)

F=0.003 3t+0.196 5

(1)

式(1)中，F(xiàn)為油中糠醛含量，t為老化時(shí)間，且R2為0.985 5。

圖3 油中糠醛含量與老化時(shí)間的相關(guān)性Fig.3 Correlation between furfural content in oil and aging time

2 結(jié)果與討論

2.1 光譜解析

實(shí)驗(yàn)所用礦物油主要成分為烷烴、環(huán)烷族飽和烴、芳香族不飽和烴，絕緣紙成分為90%纖維素、6%～7%半纖維素、3%～4%木質(zhì)素。老化過程中，纖維素裂解生成CO2等氣體和糠醛等呋喃化合物溶于油中[1, 11]，油中還存在微水。原始譜圖中，吸收峰主要位于C—H一級和二級倍頻區(qū)、O—H一級倍頻區(qū)、C—H第二合頻區(qū)，波數(shù)為8 373，8 264，7 181，7 076，6 981，5 855，5 799和5 678 cm-1。根據(jù)文獻(xiàn)[5]對譜圖的主要吸收峰作以歸屬，如表2所示。

表2 絕緣油近紅外光譜的主要吸收峰歸屬Table 2 Attribution of absorption near-infrared spectral peaks of insulating oil

2.2 數(shù)據(jù)處理

間隔偏最小二乘法[12](interval partial least squares，iPLS)是一種特征波長選擇方法，最早由Norgaard等提出。iPLS是將全段光譜等寬分為若干子區(qū)間，在各子區(qū)間上構(gòu)建相應(yīng)PLS模型。進(jìn)而求解各子區(qū)間模型的交叉驗(yàn)證均方根誤差(root mean square error of cross-validation, RMSECV) ，以尋求RMSECV最小的區(qū)間，再以此區(qū)間為中心擴(kuò)充(消減)波長變量，找到最優(yōu)譜區(qū)。

主成分分析[8](principal component analysis，PCA)是將光譜陣X(n×m)分解為m個(gè)向量的外積之和

(2)

即

X=TPT

(3)

2.3 老化時(shí)間的近紅外模型建立

對于140份不同老化時(shí)間的樣品，按接近3∶1分配，即校正集和預(yù)測集分別包含98和42份油樣。以五點(diǎn)三次多項(xiàng)式Savitzky-Golay卷積平滑算法預(yù)處理原始光譜。

采用iPLS方法，計(jì)算各區(qū)間RMSECV如圖4所示。保留低RMSECV值的11 209～10 364，9 087～7 818和7 390～4 424cm-1區(qū)間共1 320個(gè)波長點(diǎn)，建立基于NIR的老化時(shí)間預(yù)測模型。

圖4 原始光譜的iPLS圖Fig.4 The iPLS plot of original spectra

如圖5所示，利用PCA提取1320個(gè)波長點(diǎn)的絕緣油近紅外光譜信息，前7個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)99.78%。故取主成分?jǐn)?shù)為7，以PCA得分矩陣為輸入，在Matlab2018a中訓(xùn)練誤差反向傳輸人工神經(jīng)網(wǎng)絡(luò)(back propagation-artificial neural network，BP-ANN)。如表3所示，設(shè)置隱含層神經(jīng)元數(shù)目為2，采用共軛梯度算法的PCA-BP-ANN模型預(yù)測水平最優(yōu)，其預(yù)測均方根誤差(RMSEP)為18.67，決定系數(shù)(R2)為0.997 3。

圖5 絕緣油樣品近紅外光譜的7個(gè)主成分貢獻(xiàn)率

表3 不同BP學(xué)習(xí)算法的校正模型預(yù)測效果

同時(shí)，建立基于1 320個(gè)波長點(diǎn)，關(guān)于老化時(shí)間的主成分回歸(principle component regression，PCR)、偏最小二乘回歸(partial least squares regression，PLSR)模型，并與PCA-BP-ANN模型、原始光譜PLSR模型對比。如表4所示，選取特征譜區(qū)后，模型預(yù)測能力明顯提升；且基于共軛梯度算法的PCA-BP-ANN老化時(shí)間預(yù)測模型表現(xiàn)最優(yōu)。關(guān)于老化時(shí)間的四種預(yù)測模型效果對比如圖6所示。

圖6 老化時(shí)間四種預(yù)測模型的效果Fig.6 Prediction results of four aging time models

表4 不同校正方法的模型預(yù)測效果Table 4 Predicting results of models with different correction methods

2.4 油中糠醛含量的近紅外模型建立

采用iPLS選取關(guān)于油中糠醛含量的特征譜區(qū)，如圖7所示，9 107～4 424 cm-1譜區(qū)RMSECV明顯低于全局模型(圖中虛線)，優(yōu)選該譜區(qū)共1 210個(gè)波長點(diǎn)建模。

圖7 原始光譜的iPLS圖像Fig.7 The iPLS plot of original spectra

如圖8所示，利用PCA提取1 210個(gè)波長點(diǎn)的絕緣油近紅外光譜信息，前4個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)99.96%。優(yōu)選主成分?jǐn)?shù)為4，以PCA得分矩陣為輸入，在Matlab2018a中訓(xùn)練PCA-BP-ANN模型。如表5所示，設(shè)置隱含層神經(jīng)元數(shù)目為3，采用共軛梯度算法的PCA-BP-ANN模型預(yù)測水平最優(yōu)，其RMSEP為0.134 4，R2為0.9877。

圖8 絕緣油樣品近紅外光譜的4個(gè)主成分貢獻(xiàn)率Fig.8 Contribution rates of four principal components of NIR spectra of insulating oil samples

表5 不同BP學(xué)習(xí)算法的校正模型預(yù)測效果Table 5 Predicting results of correction models with different BP learning algorithms

同時(shí)，建立基于1 210個(gè)波長點(diǎn)，關(guān)于油中糠醛含量的PCR和PLSR模型，并與PCA-BP-ANN模型、原始光譜PLSR模型對比。如表6所示，選取特征譜區(qū)后，模型預(yù)測能力明顯提升；且基于共軛梯度算法的PCA-BP-ANN油中糠醛含量預(yù)測模型表現(xiàn)最優(yōu)。關(guān)于油中糠醛含量的四種預(yù)測模型效果對比如圖9所示。

表6 不同校正方法的模型預(yù)測效果Table 6 Predicting results of models with different correction methods

圖9 糠醛含量四種預(yù)測模型的效果Fig.9 Prediction results of four furfural content models

3 結(jié) 論

在130 ℃真空箱中進(jìn)行加速熱老化試驗(yàn)，共制備14組不同老化時(shí)間的變壓器油紙絕緣熱老化樣品。利用近紅外光譜儀采集絕緣油的光譜，并采用高效液相色譜法檢測油中糠醛含量。解析了絕緣油近紅外光譜所對應(yīng)的化學(xué)基團(tuán)信息，并建立了基于絕緣油近紅外光譜的老化時(shí)間和油中糠醛含量預(yù)測模型。

(1)經(jīng)iPLS方法選取特征譜區(qū)后，模型預(yù)測能力明顯提升。

(2)基于共軛梯度算法的PCA-BP-ANN老化時(shí)間預(yù)測模型表現(xiàn)最優(yōu)，其RMSEP為18.67，R2為0.997 3。

(3)基于共軛梯度算法的PCA-BP-ANN油中糠醛含量預(yù)測模型表現(xiàn)最優(yōu)，其RMSEP為0.134 4，R2為0.987 7。

(4)基于絕緣油近紅外光譜的老化時(shí)間及油中糠醛含量評估具有可行性。