基于鯨魚優(yōu)化-長短期記憶網(wǎng)絡(luò)模型的機-熱老化絕緣紙剩余壽命預(yù)測方法

于永進 姜雅男 李長云

基于鯨魚優(yōu)化-長短期記憶網(wǎng)絡(luò)模型的機-熱老化絕緣紙剩余壽命預(yù)測方法

于永進 姜雅男 李長云

（山東科技大學(xué)電氣與自動化工程學(xué)院 青島 266590）

換流變壓器作為特/超高壓直流輸電系統(tǒng)中的關(guān)鍵設(shè)備，對變壓器用絕緣紙剩余壽命進行有效預(yù)測，可為換流變壓器的運行維護提供一定的理論依據(jù)，鑒于此，提出一種基于鯨魚優(yōu)化算法（WOA）和長短期記憶網(wǎng)絡(luò)（LSTM）的預(yù)測方法。首先，結(jié)合絕緣紙加速機-熱老化實驗及試樣的機械、電氣性能指標和對應(yīng)裂解產(chǎn)物的糠醛含量，由主成分分析法（PCA）對聚合度、糠醛含量和特征頻率下介質(zhì)損耗因數(shù)等表征絕緣紙老化的多特征量進行融合；獲得綜合評估指標與絕緣紙抗張強度間的量化關(guān)系，并依此將絕緣性能優(yōu)良和嚴重劣化時對應(yīng)的抗張強度分別作為正、負理想值；進一步構(gòu)建貼近度構(gòu)造退化指標序列并將其作為模型輸入。然后，利用鯨魚優(yōu)化算法對長短期記憶網(wǎng)絡(luò)的關(guān)鍵參數(shù)進行尋優(yōu)。最后，構(gòu)建WOA-LSTM模型對絕緣紙剩余壽命進行預(yù)測。研究表明，所提出的WOA-LSTM模型既納入了可表征絕緣紙老化狀態(tài)的多個特征量，亦可顯著提高剩余壽命的預(yù)測精度，為換流變壓器絕緣系統(tǒng)安全穩(wěn)定運行提供有力保障。

鯨魚優(yōu)化 長短期記憶網(wǎng)絡(luò) 機-熱協(xié)同作用 多特征融合 剩余壽命預(yù)測

0 引言

換流變壓器作為特/超高壓直流輸電系統(tǒng)中的關(guān)鍵設(shè)備，其絕緣系統(tǒng)的健康狀況對電力系統(tǒng)的可靠安全運行起著重要的作用。運行經(jīng)驗表明，換流變壓器運行期間的故障多源于其內(nèi)絕緣性能的劣化，特別地，固體絕緣紙的絕緣狀態(tài)直接決定了換流變壓器的服役能力[1-2]。換流變壓器固有直流偏磁工況所誘發(fā)的振動和噪聲現(xiàn)象較為突出，其中強鐵心振動既會加速絕緣紙的熱老化進程，又可能加快老化絕緣紙的脫落，或可堵塞變壓器的油循環(huán)管道，繼而誘發(fā)變壓器的過熱事故[3-4]。因此，對換流變壓器絕緣紙剩余壽命的準確預(yù)測有利于保障換流變壓器的安全穩(wěn)定運行以及合理制定維修、更換策略。實踐表明，故障預(yù)測與健康管理（Prognostics and Health Management, PHM）技術(shù)能夠通過預(yù)測設(shè)備剩余使用壽命，為設(shè)備的維修決策提供依據(jù)。

基于數(shù)據(jù)驅(qū)動的預(yù)測方法是現(xiàn)階段應(yīng)用較為廣泛的剩余壽命預(yù)測方法，其主要分為統(tǒng)計學(xué)方法與機器學(xué)習(xí)兩類。統(tǒng)計學(xué)方法利用統(tǒng)計模型或隨機過程模型對設(shè)備性能退化進行描述，并通過參數(shù)估計得到概率密度函數(shù)進行剩余壽命預(yù)測[5]。張明澤等基于維納模型，求取變壓器油紙絕緣老化的剩余概率密度模型，利用貝葉斯規(guī)則和最大期望算法得到求取變壓器油紙絕緣剩余壽命的預(yù)測方法[6]；史華潔等通過建立基于非線性維納過程的退化模型并結(jié)合設(shè)備自身退化數(shù)據(jù)，實時評估設(shè)備的剩余壽命[7]。這類方法需要相對理想的退化模型作為假設(shè)條件，且存在信息丟失的風(fēng)險。機器學(xué)習(xí)不需要建立設(shè)備的具體退化模型，通過對監(jiān)測數(shù)據(jù)進行提取和訓(xùn)練，模擬設(shè)備性能的退化演變規(guī)律及過程，得到剩余壽命預(yù)測結(jié)果。但傳統(tǒng)的機器學(xué)習(xí)在預(yù)測精度、數(shù)據(jù)內(nèi)部潛在信息獲取等方面需進一步提高。

隨著近年來深度學(xué)習(xí)理論在PHM上的進一步發(fā)展和應(yīng)用，深度學(xué)習(xí)能夠充分利用時間序列的大量數(shù)據(jù)進行壽命預(yù)測。傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）相比于前饋神經(jīng)網(wǎng)絡(luò)能更好地表征高維信息的整體邏輯性，但容易出現(xiàn)梯度爆炸或梯度消失，導(dǎo)致記憶能力受限。長短期記憶（Long-Short Term Memory, LSTM）網(wǎng)絡(luò)是基于RNN的一種變體，其結(jié)合歷史狀態(tài)，有效解決了時間序列長期依賴的問題[8]。Zheng Shuai等提出了一種基于LSTM的剩余壽命預(yù)測方法，將LSTM單元的多層與標準前饋層結(jié)合使用，從而提高了剩余壽命預(yù)測精度[9]；黃凱等提出一種自適應(yīng)數(shù)據(jù)預(yù)處理結(jié)合LSTM的RUL預(yù)測框架，其最大預(yù)測誤差僅為3.28%[10]。通常情況下，LSTM網(wǎng)絡(luò)的神經(jīng)元個數(shù)與時間步長等參數(shù)都是依靠經(jīng)驗來確定，其中，決定了模型的擬合效果，影響模型的訓(xùn)練過程，參數(shù)選取的隨機性降低了模型的預(yù)測效果。

另一方面，換流變壓器內(nèi)部結(jié)構(gòu)復(fù)雜，伴隨著絕緣紙的裂解，老化產(chǎn)物及理化性能指標已被用于評估其老化狀態(tài)的特征指標?？紤]到單一或少數(shù)幾個特征量或會導(dǎo)致信息丟失，而太多的特征量則會導(dǎo)致信息冗余，甚至可能出現(xiàn)維數(shù)災(zāi)難，Xie Peng等通過主成分分析（Principal Component Analysis, PCA）獲得采集信息的特征值，利用支持向量機（Support Vector Machine, SVM）進行狀態(tài)識別，提出了一種基于威布爾分布（Weibull distribution）的壽命預(yù)測方法[11]。王智越基于PCA確定關(guān)鍵指標，借助變壓器云模型進行健康狀態(tài)定量指標評估，同時對電力變壓器定性指標進行健康等級判定[12]。然而，鮮有將數(shù)據(jù)降維方法與深度學(xué)習(xí)相結(jié)合用于變壓器壽命預(yù)測的研究。

基于上述考慮，本文提出了一種基于鯨魚優(yōu)化算法（Whale Optimization Algorithm, WOA）與長短期記憶網(wǎng)絡(luò)的絕緣紙剩余壽命預(yù)測方法。利用WOA優(yōu)化算法對LSTM模型中的兩個關(guān)鍵參數(shù)（隱藏神經(jīng)元個數(shù)和時間步長）進行迭代優(yōu)化，根據(jù)優(yōu)化后的參數(shù)搭建WOA-LSTM組合預(yù)測模型，克服了傳統(tǒng)依據(jù)經(jīng)驗選取參數(shù)而導(dǎo)致預(yù)測精度低的問題。文中結(jié)合專門設(shè)計的絕緣紙機-熱協(xié)同老化實驗裝置，獲得不同老化階段的絕緣紙試樣及其多特征指標，采用PCA法進行多特征融合，進而獲得老化綜合評估指標，求取貼近度作為退化指標并構(gòu)造退化指標序列，利用WOA-LSTM模型實現(xiàn)機-熱老化絕緣紙剩余壽命預(yù)測。結(jié)果分析表明，該方法既可有效提高LSTM的預(yù)測精度，又能包含豐富的絕緣紙?zhí)卣餍畔?，可為制定換流變壓器油紙絕緣系統(tǒng)運維方案提供理論支撐。

1 WOA-LSTM組合模型

1.1 LSTM基本原理

LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，通過引入記憶控制門，記錄歷史信息并控制當前時刻信息對歷史信息的影響程度，有效解決了RNN長期依賴、梯度消失和梯度爆炸的問題[13]。LSTM結(jié)構(gòu)由輸入門、遺忘門和輸出門構(gòu)成，3個控制門相互配合，高效提取并利用歷史信息進行壽命預(yù)測，網(wǎng)絡(luò)基本結(jié)構(gòu)如圖1所示。

圖1 LSTM記憶網(wǎng)絡(luò)結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)的擬合能力和訓(xùn)練效果與其網(wǎng)絡(luò)參數(shù)的選擇有很大關(guān)系，傳統(tǒng)LSTM網(wǎng)絡(luò)的超參數(shù)都是依靠經(jīng)驗調(diào)節(jié)，降低了LSTM預(yù)測模型的性能和精度。為此，文獻[14]提出了基于遺傳算法改進的LSTM預(yù)測方法，該方法提高了股指預(yù)測分析的準確度；文獻[15]利用LSTM神經(jīng)網(wǎng)絡(luò)對變壓器油中溶解氣體的濃度進行了有效預(yù)測，并結(jié)合粒子群優(yōu)化（Particle Swarm Optimization, PSO）算法提高了預(yù)測精度，此方法可以為待評估對象的狀態(tài)估計提供理論基礎(chǔ)，但無法得到待評估對象的真實狀態(tài)并實現(xiàn)壽命預(yù)測。

1.2 WOA

WOA是Seyedali Mirjalili和Andrew Lewis基于座頭鯨氣泡網(wǎng)狩獵策略而提出的一種元啟發(fā)式優(yōu)化算法[16]。氣泡網(wǎng)狩獵策略融合了座頭鯨收縮包圍獵物和螺旋狩獵方式的局部開發(fā)能力，以及隨機搜索獵物的全局尋優(yōu)特點，具有操作簡單、搜索能力強、能夠跳出局部最優(yōu)且收斂速度更快等優(yōu)點。本文利用WOA對LSTM網(wǎng)絡(luò)模型參數(shù)進行優(yōu)化，將每條鯨魚個體看作每種優(yōu)化策略，并將鯨魚位置的維數(shù)對應(yīng)LSTM模型待優(yōu)化參數(shù)的個數(shù)，可在鯨魚不斷更新自身位置的過程中獲得LSTM循環(huán)網(wǎng)絡(luò)的最優(yōu)參數(shù)組合。

1.3 基于WOA的LSTM參數(shù)優(yōu)化

實踐證明，LSTM的預(yù)測精度主要受隱藏層神經(jīng)元個數(shù)和時間步長設(shè)置的影響。目前，隱藏層神經(jīng)元個數(shù)只能根據(jù)經(jīng)驗式（6）確定一個大致可選的范圍，而最優(yōu)神經(jīng)元個數(shù)的選擇往往通過多次試探性設(shè)置神經(jīng)元個數(shù)參數(shù)，并對比分析模型性能獲得。在LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)中，時間步長就是循環(huán)單元結(jié)構(gòu)的個數(shù)，表示了某一個時刻的信息最多可由該時刻之前的若干個時刻的信息綜合得來。倘若過小會失去不同時刻間信息的關(guān)聯(lián)性，若過大則會減弱神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。

式中，和分別為輸出層和輸入層的節(jié)點數(shù)；為[0, 10]之間的常數(shù)。

和的選擇對神經(jīng)網(wǎng)絡(luò)最終預(yù)測結(jié)果的精度有著不可忽略的影響，依據(jù)經(jīng)驗選取參數(shù)的做法會降低LSTM模型預(yù)測精度。因此，本文通過鯨魚優(yōu)化算法對LSTM循環(huán)網(wǎng)絡(luò)的參數(shù)和進行優(yōu)化，得到的WOA-LSTM組合模型如圖2所示。圖中，為[0, 1]之間的隨機數(shù)，為系數(shù)變量。

圖2 WOA-LSTM組合模型

2 基于WOA-LSTM的機-熱老化絕緣紙剩余壽命預(yù)測

2.1 機-熱老化條件下絕緣紙?zhí)卣髁?/h3>

絕緣紙的主要成分為纖維素，微觀上，纖維素為多個-D-吡喃型葡萄糖單體以-1, 4-糖苷鍵連接而成的長鏈狀多糖有機物[17]。在高溫作用下，纖維素發(fā)生斷鏈和裂解反應(yīng)，使得纖維素碳鏈變短及氫鍵網(wǎng)絡(luò)受到破壞[18]。碳鏈變短意味著聚合度下降，氫鍵網(wǎng)絡(luò)受損則導(dǎo)致纖維素的機械強度降低。宏觀上，纖維素的機械強度常用抗張強度（Tensile Strength, TS）表征。并且，伴隨著纖維素絕緣紙的劣化，將產(chǎn)生一系列具有呋喃結(jié)構(gòu)的化合物，其中糠醛含量較高[19]。故工程中通常以DP、TS和糠醛含量作為判斷絕緣紙老化狀態(tài)的理化性能指標。

2.2 多老化特征量融合

倘由PCA法所得主成分向量中共有個主成分，則第個主成分的貢獻度b為

一般地，b的大小表征主成分包含原數(shù)據(jù)信息量的多少，其值愈大，則包含原數(shù)據(jù)的信息量愈多。倘若b＞85%，則認為此主成分基本保留了原數(shù)據(jù)信息，據(jù)此主成分可進一步建立綜合評估指標，從而實現(xiàn)對系統(tǒng)狀態(tài)的壽命預(yù)測。

2.3 基于WOA-LSTM模型的絕緣紙壽命預(yù)測步驟

基于上述分析，選擇合適的退化指標是對絕緣紙老化狀態(tài)準確評估和剩余壽命預(yù)測的關(guān)鍵，本文利用PCA法獲得待估系統(tǒng)的綜合評估指標，引入WOA對LSTM模型參數(shù)進行尋優(yōu)，基于WOA-LSTM模型的壽命預(yù)測流程如圖3所示。

圖3 基于WOA-LSTM模型的壽命預(yù)測流程

具體步驟如下：

（3）利用個樣本的貼近度T構(gòu)成退化指標序列=[12…T]作為輸入，訓(xùn)練LSTM模型，結(jié)合WOA獲得的最優(yōu)神經(jīng)元個數(shù)和時間步長，構(gòu)建WOA-LSTM模型。

（4）根據(jù)式（1）～式（5）訓(xùn)練WOA-LSTM模型，并據(jù)此進行趨勢預(yù)測，完成1步向前預(yù)測。

（5）判斷預(yù)測的貼近度T是否達到設(shè)定的失效閾值，如果沒有達到，則將預(yù)測值加入退化序列，并刪除原序列中的第一個值，保持序列長度不變，實現(xiàn)退化序列的動態(tài)更新，重復(fù)步驟（5），完成步向前預(yù)測。

（6）如果經(jīng)過步向前預(yù)測，貼近度T的預(yù)測值達到絕緣失效閾值，則終止預(yù)測過程，根據(jù)預(yù)測的步數(shù)和老化特征量采集的時間間隔計算絕緣紙剩余壽命RUL。

3 實例

3.1 絕緣紙機-熱老化實驗及樣本數(shù)據(jù)預(yù)處理

本團隊設(shè)計并制作了油浸絕緣紙機-熱老化實驗平臺用于模擬換流變壓器中絕緣紙在振動和溫度協(xié)同作用下的老化過程，其油箱及振動機構(gòu)如圖4所示。圖中，位于油箱之中的振動桿為15mm的不銹鋼件，放在兩夾件的中部，絕緣紙固定于兩夾件上，并由振動臺帶動絕緣紙試樣進行加速垂直振動，且油箱及振動機構(gòu)均放于密閉溫控箱中。考慮到換流變壓器中鐵心的振動頻率為100Hz或為100Hz的整數(shù)倍，本文實驗中設(shè)定振動頻率為100Hz，振幅為0.26mm，加速度為2.37m/s2。此外，為驗證文獻[26]中機械振動對絕緣老化的加速作用，本文將熱老化溫度設(shè)定為60℃，略低于換流變壓器正常運行時的變壓器油溫度。

圖4 絕緣紙機-熱老化實驗臺

本文采用PCA法對絕緣紙的老化特征量進行降維處理，確定第時刻機-熱老化絕緣紙樣本的綜合評估指標Z，限于篇幅，僅給出Z的表達式為

由于機-熱協(xié)同作用下絕緣紙的老化過程為非線性過程，利用實驗數(shù)據(jù)可擬合得到與綜合評估指標之間存在指數(shù)關(guān)系，有

依上述方法，本文共求得300個貼近度，在訓(xùn)練WOA-LSTM網(wǎng)絡(luò)預(yù)測絕緣紙剩余壽命時，選取樣本的貼近度T作為絕緣紙性能退化特征指標，且以老化時間為0～104天的210組檢測數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，以老化時間為105～150天的90組檢測數(shù)據(jù)作為測試數(shù)據(jù)集。

3.2 WOA-LSTM模型參數(shù)選擇及優(yōu)化結(jié)果

本文建立的WOA-LSTM模型由輸入層、一個隱藏層和輸出層組成循環(huán)神經(jīng)網(wǎng)絡(luò)，采用Adam優(yōu)化器更新模型參數(shù)，初始種群數(shù)設(shè)置為30，學(xué)習(xí)率設(shè)置為0.001，為防止過擬合，迭代次數(shù)設(shè)置為100，利用1.2節(jié)的參數(shù)優(yōu)化方法得到隱藏層神經(jīng)元個數(shù)=8，時間步長=3；圖5為WOA與PSO參數(shù)尋優(yōu)過程中適應(yīng)度值收斂曲線，從圖中收斂曲線可見，WOA在第15代時出現(xiàn)最優(yōu)適應(yīng)度值，對應(yīng)的最小方均根誤差是0.049，所以WOA不僅收斂速度比PSO快，收斂精度也比PSO高。

圖5 適應(yīng)度值收斂曲線

同時，為便于比較WOA-LSTM模型同現(xiàn)有預(yù)測模型間的特性，本文分別利用LSTM模型、BP神經(jīng)網(wǎng)絡(luò)、支持向量回歸（Support Vector Regression, SVR）、極限學(xué)習(xí)機（Extreme Learning Machine, ELM）進行絕緣紙的機-熱老化趨勢預(yù)測，LSTM隱藏層中的激活函數(shù)使用tanh函數(shù)，采用十折交叉驗證法[26]對不同參數(shù)設(shè)置下的LSTM模型進行訓(xùn)練，獲得最優(yōu)參數(shù)組合見表1；同樣，確定BP神經(jīng)網(wǎng)絡(luò)初始學(xué)習(xí)率為0.01，隱藏層單元數(shù)為10，迭代次數(shù)100次，激活函數(shù)使用Relu函數(shù)；SVR網(wǎng)絡(luò)模型中采用徑向核函數(shù)（Radial Basis Function, RBF），其中核參數(shù)為0.3，懲罰因子=100；ELM網(wǎng)絡(luò)模型選用Sigmoid激活函數(shù)，隱藏層單元數(shù)為18。

表1 LSTM模型的最優(yōu)參數(shù)組合

Tab.1 Optimal parameters combination of LSTM

為更好地反映不同模型的預(yù)測值與真實值之間的誤差距離，本文選取預(yù)測值與實際值的絕對均值誤差（Mean Absolute Error, MAE）、方均根誤差（Root Mean Squared Error, RMSE）作為評價指標，計算公式分別為

3.3 WOA-LSTM模型預(yù)測結(jié)果

已知WOA-LSTM模型的最優(yōu)時間步長=3，利用3.2節(jié)給出的絕緣紙剩余壽命預(yù)測步驟，取退化指標序列=[12…T]的樣本量（本文計算得=3），根據(jù)前個T值預(yù)測下一個T值，再將下一個T的真實值加入序列，刪除原序列第一個T值，保持原序列樣本量不變，實現(xiàn)退化指標序列動態(tài)更新，基于WOA-LSTM模型的機-熱老化絕緣紙退化趨勢如圖6所示。

圖6 WOA-LSTM預(yù)測值與實際值對比

圖7為不同預(yù)測模型的退化趨勢預(yù)測曲線，為了曲線清晰，圖中僅畫出間隔10次的預(yù)測值。預(yù)測結(jié)果的評價指標見表2，可以看出，WOA-LSTM對絕緣紙退化指標的預(yù)測值與真實值的誤差最小。

圖7 絕緣紙退化趨勢預(yù)測

表2 不同預(yù)測模型預(yù)測誤差對比

Tab.2 Comparison of different predictive model

式中，RULpred為剩余使用壽命預(yù)測值；RULact為剩余使用壽命真實值。

訓(xùn)練樣本量（真實值）為150、160、170時，機-熱老化絕緣紙剩余使用壽命預(yù)測值的預(yù)測誤差見表3。圖8為訓(xùn)練樣本量為150時，不同預(yù)測方法的剩余壽命預(yù)測曲線，由圖8可得，測試樣本量為30時達到所設(shè)閾值，則當T＞0.356時，絕緣紙的預(yù)測剩余壽命為(30-)×12h，為曲線各點對應(yīng)的橫坐標值。

表3 絕緣紙剩余壽命誤差

Tab.3 The remaining life error of insulation paper

圖8 訓(xùn)練樣本量為150時絕緣紙剩余壽命預(yù)測曲線

通過表3和圖8可以看出，利用WOA優(yōu)化LSTM模型可以降低絕緣紙壽命預(yù)測誤差，并且WOA-LSTM模型的預(yù)測精度明顯高于SVR模型、BP神經(jīng)網(wǎng)絡(luò)和ELM模型。由表3還可以看出，預(yù)測誤差并沒有隨訓(xùn)練樣本量的增加而變小，這是因為選取的150、160、170的訓(xùn)練樣本量總體上偏少，模型獲取的信息量有限，并且因客觀誤差條件的制約，導(dǎo)致真實值曲線波動性遞增，預(yù)測誤差也會出現(xiàn)一定的隨機性。但是，隨著樣本量的不斷增加，預(yù)測誤差勢必降低。總之，WOA-LSTM模型在絕緣紙剩余壽命預(yù)測中比其他預(yù)測方法精準度更高，預(yù)測值如果應(yīng)用于實際工程具有一定的可信度。

4 結(jié)論

由于換流變壓器在實際中振動較為突出，且機械老化屬于非均勻老化，致使采用單一特征量判斷絕緣紙老化狀態(tài)的有效性受到影響，考慮到目前人工智能技術(shù)的快速發(fā)展，對絕緣紙壽命預(yù)測精度逐漸提高的要求，本文提出WOA-LSTM網(wǎng)絡(luò)模型，并以機-熱協(xié)同作用下絕緣紙的剩余壽命預(yù)測為例進行驗證，得出如下結(jié)論：

1）采用WOA對LSTM模型的神經(jīng)元個數(shù)和時間步長進行優(yōu)化，提高了絕緣紙剩余壽命預(yù)測模型的精度。

2）將由PCA法所得到的綜合評估指數(shù)和絕緣紙的抗張強度聯(lián)合，得到正、負理想解，進一步求得了各待估對象的貼近度，并利用貼近度作為退化指標進行絕緣紙剩余使用壽命預(yù)測。

3）WOA-LSTM模型在少量學(xué)習(xí)樣本的條件下，可以更加準確地預(yù)測出設(shè)備的剩余使用壽命，可為換流變壓器絕緣系統(tǒng)的監(jiān)測提供參考。

[1] 杜伯學(xué), 朱聞博, 李進, 等. 換流變壓器閥側(cè)套管油紙絕緣研究現(xiàn)狀[J]. 電工技術(shù)學(xué)報, 2019, 34(6): 1301-1309.

Du Boxue, Zhu Wenbo, Li Jin, et al. Research status of oil-paper insulation for valve side bushing of con- verter transformer[J]. Transactions of China Electro- technical Society, 2019, 34(6): 1301-1309.

[2] 鄒陽, 何倩玲, 蔡金錠, 等. 基于組合賦權(quán)-雙基點法的變壓器油紙絕緣狀態(tài)綜合評估[J]. 電工技術(shù)學(xué)報, 2019, 34(20): 4400-4408.

Zou Yang, He Qianling, Cai Jinding, et al. Com- prehensive evaluation of transformer oil-paper state based on combined weight-double base point method[J]. Transactions of China Electrotechnical Society, 2019, 34(20): 4400-4408.

[3] 李長云, 郝愛東, 婁禹. 直流偏磁條件下電力變壓器振動特性研究進展[J]. 電力自動化設(shè)備, 2018, 38(6): 215-223.

Li Changyun, Hao Aidong, Lou Yu. Status and progress of research on transformer vibration charac- teristics with DC bias[J]. Electric Power Automation Equipment, 2018, 38(6): 215-223.

[4] 李長云, 劉亞魁. 直流偏磁條件下變壓器鐵芯磁化特性的Jiles-Atherton修正模型[J]. 電工技術(shù)學(xué)報, 2017, 32(19): 193-201.

Li Changyun, Liu Yakui. Modified Jiles-Atherton model of transformer iron core magnetization charac- teristics with DC bias[J]. Transactions of China Electrotechnical Society, 2017, 32(19): 193-201.

[5] 李京峰, 陳云翔, 項華春, 等. 基于LSTM-DBN的航空發(fā)動機剩余壽命預(yù)測[J]. 系統(tǒng)工程與電子技術(shù), 2020, 42(7): 1637-1644.

Li Jingfeng, Chen Yunxiang, Xiang Huachun, et al. Remaining useful life prediction for aircraft engine based on LSTM-DBN[J]. Systems Engineering and Electronics, 2020, 42(7): 1637-1644.

[6] 張明澤, 劉驥, 陳昕, 等. 基于Wiener模型的變壓器油紙絕緣老化剩余壽命評估方法[J]. 電工技術(shù)學(xué)報, 2018, 33(21): 5098-5108.

Zhang Mingze, Liu Ji, Chen Xin, et al. Residual life assessment method of transformer oil-paper insulation aging based on Wiener model[J]. Transactions of China Electrotechnical Society, 2018, 33(21): 5098- 5108.

[7] 史華潔, 薛頌東. 退化數(shù)據(jù)驅(qū)動的設(shè)備剩余壽命在線預(yù)測[J]. 計算機工程與應(yīng)用, 2016, 52(23): 249-254.

Shi Huajie, Xue Songdong. Degradation data driven online prediction for equipment residual life[J]. Com- puter Engineering and Applications, 2016, 52(23): 249-254.

[8] 劉幗巾, 李想, 王澤, 等. 基于Wiener過程電子式漏電斷路器的剩余壽命預(yù)測[J]. 電工技術(shù)學(xué)報, 2022, 37(2): 528-536.

Liu Guojin, Li Xiang, Wang Ze, et al. Remaining life prediction of electronic residual current circuit breaker based on Wiener process[J]. Transactions of China Electrotechnical Society, 2022, 37(2): 528-536.

[9] Zheng Shuai, Ristovski K, Farahat A, et al. Long shortterm memory network for remaining useful life estimation[C]//IEEE International Conference on Pro- gnostics and Health Management, Harbin, China, 2017: 88-95.

[10] 黃凱, 丁恒, 郭永芳, 等. 基于數(shù)據(jù)預(yù)處理和長短期記憶神經(jīng)網(wǎng)絡(luò)的鋰離子電池壽命預(yù)測[J]. 電工技術(shù)學(xué)報, 2022, 37(7): 57-70.

Huang Kai, Ding Heng, Guo Yongfang, et al. Prediction of remaining useful life of lithium-ion battery based on adaptive data preprocessing and long short-term memory network[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 57-70.

[11] Xie Peng. Analysis of fault of insulation aging of oiled paper of a large-scale power transformer and the prediction of its service life[J]. IEEE Transactions on Electrical and Electronic Engineering, 2019, 14(8): 1139-1144.

[12] 王智越. 基于PCA與層次分析法的電力變壓器健康狀態(tài)評估方法研究[D]. 鄭州: 華北水利水電大學(xué), 2020.

[13] 唐成順, 孫丹, 唐威, 等. 基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的汽輪機轉(zhuǎn)子表面應(yīng)力預(yù)測模型[J]. 中國電機工程學(xué)報, 2021, 41(2): 451-461.

Tang Chengshun, Sun Dan, Tang Wei, et al. A turbine rotor surface stress prediction model based on LSTM recurrent neural network[J]. Proceedings of the CSEE, 2021, 41(2): 451-461.

[14] 武大碩, 張傳雷, 陳佳, 等. 基于遺傳算法改進LSTM神經(jīng)網(wǎng)絡(luò)股指預(yù)測分析[J]. 計算機應(yīng)用研究, 2020, 37(增刊1): 86-88, 107.

Wu Dashuo, Zhang Chuanlei, Chen Jia, et al. Improved LSTM stock index forecast analysis based on genetic algorithm[J]. Application Research of Computers, 2020, 37(S1): 86-88, 107.

[15] 劉可真, 茍家萁, 駱釗, 等. 基于粒子群優(yōu)化-長短期記憶網(wǎng)絡(luò)模型的變壓器油中溶解氣體濃度預(yù)測方法[J]. 電網(wǎng)技術(shù), 2020, 44(7): 2278-2785.

Liu Kezhen, Gou Jiaqi, Luo Zhao, et al. Prediction method of dissolved gas concentration in transformer oil based on PSO-LSTM model[J]. Power System Technology, 2020, 44(7): 2278-2785.

[16] Prakash D B, Lakshminarayana C. Optimal siting of capacitors in radial distribution network using whale optimization algorithm[J]. Alexandria Engineering Journal, 2017, 56(4): 499-509.

[17] 詹懷宇. 纖維化學(xué)與物理[M]. 北京: 科學(xué)出版社, 2005.

[18] 趙彤, 石雷, 張遠濤, 等. 基于分子模擬的絕緣紙高溫裂解過程水分產(chǎn)生及其破壞作用研究[J]. 中國電機工程學(xué)報, 2017, 37(15): 4548-4567.

Zhao Tong, Shi Lei, Zhang Yuantao, et al. Study on H2O formation during the pyrolysis of insulating paper and its destructive effect based on molecular simulation[J]. Proceedings of the CSEE, 2017, 37(15): 4548-4567.

[19] Ding Hongzhi, Wang Zhongdong. On the degradation evolution equations of cellulose[J]. Cellulose, 2008, 15(1): 205-224.

[20] 李長云, 郝愛東. 機-熱協(xié)同老化對纖維素絕緣紙頻域介電譜的影響[J]. 電工技術(shù)學(xué)報, 2019, 34(17): 3705-3712.

Li Changyun, Hao Aidong. Influence of the mechanical- thermal aging on the frequency-domain dielectric spectroscopy of cellulose insulation paper[J]. Transa- ctions of China Electrotechnical Society, 2019, 34(17): 3705-3712.

[21] Lin Yuandi, Yang Lijun, Liao Ruijin, et al. Effect of oil replacement on furfural analysis and aging assessment of power transformers[J]. IEEE Transa- ctions on Dielectrics and Electrical Insulation, 2015, 22(5): 2611-2619.

[22] Hill D, Darveniza M, Saha T, et al. A study of degradation of cellulosic insulation materials in a power transformer. part 2: tensile strength of cellulose insulation paper[J]. Polymer Degradation and Stability, 1995, 49(3): 429-435.

[23] 徐佳寧, 倪裕隆, 朱春波. 基于改進支持向量回歸的鋰電池剩余壽命預(yù)測[J]. 電工技術(shù)學(xué)報, 2021, 36(17): 3693-3704.

Xu Jianing, Ni Yulong, Zhu Chunbo. Remaining useful life prediction for lithium-ion batteries based on improved support vector regression[J]. Transa- ctions of China Electrotechnical Society, 2021, 36(17): 3693-3704.

[24] 肖伊, 李慶民. 基于多特征參量的油紙絕緣老化狀態(tài)定量表征方法[J]. 絕緣材料, 2019, 52(8): 54-59.

Xiao Yi, Li Qingmin. Quantitative characterization method of oil-paper insulation ageing condition based on multi-characteristic parameters[J]. Insulation Materials, 2019, 52(8): 54-59.

[25] Shen Hongtao, Tao Peng, Zhao Pei, et al. Massive power device condition monitoring data feature extraction and clustering analysis using MapReduce and graph model[J]. CES Transactions on Electrical Machines and Systems, 2019, 3(2): 221-230.

[26] 李長云, 王錚. 機-熱協(xié)同作用下絕緣紙機械性能的劣化機理[J]. 電工技術(shù)學(xué)報, 2018, 33(21): 5090- 5097.

Li Changyun, Wang Zheng. The degradation mechanism of insulation paper mechanical properties with mechanical-thermal synergy[J]. Transactions of China Electrotechnical Society, 2018, 33(21): 5090-5097.

[27] 肖遷, 焦志鵬, 穆云飛, 等. 基于LightGBM的電動汽車形式工況下電池剩余使用壽命預(yù)測[J]. 電工技術(shù)學(xué)報, 2021, 36(24): 5176-5185.

Xiao Qian, Jiao Zhipeng, Mu Yunfei, et al. LightGBM based remaining useful life prediction of electric vehicle lithium-ion battery under dring conditions[J]. Transa- ctions of China Electrotechnical Society, 2021, 36(24): 5176-5185.

Prediction Method of Insulation Paper Remaining Life with Mechanical-Thermal Synergy Based on Whale Optimization Algorithm-Long-Short Term Memory Model

（College of Electrical Engineering and Automation Shandong University of Science and Technology Qingdao 266590 China）

As the key equipment in the UHV DC transmission system, remaining life prediction of insulation paper for transformers can provide a reference for the operation and maintenance of converter transformers. Therefore, a prediction method based on whale optimization algorithm (WOA) and long-short term memory (LSTM) was proposed. Firstly, combined with the accelerated mechanical- thermal aging test of insulation paper, the multi-feature fusion of the aging characterization parameters, including degree of polymerization, furfural content, and dielectric dissipation factors at different characteristic frequencies, was carried out by the principal component analysis (PCA) method. The quantitative expression between the comprehensive evaluation index and the tensile strength of insulation paper was obtained, and then the tensile strengths corresponding to the excellent insulation performance and the serious deterioration condition were taken as the positive and negative ideal values respectively. In combination with the proximity, constructing the degradation index sequence as model input, the remaining life prediction of insulation paper is realized. Next, WOA is used to optimize the relevant super parameters in the LSTM. Finally, a WOA-LSTM model is constructed to predict insulation paper remaining life. The results show that the WOA-LSTM model proposed not only incorporates multiple feature quantities that can characterize the aging state of insulation paper, but also significantly improves the prediction accuracy, which can provide a strong guarantee for the safe and stable operation of the insulation system of converter transformers.

Whale optimization, long-short term memory, mechanical-thermal synergy, multi- feature fusion, remain life prediction

10.19595/j.cnki.1000-6753.tces.210110

TM85

于永進 男，1980年生，碩士，副教授，碩士生導(dǎo)師，研究方向為電力系統(tǒng)與控制。E-mail: yaydjto@163.com

李長云 男，1974年生，博士，副教授，碩士生導(dǎo)師，研究方向為電氣設(shè)備智能檢測診斷與大數(shù)據(jù)分析、電氣絕緣與電磁環(huán)境、先進輸變電技術(shù)等。E-mail: sdlcyee@sdust.edu.cn（通信作者）

2021-01-21

2021-03-01

山東省重點研發(fā)計劃（2019GGX102049）和山東省自然科學(xué)基金（ZR2017MEE078）資助項目。

（編輯 崔文靜）