一種油色譜氣體泄露監測系統的設計與技術分析

王 能

(金華送變電工程有限公司，浙江 金華 321001)

隨著油氣體提取技術和氣體色譜檢測技術的發展，如何高效對變電站中變壓器存在的氣體泄漏問題進行預測成為亟待解決的技術問題。現有技術仍采用人工或者便攜式檢測設備檢測技術，這種方式技術落后，工作效率低下。隨著人工智能技術的飛速發展，有學者對該技術提出采用數據驅動和多判斷融合技術對油色譜監測數據進行處理，該方案提高了變壓器油色譜回油管路泄露監測能力；但應用過程中需要考慮到兼容性及兼容成功率，數據評估過程中容易出現數據漏洞。又有學者通過設計油色譜在線監測裝置實現氣體的濃度及變化趨勢評估，但對于溶解故障特征的預測準確性較低。基于此，本研究設計一種新型變電站油色譜分析方法，采用快速相關向量機和引力搜索優化方法對變電站氣體泄漏進行分析，提高了檢測能力。

1 油色譜氣體監測系統設計

本研究設計的一種新型變電站油色譜分析方法，是通過分析油中絕緣氣體的溶解含量分析裝置氣體的泄漏情況，以此完成對氣體泄漏的監測；變壓器的氣體泄漏分析方案如圖1所示。

圖1 變壓器氣體泄漏分析方案Fig. 1 Analysis scheme of transformer gas leakage

由圖1可知，在對變壓器氣體泄漏檢測中通過利用對油氣譜像進行處理，是將油液中溶解的氣體進行分離，分析油液中氣體的含量進而分析變壓器的泄漏情況。在該方案中泄露氣體進入回油管道中，融入絕緣油，包含有泄露氣體的絕緣油通過采集管道進入智能監測裝置，通過透氣膜分離出絕緣油中的氣體成分，并將絕緣油重新注入變壓器設備中完成油色譜回油流程，其中分離的氣體通過智能分析裝置進行分析，當其中泄露氣體的濃度高于設定的閾值時，將進行對外進行報警，并將每次的檢測數據傳輸給輔助控制裝置，進行人工維修工作。從變壓器回油管道的放油閥獲取溶解有泄漏氣體的絕緣油料，通過透氣膜對油料進行處理，分離出溶解在油料中的氣體收集分離出的氣體；通過色譜柱對氣體成分進行分析，得出氣體中各個成分之間的比例，并通過數模轉換使分析產生的模擬信號轉化稱為數值信號，方便對數據進行儲存和控制。再通過數據傳輸模塊對數據進行傳輸，建立一個統一的數據分析數據庫；通過對數據庫中泄漏氣體含量數據進行分析，氣體泄漏故障預測模型對采集的油管中氣體的含量數據進行處理；通過基于核函數的機器學習算法對模型進行訓練，利用訓練完成的模型對氣體監測裝置采集的數據進行實時分析，完成對變壓器的監測。

本研究針對于5種氣體成分分析方法進行研究，其中5種氣體分析方法的優點和缺點如表1所示。

表1 氣體分析方法優缺點Tab.1 Advantages and disadvantages of gas analysis methods

由表1可知，熱導型氣體檢測器的結構比較簡單，并且檢測的氣體濃度范圍廣；該檢測裝置的檢測精度較低。鈀柵場效應管檢測器對于氣體種類的區分效果好，由于其組成元件的原因，其使用壽命較短。催化燃燒型檢測器是對氣體進行催化燃燒進行檢測，該檢測方法精度較高；但其需要多次進行點火，操作繁瑣，無法自動。紅外線光譜檢測器通過分析氣體對紅外光譜的吸收譜線進行分析，該方案的檢測精度高，測量范圍廣；但設備成本高。光聲譜檢測設備的檢測靈敏度高，設備簡單；但對于環境的需求較高。

2 油色譜氣體監測系統關鍵技術

(1)在變壓器氣體泄漏檢測系統中通過設計系統控制單元和譜像分析單元這2個單元，分別完成檢測設備之間協作控制和對變壓器氣體泄漏分離和檢測；

(2)通過快速相關向量機的故障預測模型對采集氣體進行處理，利用馬爾可夫性質以及貝葉斯定理對數據進行處理，建立一種故障發生概率的預測分析模型，可以更好地實現自適應選擇的快速分析模型；

(3)通過核函數的機器學習算法，設計選擇合適的核函數提高變電器故障分析和預測能力，并利用高斯核函數作為向量機中局部的計算核，利用多項式核函數作為向量機的全局計算核。

2.1 變壓器油氣譜像在線監測硬件結構

在對變壓器油氣管道進行氣體泄漏檢測中需要能夠自動化對氣體成分進行檢測，當氣體含量超標時發出警報。本研究在對氣體監測設備設計中采用核心處理器——S3C44B0處理器，通過該處理器控制氣體譜像分析裝置對油氣管道中油氣物質的分離和對氣體譜像的檢測；其監測裝置的硬件結構如圖2所示。

圖2 油氣管道氣體監測硬件結構Fig. 2 Hardware structure of oil and gas pipeline gas monitoring

由圖2可知，在硬件設計中包含有系統控制單元和譜像分析單元，2個操作單元通過系統BUS總線進行連接。系統控制單元包含中央控制器和中央控制器所需的外接裝置，其中包含提供時序邏輯的實時時鐘電路、提供數據傳輸的通用型異步收發傳輸器、物理傳輸裝置，以及能夠顯示裝置內部運行狀態的按鍵顯示裝置；在譜像檢測單元采集變壓器回油管道中的絕緣油，對油氣分離裝置提取油體中的氣體，然后通過氣體譜像分析儀進行分析氣體的成分含量。對氣體的含量數據傳輸入數據處理器中，建立數據分析模型進行分析，預測設備中存在的氣體泄漏問題。

2.2 相關向量機故障預測模型

本研究通過利用快速相關向量機的故障預測模型和馬爾可夫性質以及貝葉斯定理對采集回油管道中氣體含量數據進行處理，建立一種故障發生概率的預測分析模型，并組合核函數相關參數對變量進行優化，對故障問題預測為機器學習的目標函數，實現參數的自適應化對故障預測模型進行訓練。延時函數和嵌入維度建立的樣本訓練集合：

=(1+(-1),1+,…,1+(+-2),),=1+(+-1)

(1)

式中：=1,2，…，+1-。樣本訓練集合對預測函數進行訓練，預測函數：

(2)

式中：(,)為預測模型的核函數；采集的個樣本和基函數為=[(,),(,),,(,)]的權重，其中滿足的期望值和方差的高斯分布函數：

(3)

式中：(,)為函數的期望值；為函數的方差。通過對函數輸入新的相關參數，計算其目標值，計算公式：

(4)

利用式(4)通過貝葉斯公式進行計算，可以得出新輸入數據相關概率函數：

(,,|)=(|,,)(,|)

(5)

由式(5)可知，鑒于函數計算過于復雜，本研究采用近似處理的方法對計算過程進行分析，利用近似處理函數：

(,|)∝(|,)()()

(6)

由式(6)可以得出分析模型中的概率分布：

(7)

計算邊界似然函數求解最大值來對式(7)進行求解，其計算過程：

(8)

由式(8)可知，對故障分析模型計算的迭代函數進行處理，其計算分析模型所需時間隨著樣本數據量的增加成指數增加。因此，本研究利用相關向量機進行合理化刪減，可較高地提高模型的計算效率。為計算各個影響因素對整體的影響情況，其中C采用如式(9)進行分解。

(9)

通過將式(9)相關量帶入式(8)可以得出模型具體的計算公式：

(10)

通過定義函數中的稀疏性因子和質量因子對材料進行分析可以得出不同情況下的數據分析的相關數據稀疏系數：

(11)

通過上述分析可以得知，若所建立的基函數處在本研究建立的分析模型外，需要對核函數進行修正之后對數據進行更新；當所建立的基函數位于模型內部可直接對數據進行修正。由于其屬于奇點，所以可以刪除該點數據，進一步提高模型計算的效率。

2.3 核函數及相關參數優化

由于相關向量機是利用核函數為基礎設計的一種進行機器學習的算法。該理論通過選取合適的核函數來提高故障預測模型進行預測的可靠性；通過核函數的機器學習算法，設計選擇合適的核函數提高變電器故障分析和預測能力，并利用高斯核函數作為向量機中局部的計算核，利用多項式核函數作為向量機的全局計算核。因此，本研究通過利用多項式核函數和高斯核函數進行組合，設計一種組合核函數，其中組合核函數的結構：

(12)

式中：組合核函數的相關參數為、、。針對于組合核函數的相關參數優化，本研究利用引力搜索優化算法記性處理，得出模型中的最優化參數。該搜索算法通過建立一個多維的分析空間，其中每個粒子的坐標：

(13)

分析各個粒子之間的萬有引力作用造成的影響，第次的迭代，其中第個粒子對第個粒子造成的力的作用：

(14)

式中：()為引力常數；()和()為粒子的慣性質量。通過計算各個粒子的適應度函數進行設計粒子的質量，其中粒子的慣性質量：

(15)

通過分析其他粒子對粒子的引力進行加權分析，加權分析公式：

(16)

利用牛頓第二定律并利用式(16)進行分析，可以得出粒子的加速度公式：

(17)

由式(17)可知，通過對粒子的原位置、原速度和加速度對粒子的速度進行更新，其粒子速度的更新公式和位置更新公式：

(18)

由式(18)可知，通過對各個粒子的位置和速度進行不斷更新，最終計算出其中最優化處理結果，其中適應度函數：

(19)

由式(19)可知，包含有組數據，其中為測試樣本；為預測樣本。

3 算例分析

為了驗證本研究設計的變壓器回油管道氣體泄露監測方法的檢測效果，通過利用某地的變電站2號機組的油色譜像數據進行試驗，驗證檢測方法的效果。本研究選取了500組變電器的油色譜像數據，進行分析變電站故障問題與油色譜像之間的關系。本次實驗所選取的計算機模擬環境：選用Windows 10作為操作系統平臺，設置計算機內存為32 G，Intel Xeon W-2145 CPU 3.70 GHz，本次模擬仿真實驗的軟件選取Matlab 7.0軟件，對采集的變電站回油管道的油色譜像的數據進行訓練，得出算法中相關參數。

對采集的變電站的油色譜像數據進行分組，設計非常12組數據，采用前6組數據進行訓練數據，通過后2組數據進行測試，由引力搜索優化算法模型得出算法中的MAPE值的優化曲線。其優化曲線如圖3所示。

圖3 MAPE值優化曲線Fig. 3 MAPE value optimization curve

由圖3可知，通過45次的迭代可以得出MAPE值保持在1.35%，對MAPE值進行多次迭代可以得出算法中選擇合適的核函數參數可以極大提高引力搜索優化算法的有效性，可以得出優化最終計算所獲得的參數分別為25.1845、2.6489、0.3288；通過訓練集可以得出測試集和訓練集的測試結果和預測結果，其最終數據如表2所示。

表2 氣體泄漏預測模型預測結果Tab.2 Prediction results of gas leakage prediction model

由表2可知，對訓練集進行測試所獲得的測試結果最大誤差為2.38%，最小誤差為0.08%；對測試集數據進行測驗所獲得結果最大誤差為0.39%，最小誤差為0.23%。表明本研究設計的故障預測模型可以有效地對變電站變電設備氣體泄漏故障進行預測。

對變電站回油管道中所產生氣體的絕對值和相對值數據進行分析，來對變電站設備故障進行預測，由于檢測周期較短易發生失誤現象。因此，本研究針對誤報現象進行統計，統計數據結果如表3所示。

表3 產氣率誤報統計結果Tab.3 False alarm statistics of gas production rate

由表3可知，由于油色譜像檢測周期較短，選擇合適檢測周期可以減小誤報現象的發生。

4 結語

針對變電站設備中回油管道中氣體泄漏問題的檢測方法，為保證變電站能夠長時間正常工作，本研究通過對變電站油色譜在線監測系統進行設計，采用相空間重構和氣體濃度分析對材料進行氣體泄漏故障在線周期性監測。

(1)通過利用引力搜索優化算法進行分析，可以高效的得出算法中向量機進行氣體濃度分析的核函數的相關參數，并對核函數的相關參數進行優化，可以較大提高數據的使用效果和對故障的預測精度；

(2)相對比較回油管道中泄露氣體的產生量進行分析預測結果，通過訓練集進行測試所獲得的測試結果中最大誤差為2.38%，最小誤差為0.08%。對測試集數據進行測驗所獲得結果中最大誤差為0.39%，最小誤差為0.23%；

由此可以得出，采用本研究設計的氣體泄露監測方法可以高效預測變電裝置的故障問題，但由于在真實環境中使用數據較少，這還需要更進一步研究。