基于機器學習的變壓器超疏水薄膜濾油效果識別

張增輝， 馮德旺， 張云霄， 張?zhí)旆澹?池正南， 林 滔

（1.福建農(nóng)林大學 a.機電工程學院；b.計算機與信息學院，福建 福州 350002；2.福州大學 電氣工程與自動化學院，福建 福州 350108；3.國網(wǎng)福建電力有限公司超高壓分公司，福建 福州 350013）

0 引 言

為了積極響應“雙碳”目標[1]，我國堅持發(fā)展風電可再生能源，構建大規(guī)模海上風電傳輸體系[2-4]。油浸式變壓器作為海上風電工程中普遍使用的核心裝備之一，由于其建造成本昂貴，維護工作繁瑣和設備更換周期長，當變壓器發(fā)生故障時，會造成大量的經(jīng)濟損失和不良的社會影響。變壓器常用的絕緣形式是油浸紙絕緣[5]。隨著變壓器油的老化，油中水分、可溶解氣體等雜質不斷增加，內(nèi)部的絕緣系統(tǒng)逐漸被破壞，最終會因絕緣失效而引發(fā)變壓器故障[6-9]。因此，有效去除溶解在變壓器油中的各類雜質對電網(wǎng)的安全可靠運行有著重要的工程意義[10-13]。

目前，傳統(tǒng)的變壓器油處理方法有真空噴霧法、真空凈化法、壓力濾油法、吸附過濾法、白土處理過濾法和分子篩微球過濾法等。然而，傳統(tǒng)的濾油技術存在資源損耗大、效率低、裝備設備大等缺點，有時為了增強處理效果，會同時使用多種方式進行處理。因此，亟需開發(fā)一種高效且經(jīng)濟的變壓器油濾技術。近年來，超疏水技術得到廣泛應用，許多仿生超疏水功能應用于產(chǎn)品制備中[14-16]。其中，超疏水表面作為功能材料基礎研究的重要組成部分之一，在各種表面界面應用中發(fā)揮著重要的作用[17]。然而目前將超疏水薄膜應用于變壓器油維護任務的相關研究不足。因此，亟需對超疏水薄膜進行研究，為實現(xiàn)有效、低成本的現(xiàn)場變壓器濾油奠定理論基礎和應用支撐[18-19]。

為了合理判斷超疏水薄膜的濾油效果，需要對變壓器油健康狀態(tài)進行評估。目前，對于判斷變壓器油健康狀態(tài)的方法只是單一的特征量測量，不能有效將油本身多數(shù)特征量進行融合[20-22]。伴隨著機器學習的發(fā)展與應用，許多研究者結合算法進行分析與判斷[23-24]。陳健寧等[25]通過搭建3 通道輸入的卷積神經(jīng)網(wǎng)絡方法，對油紙絕緣局部放電模式進行識別。阮羚等[26]將人工神經(jīng)網(wǎng)絡和信息融合技術應用于變壓器油狀態(tài)的評估。

本文利用超疏水材料的疏水性優(yōu)勢，通過添加SiO2納米粒子制備改性超疏水薄膜，探究濾油次數(shù)、薄膜種類和超疏水改性對變壓器油過濾前后性能的影響。為了準確判斷薄膜的應用效果，采集變壓器油的特征參數(shù)，結合支持向量機（support vector machine，SVM）算法，構建變壓器油健康分類模型。通過對比多個算法，分析SVM 模型的可靠性。最后，結合薄膜改性前后的特征參數(shù)，指導與分析超疏水薄膜的濾油效果，為超疏水薄膜應用于濾油狀態(tài)精準評估提供一種新思路。

1 試 驗

1.1 原材料

試驗使用的有機膜、聚偏二氟乙烯（PVDF）膜和聚丙烯（PP）膜，直徑均為50 mm，孔隙大小為1.2 μm，海鹽新東方塑化科技有限公司；變壓器油，國網(wǎng)福建省電力有限公司超高壓分公司；改性薄膜使用的超疏水SiO2顆粒，利潔化工公司；E-51 環(huán)氧樹脂WSR618，南通星辰合成材料有限公司；固化劑，濮陽匯成電子材料有限公司；乙醇，南京化學試劑股份有限公司。

1.2 超疏水薄膜制備

將超疏水SiO2納米顆粒與環(huán)氧樹脂、固化劑、乙醇按一定比例進行混合，得到SiO2質量分數(shù)為4%的浸漬溶液，然后將薄膜放置在浸漬溶液內(nèi)15 min，取出浸潤薄膜放入烘箱中進行加熱和固化2 h，最終得到超疏水薄膜[27]，制備流程如圖1所示。

圖1 改性超疏水薄膜制備示意圖Fig.1 Diagram of preparation of modified superhydrophobic film

1.3 測試方法

1.3.1 擊穿測試

為測量變壓器油的擊穿電壓，搭建交流電壓下的擊穿試驗平臺，油杯應滿足GB/T 507—2002的規(guī)定，電極距離為2.5 mm，電壓按照2 kV/s 的速度從零開始均勻加壓。將變壓器油浸滿油杯電極，通過調整調壓器來測量電壓。重復5次試驗并記錄試驗數(shù)據(jù)，擊穿試驗間隔120 s，計算平均擊穿電壓。

1.3.2 微水測試

通過DL32 型卡爾菲休庫侖滴定儀測量變壓器油的微水含量，重復采樣3次，結果取平均值。

1.3.3 氣體含量測試

采用GDC-9560C 型電力系統(tǒng)專用油色譜分析儀測量變壓器油中溶解氣體含量。

2 超疏水薄膜

2.1 不同濾油次數(shù)與薄膜種類對濾油效果的影響

圖2 和圖3 分別為薄膜種類和濾油次數(shù)對變壓器油微水含量與擊穿電壓的影響情況。由圖2～3可知，在薄膜種類相同的情況下，隨著濾油次數(shù)增加，變壓器油的微水含量降低，擊穿電壓上升，說明薄膜濾油效果與變壓器油的過濾次數(shù)有關。在濾油次數(shù)相同的情況下，薄膜種類不同，微水含量與擊穿電壓的變化也不同，說明3 種薄膜具有不同的濾油效果。在濾油1 次后，PVDF 膜的除水效果最佳，變壓器油的含水量從56.1 mg/L 降至45.6 mg/L，約下降了18.7%；在濾油3 次后，PP 膜的除水效果最好，含水量從56.1 mg/L 降至26.6 mg/L，約下降了52.6%。PP 膜濾油1 次后，濾油效果最差，但在濾油3 次后，濾油效果反而最好。試驗發(fā)現(xiàn)，隨著濾油次數(shù)的增加，薄膜的濾油性能并沒有相應提高，可能是由于薄膜的內(nèi)部結構有關，次數(shù)的增加阻礙了內(nèi)部循環(huán)能力，薄膜之間的物質交換能力受到限制。

圖2 不同種類薄膜濾油次數(shù)與變壓器油含水量的關系Fig.2 The relationship between oil filtration times of different films and water content of transformer oil

圖3 不同種類薄膜濾油次數(shù)與變壓器油擊穿電壓的關系Fig.3 The relationship between oil filtration times of different films and breakdown voltage of transformer oil

2.2 不同種類薄膜超疏水改性后的性能研究

對薄膜進行超疏水改性處理，對比薄膜超疏水改性前后變壓器油微水含量和擊穿電壓的變化，結果分別如圖4 和圖5 所示。由圖4～5 可知，對薄膜進行超疏水改性后，其性能得到提高。其中有機膜和PVDF 膜的除水性能增長明顯。有機膜改性后，變壓器油微水含量從39.2 mg/L 下降至5.2 mg/L，擊穿電壓從23 kV 提升至59.99 kV；PVDF 膜改性后，變壓器油微水含量由29.1 mg/L 下降至6.6 mg/L，擊穿電壓從26.2 kV 提升至44.49 kV。可以看出，對薄膜進行超疏水改性后，降低了變壓器油的微水含量并提升了電氣性能。其原因是在薄膜表面引入超疏水粒子后，一方面使薄膜表面吸附油中的更多水分子，聚集形成“水表皮”現(xiàn)象，阻礙油中自由擴散的水分子，從而降低了電子和水分子團簇碰撞的概率；另一方面在高水分環(huán)境下水分大多聚集在薄膜界面處，納米粒子的加入將引入新的陷阱，限制載流子的遷移，從而降低了水分對界面電荷的影響，提高了擊穿電壓。因此，對薄膜進行超疏水改性可以促進變壓器油中微水含量的降低和擊穿電壓的上升。

圖4 薄膜超疏水改性前后變壓器油的微水含量變化Fig.4 Change of moisture content in transformer oil before and after superhydrophobic modification of superthin film

圖5 薄膜超疏水改性前后變壓器油的擊穿電壓變化Fig.5 Change of breakdown voltage of transformer oil before and after superhydrophobic modification of superthin film

3 變壓器油健康分類模型

3.1 變壓器油老化特征

變壓器油在長時間運行過程中，會由于電熱老化產(chǎn)生水分、可溶解氣體及顆粒物等雜質，當雜質達到一定濃度時，會破壞絕緣系統(tǒng)。可溶解氣體包含乙烷（C2H6）、氫氣（H2）、甲烷（CH4）、乙烯（C2H4）、一氧化碳（CO）、二氧化碳（CO2）、氧氣（O2）等。可溶解氣體是電力變壓器油早期故障潛伏特征之一，可以作為評判變壓器油健康的指標之一。變壓器油老化后，水分含量增多，油中自由擴散水分子的密度增大，使擊穿電壓下降。因此，油中微水含量和擊穿電壓是評估變壓器油健康狀態(tài)的重要指標。根據(jù)以上影響因子構建變壓器油健康評估特征集合，如表1所示。

表1 變壓器油健康評估特征組成Tab.1 Component of transformer oil health assessment characteristics

根據(jù)Q/GDW 168—2008《輸變電設備狀態(tài)檢修試驗規(guī)程》，變壓器油擊穿電壓和水分含量限制值見表2和表3。

表2 變壓器油擊穿電壓限制值Tab.2 Attention value of transformer oil breakdown voltage

表3 變壓器油微水含量限制值Tab.3 Attention value of transformer oil moisture content

變壓器油健康狀態(tài)可分為四個階段：第一階段為健康，第二階段為前期老化，第三階段為中期老化，第四階段為后期老化。表4 給出了訓練模型輸出所對應的變壓器油健康情況及其分類編碼。

表4 變壓器油評估狀態(tài)及其編碼Tab.4 Evaluation status and its coding of transformer oil

3.2 支持向量機

支持向量機（SVM）算法是一種用來解決過度擬合化、適用于小樣本數(shù)據(jù)及非線性問題的新型人工智能算法。將輸入變量x的數(shù)據(jù)樣本，通過非線性映射方法映射到高維空間z，使得輸入變量x升維到重構的高維特征空間，彌補輸入變量不能在低維空間進行線性可分化任務的缺陷，轉變?yōu)樵诟呔S空間構建最優(yōu)超平面。SVM 算法通過懲罰因子和核參數(shù)尋找最優(yōu)解，將樣本數(shù)據(jù)分為正、負兩類，使得超平面與數(shù)據(jù)之間間隔最大，實現(xiàn)最佳的分類效果。SVM 算法具有突出的學習能力、精準的分類效果和穩(wěn)定的泛化能力等優(yōu)點，廣泛應用于各種工程問題上。支持向量機算法的標準分類器如式（1）所示。

式（1）中：xi為第i個特征向量；yi為xi的類標記；ω是可調權值向量；b0是超平面相對原點的偏移。

從超平面到最優(yōu)超平面之間的距離為d，d=1/‖ω‖，兩個分類超平面之間的距離為2d，因此，求解最優(yōu)超平面可以轉變?yōu)橐粋€帶約束的求解目標最小值問題，如式（2）所示。

由于實際工程中大多都是非線性樣本，需要通過非線性映射到高維空間，在這個空間中存在一個線性分類準則，可劃分一個線性最優(yōu)分類超平面。樣本的映射關系是通過設計內(nèi)核函數(shù)來實現(xiàn)，使用不同的內(nèi)核函數(shù)可以形成不同的非線性支持向量機算法。目前常用的內(nèi)核函數(shù)有：線性核函數(shù)、多項式核函數(shù)、RBF 核函數(shù)、Sigmoid 函數(shù)。綜上所述，支持向量機算法的基本思想可以概括為，通過定義內(nèi)核函數(shù)構建映射關系，使得輸入變量提升到高維空間，并在空間內(nèi)尋找最優(yōu)分類超平面。

3.3 變壓器油健康分類流程

基于機器學習的變壓器油健康分類流程如圖6所示，整個流程主要分為4個步驟：

圖6 變壓器油健康分類流程圖Fig.6 Flow chart of transformer oil health classification

（1）數(shù)據(jù)預處理：不同溶解性氣體含量數(shù)值相差較大，需要對樣本數(shù)據(jù)進行歸一化處理。

（2）樣本劃分：將預處理后的數(shù)據(jù)進行訓練集合測試集劃分。

（3）模型搭建與訓練：確認參數(shù)并搭建模型，訓練模型，獲得分類模型。

（4）健康分析：通過訓練完成的模型，輸入新的測試樣本，得到輸出健康結果。

4 實例分析

為確保數(shù)據(jù)可信度，從某電網(wǎng)公司獲取349 組變壓器油試驗數(shù)據(jù)，其中262組為訓練樣本，剩余87組為測試樣本，樣本具體劃分見表5。

表5 樣本分配情況Tab.5 Sample distribution

利用SVM、K 近鄰（K-Nearest Neighbor，KNN）和神經(jīng)網(wǎng)絡算法對數(shù)據(jù)進行處理，得到不同算法對變壓器油健康分類的準確率如表6 所示。由表6 可知，通過3種算法對變壓器油數(shù)據(jù)進行處理，其中樣品標簽為健康時，最高準確率為78%；樣品標簽為前期老化時，最高準確率為87.0%；樣品標簽為中期老化時，最高準確率為88.0%；樣品標簽為后期老化時，最高準確率為88.1%。

表6 不同算法分類準確率對比Tab.6 Comparison on classification accuracy of different algorithms

各方法的綜合判斷準確率和運行時間如表7所示。從表7 可以看出，相比于KNN 和雙層神經(jīng)網(wǎng)絡算法，SVM 算法具有更高的準確率，達到84.8%，并且總運行時間最短。這表明支持向量機對小樣本變壓器油健康數(shù)據(jù)具有強大的分類效果，驗證了SVM算法的優(yōu)越性。

表7 不同算法的綜合準確率及運行時間對比Tab.7 Comparison on comprehensive accuracy and running time of different algorithms

通過保存最優(yōu)SVM分類模型，將濾油薄膜改性前后的性能數(shù)據(jù)進行分類編碼，結果分別如表8 和表9 所示，其中PP 薄膜濾油次數(shù)為1 時的試樣標記為PP1，其他薄膜標記以此類推。從表8 可以看出，原油初始狀態(tài)的健康狀態(tài)分類為3，即后期老化。利用未改性薄膜對原油進行濾油，原油依舊在后期老化狀態(tài)，說明未改性薄膜具有一定的濾油效果，但是不足以提升油的指標。

表8 不同種類薄膜的部分特征和濾油性能評估Tab.8 Partial characteristics and oil filtration performance evaluation of different types of hydrophobic films

表9 不同種類改性薄膜部分性能特征及評估Tab.9 Partial characteristics and evaluation of different types of modified hydrophobic films

從表9 可以看出，利用超疏水粒子改性薄膜對原油進行濾油后，變壓器油健康狀態(tài)具有顯著的提升，健康狀態(tài)分類普遍提升至1，即老化初期，其中改性有機膜濾油3 次的效果最好，油品質從后期老化提升至健康狀態(tài)，符合變壓器油使用標準，證明超疏水改性薄膜對油品健康提升頗具成效。將試驗預測分類結果與相關專家和電網(wǎng)工程師進行油品預估對比，發(fā)現(xiàn)預估結果與本文設計的模型分類結果大致符合，證明了模型的可靠性。

5 結 論

本文針對海上風電變壓器油的過濾維護處理，提出對濾油薄膜進行超疏水改性的方法，探討了不同因素對濾油前后變壓器油性能的影響，并利用SVM 算法搭建油品健康評估模型，評估超疏水薄膜應用于變壓器油的維護效果，得到以下結論：

（1）增加濾油次數(shù)可降低油中的含水量并改善電壓擊穿特性，濾油3 次比1 次的效果更好。不同種類薄膜的疏水性能不同，并受濾油次數(shù)的影響。在所有改性薄膜中，改性有機膜的濾油效果最好，經(jīng)過3次過濾后，變壓器油指標符合使用標準，表明超疏水薄膜應用于變壓器油過濾具有可行性。

（2）為評估變壓器油的健康情況，結合機器學習算法對實際變壓器油維護測試數(shù)據(jù)進行分析。通過對比多個算法發(fā)現(xiàn)，利用SVM算法構建的變壓器油健康評估模型精確度最高，達到84.8%，并且運行時間最短，能夠對變壓器油的健康狀態(tài)進行分類。

（3）通過試驗測量改性前后薄膜濾油性能特征值和搭建的變壓器油健康評估模型，評估超疏水薄膜的濾油效果，得到改性有機膜濾油3 次的效果最好。模型與試驗結果相一致，進一步驗證了本文提出的基于機器學習的超疏水薄膜效果判斷是有效的，對指導超疏水薄膜應用于變壓器油維護是可行的。