特高压变压器油中溶解气体在线监测数据特征提取

一、引言

特高压输电凭借其大容量、低损耗的优势，成为我国能源跨区域调配的核心技术。特高压变压器作为特高压输电系统的关键设备，其安全稳定运行直接影响电网可靠性。油中溶解气体分析是电力变压器状态监测的 “ 指纹” 技术，通过检测油中溶解的氢气（ H₂ ）、甲烷（ CH₄ ）、乙烷（ C₂H₆ ）、乙烯（ C₂H₄ ）、乙炔（C₂H₂）、一氧化碳（CO）、二氧化碳（ CO₂ ）等气体的浓度及变化趋势，可有效识别变压器内部过热、放电等潜伏性故障。

然而，特高压变压器电压等级高、结构复杂，其油中溶解气体在线监测数据具有非线性、非平稳性、强噪声等特点，传统基于阈值判断或三比值法的诊断手段难以满足精准化需求。数据特征提取通过从原始监测数据中挖掘隐含的故障特征信息，可提升故障诊断的准确率与可靠性。因此，研究特高压变压器油中溶解气体在线监测数据的特征提取方法，对保障特高压电网安全具有重要工程意义。

二、特高压变压器油中溶解气体产生机理与监测原理

（一）气体产生机理

过热故障：当变压器内部局部温度超过 100^∘C 时，绝缘油和固体绝缘材料会发生热分解，产生 CH₄ 、C₂H₄等烃类气体，温度越高， C₂H₄ 所占比例越大；当温度超过 700^∘C 时，可能产生 C₂H_2c 。

放电故障：局部放电或电弧放电会使绝缘油分子裂解，产生 Π_H2 和 C₂H₂ ，其中电弧放电时 C₂H₂ 含量显著升高。

绝缘受潮或老化：水分与绝缘材料反应生成 CO 和 CO₂ ，长期老化会导致CO₂/CO 比值升高。

（二）在线监测原理

特高压变压器油中溶解气体在线监测系统通常包括油气分离模块、气体检测模块和数据采集模块：

油气分离：通过膜分离、真空脱气等技术将油中溶解气体分离出来；

气体检测：采用气相色谱、光声光谱、激光光谱等技术对 ΔH₂ 、 CH₄ 、 C₂H ₂等特征气体浓度进行定量分析；

数据采集：实时采集气体浓度、油温、油压等数据，并通过通信网络传输至后台监控系统。

三、特高压变压器油中溶解气体监测数据特征分析

（一）时空分布特征

1.时间序列特征

趋势性：正常运行时，特征气体浓度呈缓慢增长趋势；故障发展时，浓度可能呈指数级上升。

周期性：受负荷周期（如昼夜、季节变化）影响，气体浓度可能呈现周期性波动。

突变性：突发故障（如绕组短路）会导致特征气体浓度瞬间激增，形成数据突变点。

2.空间分布特征

特高压变压器内部不同区域（如绕组、铁芯、套管）的故障会导致气体分布差异。例如，绕组故障主要产生 C₂H₄ 和 C₂H₂ ，而铁芯接地故障可能伴随 CO和 CO₂ 增加。

（二）统计特征

基本统计量：包括均值、方差、标准差、峰度、偏度等，反映数据的集中趋势与离散程度。例如，故障状态下气体浓度的方差显著增大。

时序统计特征：

自相关系数：描述数据序列前后时刻的相关性，正常运行数据自相关性较强，故障数据则可能出现自相关性骤降。

功率谱密度：通过傅里叶变换分析数据的频率成分，可识别周期性干扰或故障特征频率。

（三）关联特征

气体组分关联：不同气体组分之间存在物理化学关联，如过热故障中 CH₄与 C₂H₄ 浓度呈正相关，放电故障中 H₂ 与 C₂H₂ 浓度高度关联。

多源数据关联：结合油温、负荷、油压等非气体数据，构建多维度特征空间。例如，负荷突增时若伴随 C₂H₄ 浓度异常升高，可能预示绕组过热风险。

四、特高压变压器油中溶解气体数据特征提取方法

（一）传统特征提取方法

1.阈值法与比值法

阈值法：设定气体浓度绝对阈值（如 H₂≤150μL/L ， ），超过阈值则预警。

三比值法：通过五种气体的三对比值（ C₂H₂/C₂H₄ , CH₄/H₂ , C₂H₄/C₂H₆ ）编码，判断故障类型（如过热、低能放电、高能放电）。

局限性：依赖人工经验，难以适应特高压变压器复杂故障场景，误报率较高。

2.信号处理方法

小波变换：对原始数据进行多尺度分解，提取不同频率成分的特征，适用于非平稳信号的突变检测。例如，利用小波模极大值定位故障时刻的气体浓度突变点。

经验模态分解（EMD）：将数据分解为多个固有模态函数（IMF），提取各IMF 的能量特征或频率特征，用于故障特征分离。

（二）机器学习特征提取方法

1.主成分分析（PCA）

通过线性变换将高维气体数据降维为少数主成分，保留数据主要方差信息。例如，将七种气体浓度降维为 3 个主成分，减少计算复杂度的同时保留故障特征。

2.支持向量机（SVM）特征选择

利用 SVM 的递归特征消除（RFE）算法，筛选对故障分类贡献最大的气体组分（如 C₂H₂ 、 C₂H₄ ），构建最优特征子集。

3.随机森林（RF）

通过计算特征重要性得分（如 Gini 系数），量化各气体组分对故障分类的贡献度，识别关键特征。研究表明， C₂H₂ 和 ΔH₂ 在放电故障特征中重要性得分最高。

（三）深度学习特征提取方法

1.卷积神经网络（CNN）

一维 CNN：将时间序列的气体浓度数据视为一维信号，通过卷积层自动提取局部特征（如浓度突变、趋势变化），全连接层实现故障分类。

二维 CNN：将多气体浓度矩阵视为 “ 图像” ，利用二维卷积核捕捉气体组分间的空间关联特征，适用于多源数据融合场景。

2.循环神经网络（RNN）及其变体

LSTM 网络：通过门控机制记忆时间序列中的长期依赖关系，有效捕捉气体浓度的趋势性与周期性特征，适用于早期故障预警。

GRU 网络：简化 LSTM 结构，提升计算效率，在保证特征提取能力的同时降低模型复杂度。

3.生成对抗网络（GAN）

针对特高压变压器故障数据样本稀缺问题，利用 GAN 生成模拟故障数据，增强特征提取模型的泛化能力。例如，通过训练生成器生成含不同故障程度的气体浓度序列，提升诊断模型对小样本故障的识别能力。

五、结论

特高压变压器油中溶解气体在线监测数据特征提取是实现精准故障诊断的核心环节。传统阈值法与比值法依赖人工经验，难以适应复杂故障场景；机器学习与深度学习方法通过自动特征提取，显著提升了故障识别的准确率与泛化能力。未来，需进一步融合多源数据、优化算法效率，推动特征提取技术向智能化、自适应化方向发展，为特高压变压器的状态检修提供更可靠的技术支撑，保障电力系统安全稳定运行。

参考文献

[1]连鸿松,黄锦,郑东升,等.绝缘油中溶解气体在线监测装置可靠性评测的现场加速试验方法及平台[J].变压器,2025,62(05):53-58.DOI:10.19487/j.cnki.1001-8425.2025.05.007.

[2]赵振喜,陈诚,王敬一,等.特高压变压器油中溶解气体在线监测技术概述[J].电气开关,2022,60(04):1-5.

[3]王翔宇.油色谱在线监测系统在特高压变电运维的应用[J].科学技术创新,2020,(32):80-81.