基于拉曼光谱的变压器混合故障特征气体的改进卷积神经网络定量方法.pdfVIP

第45卷，第4期光谱学与光谱分析Vol.45,No.4,pp932-940

2025年4月SpectroscopyandSpectralAnalysisApril,2025

基于拉曼光谱的变压器混合故障特征气体的改进卷积神经网络定量方法

陈新岗1.2，张文轩1，马志鹏1*，张知先，万

福，敖怡，曾慧敏1

1.重庆理工大学电气与电子工程学院，重庆400054

2.重庆市能源互联网工程技术研究中心，重庆400054

3.重庆大学输配电装备及系统安全与新技术国家重点实验室，重庆400044

摘要激光拉曼光谱技术在变压器故障特征气体检测方面具有明显优势，随变压器状态监测智能化的发

展，研究混合故障特征气体的快速、准确定量分析方法具有重要意义。传统拉曼光谱分析需要预处理过程，

极大程度依赖人为经验，光谱特征提取虽可降低信号维度，但也会造成其特征部分缺失或改变。针对上述问

题，提出基于改进一维卷积神经网络与最小二乘支持向量回归相融合的拉曼光谱定量分析方法，即引人全

局均值池化与最小二乘支持向量回归改进传统卷积神经网络，并运用Dropout方法提高模型泛化性能，防止

过拟合。设计并搭建变压器故障特征气体拉曼光谱检测平台，采集7种故障特征气体及N2、O2混合气体的

拉曼信号，在谱图2900cm-1频移附近，CH4、C²H气体呈现谱峰重叠，且变压器过热或局部放电故障发

生时，会产生主要故障特征气体CH4，选择不同含量比例下的CH4、C2H。混合气体作为研究对象具有代表

性，按不同比例配制146组不同含量的CH4、C,H。混合气体样本，检测时选用氮气作为标气，采集不同含

量比例下混合气体样本的拉曼光谱数据，利用光谱数据增强方法，构建适用于深度神经网络的气体样本数

据集。通过不断实验，优化网络结构参数与网络权重，完成模型训练并测试其预测效果，与多种定量模型进

行对比分析，并研究光谱预处理对不同定量模型的影响，进而评估模型性能。结果表明，使用原始数据集建

模时，改进卷积神经网络模型的预测精确度与回归拟合优度最佳，决定系数可达0.9998，均方根误差仅为

0.0005MPa；使用预处理后数据集建模时，改进卷积神经网络模型均方根误差为0.0023MPa，相比使用

原始数据集建模误差上升了0.0018，而传统方法误差均有所下降。该研究结果表明，所提方法与传统拉曼

光谱定量方法相比，集成光谱预处理、特征提取和定量分析过程，在确保预测精确度的基础上，简化光谱分

析流程，为快速、准确分析变压器混合故障特征气体提供了新的思路与参考。

关键词变压器；特征气体；拉曼光谱；改进一维卷积神经网络；定量分析

中图分类号：0433.4文献标识码：AD0I:10.3964/j.issn.1000-0593(2025)04-0932-09

根据DL/T722-2000《变压器油中溶解气体分析和判断导则》

引言标准[31可得，不同的气体组分和含量反映了特定的变压器状

态，可用来识别其故障类型。变压器内部发生过热故障时，

大型油浸式电力变压器作为电力系统关键设备，其安全绝缘介质中的总烃含量较高，且主要产生CH4和CzH4等气

稳定运行对防范电网突发事故至关重要，是确保电网安全可体。当温度低于500℃时，CH含量高于C,H4；而温度超过

靠运行的关键，其在运行过程中发生过热、放电故障及金属500℃时，C,H4含量则会超过CH4。在发生放电故障时，会

作用下的催化/老化过程时，绝缘油和固体绝缘材料会发生主要产生H²和CzH2等气体。局部放电可引起离子反应，

分解，产生各种特征气体，主要有H2、CO、CO2、CH4、使能量最低的C一H键