（国网辽宁省电力有限公司盘锦供电公司 辽宁盘锦 124000)
摘要：太赫兹时域光谱技术是近十几年发展的一项新的检测分析技术，利用该技术检测分析变压器的绝缘油尚未有先例，是一种具有挑战性的尝试。本文将采用宽频太赫兹时域光谱技术结合化学计量学方法对变压器绝缘油进行分析研究，将为变压器故障的检测分析提供新的手段。
关键词：太赫兹技术；变压器绝缘油；检测；分析
1太赫兹技术原理
太赫兹光谱是0.1-10THz的电磁辐射波。作为电磁辐射波的一种，太赫兹光是在电磁波谱上波长介于红外电磁波与微波之间的电磁波，波长大于30um小于3mm，属于在宏观电子学过渡至微观光子学的期间。考虑到以前探测技术不够灵敏、辐射源不够有效，长时间以来都未对太赫兹波段展开深入探究。从近二十年来看，半导体器件以及光电技术取得了较快的发展，探究太赫兹技术也有了较为成熟的条件，更为有效的辐射源也应运而生，在此基础上研发了太赫兹光谱系统，并开始了大量的应用研究，特别是太赫兹图像与太赫兹时域光谱这两种技术。
2基于太赫兹技术的变压器绝缘油的检测
2.1热性故障变压器绝缘油的太赫兹光谱分析
2.1.1试验制样过程
具体实验步骤为：步骤1：将绝缘绕组放入温度为90℃的干燥箱内干燥48h；步骤2：完成干燥之后，将干燥箱温度调整为40℃，将盛有变压器油的容器中放入绝缘绕组后，放入干燥箱中，绝缘绕组浸油24h；步骤3：将被绝缘油浸渍之后的绝缘绕组置于若干个500ml的烧瓶内，再向瓶中倒入变压器油300ml。出于实际变压器内还具有金属离子的考量，将适量铜片放入烧瓶中，以使模拟热化试验与变压器实际情况相接近；步骤4：首先在氮气操作箱中将装有绝缘绕组、变压器油、铜片的烧瓶抽真空，之后充氮至标准大气压再密封；接着将密封好的烧瓶置于三个温度分别为100℃、115℃、130℃的化箱中进行加速热老化试验。试验2小时后取出试验烧瓶，抽取油样，进行太赫兹光谱试验。实验样品制备过程如下：取3份结果不同模拟热化的变压器绝缘油为原始样品，每个原始样品取样做成10个实验样品，分别将3个原始绝缘油样品制作成30个待测实验样品。将待测试验样品随机地选取为校正集和预测集，其中校正集包含20个样品，预测集包含10个样品。
2.1.2太赫兹光谱数据的采集
实验借助太赫兹时域光谱系统测量了前面制备的全部样品，为确保数据的可靠性，对各样品均进行了3次测量，并将其平均值作为太赫兹时域信号，原始时域信号降噪滤波预处理后，得到0-5ps时间段内的太赫兹时域信号图，结果表明受到不同热化温度影响的绝缘油样品，在太赫兹频段内，时域信号表现为相位延迟相差不大，但幅值存在明显差异。热化温度越高的油样，时域信号的幅值越低，反之，幅值越高。接着，计算1.4THz至5.0THz的太赫兹信号的吸收系数与折射率。由折射率图可知，130℃热化处理的油样信号是三种油样中折射率最大的，115℃热化处理的油样信号的折射率次之，100℃热化处理的油样信号的折射率最小；由吸收光谱图可知，三种油样的吸收系数曲线极为相似，而且吸收峰也一样。所以，仅从吸收峰方面是很难直接对三种油样的类型进行鉴别的。下面我们将利用化学计量方法对油样的太赫兹吸收光谱进行分析，从而使得对不同热化温度油样进行有效鉴别的目的得到实现。
2.1.3太赫兹光谱数据的主成分分析处理
主成分分析（PCA）法可用于降低数据温度、提取特征变量与可视化数据结构。PCA是一种统计分析、简化数据集的方法。利用正交变换对一系列可能相关的变量的观测值进行线性变换，从而投影为一系列线性不相关变量的值。进行光谱数据分析之前需要对采集的太赫兹时域光谱数据集进行标准化处理，这样能够有效地提升数据收敛速度；之后，采用主成分分析方法有效降低光谱数据维数，提出无关分量，从而提取出光谱数据中的特征向量，使得运算的复杂度降低。由样品太赫兹吸收光谱的PCA三维得分图可以看出，总方差占比的分析中，第一个主成分为52.30%，第二个主成分为27.42%，第三个主成分13.15%。由图可知，三种不同热化温度的油样信号有明显的重叠，因此，三种实验样品难从根据三个主成分的距离上进行判别区分。为此，进一步计算排行前五的主成分对应多大的累计方差贡献率，具体可见图1，不难发现，累计方差贡献率是大于99%的。也就是说，前五个主成分能够表征原始数据内的绝大多数信息，支持向量机是能够将其作为输入变量的。
.png)
图1 前五个主成分的累计方差贡献率
2.2电气故障变压器绝缘油的太赫兹光谱分析
2.2.1试验过程及样品制备
具体实验步骤为：（1）首先检查放电模型和试验线路是否正常，将示波器连接限流电阻的两端，然后将自耦变压器的输出调至最小，缓慢旋转调压器使实验电路的电压升高，观察电压表和示波器的输出是否正常；（2）局部放电试验。通过调压器控制局部放电试验的电压，调压过程应保持均匀且平稳上升，随时观察示波器中是否出现放电脉冲，当放电脉冲出现时，记录此时电压值，将其设为Ut，此电压值即为试验样品的起始放电电压。慢慢将电压升高至起始放电电压的1.3到1.5倍，此时观察示波器内是否形成平稳放电脉冲，将放电脉冲持续两三分钟，再对具备放电模型中的变压器油样进行采集，每次采集20个样本。（3）断开电源，换另外种类的放电模型重复以上试验。
2.2.2太赫兹时域光谱数据的采集
采用透射式太赫兹时域光谱系统对前文制备的80个被测样品进行测量，为保证实验的可靠性，分别对每个样品进行3次测量并取其平均值作为待处理对象。原始时域信号经过降噪滤波预处理后，得到0-5ps时间段内的太赫兹时域信号。其中放电模型1油样是由油中针板放电模型进行模拟放电得到；放电模型2油样是由内部气隙放电模型进行模拟放电试验得到；放电模型3油样是由油中沿面放电模型模拟放电试验得到；放电模型4油样是由油中悬浮放电模型模拟放电试验得到。从该图可以看出，四种不同放电模型得到的实验油样，相位延迟相差不大，但幅值存在一定的差异。其中，内部气隙放电模型的幅值最大，油中悬浮放电模型的幅值稍小，油中针板放电模型和油中沿面放电模型的信号幅值最小。计算1.2-6.6THz范围内的太赫兹信号的吸收系数。从吸收光谱图可以看出，油中针板放电模型和油中沿面放电模型的吸收系数最大，油中悬浮放电模型的吸收系数其次，内部气隙放电模型的吸收系数最小。四种放电模型的吸收峰频率相近，下节将参照化学计量学方法对油样的太赫兹吸收光谱进行分析，从而使得对不同热化温度油样进行鉴别的目的得到实现。
2.2.3分析结果与讨论
此次实验数据的处理采用主成分分析法对实验得到的光谱数据进行降维处理，得到5个主成分分量并将其作为上述算法的输入变量，代入算法模型进行校正模型的建立。利用PSO、GA、ACPSO和SAPSO参数寻优算法进行100次迭代运算寻找向量机的最优参数，达到最高适应度值时，所得的核参数g与正则化参数c则是支持向量机的最优参数。将校正样品集中的太赫兹吸收光谱数据作为输入变量代入支持向量机的模型中，同时将四种寻优算法的结果作为模型参数g与c，重新训练支持向量机模型。分类模型训练完后，再在模型中输入预测集中的样品以对4种类别不同的放电模型油样进行预测，同时对模型的分类性能进行验证。由分类结果可知，基于主成分分析的粒子群寻优算法的支持向量机与基于主成分分析的遗传算法支持向量机在预测集中的分类精确度表现出趋同的结果，即93.63%与93.02%。而基于主成分分析的混沌粒子群算法与遗传算法优化模型及粒子群算法优化模型两者相比，前者在预测集的精确度又表现出明显地提高，为95.41%。其中基于退货粒子群优化算法的支持向量机在预测集中的分类精确度表现出最高，为98.18%。
3结束语
在本文中，运用宽频太赫兹时域光谱技术测量了变压器绝缘油的太赫兹光谱特性，通过化学计量学方法和相关算法对变压器油样的太赫兹吸收光谱进行了定性鉴别研究。
参考文献
[1]巩辰,左剑,张存林.环状烯烃聚合物基底材料的太赫兹复介电常数和损耗特性研究[J].光谱学与光谱分析.2018(10):2998-3003.
[2]殷明.基于宽频太赫兹光谱和化学计量学的食用油脂鉴别及掺假检测研究[D].中国矿业大学,2017.