基于聲速頻散譜弛豫特征的油中溶解氣體檢測方法

張向群，王曉靜，劉婷婷，杜根遠, 張 帆

基于聲速頻散譜弛豫特征的油中溶解氣體檢測方法

張向群1，王曉靜2，劉婷婷3，杜根遠1, 張 帆1

(1.許昌學院信息工程學院，河南 許昌 461000；2.河南輕工職業學院機電工程系，河南 鄭州 450008；3.湖北第二師范學院物理與電子信息學院，湖北 武漢 430205)

針對傳統氣體檢測方法難以滿足電力運營部門大范圍低成本實時監控油浸式電力設備問題，提出一種利用3個頻率點聲速測量值獲取聲速頻散譜弛豫特征進行氣體監測方法。首先，通過推導有效壓縮系數與聲弛豫過程理論公式，簡化聲速頻散譜表達式。其次，根據不同頻率點聲速測量值重建聲速頻散譜，抽取油浸式電力設備故障氣體聲速頻散譜弛豫聲速和弛豫頻率。最終，利用弛豫特征定性定量檢測氣體成分。仿真結果顯示重建聲速頻散譜與實驗數據相符，完成了CH4、CO2等多種氣體檢測，為實時在線監測電力設備油中溶解氣體成分提供一種低成本、測量簡單的聲學方法。

油中溶解氣體分析；聲弛豫；電力設備；氣體監測；聲速頻散譜

0 引言

油浸式變壓器等電力設備是變電站、輸電、配電網核心設備，這些設備正常運行關乎電力系統的安全穩定[1-3]。油浸式電力設備在長期運行中因局部放電、過熱等因素導致設備故障，同時產生CH4、H2、CO2、N2、CO、C2H6、C2H4和C2H2等氣體，并溶解于油中。因此，分析油中溶解氣體成分及濃度是診斷油浸式電力設備故障類型和排除隱患的有效方法[4-7]。文獻[8]通過監測油中溶解H2濃度判斷油浸式變壓器局部放電或受潮。電力部門通常根據CO2氣體濃度變化分析變壓器溫度及固體絕緣老化程度，基于O2濃度判斷變壓器是否密閉，監測CH4獲取變壓器熱源溫度。

目前電力設備油中溶解氣體監測技術和方法已較成熟[9]，但有些指標仍未滿足電力設備運營部門的需求。傳統氣相色譜技術檢測環境受恒溫恒壓等條件限制。此外，該方法需標定氣體色譜柱和載氣推進，色譜柱需定期更換，導致運行成本較高。受其設備價格及技術力量限制，電力部門難以保證每個變電站均配備常規油色譜分析儀，導致管理人員無法隨時掌握變壓器運行狀況。隨著我國電力物聯網和國家能源互聯網快速發展，傳統油色譜技術已不能滿足電力設備運營部門大范圍、低成本、實時監控油浸式電力設備的需求。近年來，一些學者嘗試將新技術應用于油浸式電力設備氣體監測：文獻[10]研制基于可調諧激光吸收光譜技術的變壓器油中溶解氣體在線檢測裝置；文獻[11]利用光聲光譜技術有效檢測油浸式電氣設備油中溶解氣體含量；文獻[12]提出基于近紅外激光和光聲光譜技術的油浸式電力設備氣體檢測；文獻[13]采用電化學檢測技術分析密閉環境下電力設備局部放電空氣成分變化。

基于聲弛豫的超聲氣體傳感技術是當前熱門氣體傳感前沿技術之一，其工作原理是不同成分和濃度氣體分子在聲傳播過程中呈現不同聲弛豫特性，宏觀上表現為在一定環境溫度和壓強下聲速和聲弛豫吸收譜系數隨聲頻率、氣體成分及濃度不同而變化[14]。與光譜氣體傳感技術類似，油浸式變壓器等電力設備發生故障時產生的氣體有顯著聲弛豫特征，因此可用于檢測電力設備油中溶解氣體成分。與傳統油色譜、半導體和電化學傳感、光纖等油中溶解氣體傳感技術[15]相比，基于聲弛豫理論的超聲氣體傳感器壽命長，無需定期校正，受工作環境影響小，具有易于大規模應用、可無損檢測易燃易爆氣體等優點[16-17]。本研究方法降低油中溶解氣體檢測裝置成本和維護費用，較好地滿足了電力設備運營部門大范圍、低成本、實時監控油浸式電力設備的需求。

傳統聲弛豫超聲氣體傳感技術通過測量不同頻率點聲速和聲弛豫吸收譜系數進行氣體探測，然而測量聲弛豫吸收譜系數的設備復雜、測量操作繁瑣且測量精度低[18]。本文在Kneser經典聲弛豫理論[19]、聲速測量值重建聲弛豫吸收譜系數方法[14]的基礎上，將流體聲速理論壓縮系數擴展為聲弛豫過程有效壓縮系數，通過三頻點聲速測量值，合成弛豫氣體絕熱定壓弛豫時間和弛豫強度，重建聲速頻散譜，最終抽取聲速頻散譜弛豫頻率和弛豫聲速，定性定量檢測氣體成分，仿真結果驗證該方法的有效性。

1 聲速頻散譜弛豫特征算法

1.1 理論算法

根據式(2)—式(4)，推導高頻有效壓縮系數、聲速頻散譜及聲弛豫吸收譜系數關系為

1.2 理論算法驗證

本節展示如何通過三頻率點聲速測量值重建聲速頻散譜曲線，進而得到弛豫聲速和弛豫頻率，與此同時將仿真結果、實驗數據和理論曲線進行對比。圖1顯示CO2理論曲線、重構曲線和實驗數據[25]。從圖1選擇三頻率點20 kHz、55 kHz、95 kHz聲速測量值(需要滿足三頻率點聲速值隨頻率依次增大)重建聲速頻散譜曲線，計算得到聲速頻散譜弛豫特征。圖1中黑色實線表示通過文獻[26]混合氣體復合弛豫解耦模型生成的理論聲速頻散譜曲線，電子彩版中紅色虛線代表利用本文式(9)重建的聲速頻散譜曲線。圖1重建聲速頻散譜曲線與理論曲線、實驗數據均吻合，驗證該重建方法的有效性。

圖1 CO2理論聲速頻散譜曲線、重建聲速頻散譜曲線與實驗數據比較

圖1中CO2氣體弛豫過程以分子振動弛豫為主，下面討論分子轉動弛豫為主的特殊氣體(H2)。根據氣體聲弛豫理論可知，振動弛豫和轉動弛豫過程均來源于氣體分子的內自由度(轉動和振動)和外自由度(平動)能量交換，本質類似。圖2顯示H2和CO2混合氣體理論聲速頻散譜曲線、重建聲速頻散譜曲線與實驗數據比較。圖中圓圈表示文獻[27]中溫度為303.15 K，一個大氣壓實驗環境下2%H2-98% CO2聲速測量值。選擇重建聲速頻散譜三頻率點分別為78 kHz、780 kHz、3.6 MHz，黑色實線代表由復合弛豫解耦模型生成的理論聲速頻散譜曲線，聲速頻散譜曲線(電子彩版中紅色虛線)由本文式(9)重構合成。圖2顯示重建聲速頻散譜曲線與理論曲線、文獻[27]實驗數據均吻合，驗證該重建方法有效。

圖2 2%H2 -98% CO2理論聲速頻散譜曲線、重建曲線與實驗數據比較圖

2 油浸式電力設備故障氣體聲弛豫特征分析

油浸式電力設備如變壓器發生故障時產生CH4、C2H6、C2H4、C2H2、H2、CO、CO2等特征氣體，這些氣體的內部分子結構具有顯著差異從而產生不同弛豫過程，導致氣體聲速頻散譜的弛豫頻率和弛豫聲速具有唯一性。利用該特性可監測和分析油中溶解氣體類型及濃度，準確診斷油浸式電力設備是否存在潛伏性故障，是否需要維護，從而延長設備壽命，減小故障發生概率。表1顯示不同故障氣體聲速頻散譜弛豫特征，由聲弛豫理論模型計算，溫度為296.6 K，壓強為一個大氣壓。由表1數據可知：H2分子量最小，弛豫聲速值最大；CO和C2H4分子量相同，聲速近似相等，然而兩者弛豫頻率差值較大，分別為5551 Hz和887 321 Hz。由此表明，本研究可根據氣體聲速頻散譜的弛豫聲速和弛豫頻率從兩個維度定性定量檢測氣體。

圖3顯示由理論弛豫模型生成CH4、CO2和N2等混合氣體聲速頻散譜弛豫頻率和弛豫聲速隨氣體濃度變化情況。由圖3可知，CO2和CH4在背景氣體N2下的濃度變化0~100%，混合氣體聲速頻散譜的弛豫頻率和弛豫聲速值隨之變化，且沒有相同值。

表1 油中溶解氣體聲速頻散譜弛豫特征

圖3 CH4和CO2在N2背景下聲速頻散譜的弛豫特征隨濃度變化圖

如圖3所示，當CO2在背景氣體N2中的濃度為61 PPM時，計算得到的弛豫頻率為16 713.48 Hz，弛豫聲速為348.8102 m/s；當CO2的濃度增大到80 PPM時，弛豫頻率為16 713.27 Hz，弛豫聲速為348.8082 m/s。與此同時，當混合氣體CH4-N2中CH4濃度為74 PPM時，弛豫頻率為32 029.56 Hz，弛豫聲速為348.8401 m/s；當CH4的濃度增大到89 PPM時，弛豫聲速為348.8411 m/s，弛豫頻率為32 028.04 Hz。因此，當油浸式電力設備發生故障產生CO2或CH4氣體時，可以通過本文提出的方法監測氣體CO2或CH4濃度，最終判斷故障類型，過程如下：1) 測量三頻率點聲速值，抽取聲速頻散譜弛豫特征；2) 根據弛豫頻率和弛豫聲速坐標定位在不同曲線上探測未知氣體種類CO2或CH4；3) 最后將弛豫頻率和弛豫聲速與標準弛豫特征數據庫對比計算CO2或CH4濃度，從而判斷油浸式電力設備故障類型。

綜上所述，與基于經典聲速檢測氣體方法相比，本方法能夠獲取氣體分子弛豫信息，對于相同分子量混合氣體仍有效。與文獻[24]基于聲弛豫吸收譜峰值點探測CO2-N2、CH4-N2混合氣體相比，本文基于聲速頻散譜的弛豫特征方法減少了聲弛豫吸收譜系數測量，且聲速測量精度更高，因此探測結果更為準確。此外，某些氣體(如H2或摻氫混合氣體)弛豫發生在高頻階段，此時經典弛豫信號級數倍增大，導致聲弛豫吸收譜信號淹沒于噪聲，增加測量難度和設備復雜度，而本文基于聲速頻散譜方法在高頻階段不受經典弛豫影響，適用性更強。

3 氣體檢測及結果分析

3.1 實驗設備

實驗設備用于測量不同頻率聲速和聲弛豫吸收譜系數，其工作原理是利用氣體聲弛豫頻率和壓強成正比關系。實驗設備整體實物圖如圖4所示，具有氣體腔體、真空泵、溫濕度傳感器、數據采集卡、壓強計、上位機、控制板、步進電機、超聲波發送和接收等模塊。不銹鋼腔體承受負壓， 7組固定頻率(25 kHz、40 kHz、75 kHz、100 kHz、200 kHz、300 kHz、300 kHz)超聲波收發換能器安裝腔體內，如圖5所示，信號線和電源線通過高壓航空插頭引出，供測量使用。溫濕度傳感器用于監測腔體內氣體溫度和濕度。真空泵為雙極旋片，抽速為16 mm3/h，極限真空達1 Pa，真空泵上端尾氣收集軟管，便于真空泵室外排氣。數據采集卡代替示波器測量實驗設備發送信號和接收信號之間的延遲時間。超聲波換能器發送及接收模塊安裝于光學導軌，單片機控制步進電機轉動，從而改變發送和接收端之間距離。

圖4 實驗設備實物圖

圖5 超聲波換能器傳感器

圖6 實驗設備背面圖

3.2 氣體檢測

測量前，首先開啟真空泵將腔體壓強抽至0.001 一個大氣壓，其次打開氣瓶閥門，充入一個大氣壓N2(純度為99.99%)至腔體，重復上述步驟兩次以保證腔體內部實驗氣體純度，最終裝入待測氣體。為保持接收信號穩定，測量過程中腔體內超聲波換能器接收模塊保持固定不動。上位機發送命令，波形發生器產生不同測量頻率正弦波信號，經模擬電路放大后，激勵超聲波換能器發送超聲信號，傳播于氣體介質中，接收超聲波換能器接收發送信號，經放大電路和AD轉換，最終通過LabView數據采集或示波器計算時間延遲和聲速。單片機控制步進電機實現超聲波發送模塊前進或后退，改變發送端和接收端之間的距離。為避免衍射和波形失真，不同頻率超聲波換能器發送和接收模塊距離保持一定范圍，頻率大于300 kHz時收發換能器之間距離為10~60 mm，頻率為25~100 kHz時收發換能器之間距離為30~150 mm。圖4—圖6實驗設備用于實驗室階段測量，便于模擬不同工業環境和建立標準氣體數據庫，實際環境中測量設備僅需3對收發超聲波換能器。圖7顯示測量過程示波器獲取超聲波發送信號(黃色)和接收信號(綠色)。

圖7 頻率為42 kHz時的發送和接收信號

油浸式電力設備氣體檢測關鍵技術為分離氣體和檢測氣體，具體過程如下：首先進行現場油浸式電力設備油樣采集，采用IEC標準動態頂空脫氣方法將溶解于油浸式電力設備的油氣分離出來，然后載氣輸入，不同類型氣體分時段流出，進入本文的超聲波氣體傳感器，測量不同頻率點氣體聲速數據，經通信模塊發至上位機，上位機根據聲速測量值獲取氣體聲速頻散譜弛豫頻率和弛豫聲速等數據，與氣體標準數據庫進行比較，得到氣體類型和濃度，并根據氣體種類和濃度分析電力設備故障類型，診斷電力設備是否正常運行，及時處理異常情況。根據國家電網公司企業標準Q/GDW 540.2-2010變電設備在線監測裝置檢驗規范中第二部分“變壓器油中溶解氣體在線監測裝置”，CO2氣體濃度檢測范圍為25~15 000 PPM，CO氣體濃度檢測范圍為25~5000 PPM，H2的氣體檢測范圍為2~2000 PPM，CH4氣體濃度檢測范圍為0.5 ~1000 PPM，測量誤差要求不大于±30%。

由于客觀原因無法采集電力設備現場油樣及缺乏油氣分離設備，本文以文獻[11]氣體油樣濃度為例進行檢測和分析。表2顯示4種油中溶解氣體的測量數值和誤差。由于H2對紅外光無吸收，文獻[11]無H2測量數據，因此本文表2第4行第3列為空。由表2可知，以氣相色譜數據為標準值與本文探測結果進行比較，CO2氣體探測誤差小于10%，H2和CH4的誤差大于10%，滿足氣體檢測標準誤差范圍(小于30%)。聲速具體測量過程與誤差修正請查閱文獻[21]。

表2 油中溶解氣體檢測結果

下面以實際工況為例進行檢測，如表3所示。某大型鋼鐵廠二期工程新建一座110 kV變電站，投入運營一個月后，發現H2含量達到539.4 PPM，超出H2規定的報警值150 PPM，表3第2列數據記錄的是2018年9月15日變壓器實際工況中油中氣體色譜數據[28]，表3中第3列和第4列顯示本文探測的結果和誤差。

通過表2和表3可知，氣體檢測濃度大于100 PPM時，本方法探測結果誤差較小，在±20%以內。當氣體濃度為1~100 PPM時，本文方法探測誤差相對較大，原因是隨氣體濃度減少，需高精度的超聲傳感器[29]。

4 結論

本文提出一種基于聲速頻散譜弛豫特征的油中溶解氣體檢測方法，首先利用三頻率點聲速測量值重建聲速頻散譜，抽取弛豫特征，根據弛豫頻率和弛豫聲速與氣體成分對應關系，檢測氣體成分及濃度。仿真結果驗證了該方法的有效性。與較為成熟的紅外吸收、光譜、半導體和電化學等氣體探測技術相比，雖然本方法測量精度相對較低，探測誤差相對較大，但符合國家電網公司企業標準Q/GDW 540.2-2010變電設備油中溶解氣體監測裝置檢驗規范(±30%之內)。此外，本方法采用的超聲波氣體換能器價格低，一對超聲波換能器僅幾百元，且壽命長，無需校準。由于H2對紅外光無吸收，基于紅外吸收和光聲光譜技術油中溶解氣體檢測方法難以檢測H2，需額外采購H2傳感器，增加氣體檢測成本。然而，本研究方法能檢測多種氣體包括H2，減少氣體傳感器數量。綜上，本文提出的基于聲速頻散譜弛豫特征氣體檢測方法可大規模應用于變電站、天然氣發電廠、電力物聯網等電力部門設備氣體檢測。

基于聲弛豫的超聲氣體探測理論屬于量子力學、信號處理、熱力學等學科交叉領域，目前處于快速發展階段。隨著研究進一步深入，基于聲弛豫的氣體傳感技術尚存在不足，在測量精度方面有較大提升空間，未來應用前景廣闊。

[1] MEIRA M, VERUCCHI C, ALVAREZ R et al. Dissolved gas analysis in mineral oil and natural ester liquids from thermal faults[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2021, 28(4): 1317-1325.

[2] CHEN K, GUO M, YANG B, et al. Highly sensitive optical fiber photoacoustic sensor for in situ detection of dissolved gas in oil[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-8.

[3] 江軍. 基于光學傳感技術的變壓器油中溶解氣體傳感研究[D]. 北京: 華北電力大學, 2016.

JIANG Jun. Dissolved gases detection in power transformer oil based on optical sensing techniques[D]. Beijng: North China Electric Power University, 2016.

[4] ZHAO P, LI T, ZHANG D. Absorption of dissolved gas molecules in the transformer oil on silver-modified (002) planes of molybdenum diselenide monolayer: a DFT study[J]. Journal of Physics: Condensed Matter, 2021, 33: 1-11.

[5] 黃志亮, 王懷興, 陽同光, 等. 儲能鋰離子電池包單體內部溫度壓力模擬[J]. 電力系統保護與控制, 2022, 50(15): 138-146.

HUANG Zhiliang, WANG Huaixing, YANG Tongguang, et al. Simulation of internal temperature and pressure for cells in an energy storage lithiumion battery[J]. Power System Protection and Control, 2022, 50(15): 138-146.

[6] 張國治, 陳康, 方榮行, 等. 基于DGA與鯨魚算法優化LogitBoost-決策樹的變壓器故障診斷方[J/OL].電力系統保護與控制: 1-11[2022-11-13]. http://kns.cnki.net kcms/detail/41.1401.tm.20220927.2131.006.html.

ZHANG Guozhi, CHEN Kang, FANG Rongxing, et al. Transformer fault diagnosis method based on DGA and whale algorithm optimizing LogitBoost-decision tree[J]. Power System Protection and Control: 1-11[2022-11-13]. http://kns.cnki.net/kcms/detail/41.1401.tm.20220927.2131.006.html.

[7] ZHOU Q, ZHANG G, TIAN S, et al. First-principles insight into Pd-Doped ZnO monolayers as a promising scavenger for dissolved gas analysis in transformer oil[J]. ACS Omega, 2020, 5(28): 17801-17807.

[8] 田光哲. 變壓器油溶解氣中氫氣的檢測方法研究[D]. 大連: 大連理工大學, 2021.

TIAN Guangzhe. Research on detection method of hydrogen in transformer dissolved gas-in-oil[D]. Dalian: Dalian University of Technology, 2021.

[9] 潘育龍. 變壓器油中溶解氣體在線監測技術的研究[D]. 鄭州: 鄭州大學, 2019.

PAN Yulong. Research on on-line monitoring technology of dissolved gas in transformer oil[D]. Zhengzhou: Zhengzhou University, 2019.

[10] 陳楊, 戴景民, 王振濤, 等. 基于近紅外TDLAS變壓器油中溶解氣體在線檢測裝置[J]. 光譜學與光譜分析, 2021, 41(12): 3712-3716.

CHEN Yang, DAI Jingmin, WANG Zhentao, et al. A near-infrared TDLAS online detection device for dissolved transformer oil[J]. Spectroscopy and Spectral Analysis, 2021, 41(12): 3712-3716.

[11] 毛知新, 文勁宇. 光聲光譜技術在油浸式電氣設備故障氣體檢測中的應用[J]. 電力系統保護與控制, 2015, 43(7): 76-82.

MAO Zhixin, WEN Jinyu. Dissolved gas analysis in oil-immersed equipment based on photeacoustic spectroscopy[J]. Power System Protection and Control, 2015, 43(7): 76-82.

[12] 馬鳳翔, 田宇, 陳珂, 等. 基于微型光聲傳感器的油中溶解氣體檢測技術[J]. 光學學報, 2020, 40(7): 1-7.

MA Fengxiang, TIAN Yu, CHEN Ke, et al. Technique for detection of dissolved gas in oil based on miniature photoacoustic sensor[J]. Acta Optica Sinica, 2020, 40(7): 1-7.

[13] 劉寶升, 王滌, 馬愛軍. 封閉環境空氣局部放電組分研究[J]. 電力系統保護與控制, 2021, 49(9): 21-28.

LIU Baosheng, WANG Di, MA Aijun. Study of the componenets of air under partial discharge condition in closed space[J]. Power System Protection and Control, 2021, 49(9): 21-28.

[14] ZHANG Kesheng, DING Yi, ZHANG Xiangqun, et al. Synthesizing the frequency-dependent sound relaxational absorption by three-frequency sound speeds in excitable gases[J]. Applied Acoustics, 2022, 188: 1-9.

[15] 胡曉靜, 徐鵬, 王海亮, 等. 一起500 kV油浸式電抗器故障調查及防范措施分析[J]. 電力系統保護與控制, 2021, 49(2): 173-178.

HU Xiaojing, XU Peng, WANG Hailiang, et al. Fault analysis preventive measures for a 500 kV oil-immersed reactor[J]. Power System Protection and Control, 2021, 49(2): 173-178.

[16] PALACíN J, MARTíNEZ D, CLOTET E, et al. Application of an array of metal-oxide semiconductor gas sensors in an assistant personal robot for early gas leak detection[J]. Sensors, 2019, 19(9): 1-16.

[17] SEBTAHMADI S S, YAGHMAEE M S, RAISSI B. General modeling and experimental observation of size dependence surface activity on the example of Pt nano-particles in electrochemical CO gas sensors[J]. Sensors & Actuators: B. Chemical, 2019, 285: 310-316.

[18] LIU T, WANG S, ZHU M. A versatile acoustic gas sensing method via extracting intrinsic molecular internal specific heat[J]. Physics Letters, Section A: General, Atomic and Solid State Physics, 2021, 401: 1-7.

[19] MASON W. Physical acoustic[M]. New York: Academic Press, 1965.

[20] LIU T, WANG S, ZHU M. Decomposition of effective specific heat of molecular relaxation for gas detection in a mixture[J]. Journal of the Acoustical Society of America, 2017, 141(3): 1844-1851.

[21] ZHANG X, WANG S, ZHU M. Locating the inflection point of frequency-dependent velocity dispersion by acoustic relaxation to identify gas mixtures[J]. Measurement Science and Technology, 2020, 31(11): 1-9.

[22] PHILLIPS S, DAIN Y, LUEPTOW R M. Theory for a gas composition sensor based on acoustic properties[J]. Measurement Science and Technology, 2003, 14(1): 70-75.

[23] BHATIA A B. Sound and matter (Book reviews: ultrasonic absorption an introduction to the theory of sound absorption and dispersion in gases, liquids, and solids)[J]. Science, 1967: 158-159.

[24] 張克聲, 陳劉奎, 歐衛華, 等. 基于聲吸收譜峰值點的天然氣燃燒特性檢測理論[J]. 物理學報, 2015, 64(5): 1-8.

ZHANG Kesheng, CHEN Liukui, OU Weihua, et al. A theory for monitoring combustion of natural gas based on the maximum point in sound absorption spectrum[J]. Acta Physica Sinica, 2015, 64(5): 1-8.

[25] SHIELDS F D. Thermal relaxation in carbon dioxide as a function of temperature[J]. The Journal of the Acoustical Society of America, 1957, 29(4): 450-454.

[26] 張向群, 王殊, 朱明. 常溫下氫氣聲轉動弛豫研究[J]. 物理學報, 2018, 67(9): 1-11.

ZHANG Xiangqun, WANG Shu, ZHU Ming. Acoustic rotational relaxation of hydrogen around normal temperature[J]. Acta Physica Sinica, 2018, 67(9): 1-11.

[27] BEHNEN S W, ROTHWELL H L, AMME R C. Vibration-rotation energy transfer between CO2 (ν2 ) and orthohydrogen[J]. Chemical Physics Letters, 1971, 8(3): 318-320.

[28] 任立新. 色譜分析法在鋼鐵廠新投運110 kV變壓器故障診斷中的應用[J]. 電工技術, 2020, 2: 33-34.

REN Lixin. Application of chromatographic analysis in fault diagnosis of newly operated 110 kV transformer in steel plant[J]. Electric Engineering, 2020, 2: 33-34.

[29] YI H, SHU W, MING Z. A relaxation times coupling method to construct acoustic relaxation calibration for two-frequency measuring gas compositions[J]. Applied Acoustics, 2016, 113: 102-108.

Detecting dissolved gas mixtures in electrical equipment oil based on relaxation features of sound speed dispersion

ZHANG Xiangqun1, WANG Xiaojing2, LIU Tingting3, DU Genyuan1, ZHANG Fan1

(1. School of Information Engineering, Xuchang University, Xuchang 461000, China; 2. Department of Mechanical and Electrical Engineering, Henan Light Industry Vocational College, Zhengzhou 450008, China; 3. School of Physics and Electronics Information, Hubei University of Education, Wuhan 430205, China)

The traditional gas detection method cannot meet the requirements of power department monitoring of oil-immersed electrical equipment at low cost and over a large range. Thus this paper presents a monitoring gas method. It uses the measured sound speed at three frequency points to get sound speed dispersion relaxation characteristics. First, the sound speed dispersion expression is simplified by deducing the theoretical formula of effective compressibility and the acoustic relaxation process. From the measured sound speeds at different frequency points, the sound speed dispersion is reconstructed, and the sound speed dispersion relaxation speed and frequency of the fault gas of oil-immersed electrical equipment are extracted. Finally, the gas composition is identified qualitatively and quantitatively using relaxation characteristics. Simulation results show that the reconstructed sound speed dispersion is consistent with the experimental results, and gas mixtures including CH4and CO2are identified. It provides a low-cost acoustic method with simple equipment for online detection of dissolved gas composition from oil-immersed electrical equipment.

oil dissolved gas analysis; acoustic relaxation; electrical equipment; gas monitoring; sound speed dispersion

10.19783/j.cnki.pspc.220494

國家自然科學基金項目資助(62071189，62271451)；河南省科技廳項目資助(212102210402)

This work is supported by the National Natural Science Foundation of China (No. 62071189 and No. 62271451).

2022-04-08；

2022-08-25

張向群(1978—)，女，博士，副教授，研究方向為聲學信號處理與氣體檢測；E-mail: dzzxq18@163.com

杜根遠(1974—)，男，通信作者，博士，教授，研究方向為智能電網信息處理。E-mail: xcdgy@163.com

(編輯 姜新麗)