图1 LSTM记忆网络结构
Fig.1 LSTM memory network structure
摘要 换流变压器作为特/超高压直流输电系统中的关键设备，对变压器用绝缘纸剩余寿命进行有效预测，可为换流变压器的运行维护提供一定的理论依据，鉴于此，提出一种基于鲸鱼优化算法（WOA）和长短期记忆网络（LSTM）的预测方法。首先，结合绝缘纸加速机-热老化实验及试样的机械、电气性能指标和对应裂解产物的糠醛含量，由主成分分析法（PCA）对聚合度、糠醛含量和特征频率下介质损耗因数等表征绝缘纸老化的多特征量进行融合；获得综合评估指标与绝缘纸抗张强度间的量化关系，并依此将绝缘性能优良和严重劣化时对应的抗张强度分别作为正、负理想值；进一步构建贴近度构造退化指标序列并将其作为模型输入。然后，利用鲸鱼优化算法对长短期记忆网络的关键参数进行寻优。最后，构建WOA-LSTM模型对绝缘纸剩余寿命进行预测。研究表明，所提出的WOA-LSTM模型既纳入了可表征绝缘纸老化状态的多个特征量，亦可显著提高剩余寿命的预测精度，为换流变压器绝缘系统安全稳定运行提供有力保障。
关键词：鲸鱼优化 长短期记忆网络 机-热协同作用 多特征融合 剩余寿命预测
换流变压器作为特/超高压直流输电系统中的关键设备，其绝缘系统的健康状况对电力系统的可靠安全运行起着重要的作用。运行经验表明，换流变压器运行期间的故障多源于其内绝缘性能的劣化，特别地，固体绝缘纸的绝缘状态直接决定了换流变压器的服役能力[1-2]。换流变压器固有直流偏磁工况所诱发的振动和噪声现象较为突出，其中强铁心振动既会加速绝缘纸的热老化进程，又可能加快老化绝缘纸的脱落，或可堵塞变压器的油循环管道，继而诱发变压器的过热事故[3-4]。因此，对换流变压器绝缘纸剩余寿命的准确预测有利于保障换流变压器的安全稳定运行以及合理制定维修、更换策略。实践表明，故障预测与健康管理（Prognostics and Health Management, PHM）技术能够通过预测设备剩余使用寿命，为设备的维修决策提供依据。
基于数据驱动的预测方法是现阶段应用较为广泛的剩余寿命预测方法，其主要分为统计学方法与机器学习两类。统计学方法利用统计模型或随机过程模型对设备性能退化进行描述，并通过参数估计得到概率密度函数进行剩余寿命预测[5]。张明泽等基于维纳模型，求取变压器油纸绝缘老化的剩余概率密度模型，利用贝叶斯规则和最大期望算法得到求取变压器油纸绝缘剩余寿命的预测方法[6]；史华洁等通过建立基于非线性维纳过程的退化模型并结合设备自身退化数据，实时评估设备的剩余寿命[7]。这类方法需要相对理想的退化模型作为假设条件，且存在信息丢失的风险。机器学习不需要建立设备的具体退化模型，通过对监测数据进行提取和训练，模拟设备性能的退化演变规律及过程，得到剩余寿命预测结果。但传统的机器学习在预测精度、数据内部潜在信息获取等方面需进一步提高。
随着近年来深度学习理论在PHM上的进一步发展和应用，深度学习能够充分利用时间序列的大量数据进行寿命预测。传统循环神经网络（Recurrent Neural Network, RNN）相比于前馈神经网络能更好地表征高维信息的整体逻辑性，但容易出现梯度爆炸或梯度消失，导致记忆能力受限。长短期记忆（Long-Short Term Memory, LSTM）网络是基于RNN的一种变体，其结合历史状态，有效解决了时间序列长期依赖的问题[8]。Zheng Shuai等提出了一种基于LSTM的剩余寿命预测方法，将LSTM单元的多层与标准前馈层结合使用，从而提高了剩余寿命预测精度[9]；黄凯等提出一种自适应数据预处理结合LSTM的RUL预测框架，其最大预测误差仅为3.28%[10]。通常情况下，LSTM网络的神经元个数m与时间步长c等参数都是依靠经验来确定，其中，m决定了模型的拟合效果，c影响模型的训练过程，参数选取的随机性降低了模型的预测效果。
另一方面，换流变压器内部结构复杂，伴随着绝缘纸的裂解，老化产物及理化性能指标已被用于评估其老化状态的特征指标。考虑到单一或少数几个特征量或会导致信息丢失，而太多的特征量则会导致信息冗余，甚至可能出现维数灾难，Xie Peng等通过主成分分析（Principal Component Analysis, PCA）获得采集信息的特征值，利用支持向量机（Support Vector Machine, SVM）进行状态识别，提出了一种基于威布尔分布（Weibull distribution）的寿命预测方法[11]。王智越基于PCA确定关键指标，借助变压器云模型进行健康状态定量指标评估，同时对电力变压器定性指标进行健康等级判定[12]。然而，鲜有将数据降维方法与深度学习相结合用于变压器寿命预测的研究。
基于上述考虑，本文提出了一种基于鲸鱼优化算法（Whale Optimization Algorithm, WOA）与长短期记忆网络的绝缘纸剩余寿命预测方法。利用WOA优化算法对LSTM模型中的两个关键参数（隐藏神经元个数m和时间步长c）进行迭代优化，根据优化后的参数搭建WOA-LSTM组合预测模型，克服了传统依据经验选取参数而导致预测精度低的问题。文中结合专门设计的绝缘纸机-热协同老化实验装置，获得不同老化阶段的绝缘纸试样及其多特征指标，采用PCA法进行多特征融合，进而获得老化综合评估指标，求取贴近度作为退化指标并构造退化指标序列，利用WOA-LSTM模型实现机-热老化绝缘纸剩余寿命预测。结果分析表明，该方法既可有效提高LSTM的预测精度，又能包含丰富的绝缘纸特征信息，可为制定换流变压器油纸绝缘系统运维方案提供理论支撑。
LSTM是一种特殊的循环神经网络，通过引入记忆控制门，记录历史信息并控制当前时刻信息对历史信息的影响程度，有效解决了RNN长期依赖、梯度消失和梯度爆炸的问题[13]。LSTM结构由输入门、遗忘门和输出门构成，3个控制门相互配合，高效提取并利用历史信息进行寿命预测，网络基本结构如图1所示。
图1 LSTM记忆网络结构
Fig.1 LSTM memory network structure
图1中，xt、ht-1和Ct-1分别为LSTM神经网络t时刻的网络输入、t-1时刻的网络输出和t-1时刻的细胞状态输出；d 为sigmoid激活函数，tanh为双曲正切激活函数；⊙为哈达玛积，
为求和符号；t时刻LSTM神经网络输入门i、遗忘门f、细胞状态C、输出门o的输出值和网络输出值h的计算公式为
（1）
（2）
（3）
（4）
（5）
式中，it、ft、ot和Ct分别为LSTM神经网络t时刻输入门、遗忘门、输出门的输出值和细胞状态；bf、bi、bo、bC分别为遗忘门、输入门、输出门和当前细胞状态的偏置向量；Wf、Wi、Wo、WC分别为遗忘门、输入门、输出门和当前细胞状态的权重系数矩阵；
为两个向量对应元素相乘；
为时刻t的单元状态输入。
LSTM神经网络的拟合能力和训练效果与其网络参数的选择有很大关系，传统LSTM网络的超参数都是依靠经验调节，降低了LSTM预测模型的性能和精度。为此，文献[14]提出了基于遗传算法改进的LSTM预测方法，该方法提高了股指预测分析的准确度；文献[15]利用LSTM神经网络对变压器油中溶解气体的浓度进行了有效预测，并结合粒子群优化（Particle Swarm Optimization, PSO）算法提高了预测精度，此方法可以为待评估对象的状态估计提供理论基础，但无法得到待评估对象的真实状态并实现寿命预测。
WOA是Seyedali Mirjalili和Andrew Lewis基于座头鲸气泡网狩猎策略而提出的一种元启发式优化算法[16]。气泡网狩猎策略融合了座头鲸收缩包围猎物和螺旋狩猎方式的局部开发能力，以及随机搜索猎物的全局寻优特点，具有操作简单、搜索能力强、能够跳出局部最优且收敛速度更快等优点。本文利用WOA对LSTM网络模型参数进行优化，将每条鲸鱼个体看作每种优化策略，并将鲸鱼位置的维数对应LSTM模型待优化参数的个数，可在鲸鱼不断更新自身位置的过程中获得LSTM循环网络的最优参数组合。
实践证明，LSTM的预测精度主要受隐藏层神经元个数m和时间步长c设置的影响。目前，隐藏层神经元个数只能根据经验式（6）确定一个大致可选的范围，而最优神经元个数的选择往往通过多次试探性设置神经元个数参数，并对比分析模型性能获得。在LSTM循环神经网络中，时间步长c就是循环单元结构的个数，表示了某一个时刻的信息最多可由该时刻之前的若干个时刻的信息综合得来。倘若c过小会失去不同时刻间信息的关联性，若c过大则会减弱神经网络的学习能力。
（6）
式中，a 和b 分别为输出层和输入层的节点数；q为[0, 10]之间的常数。
m和c的选择对神经网络最终预测结果的精度有着不可忽略的影响，依据经验选取参数的做法会降低LSTM模型预测精度。因此，本文通过鲸鱼优化算法对LSTM循环网络的参数m和c进行优化，得到的WOA-LSTM组合模型如图2所示。图中，p为[0, 1]之间的随机数，A为系数变量。
图2 WOA-LSTM组合模型
Fig.2 WOA-LSTM composition model
绝缘纸的主要成分为纤维素，微观上，纤维素为多个b-D-吡喃型葡萄糖单体以b-1, 4-糖苷键连接而成的长链状多糖有机物[17]。在高温作用下，纤维素发生断链和裂解反应，使得纤维素碳链变短及氢键网络受到破坏[18]。碳链变短意味着聚合度下降，氢键网络受损则导致纤维素的机械强度降低。宏观上，纤维素的机械强度常用抗张强度（Tensile Strength, TS）表征。并且，伴随着纤维素绝缘纸的劣化，将产生一系列具有呋喃结构的化合物，其中糠醛含量较高[19]。故工程中通常以DP、TS和糠醛含量作为判断绝缘纸老化状态的理化性能指标。
此外，频域介电谱（Frequency domain Dielectric Spectroscopy, FDS）特性法作为一种电气绝缘诊断技术，具有抗干扰能力强、携带信息丰富、适用于现场测量等优点，被广泛用于现场诊断。文献[20]选取介质损耗角正切值
作为绝缘纸FDS特性的特征量，发现在频域下测试时，热老化对的影响主要集中于低频段，因此，本文选取较低特征频率0.001Hz、0.01Hz、0.1Hz和1Hz时对应作为判断绝缘纸老化状态的电气性能指标。
研究表明，绝缘纸的聚合度、抗张强度、糠醛含量和FDS特性中不同特征频率下的值之间存在相关性，这增加了问题的复杂性[21-23]。为此，需考虑将上述多特征量进行有效融合。PCA法通过正交变换，可将多个存在强相关性的变量转换为一组线性不相关或弱相关的新变量，对原变量进行有效降维。目前，PCA法在电力系统中的负荷预测和电气设备故障诊断等领域获得了广泛应用[24-25]。
按尽可能保持原变量中所含信息原则所得到的新变量称为主成分，且常用方差来表征主成分中包含的信息。利用PCA法进行多特征融合的一般流程为：先由选定的多特征量形成目标矩阵X，对X进行标准化处理得到矩阵
，然后求取的相关系数矩阵R及其特征值lk和对应的正则化特征向量L（主成分）。其中，对X中列向量Xj进行标准化的计算式为
（7）
式中，Yj为标准化后向量；E为期望值；
为Xj的标准差。
倘由PCA法所得主成分向量L中共有n个主成分，则第k个主成分的贡献度bk为
（8）
一般地，bk的大小表征主成分k包含原数据信息量的多少，其值愈大，则包含原数据的信息量愈多。倘若bk＞85%，则认为此主成分基本保留了原数据信息，据此主成分可进一步建立综合评估指标Z，从而实现对系统状态的寿命预测。
基于上述分析，选择合适的退化指标是对绝缘纸老化状态准确评估和剩余寿命预测的关键，本文利用PCA法获得待估系统的综合评估指标，引入WOA对LSTM模型参数进行寻优，基于WOA-LSTM模型的寿命预测流程如图3所示。
图3 基于WOA-LSTM模型的寿命预测流程
Fig.3 Flow chart of remaining life based on WOA-LSTM
具体步骤如下：
（1）等时间间隔T采集绝缘纸的老化特征量，取聚合度DP、抗张强度TS、糠醛含量Cfur和各特征频率下的介质损耗因数
作为模型的输入。
（2）利用PCA法对多特征量进行融合，根据获得的第一主成分确定综合评估指标Zi，计算当前样本与绝缘失效样本之间的贴近度Ti，进一步对样本数据按7
3的比例划分出训练集和测试集，其中贴近度Ti为
（9）
式中，
和
分别为待评估系统的正、负理想值；
和
分别为综合评估指标Zi与正、负理想值间的欧氏距离。
（3）利用N个样本的贴近度Ti构成退化指标序列S=[T1 T2…TN]作为输入，训练LSTM模型，结合WOA获得的最优神经元个数m和时间步长c，构建WOA-LSTM模型。
（4）根据式（1）～式（5）训练WOA-LSTM模型，并据此进行趋势预测，完成1步向前预测。
（5）判断预测的贴近度Ti是否达到设定的失效阈值，如果没有达到，则将预测值加入退化序列，并删除原序列中的第一个值，保持序列长度不变，实现退化序列的动态更新，重复步骤（5），完成P步向前预测。
（6）如果经过P步向前预测，贴近度Ti的预测值达到绝缘失效阈值，则终止预测过程，根据预测的步数P和老化特征量采集的时间间隔T计算绝缘纸剩余寿命RUL=PT。
本团队设计并制作了油浸绝缘纸机-热老化实验平台用于模拟换流变压器中绝缘纸在振动和温度协同作用下的老化过程，其油箱及振动机构如图4所示。图中，位于油箱之中的振动杆为f 15mm的不锈钢件，放在两夹件的中部，绝缘纸固定于两夹件上，并由振动台带动绝缘纸试样进行加速垂直振动，且油箱及振动机构均放于密闭温控箱中。考虑到换流变压器中铁心的振动频率为100Hz或为100Hz的整数倍，本文实验中设定振动频率为100Hz，振幅为0.26mm，加速度为2.37m/s2。此外，为验证文献[26]中机械振动对绝缘老化的加速作用，本文将热老化温度设定为60℃，略低于换流变压器正常运行时的变压器油温度。
图4 绝缘纸机-热老化实验台
Fig.4 Insulation paper mechanical-thermal aging equipment
实验中所用纤维素绝缘纸为某变压器制造厂提供的成品绝缘纸，其宽度为20mm，平均厚度为91.5mm。设定最长老化时间为150天，每隔12h取出部分试样且真空保存，共计300组不同老化状态下的试样检测数据，每组数据均由聚合度、糠醛含量和4个特征频率下的介质损耗因数6个分量组成。
本文采用PCA法对绝缘纸的老化特征量进行降维处理，确定第i时刻机-热老化绝缘纸样本的综合评估指标Zi，限于篇幅，仅给出Zi的表达式为
（10）
式中，
、
、
分别为第i时刻样本的聚合度、糠醛含量和0.001Hz、0.01Hz、0.1Hz、1Hz特征频率下的介质损耗角正切值；b为主成分贡献率，本文计算所得b=0.938。
由于机-热协同作用下绝缘纸的老化过程为非线性过程，利用实验数据可拟合得到TS与综合评估指标Z之间存在指数关系，有
（11）
运行经验表明，绝缘纸老化后其击穿电压等电气特性并没有明显下降，而对应的机械特性显著下降。当绝缘纸未发生机-热老化，其绝缘性能优良时抗张强度为13.9kN/m，由式（11）可确定对应的综合评估指标为4.28；当绝缘纸在机-热协同作用下老化150天时，实测绝缘纸抗张强度为6.7kN/m，对应的综合评估指标为-3.59。由文献[27]可知，本文老化150天时试样的TS=6.7kN/m为绝缘纸初始值TS0=13.9kN/m的48.2%，低于绝缘纸机械寿命终结的参考值50%，可认为其绝缘性能严重破坏。因此，本文选取这两个状态所对应的综合评估指标作为机-热协同作用下绝缘纸老化状态评估的正、负理想值，即
，
，对应的贴近度分别为TiP=1、TiN=0。进一步由式（9）可求得不同老化状态的绝缘纸所对应的贴近度Ti。
依上述方法，本文共求得300个贴近度，在训练WOA-LSTM网络预测绝缘纸剩余寿命时，选取样本的贴近度Ti作为绝缘纸性能退化特征指标，且以老化时间为0～104天的210组检测数据作为训练数据集，以老化时间为105～150天的90组检测数据作为测试数据集。
本文建立的WOA-LSTM模型由输入层、一个隐藏层和输出层组成循环神经网络，采用Adam优化器更新模型参数，初始种群数设置为30，学习率设置为0.001，为防止过拟合，迭代次数设置为100，利用1.2节的参数优化方法得到隐藏层神经元个数m=8，时间步长c=3；图5为WOA与PSO参数寻优过程中适应度值收敛曲线，从图中收敛曲线可见，WOA在第15代时出现最优适应度值，对应的最小方均根误差是0.049，所以WOA不仅收敛速度比PSO快，收敛精度也比PSO高。
图5 适应度值收敛曲线
Fig.5 Convergence curves of fitness value
同时，为便于比较WOA-LSTM模型同现有预测模型间的特性，本文分别利用LSTM模型、BP神经网络、支持向量回归（Support Vector Regression, SVR）、极限学习机（Extreme Learning Machine, ELM）进行绝缘纸的机-热老化趋势预测，LSTM隐藏层中的激活函数使用tanh函数，采用十折交叉验证法[26]对不同参数设置下的LSTM模型进行训练，获得最优参数组合见表1；同样，确定BP神经网络初始学习率为0.01，隐藏层单元数为10，迭代次数100次，激活函数使用Relu函数；SVR网络模型中采用径向核函数（Radial Basis Function, RBF），其中核参数为0.3，惩罚因子C=100；ELM网络模型选用Sigmoid激活函数，隐藏层单元数为18。
表1 LSTM模型的最优参数组合
Tab.1 Optimal parameters combination of LSTM
参 数数 值 学习率0.001 隐藏层神经元个数10 时间步长3 迭代次数100
为更好地反映不同模型的预测值与真实值之间的误差距离，本文选取预测值与实际值的绝对均值误差（Mean Absolute Error, MAE）、方均根误差（Root Mean Squared Error, RMSE）作为评价指标，计算公式分别为
（12）
（13）
式中，n为训练集的样本容量；
和
分别为第i时刻样本贴近度Ti的预测值和真实值。
已知WOA-LSTM模型的最优时间步长c=3，利用3.2节给出的绝缘纸剩余寿命预测步骤，取退化指标序列S=[T1 T2…TN]的样本量N（本文计算得N=3），根据前N个Ti值预测下一个Ti值，再将下一个Ti的真实值加入序列，删除原序列第一个Ti值，保持原序列样本量不变，实现退化指标序列动态更新，基于WOA-LSTM模型的机-热老化绝缘纸退化趋势如图6所示。
图6 WOA-LSTM预测值与实际值对比
Fig.6 The comparison of WOA-LSTM prediction value and actual value
图7为不同预测模型的退化趋势预测曲线，为了曲线清晰，图中仅画出间隔10次的预测值。预测结果的评价指标见表2，可以看出，WOA-LSTM对绝缘纸退化指标的预测值与真实值的误差最小。
如果用预测值更新退化指标序列，则可实现剩余使用寿命的预测。由于绝缘纸抗张强度损失率eTS满足式（14），如记t=1/kTS，kTS为抗张强度下降速率，可将式（14）视为某一阶系统的阶跃响应表达式。当t =t、2t、3t 和4t 时，eTS与其稳态值之比分别为63.2%、86.5%、95%和98.2%。因此，可认为
为绝缘纸老化的初期，对应于绝缘状态良好；
为绝缘纸老化中期，对应于绝缘状态适中；
对应绝缘纸失效。据此原则，可建立贴近度与三段式绝缘纸老化状态的对应关系为
图7 绝缘纸退化趋势预测
Fig.7 Prediction of insulation paper degradation trend
表2 不同预测模型预测误差对比
Tab.2 Comparison of different predictive model
误差预测模型 WOA-LSTMLSTMBPSVRELM MAE0.0270.0340.0470.0580.123 RMSE0.0360.0410.0610.0660.142
（14）
式中，
为eTS的最大值。
记Tvt为绝缘纸在老化速率v时间t下的贴近度。基于实验数据，确定
，
。又因为t＞4t 时绝缘纸老化严重，可认为其绝缘性能基本丧失，因此设定Ti=0.356作为绝缘阈值，分别取训练样本量（真实值）为150、160、170进行绝缘纸剩余寿命预测，当预测值小于或等于设定阈值时停止预测，利用RULpred=PT（P为预测步数，T为老化特征量采集的时间间隔）计算剩余使用寿命的预测值，并计算预测误差为
（15）
式中，RULpred为剩余使用寿命预测值；RULact为剩余使用寿命真实值。
训练样本量（真实值）为150、160、170时，机-热老化绝缘纸剩余使用寿命预测值的预测误差见表3。图8为训练样本量为150时，不同预测方法的剩余寿命预测曲线，由图8可得，测试样本量为30时达到所设阈值，则当Ti＞0.356时，绝缘纸的预测剩余寿命为(30-x)×12h，x为曲线各点对应的横坐标值。
表3 绝缘纸剩余寿命误差
Tab.3 The remaining life error of insulation paper
模型不同样本量时的预测e(%) 150160170 WOA-LSTM4.315.124.22 LSTM5.825.394.85 BP8.117.065.34 SVR6.946.535.48 ELM5.796.254.66
图8 训练样本量为150时绝缘纸剩余寿命预测曲线
Fig.8 The remaining life prediction curves of insulation paper with training sample size of 150
通过表3和图8可以看出，利用WOA优化LSTM模型可以降低绝缘纸寿命预测误差，并且WOA-LSTM模型的预测精度明显高于SVR模型、BP神经网络和ELM模型。由表3还可以看出，预测误差并没有随训练样本量的增加而变小，这是因为选取的150、160、170的训练样本量总体上偏少，模型获取的信息量有限，并且因客观误差条件的制约，导致真实值曲线波动性递增，预测误差也会出现一定的随机性。但是，随着样本量的不断增加，预测误差势必降低。总之，WOA-LSTM模型在绝缘纸剩余寿命预测中比其他预测方法精准度更高，预测值如果应用于实际工程具有一定的可信度。
由于换流变压器在实际中振动较为突出，且机械老化属于非均匀老化，致使采用单一特征量判断绝缘纸老化状态的有效性受到影响，考虑到目前人工智能技术的快速发展，对绝缘纸寿命预测精度逐渐提高的要求，本文提出WOA-LSTM网络模型，并以机-热协同作用下绝缘纸的剩余寿命预测为例进行验证，得出如下结论：
1）采用WOA对LSTM模型的神经元个数m和时间步长c进行优化，提高了绝缘纸剩余寿命预测模型的精度。
2）将由PCA法所得到的综合评估指数和绝缘纸的抗张强度联合，得到正、负理想解，进一步求得了各待估对象的贴近度，并利用贴近度作为退化指标进行绝缘纸剩余使用寿命预测。
3）WOA-LSTM模型在少量学习样本的条件下，可以更加准确地预测出设备的剩余使用寿命，可为换流变压器绝缘系统的监测提供参考。
参考文献
[1] 杜伯学, 朱闻博, 李进, 等. 换流变压器阀侧套管油纸绝缘研究现状[J]. 电工技术学报, 2019, 34(6): 1301-1309.
Du Boxue, Zhu Wenbo, Li Jin, et al. Research status of oil-paper insulation for valve side bushing of con- verter transformer[J]. Transactions of China Electro- technical Society, 2019, 34(6): 1301-1309.
[2] 邹阳, 何倩玲, 蔡金锭, 等. 基于组合赋权-双基点法的变压器油纸绝缘状态综合评估[J]. 电工技术学报, 2019, 34(20): 4400-4408.
Zou Yang, He Qianling, Cai Jinding, et al. Com- prehensive evaluation of transformer oil-paper state based on combined weight-double base point method[J]. Transactions of China Electrotechnical Society, 2019, 34(20): 4400-4408.
[3] 李长云, 郝爱东, 娄禹. 直流偏磁条件下电力变压器振动特性研究进展[J]. 电力自动化设备, 2018, 38(6): 215-223.
Li Changyun, Hao Aidong, Lou Yu. Status and progress of research on transformer vibration charac- teristics with DC bias[J]. Electric Power Automation Equipment, 2018, 38(6): 215-223.
[4] 李长云, 刘亚魁. 直流偏磁条件下变压器铁芯磁化特性的Jiles-Atherton修正模型[J]. 电工技术学报, 2017, 32(19): 193-201.
Li Changyun, Liu Yakui. Modified Jiles-Atherton model of transformer iron core magnetization charac- teristics with DC bias[J]. Transactions of China Electrotechnical Society, 2017, 32(19): 193-201.
[5] 李京峰, 陈云翔, 项华春, 等. 基于LSTM-DBN的航空发动机剩余寿命预测[J]. 系统工程与电子技术, 2020, 42(7): 1637-1644.
Li Jingfeng, Chen Yunxiang, Xiang Huachun, et al. Remaining useful life prediction for aircraft engine based on LSTM-DBN[J]. Systems Engineering and Electronics, 2020, 42(7): 1637-1644.
[6] 张明泽, 刘骥, 陈昕, 等. 基于Wiener模型的变压器油纸绝缘老化剩余寿命评估方法[J]. 电工技术学报, 2018, 33(21): 5098-5108.
Zhang Mingze, Liu Ji, Chen Xin, et al. Residual life assessment method of transformer oil-paper insulation aging based on Wiener model[J]. Transactions of China Electrotechnical Society, 2018, 33(21): 5098- 5108.
[7] 史华洁, 薛颂东. 退化数据驱动的设备剩余寿命在线预测[J]. 计算机工程与应用, 2016, 52(23): 249-254.
Shi Huajie, Xue Songdong. Degradation data driven online prediction for equipment residual life[J]. Com- puter Engineering and Applications, 2016, 52(23): 249-254.
[8] 刘帼巾, 李想, 王泽, 等. 基于Wiener过程电子式漏电断路器的剩余寿命预测[J]. 电工技术学报, 2022, 37(2): 528-536.
Liu Guojin, Li Xiang, Wang Ze, et al. Remaining life prediction of electronic residual current circuit breaker based on Wiener process[J]. Transactions of China Electrotechnical Society, 2022, 37(2): 528-536.
[9] Zheng Shuai, Ristovski K, Farahat A, et al. Long shortterm memory network for remaining useful life estimation[C]//IEEE International Conference on Pro- gnostics and Health Management, Harbin, China, 2017: 88-95.
[10] 黄凯, 丁恒, 郭永芳, 等. 基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测[J]. 电工技术学报, 2022, 37(7): 57-70.
Huang Kai, Ding Heng, Guo Yongfang, et al. Prediction of remaining useful life of lithium-ion battery based on adaptive data preprocessing and long short-term memory network[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 57-70.
[11] Xie Peng. Analysis of fault of insulation aging of oiled paper of a large-scale power transformer and the prediction of its service life[J]. IEEE Transactions on Electrical and Electronic Engineering, 2019, 14(8): 1139-1144.
[12] 王智越. 基于PCA与层次分析法的电力变压器健康状态评估方法研究[D]. 郑州: 华北水利水电大学, 2020.
[13] 唐成顺, 孙丹, 唐威, 等. 基于LSTM循环神经网络的汽轮机转子表面应力预测模型[J]. 中国电机工程学报, 2021, 41(2): 451-461.
Tang Chengshun, Sun Dan, Tang Wei, et al. A turbine rotor surface stress prediction model based on LSTM recurrent neural network[J]. Proceedings of the CSEE, 2021, 41(2): 451-461.
[14] 武大硕, 张传雷, 陈佳, 等. 基于遗传算法改进LSTM神经网络股指预测分析[J]. 计算机应用研究, 2020, 37(增刊1): 86-88, 107.
Wu Dashuo, Zhang Chuanlei, Chen Jia, et al. Improved LSTM stock index forecast analysis based on genetic algorithm[J]. Application Research of Computers, 2020, 37(S1): 86-88, 107.
[15] 刘可真, 苟家萁, 骆钊, 等. 基于粒子群优化-长短期记忆网络模型的变压器油中溶解气体浓度预测方法[J]. 电网技术, 2020, 44(7): 2278-2785.
Liu Kezhen, Gou Jiaqi, Luo Zhao, et al. Prediction method of dissolved gas concentration in transformer oil based on PSO-LSTM model[J]. Power System Technology, 2020, 44(7): 2278-2785.
[16] Prakash D B, Lakshminarayana C. Optimal siting of capacitors in radial distribution network using whale optimization algorithm[J]. Alexandria Engineering Journal, 2017, 56(4): 499-509.
[17] 詹怀宇. 纤维化学与物理[M]. 北京: 科学出版社, 2005.
[18] 赵彤, 石雷, 张远涛, 等. 基于分子模拟的绝缘纸高温裂解过程水分产生及其破坏作用研究[J]. 中国电机工程学报, 2017, 37(15): 4548-4567.
Zhao Tong, Shi Lei, Zhang Yuantao, et al. Study on H2O formation during the pyrolysis of insulating paper and its destructive effect based on molecular simulation[J]. Proceedings of the CSEE, 2017, 37(15): 4548-4567.
[19] Ding Hongzhi, Wang Zhongdong. On the degradation evolution equations of cellulose[J]. Cellulose, 2008, 15(1): 205-224.
[20] 李长云, 郝爱东. 机-热协同老化对纤维素绝缘纸频域介电谱的影响[J]. 电工技术学报, 2019, 34(17): 3705-3712.
Li Changyun, Hao Aidong. Influence of the mechanical- thermal aging on the frequency-domain dielectric spectroscopy of cellulose insulation paper[J]. Transa- ctions of China Electrotechnical Society, 2019, 34(17): 3705-3712.
[21] Lin Yuandi, Yang Lijun, Liao Ruijin, et al. Effect of oil replacement on furfural analysis and aging assessment of power transformers[J]. IEEE Transa- ctions on Dielectrics and Electrical Insulation, 2015, 22(5): 2611-2619.
[22] Hill D, Darveniza M, Saha T, et al. A study of degradation of cellulosic insulation materials in a power transformer. part 2: tensile strength of cellulose insulation paper[J]. Polymer Degradation and Stability, 1995, 49(3): 429-435.
[23] 徐佳宁, 倪裕隆, 朱春波. 基于改进支持向量回归的锂电池剩余寿命预测[J]. 电工技术学报, 2021, 36(17): 3693-3704.
Xu Jianing, Ni Yulong, Zhu Chunbo. Remaining useful life prediction for lithium-ion batteries based on improved support vector regression[J]. Transa- ctions of China Electrotechnical Society, 2021, 36(17): 3693-3704.
[24] 肖伊, 李庆民. 基于多特征参量的油纸绝缘老化状态定量表征方法[J]. 绝缘材料, 2019, 52(8): 54-59.
Xiao Yi, Li Qingmin. Quantitative characterization method of oil-paper insulation ageing condition based on multi-characteristic parameters[J]. Insulation Materials, 2019, 52(8): 54-59.
[25] Shen Hongtao, Tao Peng, Zhao Pei, et al. Massive power device condition monitoring data feature extraction and clustering analysis using MapReduce and graph model[J]. CES Transactions on Electrical Machines and Systems, 2019, 3(2): 221-230.
[26] 李长云, 王铮. 机-热协同作用下绝缘纸机械性能的劣化机理[J]. 电工技术学报, 2018, 33(21): 5090- 5097.
Li Changyun, Wang Zheng. The degradation mechanism of insulation paper mechanical properties with mechanical-thermal synergy[J]. Transactions of China Electrotechnical Society, 2018, 33(21): 5090-5097.
[27] 肖迁, 焦志鹏, 穆云飞, 等. 基于LightGBM的电动汽车形式工况下电池剩余使用寿命预测[J]. 电工技术学报, 2021, 36(24): 5176-5185.
Xiao Qian, Jiao Zhipeng, Mu Yunfei, et al. LightGBM based remaining useful life prediction of electric vehicle lithium-ion battery under dring conditions[J]. Transa- ctions of China Electrotechnical Society, 2021, 36(24): 5176-5185.
Prediction Method of Insulation Paper Remaining Life with Mechanical-Thermal Synergy Based on Whale Optimization Algorithm-Long-Short Term Memory Model
Abstract As the key equipment in the UHV DC transmission system, remaining life prediction of insulation paper for transformers can provide a reference for the operation and maintenance of converter transformers. Therefore, a prediction method based on whale optimization algorithm (WOA) and long-short term memory (LSTM) was proposed. Firstly, combined with the accelerated mechanical- thermal aging test of insulation paper, the multi-feature fusion of the aging characterization parameters, including degree of polymerization, furfural content, and dielectric dissipation factors at different characteristic frequencies, was carried out by the principal component analysis (PCA) method. The quantitative expression between the comprehensive evaluation index and the tensile strength of insulation paper was obtained, and then the tensile strengths corresponding to the excellent insulation performance and the serious deterioration condition were taken as the positive and negative ideal values respectively. In combination with the proximity, constructing the degradation index sequence as model input, the remaining life prediction of insulation paper is realized. Next, WOA is used to optimize the relevant super parameters in the LSTM. Finally, a WOA-LSTM model is constructed to predict insulation paper remaining life. The results show that the WOA-LSTM model proposed not only incorporates multiple feature quantities that can characterize the aging state of insulation paper, but also significantly improves the prediction accuracy, which can provide a strong guarantee for the safe and stable operation of the insulation system of converter transformers.
keywords：Whale optimization, long-short term memory, mechanical-thermal synergy, multi- feature fusion, remain life prediction
DOI: 10.19595/j.cnki.1000-6753.tces.210110
中图分类号：TM85
于永进 男，1980年生，硕士，副教授，硕士生导师，研究方向为电力系统与控制。E-mail: yaydjto@163.com
李长云 男，1974年生，博士，副教授，硕士生导师，研究方向为电气设备智能检测诊断与大数据分析、电气绝缘与电磁环境、先进输变电技术等。E-mail: sdlcyee@sdust.edu.cn（通信作者）
收稿日期 2021-01-21
改稿日期 2021-03-01
山东省重点研发计划（2019GGX102049）和山东省自然科学基金（ZR2017MEE078）资助项目。
（编辑 崔文静）