仪器仪表学报

作者：覃兆宇，孔洒洒，朱凯，姚远，梁晟

单位：覃兆宇,湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室武汉430068,qinzhaoyu@hbut.edu.cn,孔洒洒,湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室武汉430068,,朱凯,国网上海市电力公司青浦供电公司上海201700,,姚远,国网上海市电力公司青浦供电公司上海201700,,梁晟,国网上海市电力公司青浦供电公司上海201700,

关键词：变压器油;微水检测;宽带超声;时频分析;深度学习

基金：国家重点研发计划课题（2022YFB2404104）项目资助

针对传统变压器油中微量水分含量检测方法存在的破坏性取样、抗干扰能力弱等瓶颈问题，提出了一种基于宽带超声时频分析与深度学习融合的非侵入式高精度检测技术。该方法结合宽带多频超声扫描与深度神经网络建模，实现了油中微量水分复杂声学特征的动态解析与定量预测。研究采集240组变压器油样，利用精密微水检测仪标定其真实含水量构建数据集（训练集220组、测试集20组）。对每组油样施加6种中心频率的宽带超声激励，采集回波信号并采用连续小波变换（CWT）进行时频分析，提取形成128×1000维的高/低频联合特征矩阵作为模型输入，对应油样真实含水量作为输出。核心创新在于构建了卷积神经网络-长短期记忆网络（CNN-LSTM）混合深度学习模型：利用CNN高效提取CWT时频谱图蕴含的空间模式特征，同时利用LSTM捕捉超声信号在多频率维度上的时序动态关联，从而建立从复杂声学特征到水分含量的强非线性映射。多模型对比实验表明，该CNN-LSTM模型预测性能显著优越，平均绝对误差（MAE）低至1.33mg/kg，平均绝对百分比误差（MAPE）为7.167%，且决定系数（R2）高达0.958。该研究为变压器油中微量水分的在线、无损、高精度监测提供了具有重要工程应用价值的新方案。

来源：2025年第9期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第9期