基于鯨魚優化-長短期記憶網絡模型的機-熱老化絕緣紙剩余壽命預測方法

于永進 姜雅男 李長云

基于鯨魚優化-長短期記憶網絡模型的機-熱老化絕緣紙剩余壽命預測方法

于永進 姜雅男 李長云

（山東科技大學電氣與自動化工程學院 青島 266590）

換流變壓器作為特/超高壓直流輸電系統中的關鍵設備，對變壓器用絕緣紙剩余壽命進行有效預測，可為換流變壓器的運行維護提供一定的理論依據，鑒于此，提出一種基于鯨魚優化算法（WOA）和長短期記憶網絡（LSTM）的預測方法。首先，結合絕緣紙加速機-熱老化實驗及試樣的機械、電氣性能指標和對應裂解產物的糠醛含量，由主成分分析法（PCA）對聚合度、糠醛含量和特征頻率下介質損耗因數等表征絕緣紙老化的多特征量進行融合；獲得綜合評估指標與絕緣紙抗張強度間的量化關系，并依此將絕緣性能優良和嚴重劣化時對應的抗張強度分別作為正、負理想值；進一步構建貼近度構造退化指標序列并將其作為模型輸入。然后，利用鯨魚優化算法對長短期記憶網絡的關鍵參數進行尋優。最后，構建WOA-LSTM模型對絕緣紙剩余壽命進行預測。研究表明，所提出的WOA-LSTM模型既納入了可表征絕緣紙老化狀態的多個特征量，亦可顯著提高剩余壽命的預測精度，為換流變壓器絕緣系統安全穩定運行提供有力保障。

鯨魚優化 長短期記憶網絡 機-熱協同作用 多特征融合 剩余壽命預測

0 引言

換流變壓器作為特/超高壓直流輸電系統中的關鍵設備，其絕緣系統的健康狀況對電力系統的可靠安全運行起著重要的作用。運行經驗表明，換流變壓器運行期間的故障多源于其內絕緣性能的劣化，特別地，固體絕緣紙的絕緣狀態直接決定了換流變壓器的服役能力[1-2]。換流變壓器固有直流偏磁工況所誘發的振動和噪聲現象較為突出，其中強鐵心振動既會加速絕緣紙的熱老化進程，又可能加快老化絕緣紙的脫落，或可堵塞變壓器的油循環管道，繼而誘發變壓器的過熱事故[3-4]。因此，對換流變壓器絕緣紙剩余壽命的準確預測有利于保障換流變壓器的安全穩定運行以及合理制定維修、更換策略。實踐表明，故障預測與健康管理（Prognostics and Health Management, PHM）技術能夠通過預測設備剩余使用壽命，為設備的維修決策提供依據。

基于數據驅動的預測方法是現階段應用較為廣泛的剩余壽命預測方法，其主要分為統計學方法與機器學習兩類。統計學方法利用統計模型或隨機過程模型對設備性能退化進行描述，并通過參數估計得到概率密度函數進行剩余壽命預測[5]。張明澤等基于維納模型，求取變壓器油紙絕緣老化的剩余概率密度模型，利用貝葉斯規則和最大期望算法得到求取變壓器油紙絕緣剩余壽命的預測方法[6]；史華潔等通過建立基于非線性維納過程的退化模型并結合設備自身退化數據，實時評估設備的剩余壽命[7]。這類方法需要相對理想的退化模型作為假設條件，且存在信息丟失的風險。機器學習不需要建立設備的具體退化模型，通過對監測數據進行提取和訓練，模擬設備性能的退化演變規律及過程，得到剩余壽命預測結果。但傳統的機器學習在預測精度、數據內部潛在信息獲取等方面需進一步提高。

隨著近年來深度學習理論在PHM上的進一步發展和應用，深度學習能夠充分利用時間序列的大量數據進行壽命預測。傳統循環神經網絡（Recurrent Neural Network, RNN）相比于前饋神經網絡能更好地表征高維信息的整體邏輯性，但容易出現梯度爆炸或梯度消失，導致記憶能力受限。長短期記憶（Long-Short Term Memory, LSTM）網絡是基于RNN的一種變體，其結合歷史狀態，有效解決了時間序列長期依賴的問題[8]。Zheng Shuai等提出了一種基于LSTM的剩余壽命預測方法，將LSTM單元的多層與標準前饋層結合使用，從而提高了剩余壽命預測精度[9]；黃凱等提出一種自適應數據預處理結合LSTM的RUL預測框架，其最大預測誤差僅為3.28%[10]。通常情況下，LSTM網絡的神經元個數與時間步長等參數都是依靠經驗來確定，其中，決定了模型的擬合效果，影響模型的訓練過程，參數選取的隨機性降低了模型的預測效果。

另一方面，換流變壓器內部結構復雜，伴隨著絕緣紙的裂解，老化產物及理化性能指標已被用于評估其老化狀態的特征指標。考慮到單一或少數幾個特征量或會導致信息丟失，而太多的特征量則會導致信息冗余，甚至可能出現維數災難，Xie Peng等通過主成分分析（Principal Component Analysis, PCA）獲得采集信息的特征值，利用支持向量機（Support Vector Machine, SVM）進行狀態識別，提出了一種基于威布爾分布（Weibull distribution）的壽命預測方法[11]。王智越基于PCA確定關鍵指標，借助變壓器云模型進行健康狀態定量指標評估，同時對電力變壓器定性指標進行健康等級判定[12]。然而，鮮有將數據降維方法與深度學習相結合用于變壓器壽命預測的研究。

基于上述考慮，本文提出了一種基于鯨魚優化算法（Whale Optimization Algorithm, WOA）與長短期記憶網絡的絕緣紙剩余壽命預測方法。利用WOA優化算法對LSTM模型中的兩個關鍵參數（隱藏神經元個數和時間步長）進行迭代優化，根據優化后的參數搭建WOA-LSTM組合預測模型，克服了傳統依據經驗選取參數而導致預測精度低的問題。文中結合專門設計的絕緣紙機-熱協同老化實驗裝置，獲得不同老化階段的絕緣紙試樣及其多特征指標，采用PCA法進行多特征融合，進而獲得老化綜合評估指標，求取貼近度作為退化指標并構造退化指標序列，利用WOA-LSTM模型實現機-熱老化絕緣紙剩余壽命預測。結果分析表明，該方法既可有效提高LSTM的預測精度，又能包含豐富的絕緣紙特征信息，可為制定換流變壓器油紙絕緣系統運維方案提供理論支撐。

1 WOA-LSTM組合模型

1.1 LSTM基本原理

LSTM是一種特殊的循環神經網絡，通過引入記憶控制門，記錄歷史信息并控制當前時刻信息對歷史信息的影響程度，有效解決了RNN長期依賴、梯度消失和梯度爆炸的問題[13]。LSTM結構由輸入門、遺忘門和輸出門構成，3個控制門相互配合，高效提取并利用歷史信息進行壽命預測，網絡基本結構如圖1所示。

圖1 LSTM記憶網絡結構

LSTM神經網絡的擬合能力和訓練效果與其網絡參數的選擇有很大關系，傳統LSTM網絡的超參數都是依靠經驗調節，降低了LSTM預測模型的性能和精度。為此，文獻[14]提出了基于遺傳算法改進的LSTM預測方法，該方法提高了股指預測分析的準確度；文獻[15]利用LSTM神經網絡對變壓器油中溶解氣體的濃度進行了有效預測，并結合粒子群優化（Particle Swarm Optimization, PSO）算法提高了預測精度，此方法可以為待評估對象的狀態估計提供理論基礎，但無法得到待評估對象的真實狀態并實現壽命預測。

1.2 WOA

WOA是Seyedali Mirjalili和Andrew Lewis基于座頭鯨氣泡網狩獵策略而提出的一種元啟發式優化算法[16]。氣泡網狩獵策略融合了座頭鯨收縮包圍獵物和螺旋狩獵方式的局部開發能力，以及隨機搜索獵物的全局尋優特點，具有操作簡單、搜索能力強、能夠跳出局部最優且收斂速度更快等優點。本文利用WOA對LSTM網絡模型參數進行優化，將每條鯨魚個體看作每種優化策略，并將鯨魚位置的維數對應LSTM模型待優化參數的個數，可在鯨魚不斷更新自身位置的過程中獲得LSTM循環網絡的最優參數組合。

1.3 基于WOA的LSTM參數優化

實踐證明，LSTM的預測精度主要受隱藏層神經元個數和時間步長設置的影響。目前，隱藏層神經元個數只能根據經驗式（6）確定一個大致可選的范圍，而最優神經元個數的選擇往往通過多次試探性設置神經元個數參數，并對比分析模型性能獲得。在LSTM循環神經網絡中，時間步長就是循環單元結構的個數，表示了某一個時刻的信息最多可由該時刻之前的若干個時刻的信息綜合得來。倘若過小會失去不同時刻間信息的關聯性，若過大則會減弱神經網絡的學習能力。

式中，和分別為輸出層和輸入層的節點數；為[0, 10]之間的常數。

和的選擇對神經網絡最終預測結果的精度有著不可忽略的影響，依據經驗選取參數的做法會降低LSTM模型預測精度。因此，本文通過鯨魚優化算法對LSTM循環網絡的參數和進行優化，得到的WOA-LSTM組合模型如圖2所示。圖中，為[0, 1]之間的隨機數，為系數變量。

圖2 WOA-LSTM組合模型

2 基于WOA-LSTM的機-熱老化絕緣紙剩余壽命預測

2.1 機-熱老化條件下絕緣紙特征量

絕緣紙的主要成分為纖維素，微觀上，纖維素為多個-D-吡喃型葡萄糖單體以-1, 4-糖苷鍵連接而成的長鏈狀多糖有機物[17]。在高溫作用下，纖維素發生斷鏈和裂解反應，使得纖維素碳鏈變短及氫鍵網絡受到破壞[18]。碳鏈變短意味著聚合度下降，氫鍵網絡受損則導致纖維素的機械強度降低。宏觀上，纖維素的機械強度常用抗張強度（Tensile Strength, TS）表征。并且，伴隨著纖維素絕緣紙的劣化，將產生一系列具有呋喃結構的化合物，其中糠醛含量較高[19]。故工程中通常以DP、TS和糠醛含量作為判斷絕緣紙老化狀態的理化性能指標。

2.2 多老化特征量融合

倘由PCA法所得主成分向量中共有個主成分，則第個主成分的貢獻度b為

一般地，b的大小表征主成分包含原數據信息量的多少，其值愈大，則包含原數據的信息量愈多。倘若b＞85%，則認為此主成分基本保留了原數據信息，據此主成分可進一步建立綜合評估指標，從而實現對系統狀態的壽命預測。

2.3 基于WOA-LSTM模型的絕緣紙壽命預測步驟

基于上述分析，選擇合適的退化指標是對絕緣紙老化狀態準確評估和剩余壽命預測的關鍵，本文利用PCA法獲得待估系統的綜合評估指標，引入WOA對LSTM模型參數進行尋優，基于WOA-LSTM模型的壽命預測流程如圖3所示。

圖3 基于WOA-LSTM模型的壽命預測流程

具體步驟如下：

（3）利用個樣本的貼近度T構成退化指標序列=[12…T]作為輸入，訓練LSTM模型，結合WOA獲得的最優神經元個數和時間步長，構建WOA-LSTM模型。

（4）根據式（1）～式（5）訓練WOA-LSTM模型，并據此進行趨勢預測，完成1步向前預測。

（5）判斷預測的貼近度T是否達到設定的失效閾值，如果沒有達到，則將預測值加入退化序列，并刪除原序列中的第一個值，保持序列長度不變，實現退化序列的動態更新，重復步驟（5），完成步向前預測。

（6）如果經過步向前預測，貼近度T的預測值達到絕緣失效閾值，則終止預測過程，根據預測的步數和老化特征量采集的時間間隔計算絕緣紙剩余壽命RUL。

3 實例

3.1 絕緣紙機-熱老化實驗及樣本數據預處理

本團隊設計并制作了油浸絕緣紙機-熱老化實驗平臺用于模擬換流變壓器中絕緣紙在振動和溫度協同作用下的老化過程，其油箱及振動機構如圖4所示。圖中，位于油箱之中的振動桿為15mm的不銹鋼件，放在兩夾件的中部，絕緣紙固定于兩夾件上，并由振動臺帶動絕緣紙試樣進行加速垂直振動，且油箱及振動機構均放于密閉溫控箱中。考慮到換流變壓器中鐵心的振動頻率為100Hz或為100Hz的整數倍，本文實驗中設定振動頻率為100Hz，振幅為0.26mm，加速度為2.37m/s2。此外，為驗證文獻[26]中機械振動對絕緣老化的加速作用，本文將熱老化溫度設定為60℃，略低于換流變壓器正常運行時的變壓器油溫度。

圖4 絕緣紙機-熱老化實驗臺

本文采用PCA法對絕緣紙的老化特征量進行降維處理，確定第時刻機-熱老化絕緣紙樣本的綜合評估指標Z，限于篇幅，僅給出Z的表達式為

由于機-熱協同作用下絕緣紙的老化過程為非線性過程，利用實驗數據可擬合得到與綜合評估指標之間存在指數關系，有

依上述方法，本文共求得300個貼近度，在訓練WOA-LSTM網絡預測絕緣紙剩余壽命時，選取樣本的貼近度T作為絕緣紙性能退化特征指標，且以老化時間為0～104天的210組檢測數據作為訓練數據集，以老化時間為105～150天的90組檢測數據作為測試數據集。

3.2 WOA-LSTM模型參數選擇及優化結果

本文建立的WOA-LSTM模型由輸入層、一個隱藏層和輸出層組成循環神經網絡，采用Adam優化器更新模型參數，初始種群數設置為30，學習率設置為0.001，為防止過擬合，迭代次數設置為100，利用1.2節的參數優化方法得到隱藏層神經元個數=8，時間步長=3；圖5為WOA與PSO參數尋優過程中適應度值收斂曲線，從圖中收斂曲線可見，WOA在第15代時出現最優適應度值，對應的最小方均根誤差是0.049，所以WOA不僅收斂速度比PSO快，收斂精度也比PSO高。

圖5 適應度值收斂曲線

同時，為便于比較WOA-LSTM模型同現有預測模型間的特性，本文分別利用LSTM模型、BP神經網絡、支持向量回歸（Support Vector Regression, SVR）、極限學習機（Extreme Learning Machine, ELM）進行絕緣紙的機-熱老化趨勢預測，LSTM隱藏層中的激活函數使用tanh函數，采用十折交叉驗證法[26]對不同參數設置下的LSTM模型進行訓練，獲得最優參數組合見表1；同樣，確定BP神經網絡初始學習率為0.01，隱藏層單元數為10，迭代次數100次，激活函數使用Relu函數；SVR網絡模型中采用徑向核函數（Radial Basis Function, RBF），其中核參數為0.3，懲罰因子=100；ELM網絡模型選用Sigmoid激活函數，隱藏層單元數為18。

表1 LSTM模型的最優參數組合

Tab.1 Optimal parameters combination of LSTM

為更好地反映不同模型的預測值與真實值之間的誤差距離，本文選取預測值與實際值的絕對均值誤差（Mean Absolute Error, MAE）、方均根誤差（Root Mean Squared Error, RMSE）作為評價指標，計算公式分別為

3.3 WOA-LSTM模型預測結果

已知WOA-LSTM模型的最優時間步長=3，利用3.2節給出的絕緣紙剩余壽命預測步驟，取退化指標序列=[12…T]的樣本量（本文計算得=3），根據前個T值預測下一個T值，再將下一個T的真實值加入序列，刪除原序列第一個T值，保持原序列樣本量不變，實現退化指標序列動態更新，基于WOA-LSTM模型的機-熱老化絕緣紙退化趨勢如圖6所示。

圖6 WOA-LSTM預測值與實際值對比

圖7為不同預測模型的退化趨勢預測曲線，為了曲線清晰，圖中僅畫出間隔10次的預測值。預測結果的評價指標見表2，可以看出，WOA-LSTM對絕緣紙退化指標的預測值與真實值的誤差最小。

圖7 絕緣紙退化趨勢預測

表2 不同預測模型預測誤差對比

Tab.2 Comparison of different predictive model

式中，RULpred為剩余使用壽命預測值；RULact為剩余使用壽命真實值。

訓練樣本量（真實值）為150、160、170時，機-熱老化絕緣紙剩余使用壽命預測值的預測誤差見表3。圖8為訓練樣本量為150時，不同預測方法的剩余壽命預測曲線，由圖8可得，測試樣本量為30時達到所設閾值，則當T＞0.356時，絕緣紙的預測剩余壽命為(30-)×12h，為曲線各點對應的橫坐標值。

表3 絕緣紙剩余壽命誤差

Tab.3 The remaining life error of insulation paper

圖8 訓練樣本量為150時絕緣紙剩余壽命預測曲線

通過表3和圖8可以看出，利用WOA優化LSTM模型可以降低絕緣紙壽命預測誤差，并且WOA-LSTM模型的預測精度明顯高于SVR模型、BP神經網絡和ELM模型。由表3還可以看出，預測誤差并沒有隨訓練樣本量的增加而變小，這是因為選取的150、160、170的訓練樣本量總體上偏少，模型獲取的信息量有限，并且因客觀誤差條件的制約，導致真實值曲線波動性遞增，預測誤差也會出現一定的隨機性。但是，隨著樣本量的不斷增加，預測誤差勢必降低。總之，WOA-LSTM模型在絕緣紙剩余壽命預測中比其他預測方法精準度更高，預測值如果應用于實際工程具有一定的可信度。

4 結論

由于換流變壓器在實際中振動較為突出，且機械老化屬于非均勻老化，致使采用單一特征量判斷絕緣紙老化狀態的有效性受到影響，考慮到目前人工智能技術的快速發展，對絕緣紙壽命預測精度逐漸提高的要求，本文提出WOA-LSTM網絡模型，并以機-熱協同作用下絕緣紙的剩余壽命預測為例進行驗證，得出如下結論：

1）采用WOA對LSTM模型的神經元個數和時間步長進行優化，提高了絕緣紙剩余壽命預測模型的精度。

2）將由PCA法所得到的綜合評估指數和絕緣紙的抗張強度聯合，得到正、負理想解，進一步求得了各待估對象的貼近度，并利用貼近度作為退化指標進行絕緣紙剩余使用壽命預測。

3）WOA-LSTM模型在少量學習樣本的條件下，可以更加準確地預測出設備的剩余使用壽命，可為換流變壓器絕緣系統的監測提供參考。

[1] 杜伯學, 朱聞博, 李進, 等. 換流變壓器閥側套管油紙絕緣研究現狀[J]. 電工技術學報, 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] 鄒陽, 何倩玲, 蔡金錠, 等. 基于組合賦權-雙基點法的變壓器油紙絕緣狀態綜合評估[J]. 電工技術學報, 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] 李長云, 郝愛東, 婁禹. 直流偏磁條件下電力變壓器振動特性研究進展[J]. 電力自動化設備, 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] 李長云, 劉亞魁. 直流偏磁條件下變壓器鐵芯磁化特性的Jiles-Atherton修正模型[J]. 電工技術學報, 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, 陳云翔, 項華春, 等. 基于LSTM-DBN的航空發動機剩余壽命預測[J]. 系統工程與電子技術, 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] 張明澤, 劉驥, 陳昕, 等. 基于Wiener模型的變壓器油紙絕緣老化剩余壽命評估方法[J]. 電工技術學報, 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] 史華潔, 薛頌東. 退化數據驅動的設備剩余壽命在線預測[J]. 計算機工程與應用, 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] 劉幗巾, 李想, 王澤, 等. 基于Wiener過程電子式漏電斷路器的剩余壽命預測[J]. 電工技術學報, 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] 黃凱, 丁恒, 郭永芳, 等. 基于數據預處理和長短期記憶神經網絡的鋰離子電池壽命預測[J]. 電工技術學報, 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與層次分析法的電力變壓器健康狀態評估方法研究[D]. 鄭州: 華北水利水電大學, 2020.

[13] 唐成順, 孫丹, 唐威, 等. 基于LSTM循環神經網絡的汽輪機轉子表面應力預測模型[J]. 中國電機工程學報, 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] 武大碩, 張傳雷, 陳佳, 等. 基于遺傳算法改進LSTM神經網絡股指預測分析[J]. 計算機應用研究, 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] 劉可真, 茍家萁, 駱釗, 等. 基于粒子群優化-長短期記憶網絡模型的變壓器油中溶解氣體濃度預測方法[J]. 電網技術, 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] 詹懷宇. 纖維化學與物理[M]. 北京: 科學出版社, 2005.

[18] 趙彤, 石雷, 張遠濤, 等. 基于分子模擬的絕緣紙高溫裂解過程水分產生及其破壞作用研究[J]. 中國電機工程學報, 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] 李長云, 郝愛東. 機-熱協同老化對纖維素絕緣紙頻域介電譜的影響[J]. 電工技術學報, 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] 徐佳寧, 倪裕隆, 朱春波. 基于改進支持向量回歸的鋰電池剩余壽命預測[J]. 電工技術學報, 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, 李慶民. 基于多特征參量的油紙絕緣老化狀態定量表征方法[J]. 絕緣材料, 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] 李長云, 王錚. 機-熱協同作用下絕緣紙機械性能的劣化機理[J]. 電工技術學報, 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] 肖遷, 焦志鵬, 穆云飛, 等. 基于LightGBM的電動汽車形式工況下電池剩余使用壽命預測[J]. 電工技術學報, 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

（College of Electrical Engineering and Automation Shandong University of Science and Technology Qingdao 266590 China）

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.

Whale optimization, long-short term memory, mechanical-thermal synergy, multi- feature fusion, remain life prediction

10.19595/j.cnki.1000-6753.tces.210110

TM85

于永進 男，1980年生，碩士，副教授，碩士生導師，研究方向為電力系統與控制。E-mail: yaydjto@163.com

李長云 男，1974年生，博士，副教授，碩士生導師，研究方向為電氣設備智能檢測診斷與大數據分析、電氣絕緣與電磁環境、先進輸變電技術等。E-mail: sdlcyee@sdust.edu.cn（通信作者）

2021-01-21

2021-03-01

山東省重點研發計劃（2019GGX102049）和山東省自然科學基金（ZR2017MEE078）資助項目。

（編輯 崔文靜）