基于最小二乘原理的电力变压器绝缘油色谱在线监测系统校准方法

A Calibration Method of Power Transformer Insulating Oil Chromatography Online Monitoring System Based on Least Square Principle

摘要

将半导体传感器应用于电力变压器绝缘油色谱在线监测系统时，传统的直线拟合校准方法会出现测量误差超过限值、拟合气体浓度为负值等问题。基于此，本文采用基于最小二乘原理的直线、幂函数以及一元二次函数拟合方法，对半导体传感器检测的H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂等7种绝缘油中溶解气体的浓度数据进行拟合。通过理论分析和实验验证，证实相比直线和幂函数拟合方法，基于最小二乘原理的一元二次函数拟合结果的相关性更好，拟合误差更低，有望用于改进绝缘油色谱在线监测系统的现场校准方法。

Abstract

With the application of semiconductor sensors in the online monitoring system of power transformer insulating oil chromatogram, the traditional linear fitting calibration method appears some problems, such as the measurement error exceeding the limit and the fitting gas concentration being negative and so on. In this paper, the linear, power function and one-variable quadratic function fitting method based on the least-square principle is used to fit the concentration data of seven gases (H₂,CH₄,C₂H₆,C₂H₄,C₂H₂,CO,CO₂) dissolved in insulating oil detected by semiconductor sensor. Combined with theoretical analysis and experimental verification, it is proved that compared with the linear and power function fitting methods, the fitting results of the one-variable quadratic function based on the least square principle have better correlation and lower fitting error. It is expected to be used to improve the on-site calibration method of the insulating oil chromatography online monitoring system.

Graphical abstract

关键词

在线监测 / 半导体传感器 / 校准方法 / 最小二乘原理

Key words

online monitoring / semiconductor sensor / calibration method / least square principle

0　 引 言

电力变压器作为电力系统中的重要设备之一，其运行状态直接影响电力系统的安全。变压器一旦因故障而停运，将会带来严重的经济损失和社会影响。因此对其运行状态进行在线监测，是保证其稳定运行、提高整个电力系统供电可靠性的关键措施之一^［1］。目前，广泛采用绝缘油中溶解气体分析技术对变压器故障进行在线监测^［2，3］。变压器中绝缘油在电或热故障的作用下发生C—H键和C—C键断裂，会产生H₂和少量低分子烃类如CH₄、C₂H₆、C₂H₄、C₂H₂以及CO和CO₂等特征气体。通过对这几种油中溶解气体的种类和含量进行检测，可以分析、诊断变压器绝缘老化的程度或故障的类型^［4，5］。

常用的绝缘油中溶解气体在线检测方法是气相色谱法，主要采用在线色谱仪，通过色谱柱进行气体分离，然后利用传感器进行定量检测。根据不同的检测原理，色谱仪传感器分为多种类型，主要有热导传感器、氢火焰传感器、半导体传感器等^［6~8］。热导传感器^［7］通过分析载气中引入待测气态物质后热导率的变化进行检测；氢火焰传感器^［7］则基于气相色谱流出物中可燃性有机物在氢-氧火焰中发生电离的原理进行检测；半导体传感器^［7，8］在工作过程中，其表面与待测气体接触时会发生氧化还原反应，通过产生的电导率变化，可检测出相应的气体成分^［9~14］。由于半导体传感器具有工艺简单、成本低、灵敏度高等优点，得到了越来越多的应用。

在线色谱仪在安装投运中存在检测误差大，故障的误报、漏报率高等问题，需要开展周期性的现场校验^［15］。传统的现场校验工作将在线监测系统的检测值与实验室色谱仪测定的参考值进行比较^［16］，计算测量误差并进行分级。当现场校验的测量误差超过行业标准规定的限值时，需要对不同浓度参考油样的在线均值和参考均值进行校准，以减小测量误差。实际应用中，由于热导传感器、氢火焰传感器线性度高、稳定性好，对于采用此类传感器的在线监测系统，传统最小二乘直线校准方法具有较好的拟合效果。但当在线色谱仪使用半导体传感器时，传感器电阻值和气体浓度之间可能存在非线性关系，此时直线拟合校准方法不再适用，现场校准的测量误差会超过限值、拟合度较差，并出现校准后低浓度气体浓度检测值为负值的问题。

本文在对半导体传感器的校准原理进行系统分析的基础上，采用基于最小二乘原理的直线、幂函数和一元二次函数拟合方法，对使用半导体传感器的电力变压器绝缘油色谱在线监测系统进行油样校验，探讨一种更适用于半导体传感器的现场校准评估方法。结果表明，采用基于一元二次模型的校准方法所得结果具有更好的拟合相关性和较低的拟合误差，有效解决了采用传统直线模型校准后检测值出现负值、拟合误差超过限值等问题，改进和完善了电力变压器绝缘油色谱在线监测系统校准方法。

1　 电力变压器绝缘油色谱在线监测系统的校准原理及评价指标

1.1　电力变压器绝缘油色谱在线监测系统

传统的油色谱法^［8］是基于实验室的分析技术，通过人工现场采集油样后在实验室气相色谱仪内进行分析。但实验室气相油色谱分析有周期长、测量环节多等缺点，且不可避免会导致较大的实验误差。另外受检测周期的影响，对于变化较快的变压器故障反应不及时，难以充分发挥监测作用。而在线监测技术很好地弥补了这个缺点，因此近年来得到了快速发展和广泛应用。

电力变压器绝缘油色谱在线监测系统通常由气体在线监测单元、通信控制单元和主站单元等组成，如图1。

1） 气体在线监测单元：安装在变电设备的运行现场，能受控自动开展油气分离、气体组分分离和气体组分定量等工作，同时通过传感器将在线的油中溶解气体的浓度参数转换成电信号，经信号采集、模数转换和预处理后形成测量数据上传。

2） 通信控制单元：采用现场工业总线方式，将气体监测单元采集并处理后的数据准确无误地传送到远离现场的主控制室的计算机处理系统（即主站单元）中。

3） 主站单元：由系统分析软件对数据进行分析处理，分别计算出特征气体各组分的浓度；之后由故障诊断专家系统对特征气体浓度数据进行综合分析诊断，实现变压器故障的在线检测分析。

1.2　校准原理

为了保障在线监测数据的精确性和准确性，需要对绝缘油色谱在线监测系统开展周期性的现场校验评估。目前主要采用标准油样校验法，主要过程为：配制4种不同浓度的参考油样，通过在线监测系统和实验室色谱仪分别检测参考油样，将在线监测系统的检测结果与实验室色谱仪的检测结果（参考值）进行比较，计算在线监测系统的检测误差，并按照“DL/T 1498.2-2016 变电设备在线监测装置技术规范” ^［17］中的规定进行等级评定。

如果检测误差大于\pm\mathrm{30}\mathrm{\%}，绝缘油色谱在线监测系统一般采用直线拟合的方法，实现高效校准的功能。利用在线监测系统和实验室色谱仪测试一组参考油样，得到某气体组分浓度的一组均值（x_i，y_i），i =1，2,\cdots，N，N表示不同浓度的参考油样序号，x_i为在线监测系统对参考油样i的检测均值（下文记作在线均值），y_i为实验室色谱仪对参考油样i的检测均值（下文记作参考均值）。依据（1）式计算相关系数r_x，y

r_{x,y}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^N}(x_i-\overline{x})(y_i-\overline{y})}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^N}(x_i{-\overline{x})}^{\mathrm{2}}{\displaystyle \sum _{i=\mathrm{1}}^N}(y_i{-\overline{y})}^{\mathrm{2}}}}(1)

其中，\overline{x}和\overline{y}分别表示N种不同参考油样的检测在线均值和参考均值的平均值。

如果r_x，y 不低于0.99，则表明在线均值和参考均值的相关性较好。通过最小二乘法，计算斜率b和截距a

b=\frac{{\displaystyle \sum _{i=\mathrm{1}}^N}(x_i-\overline{x})(y_i-\overline{y})}{{\displaystyle \sum _{i=\mathrm{1}}^N}(x_i{-\overline{x})}^{\mathrm{2}}}(2)

a=\overline{y}-b\overline{x}(3)

可得到校准曲线Y_i=a+b{x}_i。依据此校准曲线，计算对在线监测系统检测结果x_i进行校准后得到的检测结果Y_i，按照（4）式和（5）式分别计算Y_i与y_i的绝对误差\mathrm{e}\mathrm{r}\mathrm{r}和相对误差\mathrm{e}\mathrm{r}{\mathrm{r}}_{\mathrm{r}}。

\mathrm{e}\mathrm{r}\mathrm{r}=Y_i-y_i(4)

\mathrm{e}\mathrm{r}{\mathrm{r}}_{\mathrm{r}}=(Y_i-y_i)/y_i\times \mathrm{100}\mathrm{\%}(5)

根据获取数据点的分布形态，除了上述传统的直线拟合方法，理论上可选择的曲线拟合函数的类型很多，包括多项式函数和幂函数等^［9，18］。

1） 多项式函数

对于给定的一组数据（x_i，y_i），寻求m次多项式（m≤N）

y={\displaystyle \sum _{j=\mathrm{0}}^m}{a}_j{x}^j(6)

使总误差^{［19，20］}

Q={\displaystyle \sum _{i=\mathrm{1}}^N}{\left(y_i-{\displaystyle \sum _{j=\mathrm{0}}^m}{a}_j{x}_i^j\right)}^{\mathrm{2}}(7)

最小。

由于Q可以看作是关于a_j（j=0，1，…，m ）的多元函数，故上述拟合多项式的构造问题可归结为多元函数的极值问题。令

\frac{\partial Q}{\partial a_k}=\mathrm{0},k=\mathrm{0,1},\dots ,m(8)

得

{\displaystyle \sum _{i=\mathrm{1}}^N}\left(y_i-{\displaystyle \sum _{j=\mathrm{0}}^m}{a}_j{x}_i^j\right)x_i^k=\mathrm{0}(9)

即有

\left\{\begin{array}{l}{a}_{\mathrm{0}}N+a_{\mathrm{1}}{\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i+\cdots +a_m{\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i^m={\displaystyle \sum _{i=\mathrm{1}}^N}{y}_i\\ a_{\mathrm{0}}{\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i+a_{\mathrm{1}}{\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i^{\mathrm{2}}+\cdots +a_n{\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i^{m+\mathrm{1}}={\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i{y}_i\\ ⋮\\ a_{\mathrm{0}}{\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i^m+a_{\mathrm{1}}{\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i^{m+\mathrm{1}}+\cdots +a_m{\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i^{\mathrm{2}m}={\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i^m{y}_i\end{array}\right.(10)

这是关于系数a_j的线性方程组，通常称为正则方程组。可以证明，正则方程组有唯一解^［21］。

2） 幂函数

对于给定的一组数据（x_i，y_i），用幂函数作为拟合函数对数据进行拟合

y=a{x}^b+c(11)

式中，a、b和c为拟合系数，为确定这些系数，需要对上式两边求一阶导数

x\frac{\mathrm{d}y}{\mathrm{d}x}=ab{x}^b(12)

也就是有

\frac{x}{b}\frac{\mathrm{d}y}{\mathrm{d}x}=a{x}^b(13)

将（13）式代入（11）式并整理，可得

x\frac{\mathrm{d}y}{\mathrm{d}x}=by-bc(14)

令t=-bc，则（14）式可简化为

x\frac{\mathrm{d}y}{\mathrm{d}x}=by+t(15)

这样就将（11）式对应的非线性拟合问题转化为线性拟合问题，根据实际数据（x_i，y_i），采用数值微分公式求出对应的{\left(\frac{\mathrm{d}y}{\mathrm{d}x}\right)}_i的值，然后根据基于最小二乘原理的线性函数拟合方法^［21］，可以得出（15）式中系数b的方程组

\left\{\begin{array}{l}tN+b{\displaystyle \sum _{i=\mathrm{1}}^N}{y}_i={\displaystyle \sum _{i=\mathrm{1}}^N}{x}_i{\left(\frac{\mathrm{d}y}{\mathrm{d}x}\right)}_i\\ t{\displaystyle \sum _{i=\mathrm{1}}^N}{y}_i+b{\displaystyle \sum _{i=\mathrm{1}}^N}{y}_i^{\mathrm{2}}={\displaystyle \sum _{i=\mathrm{1}}^N}{y}_i{x}_i{\left(\frac{\mathrm{d}y}{\mathrm{d}x}\right)}_i\end{array}\right.(16)

解方程组（16），可以求出b的值，这里不一定要求出t的值。求得（11）式中的拟合系数b后，再次应用基于最小二乘原理的线性函数拟合方法，可以求出拟合系数a和c。

由于半导体传感器电阻值和所测气体浓度之间可能存在非线性关系，本文选用了两种常见的曲线拟合数学模型：一元二次函数y=a_{\mathrm{0}}+a_{\mathrm{1}}x+a_{\mathrm{2}}{x}^{\mathrm{2}}和幂函数y=a{x}^b,研究不同函数拟合结果之间的差异以及拟合值与真值的拟合度^［22］。

1.3　拟合模型的评价指标

根据上述原理拟合得到的曲线，还需要对其进行评价，以衡量拟合后的曲线与实际值之间的差异程度^［23］。

选取残差平方和（sum of squares due to error，SSE）、决定系数R²、均方根误差（root mean squared error，RMSE）和最大误差（maximum error，ME）4个指标^{［24，25］}，对油中溶解气体参考均值y_i（或在线均值）和经过拟合后的标定曲线的对应值Y_i的拟合效果进行评价。

\mathrm{S}\mathrm{S}\mathrm{E}={\displaystyle \sum _{i=\mathrm{1}}^N}{\left(y_i-Y_i\right)}^{\mathrm{2}}(17)

R^{\mathrm{2}}=\mathrm{1}-\frac{{{\displaystyle \sum _{i=\mathrm{1}}^N}\left(y_i-Y_i\right)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^N}(y_i{-\overline{y})}^{\mathrm{2}}}(18)

\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt[]{\frac{{{\displaystyle \sum _{i=\mathrm{1}}^N}\left(y_i-Y_i\right)}^{\mathrm{2}}}{N}}(19)

\mathrm{M}\mathrm{E}=\mathrm{m}\mathrm{a}\mathrm{x}\left|Y_i-y_i\right|(20)

其中，SSE越接近于0，R²越接近于1，表示拟合程度越好；RMSE的大小反映所用模型拟合时的相对误差，一般情况下，RMSE值越小，表示拟合结果越准确；ME为N个预测值与实际值的差值绝对值中的最大值，ME越小，表示预测值Y_i和实际值y_i之间的差异越小。

2　 在线监测系统校准实例分析

2.1　数据获取及拟合

按照“DL/T 1498.2-2016 变电设备在线监测装置技术规范”规定^［17］，分别采集对某厂家A、某厂家B在线监测系统现场校验的数据（如表1和表2所示），并采用本文中3种拟合方法对数据进行校准（结果分别如表2、3和图2~5所示）。

在线监测系统的现场校验中，基于分配定律和物料平衡原理配制油样，通过H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂七组分的混合标气与油样在密闭空间内达到气、液两相分配平衡，从而配制不同浓度的参考油样。8种参考油样的检测数据均是数次平行检测结果的平均值。所配制油样中的各气体组分含量由实验室色谱仪按照 “GB/T 17623-2017 绝缘油中溶解气体组分含量的气相色谱测定法” ^［26］ 的规定进行定值，其结果作为参考均值，并与在线监测系统对参考油样的在线检测均值（即在线均值）进行比较。厂家A和B的在线监测系统使用的气敏传感器是半导体传感器。

表1和表2展示了利用A、B两个厂家的在线监测系统分别得到的4组在线均值和实验室参考均值。现场校准要求拟合函数将测量误差限制在规定范围内，以达到提高在线监测仪测量精度的目的。因此，我们针对表1和表2中的8组监测数据，利用最小二乘法，选取一元二次函数（y=a_{\mathrm{0}}+a_{\mathrm{1}}x+a_{\mathrm{2}}{x}^{\mathrm{2}})进行拟合，并与直线（y=ax+b）拟合和幂函数（y=a{x}^b）拟合的结果进行对比，结果分别如图2和图3所示。由图2和图3可以看出，整体而言，相较于直线拟合和幂函数拟合，采用一元二次函数拟合的效果较好。

根据不同的拟合曲线，分别计算校准后的在线均值，3种拟合函数对参考油样3和参考油样5中溶解气体浓度校准所得值分别如表3和表4所示。采用直线拟合方法时，如表3所示，对参考油样3中溶解的气体进行在线检测浓度校准后，CH₄、C₂H₆、C₂H₄、C₂H₂、CO的在线均值为负数；如表4所示，对参考油样5中溶解气体浓度数据进行拟合后，气体C₂H₆的在线均值也为负值，这显然是不合理的。

图4（a）和图4（b）分别为对参考油样3和参考油样5中溶解气体浓度数据进行校准后所得在线均值和参考均值的相对误差。结合表3、4和图4可知，采用一元二次函数拟合或幂函数拟合时，既使得校准后气体的在线值为正值，又在很大程度上降低了校准的相对误差。

为了比较整体的拟合效果，图5给出了对参考油样1~4中溶解烃类气体的浓度进行校准后所得在线均值和参考均值的相对误差。

由图5可知，对于参考油样1和4，采用幂函数拟合时，在线均值与参考均值的相对误差最大；对于参考油样2和3，采用直线校准方法时，在线均值与参考均值的相对误差最大，参考油样3中C₂H₄浓度的校准相对误差甚至达到了-\mathrm{200}\mathrm{\%}；对于参考油样1~4，采用一元二次函数拟合或幂函数拟合时，整体而言，相对误差在\pm \mathrm{30}\mathrm{\%}以内，符合国家电网企业标准“DL/T 1498.2-2016 变电设备在线监测装置技术规范”^［17］中针对多组分在线监测装置技术指标的相关规定。值得指出的是，尽管对于参考油样3，幂函数拟合的误差较小；但对于参考油样1和4，幂函数拟合的误差比直线拟合误差更大，这是由于幂函数拟合往往需要基于较多采样点的数据，拟合结果才能更精确，而油色谱分析（尤其是参考均值）所需的巨大工作量又限制了更多数据点的获取。实际电力变压器绝缘油色谱在线监测过程中，多采用4个标样来进行分析，因此可能导致幂指数的拟合误差较大。

2.2　拟合效果评价

根据A、B厂家的在线监测系统分别针对参考油样1~4和5~8所监测的数据，选取SSE、ME、RMSE、R²这4种指标进行显著性检验，以验证采用不同拟合函数（y=a+bx、y=a{x}^b、y=a_{\mathrm{0}}+a_{\mathrm{1}}x+a_{\mathrm{2}}{x}^{\mathrm{2}})所得校准值与实际值的吻合程度。

1） SSE

表5为采用3种拟合函数，对A、B厂家在线监测系统气体浓度在线均值拟合后所得校准值的SSE。由表5可知，除CO₂外，整体而言，采用一元二次拟合后，校准后气体浓度在线均值的SSE明显小于采用直线和幂函数拟合后在线均值的SSE。SSE明显减小，说明校准后的误差大大减低。其中，采用一元二次函数对烃类气体浓度拟合，校准后在线均值的SSE基本降低至0，这与相应的相对误差结果一致（如图4和图5）。与之相比，采用幂函数拟合的校准结果较差，对检测数据的校准没有起到改善作用。

2） ME

表6为采用3种拟合函数，对A、B厂家在线监测系统气体浓度在线均值拟合后所得校准值的ME。对比ME可知，在厂家A的数据中，除CO₂外，相较于直线拟合，一元二次函数拟合模型的ME值更小，大部分降到了10 \mathrm{\mu }\mathrm{L}/\mathrm{L}以下。幂函数拟合的ME值甚至比原直线拟合的结果更大，与SSE的结果相符合。

3） RMSE

图6为采用3种拟合函数，对A、B厂家在线监测系统气体浓度在线均值拟合后所得校准值的RMSE。由图6可以看出：整体而言，相较于直线拟合和幂函数拟合，采用一元二次函数拟合模型所得校准值的RMSE最小。经一元二次函数拟合后，除CO₂外，其他气体浓度校准值的RMSE明显小于直线拟合和幂函数拟合后的结果。而采用幂函数拟合时，对A厂家在线监测系统气体浓度在线均值的拟合出现了明显的误差，RMSE均大于直线拟合的结果；对B厂家在线监测系统气体浓度在线均值的拟合效果同样不佳。

4） R^{\mathrm{2}}

表7为采用3种拟合函数，对A、B厂家在线监测系统气体在线均值拟合后所得校准值的R^{\mathrm{2}}。在厂家B的校准数据中，一元二次函数拟合的R^{\mathrm{2}}非常接近于1；在厂家A的校准数据中，一元二次函数拟合的R²甚至达到1。这些都说明，相较于直线拟合和幂函数拟合，一元二次函数拟合曲线与实际数据曲线的吻合程度更高，模型更为精准。

2.3　结果讨论

由上述4个评价指标的结果看出，采用一元二次函数的整体拟合效果明显优于直线和幂函数拟合的效果；另外虽然在少数情况下幂函数的拟合效果更好，但对于大部分数据，其拟合效果甚至不如直线拟合效果。这是因为，对于幂函数拟合模型，需要大量的数据点才更能显示其拟合的优越性，然而在线监测系统的现场校验评估及校准过程非常复杂，需要完成不同参考油样配制、管路清洗、重复检测等多个步骤，这使得获取更多的数据点需要增加大量工作，校准难度大大增加。因而整体而言，一元二次函数具有更好的可行性和准确性。

另外，从SSE、ME、RMSE的分析结果来看，在7种气体中只有CO₂采用一元二次函数进行拟合效果不太理想。这主要是因为半导体传感器检测气体时，是通过器件表面与待测气体接触时所发生的氧化或还原反应导致的电导率变化来检测相应的气体成分及浓度。如果器件的功函数大于吸附分子的电子亲和力，则吸附分子将向器件释放电子而成为正离子吸附，具有这种正离子吸附倾向的气体为还原性气体；反之，如果器件的功函数小于吸附分子的电子亲和力，则吸附分子将向器件夺取电子而成为负离子吸附，具有这种负离子吸附倾向的气体为氧化性气体。这里H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO这6种待测气体均为还原性气体，与半导体表面接触时将向半导体释放电子，导致表面晶粒的边界势垒降低，电阻值减小^［10~14］；而CO₂较为稳定，既非氧化性气体，也非还原性气体，故半导体型气敏传感器对CO₂敏感度低，测试数据必定存在较大误差，相应地，拟合效果也无法保证。

由于不同传感器检测的物理化学机制不同，因此其适合的校准方法可能也存在差异。对采用线性度高、稳定性好的热导或氢火焰传感器的在线监测系统，采用传统的直线拟合校准法较为适合。而当采用半导体传感器时，由于传感器电阻值和还原性气体浓度之间可能服从非线性关系，建议采用一元二次函数模型对油中溶解气体浓度的在线均值和参考均值进行拟合，能够有效地减小检测误差、提高校准精密度，以保证在线监测系统气体标定的可信度。

3　 结 语

本文开展了电力变压器绝缘油色谱在线监测系统校准方法的改进研究，针对采用半导体传感器的在线监测系统所出现的测量误差超出标准规定范围、校准拟合后气体浓度为负值等难题，对不同浓度参考油样中H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂等7种溶解气体的在线均值和实验室参考均值，分别采用直线、幂函数和一元二次函数等3种模型进行拟合校准。通过对拟合结果及SSE、R²、ME和RMSE等指标的对比分析与综合评估，发现采用一元二次函数拟合不仅有效解决了溶解气体浓度校准值为负值、测量误差超过限值（\pm30%）等问题，同时提高了绝缘油色谱在线监测系统的准确性和可靠性，具有较好的行业推广价值和应用前景。

参考文献

[1] GODINHO M S， OLIVEIRA A E， SENA M M. Determination of interfacial tension of insulating oils by using image analysis and multi-way calibration［J］. Microchemical Journal， 2010， 96（1）：42-45. DOI： 10.1016/j.microc.2010.01.017 .

[2] 许坤，周建华，茹秋实，等.变压器油中溶解气体在线监测技术发展与展望［J］.高电压技术，2005，31（8）：30-32. DOI： 10.13336/j.1003-6520.hve.2005.08.011 .

[3] XU K， ZHOU J H， RU Q S， et al. Development and prospect of transformer oil dissolved gas on-line monitoring technology ［J］. High Voltage Engineering， 2005， 31（8）：30-32. DOI： 10.13336/j.1003-6520.hve.2005.08.011（Ch ）.

[4] 郑含博. 电力变压器状态评估及故障诊断方法研究［D］. 重庆：重庆大学， 2012. 10.33278/sae-2012.plenary

[5] ZHENG H B. Study on Condition Assessment and Fault Diagnosis Approaches for Power Transformers ［D］. Chongqing： Chongqing University， 2012. 10.33278/sae-2012.plenary

[6] 范松海，樊文芳，王铭民，等.变压器油色谱在线检测与故障诊断应用［J］.电气自动化， 2015， 37（5）：60-62. DOI： 10.3969/j.issn.1000-3886.2015.05.019 .

[7] FAN S H， FAN W F， WANG M M， et al. On-line monitoring of transformer oil chromatogram and it application in fault diagnosis［J］. Electrical Automation， 2015， 37（5）：60-62. DOI： 10.3969/j.issn.1000-3886.2015.05.019（Ch ）.

[8] 黄皓炜.变压器油中溶解气体在线监测系统的原理及应用［J］. 浙江电力，2016，35（2）：31-35. DOI： 10.19585/j.zjdl.2016.02.008 .

[9] HUANG H W. Principle and application of online monitoring system of dissolved gases in transformer oil ［J］. Zhejiang Electric Power，2016，35（2）：31-35. DOI： 10.19585/j.zjdl.2016.02.008（Ch ）.

[10] 梁玲君.电力变压器油色谱在线监测技术的探讨［J］.电工技术， 2019（6）： 19-20， 23. DOI： 10.19768/j.cnki.dgjs.2019.06.008 .

[11] LIANG L J. Discussion on on-line monitoring technology of oil chromatography in power transformer［J］. Electric Engineering， 2019（6）： 19-20，23. DOI： 10.19768/j.cnki.dgjs.2019.06.008（Ch ）.

[12] 黄兵. SnO₂半导体传感器敏感特性分析及其在DGA技术中应用［D］. 长沙：中南大学，2014. 10.33278/sae-2014.vol.2

[13] HUANG B. Analysis of the Gas-sensitive Property of SnO2 Semiconductor Sensors and Its Application in the DGA Technology ［D］. Changsha： Central South University， 2014（Ch）. 10.33278/sae-2014.vol.2

[14] 王毓红.电力变压器色谱在线监测系统的研究［D］. 上海：上海交通大学，2008. 10.1515/9783110970128

[15] WANG Y H. Study of Chromatography On⁃line Monitoring System of Power Transformer［D］. Shanghai： Shanghai Jiaotong University， 2008（Ch）. 10.1515/9783110970128

[16] JOHNSON M L. Nonlinear least-squares fitting methods［J］. Methods in Cell Biology， 2008， 84：781-805. DOI： 10.1016 /S0091-679X（07）84024-6 .

[17] TAKADA T. A new method for gas identification using a single semiconductor sensor ［J］. Sensors and Actuators B： Chemical， 1998， 52（1-2）：45-52. DOI： 10.1016/s0925-4005（98）00254-8 .

[18] KOHL D. Function and applications of gas sensors［J］. Journal of Physics D： Applied Physics，2001，34（19）： R125-R149. DOI： 10.1088/0022-3727/34/19/201 .

[19] BELING S， BLÄSER G， BOCK J， et al. Signal conditioning for semiconductor gas sensors being used as detectors in gas-chromatographs and similar applications［J］. Sensors and Actuators B： Chemical， 1998， 52（1-2）：15-22. DOI： 10.1016/ S0925-4005（98）00250-0 .

[20] TRANI F， CAUSÀ M， NINNO D， et al. Density functional study of oxygen vacancies at the SnO₂ surface and subsurface sites ［J］. Physical Review B， 2008， 77（24）：245410. DOI： 10.1103/PhysRevB.77.245410 .

[21] TAKADA T. Temperature drop of semiconductor gas sensor when exposed to reducing gases-simultaneous measurement of changes in sensor temperature and in resistance ［J］. Sensors and Actuators B： Chemical， 2000， 66（1-3）：1-3. DOI： 10.1016/ S0925-4005（99）00422-0 .

[22] 连鸿松，李文琦，赖永华，等.变压器绝缘油溶解气体及含气量现场快速检测一体化装置研究［J］.高压电器，2020，56（3）：79-86. DOI： 10.13296/j.1001-1609.hva.2020.03.012 .

[23] LIAN H S， LI W Q， LAI Y H， et al. Research on the integration device for on-site rapid detection of dissolved gases and gas content in transformer insulating oil ［J］. High Voltage Apparatus，2020，56（3）：79-86. DOI： 10.13296/j.1001-1609.hva.2020.03.012 （Ch ）.

[24] 卢立秋，郭军科，张桂贤，等.变压器在线色谱仪运行中的校准技术［J］.供用电，2009，26（4）：62-64. DOI： 10.3969/ j.issn.1006-6357.2009.04.017 .

[25] LU L Q， GUO J K， ZHANG G X， et al. Calibration technology in operation of online chromatograph of substation［J］. Distribution & Utilization， 2009， 26（4）：62-64. DOI： 10.3969/j.issn.1006-6357.2009.04.017 （Ch ）.

[26] DL/T 1498.2—2016 变电设备在线监测装置技术规范 第2部分：变压器油中溶解气体在线监测装置 ［S］. 北京：中国电力出版社，2016. 10.1016/b978-1-895198-92-8.50140-3

[27] DL/T 1498.2—2016 Technical specification for on-line monitoring device of transformation equipment-Part 2： On-line monitoring device of gases dissolved in transformer oil ［S］. Beijing： China Electric Power Press， 2016 （Ch）. 10.1016/b978-1-895198-92-8.50140-3

[28] 张永涛，贾延明.最小二乘法中代数多项式曲线拟合的分析及实现［J］.计算机与数字工程，2017，45（4）： 637-639，654. DOI： 10.3969/j. issn.1672-9722.2017.04.009 .

[29] ZHANG Y T， JIA Y M. Analysis and program implementation of least squares polynomial curve fitting ［J］. Computer & Digital Engineering，2017，45（4）： 637-639，654.DOI： 10.3969/j. issn.1672-9722.2017.04.009（Ch ）.

[30] 吴赣昌.概率论与数理统计（理工类第四版）［M］．北京：中国人民大学出版社，2011. 10.15385/yb.miracle.2011

[31] WU G C. Probability & Statistics （Science and Engineering） ［M］．4th Ed.Beijing：China Renmin University Press， 2011（Ch）. 10.15385/yb.miracle.2011

[32] 张强.最小二乘法原理及其处理方法的探讨［J］.计量与测试技术，2020，47（4）： 75-76. DOI：10.15988/j.cnki.1004-6941.2020.4.023 .

[33] ZHANG Q. Exploneing for the principle of least square method and its treatment method ［J］. Metrology & Measurement Technique， 2020， 47（4）： 75-76. DOI：10.15988/j.cnki.1004-6941.2020.4.023 （Ch ）.

[34] 王司潮.基于空间自适应最小二乘法的相机渐晕补偿［D］. 长春：中国科学院大学 （中国科学院长春光学精密机械与物理研究所），2020. 10.21436/inbom.18882202

[35] WANG S C. Camera Vignetting Compensation Based on Space Adaptive Least Square Method［D］. Changchun： University of Chinese Academy of Sciences （Changchun Institute of Optics， Fine Mechanics and Physics，Chinese Academy of Sciences），2020（Ch）. 10.21436/inbom.18882202

[36] 陈峰.医用多元统计分析方法［M］. 北京：中国统计出版社，2001. 10.1515/9783486832600

[37] CHEN F. Medical Multivariate Statistics［M］. Beijing： China Statistics Press，2001（Ch）. 10.1515/9783486832600

[38] 高辉.几类常用非线性回归分析中最优模型的构建与SAS智能化实现［D］.北京：中国人民解放军军事医学科学院，2012. 10.7666/d.D237356

[39] GAO H. Optimal Model Construction in Some Kinds of Commonly Used Nonlinear Regression Analysis and Their Intelligent Realization by SAS ［D］. Beijing： Chinese People’s Liberation Army Academy of Military Medical Sciences， 2012（Ch）. 10.7666/d.D237356

[40] DALIAKOPOULOS I N， COULIBALY P， TSANIS I K. Groundwater level forecasting using artificial neural networks［J］. Journal of Hydrology， 2005， 309 （1-4）： 229-240. DOI：10.1016/j.jhydrol.2004.12.001 .

[41] VITTINGHOFF E， GLIDDEN D V， SHIBOSKI S C， et al. Regression Methods in Biostatistics Linear， Logistic， Survival and Repeated Measures Models ［M］. 2nd Ed. Berlin：Springer， 2010.

[42] GB/T 17623-2017 绝缘油中溶解气体组分含量的气相色谱测定法 ［S］. 北京：中国标准出版社，2017. 10.1039/c7nr90251d

[43] GB/T 17623-2017 Determination of componental contents of gases dissolved in insulating oil by gas chromatography method ［S］. Beijing： China Quality and Standards Publishing & Media Co.，Ltd.， 2017 （Ch）. 10.1039/c7nr90251d

基金资助

国网浙江省电力有限公司科技项目(5211DS18002Z)