一种变压器油中溶解气体色谱谱图智能识别方法与流程

本发明涉及电力系统在线监测领域，具体地，涉及一种变压器油中溶解气体色谱谱图智能识别方法。

背景技术：

1、变压器作为重要的输变电设备，其运行可靠性直接关系到整个电力系统的安全运行。它的故障往往造成局部和全局系统设备停止运行，甚至导致供电中断事故，因此变压器设备的安全可靠运行尤为重要。变压器油中溶解气体监测装置是目前反应变压器运行状态最有效的监测手段，客户对其性能、稳定性和准确性的要求逐渐提升。但在装置应用过程中，色谱峰识别这一环节由于受到检测手段、检测环境、检测周期的影响，存在着峰点异常、谱峰重叠、基线漂移抖动等现象，降低了谱峰识别的准确率，从而影响气体浓度测量值的准确性，造成装置的误判和漏判。

2、cn 115586280a《一种基于自适应阈值的色谱峰识别方法》描述了一种基于自适应阈值的色谱峰识别方法，通过设置最小峰斜率阈值、最小峰高阈值、最小峰面积阈值、最小半峰宽阈值进行谱峰识别，该方法依赖于阈值的设定，阈值设定是否合理存在不确定性。

3、《变压器油中溶解气体色谱识别方法的研究及应用》一文采用滤波、平滑算法进行数据预处理，利用一阶导数进行谱峰提取，采取粒子群优化支持向量机算法对色谱峰进行识别，但一阶导数法不能有效提取复杂的肩峰型重叠峰，会降低识别准确性。

4、《基于多参数权重分析的油中溶解气体色谱峰识别》采用多参数权重分析算法一定程度上提高了低浓度气体峰检测的准确性，但对色谱峰识别和分类缺乏自适应和自我学习能力。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种变压器油中溶解气体色谱谱图智能识别方法。

2、根据本发明的一个方面，提供一种变压器油中溶解气体色谱谱图智能识别方法，包括：

3、利用差分阈值滤波去除色谱图中第一色谱曲线序列的无效数据，得到无异常点的第二色谱曲线序列；

4、对所述第二色谱曲线序列进行平滑处理，得到第三色谱曲线序列；

5、采用卷积神经网络对所述第三色谱曲线序列的一阶和二阶导数谱图进行识别，提取谱峰并判断谱峰类型；

6、提取所述第三色谱曲线序列的多个特征点；

7、基于多个所述特征点，调整所述第三色谱曲线序列的基线，得到第四色谱曲线序列；

8、对所述第四色谱曲线序列进行色谱峰识别，得到色谱峰；

9、基于所述特征点、所述基线、所述色谱峰，计算色谱峰高或峰面积，用于求得气体浓度。

10、优选地，所述利用差分阈值滤波去除色谱图中第一色谱曲线序列的无效数据，得到无异常点的第二色谱曲线序列，包括：

11、截取初始色谱曲线序列中n个数据，进行等差处理得到等差序列数据集{(vi+1-vi)}；

12、基于数理统计中的3σ原则，当所述等差序列数据集中某个点不在(μ-3σ，μ+3σ)中时，认为该点是异常点，得到m个异常点数据集{(vi+1-vi)，(vi-vi-1)}；必须两个连续的点同时为异常点才能进入异常点数据集；其中：

13、

14、取m个常点数据集中的一个样本集，令vi’＝(vi+1+vi-1)/2，生成新的等差序列数据集{(vi+1-vi’)}，重复异常点判断；若vi’处不是异常点，则判断vi为异常点；

15、判断m个常点数据集中的其余样本集，找出所有异常点；

16、利用三次样条插值法替换所有所述异常点，得到无异常点的第二色谱曲线序列。

17、优选地，采用动态一阶滤波算法对所述第二色谱曲线序列进行平滑处理，得到第三色谱曲线序列。

18、优选地，所述采用卷积神经网络对所述第三色谱曲线序列的一阶和二阶导数谱图进行识别，提取谱峰并判断谱峰类型，包括：

19、通过收集实际检测的第三色谱曲线序列，建立色谱曲线序列的一阶导数谱图和二阶导数谱图的样本集；

20、对所述样本集的第三色谱曲线序列的一阶导数谱图和二阶导数谱图进行卷积操作，得到卷积后的特征图矩阵；

21、搭建优化池，对所述卷积后的特征图矩阵进行降采样，得到降采样后的特征图；

22、搭建全连接层，将所有降采样后的特征图即所有局部特征结合成为全局特征向量，输入至分类器进行类别判定；

23、采用反向传播算法通过所述样本集训练卷积神经网络；

24、使用训练后的卷积神经网络对测试集的第三色谱曲线序列进行识别，给每个提取出的色谱峰标注谱峰类型标签。

25、优选地，任何一种谱峰类型，都有一对匹配的一阶导数谱图和二阶导数谱图；所述谱峰类型包括分离峰、轻微重叠峰、严重重叠峰、前肩峰、后肩峰和倒峰。

26、优选地，所述卷积操作的过程，包括：

27、假设l层有n个特征图，0≤l≤5，卷积层的输入是m×m的矩阵xj，卷积核是n×n的矩阵kij，使用卷积核对输入矩阵xj的感受野进行步长为1的顺序卷积，卷积公式为：

28、

29、其中是卷积层输出的特征图的矩阵，是一个(m-n+1)×(m-n+1)的矩阵，1≤j≤n；mj表示输入的特征图矩阵集合；是卷积后所加偏置；f是一个非线性函数，一般为sigmoid函数。

30、优选地，所述降采样的公式为：其中是经过降采操作的输出特征图；是特征图特有的乘性偏置，down(.)表示降采样函数，f是一个非线性函数。

31、优选地，所述提取所述第三色谱曲线序列的多个特征点，包括：通过第三色谱曲线序列、一阶导数谱图和二阶导数谱图输出x个色谱峰的峰起点tx1、顶点tx2和终点tx3。

32、优选地，所述基于多个所述特征点，调整所述第三色谱曲线序列的基线，得到第四色谱曲线序列，包括：

33、谱峰类型若为分离峰，连接分离峰的起点和终点作为基线；

34、谱峰类型若为肩峰、重叠峰，取第一个峰的起点和最后一个峰的终点作为基线；

35、谱峰类型为倒峰，删除倒峰，连接倒峰前面峰的终点和后面峰的起点作为基线替换倒峰；

36、遍历每个峰的起点，逐点向后递增直至该峰顶点对比峰值，取峰高最低的点作为该峰新的起点；遍历每个峰的终点，逐点向前递减直至该峰顶点对比峰值，取峰高最低的点作为该峰新的终点；

37、基线调整结束得到第四色谱曲线序列；

38、计算所述第四色谱曲线序列的各色谱峰基线的斜率，对超过基线斜率阈值的色谱峰标记存疑峰标签。

39、优选地，所述对所述第四色谱曲线序列进行色谱峰识别，得到色谱峰，包括：

40、检测色谱柱前流量；

41、根据色谱柱前流量计算特征气体m的保留时间tm：tm＝fm(q)

42、其中，tm表示特征气体m的保留时间，q为流量，f是一个函数；

43、计算所述第四色谱曲线序列中x个色谱峰的峰宽标准偏差σx，σx为第x个色谱峰0.607倍峰高处色谱峰宽度的一半；

44、判断第x个色谱峰是否为特征气体的色谱峰，若

45、

46、则第x个色谱峰是特征气体m的谱峰；

47、重复色谱峰识别过程，直至所有特征气体均找到对应的色谱峰即完成色谱峰识别。

48、与现有技术相比，本发明实施例至少具有如下的一项有益效果：

49、本发明实施例中的变压器油中溶解气体色谱谱图智能识别方法，取色谱曲线差分序列，利用3σ法则剔除异常点，有效提高谱图数据质量。

50、本发明实施例中的变压器油中溶解气体色谱谱图智能识别方法，采用卷积神经网络对色谱曲线序列的一阶和二阶导数谱图进行识别，提取谱峰并判断谱峰类型，该方法合理地利用色谱谱图一阶导数和二阶导数的特征，更加精准的识别谱峰类型。且样本集不断更新扩展，随着样本集的不断增加训练神经网络，实现色谱峰识别和分类的自适应和自我学习能力。

51、本发明实施例中的变压器油中溶解气体色谱谱图智能识别方法，根据谱峰类型自动调整基线，可降低折叠峰、肩峰造成的基线偏移，提高了色谱峰计算的准确性。

52、本发明实施例中的变压器油中溶解气体色谱谱图智能识别方法，利用基线斜率判断基线是否正常，对基线异常的色谱峰标记存疑峰标签，提示谱图计算结果存疑，方便工作人员处理，可及时判断色谱峰计算结果是否有效。

53、本发明实施例中的变压器油中溶解气体色谱谱图智能识别方法，基于流量、结合峰宽标准偏差σx识别特征气体对应的色谱峰，可避免因为峰漂移而造成的错检和漏检，提高有效峰的识别率。