本发明属于气体在线监测领域,具体涉及一种用于气体的在线识别与监测的方法与系统。
背景技术:
1、“轻瓦斯”,指的就是一种故障信号。其原理就是当变压器内部发生故障时,会产生气体,气体上升至储油罐的途中,首先会经过瓦斯继电器,它会积存于瓦斯继电器的上部空间,使油面下降,而瓦斯内部的浮筒也会随之下降,使水银接点闭合,接通报警信号,这就是“轻瓦斯”故障信号的形成。
2、现有技术中,变压器故障诊断方法大多数是离线诊断方法,目前变压器轻瓦斯告警后,采用人工取气方式在变压器的集气盒上进行排油取气,并点火确认该气体是否可燃,来判断该气体是变压器内残留的空气还是内部故障产生的可燃气体。
3、现有技术方案存在以下技术问题:
4、现有的压器故障诊断方法耗时长、效率低,不能在轻瓦斯告警后第一时间进行气体成分的检测,容易导致事故。
技术实现思路
1、本发明提供了一种用于气体的在线识别与监测的方法与系统,旨在解决上述现有技术中存在的耗时长、效率低,不能在轻瓦斯告警后第一时间进行气体成分的检测,容易导致事故的技术问题。
2、本发明解决上述技术问题的技术方案如下:一种用于气体的在线识别与监测的方法,包括:
3、s1:利用气体传感器获取关于气体的信号数据,基于所述信号数据建立初始数据样本集;
4、s2:采用归一化方法对所述初始数据样本集进行归一化预处理,得到预处理数据;
5、s3:基于mapreduce框架,计算任务分配向量,通过所述任务分配向量对所述预处理数据进行任务分配并进行特征提取,得到特征数据;
6、s4:构建计算数学模型,将所述预处理数据和所述特征数据输入所述计算数学模型进行加权平均计算,得到初始交叉干扰系数;
7、s5:基于线性判别方法对所述初始交叉干扰系数进行处理,得到结果交叉干扰系数;
8、s6:对所述结果交叉干扰系数进行分析,得到气体中各组分的浓度值。
9、本发明的有益效果是:本发明融合了mapreduce模型低延时、响应迅速的特点和bp神经网络高准确性的优势,用于变压器气体在线监测,从而实现对变压器油中气体成分的实时精确监测当变压器发生故障时,可以第一时间帮助工作人员了解故障所在,避免事故发生。
10、在上述技术方案的基础上,本发明还可以做如下改进。
11、进一步,上述s1中,所述气体传感器包括多个;其中,各个气体传感器用于分别采集各种气体对应的信号数据。
12、采用上述进一步方案的有益效果是:本发明构建由多种气体传感器构成的传感器阵列,便于对多种气体进行检测。
13、进一步,上述s2中,对所述初始数据样本集进行归一化预处理的公式如下式所示:
14、n(x)={n(x)-min[n(xi)]}/{max[n(xi)]-min[n(xi)]}
15、其中,n(x)表示预处理数据,n(x)表示初始数据样本集,min[n(xi)]表示初始数据样本集中初始数据样本的最小值,max[n(xi)]表示初始数据样本集中初始数据样本的最大值。
16、采用上述进一步方案的有益效果是:本发明通过对各组分气体浓度和各传感单元的响应进行归一化处理,方便了后续对数据的分析与检测。
17、进一步,上述s3中,计算任务分配向量具体为:
18、s3.1:基于mapreduce框架,针对所述特征数据建立map任务和reduce任务;
19、s3.2:基于交替迭代方法,根据map任务和reduce任务分别获取第一收敛精度和第二收敛精度;其中,第一收敛精度为map任务分配固定的条件下,reduce任务分配的收敛精度;第二收敛精度为reduce任务分配固定的条件下,map任务分配的收敛精度;
20、s3.3:计算所述第一收敛精度和所述第二收敛精度的差值,得到差值精度,判断所述差值精度是否小于精度阈值,若小于则继续执行s3.2中的交替迭代,若不小于则停止迭代,得到任务分配向量。
21、采用上述进一步方案的有益效果是:本发明设计出一种mapreduce框架的低时延map和reduce联合调度方法,考虑了集群中不同服务器的计算能力以及服务器之间的传输速率,在map阶段前和reduce阶段的任务分配均做出了优化,最小化了作业完成的总时延。
22、进一步,上述s4中,所述计算数学模型内置多种数学函数;
23、得到初始交叉干扰系数的具体过程为:利用多种数学函数分别对所述特征数据进行拟合处理,对应得到多个拟合结果,对多个所述拟合结果进行加权平均计算,得到初始交叉干扰系数。
24、采用上述进一步方案的有益效果是:本发明结合了多种拟合函数,是得到的初始交叉干扰系数更加准确。
25、进一步,上述s5具体为:
26、s5.1:构建初始bp神经网络模型,随机选择所述初始交叉干扰系数中的一个样本系数输入所述初始bp神经网络模型进行学习,得到训练bp神经网络模型;
27、s5.2:利用所述训练bp神经网络模型计算所述初始交叉干扰系数的全局误差,计算所述全局误差的公式为:
28、
29、其中,e表示全局误差,m表示初始交叉干扰系数中样本系数个数,k=1,2,…,m;q表示bp神经网络模型的输出层的输出向量个数,o=1,2,…,q,do(k)表示bp神经网络模型的期望输出向量,yo(k)表示bp神经网络模型的输出层的输出向量;
30、s5.3:预设误差阈值和最大计算次数m,判断所述全局误差与误差阈值的大小;
31、当所述全局误差小于所述误差阈值,则将所述全局误差作为结果误差;
32、当所述全局误差不小于所述误差阈值,则重新执行s5.2-s5.3,直至所述全局误差小于所述误差阈值或重复次数达到最大计算次数m;
33、当重复次数达到最大计算次数m,随机选择所述初始交叉干扰系数中的另一个样本系数,执行s5.1-s5.3,直至所述全局误差小于所述误差阈值;得到结果误差;
34、s5.4:利用所述结果误差对所述初始交叉干扰系数进行计算,得到结果交叉干扰系数。
35、采用上述进一步方案的有益效果是:本发明通过bp神经网络模型计算得出在变压器集气盒中轻瓦斯气体组分浓度,并形成基于轻瓦斯气体检测的变压器绝缘缺陷严重程度判别方法,有助于运维人员判断变压器内是否有故障存在,制定后续处理措施,减少变压器停电时间,提高供电可靠性。
36、第二方面,本发明为了解决上述技术问题还提供了一种用于气体的在线识别与监测的系统,包括:
37、数据获取模块,用于利用气体传感器获取关于气体的信号数据,基于所述信号数据建立初始数据样本集;
38、预处理模块,用于采用归一化方法对所述初始数据样本集进行归一化预处理,得到预处理数据;
39、特征提取模块,用于基于mapreduce框架,计算任务分配向量,通过所述任务分配向量对所述预处理数据进行任务分配并进行特征提取,得到特征数据;
40、加权平均计算模块,用于构建计算数学模型,将所述预处理数据和所述特征数据输入所述计算数学模型进行加权平均计算,得到初始交叉干扰系数;
41、优化模块,用于基于线性判别方法对所述初始交叉干扰系数进行处理,得到结果交叉干扰系数;
42、分析模块,用于对所述结果交叉干扰系数进行分析,得到气体中各组分的浓度值。
43、第三方面,本发明为了解决上述技术问题还提供了一种电子设备,该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行该计算机程序时实现本技术的a方法。
44、第四方面,本发明为了解决上述技术问题还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本技术的a方法。
45、本技术附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本技术的实践了解到。