基于人工智能的GIS气体组分浓度检测方法与流程

基于人工智能的gis气体组分浓度检测方法
技术领域
1.本发明涉及人工智能技术领域，具体涉及基于人工智能的gis气体组分浓度检测方法。


背景技术：

2.在高压或超高压输变电设备中，通常选用固有气体充当绝缘材料和灭弧介质。在设备正常运行时，固有气体是稳定的。若高压输变电设备长期处于放电状态，固有气体将不再稳定并发生分解。通过检测固有气体分解产物中的各气体含量，可以判断输变电设备的运行状况及潜在的故障。
3.目前，常用的气体检测的方法是采用气体传感器进行气体识别和检测，但是仅使用气体传感器检测气体，当组分中存在其他气体时，会对气体传感器检测到的气体浓度存在较大的影响，使气体传感器检测到的气体浓度精确性低。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供基于人工智能的gis气体组分浓度检测方法，所采用的技术方案具体如下：利用多个气体浓度传感器采集气体采集单元中的气体浓度，得到多个相应的气体浓度序列；根据各所述气体浓度传感器与所述气体采集单元中各未知点的相对距离分配各所述未知点的浓度权重；根据所述浓度权重和各所述气体浓度传感器的气体浓度计算各未知点位置处的气体浓度，得到各未知点对应的其他浓度序列，各所述未知点的气体浓度序列和气体浓度传感器的气体浓度序列构成气体浓度矩阵；利用去趋势波动分析法获取所述气体浓度矩阵中各气体浓度序列的累计离差序列，并计算所述累计离差序列对应的赫斯特指数，根据所述赫斯特指数得到波动趋势值；计算所述累计离差序列所对应曲线的包络面积；由气体采集单元中各点对应的包络面积和波动趋势值，构建对应的包络面积矩阵和波动趋势矩阵；所述气体浓度矩阵、所述包络面积矩阵和所述波动趋势矩阵输入气体浓度预测网络得到预测气体浓度。
5.优选的，所述根据所述赫斯特指数得到波动趋势值，包括：所述赫斯特指数与预设指标差值的绝对值为波动趋势值。
6.优选的，所述计算所述累计离差序列所对应曲线的包络面积，包括：利用峰值点检测算法计算所述累计离差序列的多个极大值和极小值；由多个所述极大值和所述极小值得到极大值包络曲线和极小值包络曲线；根据所述极大值包络曲线和所述极小值包络曲线计算包络面积。
7.优选的，所述根据各所述气体浓度传感器与所述气体采集单元中各未知点的相对距离分配各所述未知点的浓度权重，包括：
所述浓度权重为：其中，为第个气体浓度传感器对所述未知点分配的所述浓度权重；为第个气体浓度传感器到所述未知点的距离；为衰减指标。
8.优选的，所述气体浓度矩阵、所述包络面积矩阵和所述波动趋势矩阵输入气体浓度预测网络得到预测气体浓度的步骤，包括：融合所述气体浓度矩阵、所述包络面积矩阵和所述波动趋势矩阵得到三通道的三维矩阵；所述气体浓度预测网络中的编码器对所述三通道的三维矩阵进行特征提取得到特征矩阵；展平所述特征矩阵得到特征向量；融合气体采集单元中的各气体对应的所述特征向量得到融合特征向量，所述融合特征向量输入回归器中输出各气体的预测气体浓度。
9.优选的，所述气体浓度预测网络为：3d卷积神经网络。
10.优选的，所述气体浓度预测网络的网络训练集的获取方法，包括：利用高精度配气仪配比混合气体，得到所述混合气体中各气体的实际气体浓度；由所述实际气体浓度、所述实际气体浓度对应的气体浓度矩阵、包络面积矩阵和波动趋势矩阵作为所述气体浓度预测网络的网络训练集。
11.优选的，所述气体浓度预测网络的损失函数为：所述预测气体浓度和所述实际气体浓度之间的均方差损失函数。
12.本发明实施例至少具有如下有益效果：本发明实施例利用人工智能技术，首先利用气体浓度传感器采集气体采集单元中的气体浓度，得到多个气体浓度序列；利用去趋势波动分析法获取各气体浓度序列的累积离差序列，对计算对应的赫斯特指数，根据赫斯特指数得到波动趋势值，由该波动趋势值得到气体浓度的变化趋势；计算该累积离差序列的包络面积，并根据气体采集单元中各未知点到气体浓度传感器的距离分配各未知点的浓度权重，该包络面积反映气体浓度序列的波动性。根据该浓度权重和各气体浓度传感器的气体浓度计算各未知点位置处的气体浓度，由各未知点处的气体浓度和各气体浓度传感器的气体浓度构建气体浓度矩阵，即可仅有气体浓度传感器采集到的气体浓度得到气体采集单元中各位置点的气体浓度；由气体浓度矩阵得到各点对应的包络面积和波动趋势，构建包络面积矩阵和波动趋势矩阵；将气体浓度矩阵、包络面积矩阵和波动趋势矩阵输入气体浓度预测网络得到预测气体浓度。通过去趋势波动分析法排除混合气体中其他气体的影响，将得到的气体采集单元中各点处的气体浓度矩阵、包络面积矩阵和波动趋势矩阵输入训练好的气体浓度预测网络中即可得到预测气体浓度，达到了避免气体交叉干扰带来的气体浓度检测误差、提高气体浓度检测精准度的目的。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅
仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
14.图1为本发明一个实施例所提供的基于人工智能的gis气体组分浓度检测方法的方法流程图；图2为本发明一个实施例所提供的获取各气体浓度序列对应的波动趋势值和包络面积的步骤流程图。
具体实施方式
15.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的gis气体组分浓度检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
16.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
17.本发明实施例提供了基于人工智能的gis气体组分浓度检测方法的具体实施方法，该方法适用于气体组分浓度检测场景。该气体组分浓度检测场景包含气体绝缘电气设备、气体采集单元和气体浓度传感器，其中气体浓度传感器放置在气体采集单元中，气体采集单元和气体绝缘电气设备由导气管和取样针型阀相连接。将气体绝缘电气设备中产生的气体通过导气管和取样针型阀传入气体采集单元中，气体采集单元中的气体浓度传感器用于采集气体浓度。在本发明实施例中以六氟化硫气体为传感器的待检测气体。气体绝缘电气设备（gas insulated switchgear，gis）以气体绝缘全封闭组合电器为例，由断路器、隔离开关、接地开关、互感器、避雷器、母线、连接件和出线终端等组成，这些设备或部件全部封闭在金属接地的外壳中，在其内部充有一定压力的六氟化硫绝缘气体，故也称六氟化硫全封闭组合电器。该六氟化硫气体绝缘电气设备产生的六氟化硫分解气体经导气管和取样针型阀传入气体采集单元后，利用气体浓度传感器得到气体浓度数据。具体的为在被测六氟化硫电气设备气体取样针型阀的出口排出，经导气管与气体采集单元进气口进入气体采集单元，设定气体流量，通过调节取样针型阀将设定流量的气体传入气体采集单元中。本发明实施例通过去趋势波动分析法排除混合气体中其他气体的影响，将得到的气体采集单元中各点处的气体浓度矩阵、包络面积矩阵和波动趋势矩阵输入训练好的气体浓度预测网络中即可得到预测气体浓度，达到了避免气体交叉干扰带来的气体浓度检测误差、提高气体浓度检测精准度的目的。
18.下面结合附图具体的说明本发明所提供的基于人工智能的gis气体组分浓度检测方法的具体方案。
19.请参阅图1，其示出了本发明一个实施例提供的基于人工智能的gis气体组分浓度检测方法的步骤流程图，该方法包括以下步骤：步骤s100，利用多个气体浓度传感器采集气体采集单元中的气体浓度，得到多个相应的气体浓度序列。
20.在气体采集单元中每个顶点处均安装一个气体浓度传感器。在本发明实施例中气
体采集单元为一个长方体，共有八个顶点，所以相应的共安装八个气体浓度传感器。
21.利用气体浓度传感器实时监测气体采集单元中气体浓度的变化，获取多个气体浓度传感器采集到的多个气体浓度序列。该气体浓度序列可能会产生波动，该波动的原因可能是因为混合气体中有多种气体相互干扰导致的。
22.如六氟化硫气体绝缘电气设备产生的六氟化硫分解气体经气体采集单元采集后，利用气体浓度传感器得到气体浓度数据。在电气设备正常运行的情况下，六氟化硫气体稳定的，这时气体浓度传感器采集到的气体浓度数据是相对稳定的。若高压输变电设备长期处于放电状态，六氟化硫气体将不再稳定并发生分解，分解后的气体包含多种成分，如硫化氢、二氧化硫，因此分解后传入气体采集单元设备内的气体为混合绝缘气体。此时，六氟化硫气体绝缘电气设备存在气体组分之间的交叉干扰问题，故将气体绝缘电气设备中的混合气体输入气体采集单元时气体浓度传感器采集到的气体浓度指标的稳定通常需要3~5分钟，其不同气体组分所造成的气体浓度传感器采集到的气体浓度波动变化不同。以检测六氟化硫气体为例，混合气体中的一氧化碳的浓度为100ppm时和一氧化碳的浓度为150ppm时，或者硫化氢的浓度为20ppm和硫化氢的浓度为30ppm时，其对气体浓度传感器采集的气体浓度的影响是不同的。其中，交叉干扰，也称交叉灵敏度，指的是即使环境中目标气体不存在，也会导致传感器内的电极发生反应的气体，从而显示在气体检测仪的显示屏上。目前很难开发出一种不会对目标气体以外的任何气体作出反应的电极。如理想情况下希望一氧化碳（co）传感器只读取一氧化碳数据，但有一些其他气体，如氢气也可以在该一氧化碳传感器上产生读数。
23.步骤s200，根据各气体浓度传感器与气体采集单元中各未知点的相对距离分配各未知点的浓度权重。
24.对气体采集单元中各未知点分配浓度权重的步骤，具体的：在本发明实施例中气体浓度传感器采集到的气体浓度都是气体采集单元的顶点处的气体浓度，其除了顶点处的气体浓度是可由气体浓度传感器采集到的，气体采集单元中除顶点外的其他位置点均为未知点，该未知点的气体浓度都是未知的。
25.计算8个气体浓度传感器与气体采集单元中其他未知点的距离。根据距离计算每个传感器对于未知点的浓度权重。
26.第个气体浓度传感器对未知点分配的浓度权重的计算公式为：其中，为第个气体浓度传感器到未知点的距离；为衰减指标，该衰减指标的取值为非负数；在本发明实施例中，衰减指标的取值为10。需要说明的是，该衰减指标描述权重与距离之间函数关系，也可称为带宽。带宽越大，浓度权重随距离增加衰减得越慢，反之则浓度权重衰减得越快。
27.对浓度权重进行归一化处理，得到归一化后的各气体浓度传感器对未知点分配的浓度权重。
28.归一化后的第个气体浓度传感器对未知点分配的浓度权重为：
步骤s300，根据浓度权重和各气体浓度传感器的气体浓度计算各未知点位置处的气体浓度，得到各未知点对应的气体浓度序列，各未知点的气体浓度序列和气体浓度传感器的气体浓度序列构成气体浓度矩阵；利用去趋势波动分析法获取气体浓度矩阵中各气体浓度序列的累计离差序列，并计算累计离差序列对应的赫斯特指数，根据赫斯特指数得到波动趋势值；计算累计离差序列所对应曲线的包络面积；由气体采集单元中各点对应的包络面积和波动趋势值，构建对应的包络面积矩阵和波动趋势矩阵。
29.归一化后浓度权重和各气体浓度传感器的气体浓度进行加权求和得到各未知点位置处的气体浓度，得到各未知点对应的气体浓度序列。
30.该未知点处的气体浓度为：其中，为任意未知点；为第个气体浓度传感器的气体浓度；为第个气体浓度传感器对未知点分配的浓度权重；表示气体浓度传感器的数量，在本发明实施例中气体浓度传感器的数量即为8。
31.由各未知点处的多个气体浓度得到各未知点对应的气体浓度序列。
32.在本发明实施例中气体采集单元为一个长方体，设该气体采集单元的长宽高比为5：4：3。将该气体采集单元的各点在三维矩阵中一一对应，该三维矩阵的尺寸为：50*40*30。
33.由气体浓度传感器采集到的气体浓度序列和得到的各未知点处的气体浓度序列构建气体浓度矩阵。该气体浓度矩阵包含了所有未知点和顶点的气体浓度序列。
34.请参阅图2，获取各气体浓度序列对应的波动趋势值和包络面积，构建波动趋势矩阵和包络面积矩阵，利用波动趋势值和包络面积反映气体浓度序列的变化趋势和波动性。具体的：步骤s301，利用去趋势波动分析法获取各气体浓度序列的累计离差序列，并计算累计离差序列对应的赫斯特指数，根据赫斯特指数得到波动趋势值。
35.由于气体采集单元中存在多种成分的气体，不同成分气体之间会相互干扰，气体的浓度检测的准确度受到影响，且气体浓度的波动规律是不同的，故本发明实施例采用去趋势波动分析法（dfa）得到气体的变化性质。
36.去趋势波动分析法通过计算去趋势波动函数以达到最小化外部趋势对自相关性的影响，能够排除外部噪音的影响并获取数据基本特征，有效量化非平稳时间序列自相关性。
37.对于每一个气体浓度序列，计算该气体浓度序列对应的累积离差序列。
38.该气体浓度序列中第个元素对应的累积离差的计算公式为：
其中，为气体浓度序列中第个元素的值；为气体浓度序列中所有元素的平均值。
39.对累积离差序列进行分窗，并求取波动函数，得到赫斯特（hurst）指数。需要说明的是，获取赫斯特指数的步骤是dfa算法中的公知流程，在本发明实施例中不再赘述。
40.其中，赫斯特指数有三种形式：（1）当0.5<h<1时，说明时间序列具有长程相关性，呈现出趋势不断增强的状态，即若某一时间段是递增趋势，下一个时间段也会是递增趋势；若某一时间段是递减趋势，下一个时间段也会是递减趋势。其中，h即表示赫斯特指数，且h越接近于1，相关性越强。
41.（2）当h=0.5时，说明时间序列不相关，是一个独立的随机过程，即当前状态不会影响将来状态。
42.（3）当0<h<0.5时，说明时间序列只存在负的相关性，呈现反持久性的状态，即若时间序列在某一个时间段是递增的趋势，则在下一个时间段是递减的趋势；若时间序列在某一个时间段是递减的趋势，则在下一个时间段是递增的趋势。
43.对于气体浓度传感器而言，其hurst指数越趋近于0.5越表示该气体较为稳定，其hurst指数越趋近于0表示其存在均匀的测量上下波动，在（0.5,1]范围越大，其增长越快，即越偏离0.5表明测量越不稳定。
44.为了使后续的气体浓度预测网络更易学习到波动趋势，根据赫斯特指数得到波动趋势值。该赫斯特指数与预设指标差值的绝对值为波动趋势值。在本发明实施例中预设指标的取值为0.5。
45.当波动趋势值越接近于0，该气体浓度序列的值越趋近于稳定；波动趋势值越小于0，其气体浓度序列则存在均匀的测量上下波动；波动趋势值越大于0，其气体浓度序列则增长越快。
46.步骤s302，计算累计离差序列所对应曲线的包络面积。
47.通过波动趋势值，可以知道气体浓度的变化趋势，但无法得知波动的程度，进一步的，求取累计离差序列的包络面积，以表示气体浓度序列的波动性。
48.利用峰值点检测算法计算累计离差序列的所有极值点，在本发明实施例中采用scipy科学计算包进行峰值点检测，在其他实施例中还可以采用波峰波谷二阶差分识别算法识别峰值点。
49.利用三次样条插值法分别拟合累计离差序列中所有的极大值点和极小值点，得到极大值序列和极小值序列的两个序列对应的极大值包络曲线和极小值包络曲线。
50.根据极大值包络曲线和极小值包络曲线计算包络面积。
51.该包络面积的计算公式为：其中，为极大值包络曲线；为极小值包络曲线。
52.通过包络面积的变化波动来反映气体浓度序列的波动性，包络面积越大，其波动程度越大，波动程度可以表示气体采集单元中气体的混乱性，气体成分越复杂，存在的交叉效应越明显，就会导致浓度测量越不稳定，则对应的气体浓度序列的波动性越大。
53.根据步骤s301~步骤s302计算气体采集单元中各点的气体浓度序列对应的包络面积和波动趋势值。
54.由各点处的包络面积和波动趋势值构建该气体采集单元的包络面积矩阵和波动趋势矩阵。
55.步骤s400，气体浓度矩阵、包络面积矩阵、波动趋势矩阵输入气体浓度预测网络得到预测气体浓度。
56.对气体浓度预测网络进行训练，训练数据为气体浓度矩阵、包络面积矩阵和波动趋势矩阵和实时变化的实际气体浓度，其中气体浓度矩阵、包络面积矩阵和波动趋势矩阵由实时变化的实际气体浓度构成的实际气体浓度序列得到。
57.该气体浓度预测网络的网络训练集数据的获取方法，具体的：利用高精度配气仪配比混合气体，并得到该混合气体中各气体组分的实际气体浓度。将该混合气体传入气体采集单元，根据步骤s100~步骤s300得到实际气体浓度序列对应的三维的气体浓度矩阵、包络面积矩阵和波动趋势矩阵。该高精度配气仪可以单独操作，使用时实施者可以操作键盘来得到实施者需要的各气体组分的气体浓度。
58.由通过高精度配气仪得到的各气体组分对应的实际气体浓度、实际气体浓度序列对应的气体浓度矩阵、包络面积矩阵和波动趋势矩阵作为网络训练集数据对气体浓度预测网络进行训练。
59.该气体浓度预测网络的训练过程，具体的：将输入的气体浓度矩阵、包络面积矩阵和波动趋势矩阵这三个三维矩阵进行融合操作，得到一个三通道的三维矩阵，方便气体浓度预测网络的训练。该三通道的三维矩阵的形状为[50,40,30,3]，对于气体采集单元中混合气体的每个组分的气体都可以得到一个三通道的三维矩阵。在本发明实施例中，气体浓度预测网络的损失函数为实际气体浓度和预测气体浓度之间的均方差损失函数，优化器采用adam优化器。
[0060]
本发明实施例中的气体浓度预测网络为3d卷积神经网络。如检测六氟化硫气体浓度，由于六氟化硫气体在不稳定状态下会分解出硫化氢、二氧化硫等气体。本发明实施例以检测六氟化硫、硫化氢和二氧化硫这三种气体浓度为例，设气体采集单元中有六氟化硫、硫化氢和二氧化硫三种不同的气体，此时气体浓度预测网络需要有三个编码器，每个编码器对应一种气体。
[0061]
设气体浓度预测网络包含三个编码器，每个编码器对一种气体对应的三通道的三维矩阵进行特征提取，输出为特征矩阵。将输出的特征矩阵进行展平操作，得到特征向量，将气体采集单元中的多种气体对应的特征向量再次进行融合操作得到一个融合特征向量。将融合特征向量输入回归器中输出各气体组分的浓度。
[0062]
根据步骤s400即可利用气体浓度预测网络进行气体浓度预测，以消除气体传感器存在的交叉干扰。
[0063]
使得到气体浓度传感器采集到的气体浓度后，即可得到气体采集单元对应的三维的气体浓度矩阵、包络面积矩阵和波动趋势矩阵。将这三个三维矩阵输入气体浓度预测网
络，得到气体采集单元中的预测气体浓度。
[0064]
综上所述，本发明实施例利用人工智能技术，首先利用气体浓度传感器采集气体采集单元中的气体浓度，得到多个气体浓度序列；利用去趋势波动分析法获取各气体浓度序列的累积离差序列，对计算对应的赫斯特指数，根据赫斯特指数得到波动趋势值；计算该累积离差序列的包络面积，并根据气体采集单元中各未知点到气体浓度传感器的距离分配各未知点的浓度权重。根据该浓度权重和各气体浓度传感器的气体浓度计算各未知点位置处的气体浓度，由各未知点处的气体浓度和各气体浓度传感器的气体浓度构建气体浓度矩阵；由气体浓度矩阵得到各点对应的包络面积和波动趋势，构建包络面积矩阵和波动趋势矩阵；将气体浓度矩阵、包络面积矩阵和波动趋势矩阵输入气体浓度预测网络得到预测气体浓度。通过去趋势波动分析法排除混合气体中其他气体的影响，将得到的气体采集单元中各点处的气体浓度矩阵、包络面积矩阵和波动趋势矩阵输入训练好的气体浓度预测网络中即可得到预测气体浓度，达到了避免气体交叉干扰带来的气体浓度检测误差、提高气体浓度检测精准度的目的。
[0065]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0066]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。