CN112504971A

CN112504971A - 一种变压器油中特征气体的光声光谱识别方法与装置

Info

Publication number: CN112504971A
Application number: CN202110171537.4A
Authority: CN
Inventors: 易国华; 代犇; 杨军; 夏历; 陈斌
Original assignee: Hubei Infotech Co ltd
Current assignee: Hubei Infotech Co ltd
Priority date: 2021-02-08
Filing date: 2021-02-08
Publication date: 2021-03-16
Anticipated expiration: 2041-02-08
Also published as: CN112504971B

Abstract

本发明涉及一种变压器油中特征气体的光声光谱识别方法与装置，其方法包括：获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；对每一个光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对每一个光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集；利用主成分分析法将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中；利用上述特征和光声光谱数据集训练卷积神经网络并将其用于光声光谱的识别中。本发明将传统光谱处理方法与卷积神经网络结合识别光声光谱的特征气体的特征信息，识别速度快、准确率高，能适应各种工作环境。

Description

一种变压器油中特征气体的光声光谱识别方法与装置

技术领域

本发明属于电力设备测量与深度学习领域，具体涉及一种变压器油中特征气体的光声光谱识别方法与装置。

背景技术

光声光谱技术是一种新的简单、高检测灵敏度、高选择性、大动态范围、普适性强、而又不破坏样品的分析测试手段，该技术检测微量气体的方法与吸收光谱分析的方法不同，它是直接测量吸收的能量而非测量投射或反射光强，被认为是检测痕量气体的最佳工具之一，被广泛的应用在很多领域，其基本原理是光声效应。光声效应是1880年，美国科学家，贝尔电话公司的创始人Alexander Graham Bell（A.G.Be11）首先在固体中发现的光声转换现象。他发现当用太阳光断续地照射密闭容器中的试样时，容器内部会产生声波，这种现象被称之为“光声效应”。

变压器油中常见溶解的气体有乙炔、乙烯、甲烷、乙烷、微水、氢气、一氧化碳、二氧化碳。对于每一种气体分子而言,都具有各自的吸收峰值,不同气体的吸收峰值也存在一定的差异,但在某些区域中,也会出现重叠吸收峰值的情况,在使用该波段的光进行气体的分析时,就会容易导致气体间交叉影响的发生。所以在选取吸收峰值时,应该尽量避免选择有重叠的吸收峰值,并且峰值也要尽可能的大,同时要注意与水保持分开的状态,这样能够避免造成相应的交叉影响。

由于变压器油中故障气体吸收光能之后，激光出的光谱谱峰通常不止一个，通常会采用光源隔离或通过滤镜盘、滤光片、机械斩波器实现光调制，而使用机械调制，故障率相对较高，寿命较短；另外，利用广谱的光源和窄带滤波片虽然故障率低，但检测精度低于常用的光声光谱技术。现有技术中还未出现能同时满足检测精度高、故障率低、使用寿命长的光声光谱检测装置及方法。

发明内容

为解决现有变压器油中气体光声光谱的检测技术中无法同时满足检测精度高、故障率低、使用寿命长的问题，本发明提供了一种变压器油中特征气体的光声光谱识别方法，包括如下步骤：获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；每一个所述光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段；对每一个所述光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集；从所述光声光谱数据集中提取目标特征气体的吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数，利用主成分分析法将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中；将光声光谱数据集中的光声光谱作为样本，所述多维向量作为标签，构建样本数据集；利用所述样本数据集训练卷积神经网络直至其误差低于阈值且趋于稳定，得到训练好的卷积神经网络；将待识别的光声光谱输入到训练好的卷积神经网络中，得到所述光声光谱中的目标特征气体的识别信息；所述识别信息包括目标特征气体的浓度、吸收谱线的形状、吸收谱线位置、谱线强度。

在本发明的一些实施例中，所述获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；每一个所述光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段包括如下步骤：

获取实际测量含有目标特征气体吸收波段的光声光谱，将其与HITRAN标准数据库中含有目标特征气体的光声光谱进行合并去重；

对合并去重后的光声光谱进行筛选，选取其中包括目标特征气体的单一吸收波段和多种气体的吸收波段的光声光谱。

在本发明的一些实施例中，所述对每一个所述光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集包括如下步骤：对每一个所述光声光谱进行图像增强，去除吸收强度低于阈值的谱线；根据目标特征的波数范围、吸收截面确定采样点数和采样步长；对采样后的每一个光声光谱进行平滑滤波，多个平滑处理后的光声光谱构成光声光谱数据集。

在本发明的一些实施例中，从所述光声光谱数据集中提取目标特征气体的吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数，利用主成分分析法将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中包括如下步骤：根据目标特征气体的温度、压强和气体的种类、峰值吸收系数确定第一关系式；根据气体的浓度和气体状态方程确定第二关系式；利用主成分分析法、第一关系式和第二关系式，将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量。

在本发明的一些实施例中，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络和第二卷积神经网络的全连接层相互连接；所述第一卷积神经网络，用于识别光声光谱中目标特征气体的浓度；所述第二卷积神经网络，用于识别光声光谱中目标特征气体的吸收谱线的形状、吸收谱线位置和谱线强度。优选的，所述第二卷积神经网络包括输入层、双向GRU层、卷积池化层、全连接层和softmax层。

本发明的第二方面，提供了一种变压器油中特征气体的光声光谱识别装置，包括获取模块、构建模块、映射模块、训练模块和识别模块，所述获取模块，用于获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；每一个所述光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段；所述构建模块，用于对每一个所述光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对每一个光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集；所述映射模块，用于从所述光声光谱数据集中提取目标特征气体的吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数，利用主成分分析法将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中；所述训练模块，用于将光声光谱数据集中的光声光谱作为样本，所述多维向量作为标签，构建样本数据集；利用所述样本数据集训练卷积神经网络直至其误差低于阈值且趋于稳定，得到训练好的卷积神经网络；所述识别模块，用于将待识别的光声光谱输入到训练好的卷积神经网络中，得到所述光声光谱中的目标特征气体的识别信息；所述识别信息包括目标特征气体的浓度、吸收谱线的形状、吸收谱线位置、谱线强度。

在本发明的一些实施例中，所述识别模块包括第一识别模块和第二识别模块，所述第一识别模块，用于识别光声光谱中目标特征气体的浓度；所述第二识别模块，用于识别光声光谱中目标特征气体的吸收谱线的形状、吸收谱线位置和谱线强度。

本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的用于变压器油中特征气体的光声声谱识别方法。

本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的用于变压器油中特征气体的光声声谱识别方法。

本发明的有益效果是：

1.在有监督学习中，为了提高模型的预测或识别准确率，需要足够的样本数量以及样本中包含丰富的特征信息，由于变压器油中特征气体的光声效应比较微弱，易受包括设备本身、气体环境和气体自身性质的影响，因此需要在变压器油中特征气体的光声光谱的样本收集阶段对样本获取难度、样本数量和样本特征进行综合考虑，故选取目标特征气体的单一吸收波段和多种气体的吸收波段；

2.在油中特征气体的光声光谱的特征提取阶段选取温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数作为模型学习的特征，而气体的温度、浓度、压强、气体的种类与峰值吸收系数有关，可以利用主成分分析方法或其他数据降维方法，对数据集进行降维，在保证精确度不会下降的同时减少模型训练维度和计算量，进而提高训练效率，减少模型拟合时间；

3.由于油中特征气体的光声光谱的数据带有时间特征，例如特征气体的浓度与谱线强度随时间积累会逐渐提高或增强，利用双向GRU （Gated Recurrent Unit，门控循环单元）提取其中的时间特征，从而进一步提高了本发明的光声光谱识别的准确性。

附图说明

图1为本发明的一些实施例中的变压器油中特征气体的光声光谱识别方法的流程示意图；

图2为变压器油中特征气体的光声光谱测量或获取过程的流程示意图；

图3为本发明的一些实施例中的分段采样的部分参数示意图；

图4为本发明的一些实施例的卷积神经网络的结构示意图；

图5本发明的一些实施例中的用于变压器油中特征气体的光声声谱识别装置的结构示意图；

图6为本发明的一些实施例中的电子设备的基本结构图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

参考图1，在本发明的第一方面，提供了一种变压器油中特征气体的光声光谱识别方法，包括如下步骤：S101.获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；每一个光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段；S102.对每一个光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集；S103.从光声光谱数据集中提取目标特征气体的吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数，利用主成分分析法（PCA，Principal Component Analysis）将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中；S104.将光声光谱数据集中的光声光谱作为样本，多维向量作为标签，构建样本数据集；利用样本数据集训练卷积神经网络直至其误差低于阈值且趋于稳定，得到训练好的卷积神经网络；S105.将待识别的光声光谱输入到训练好的卷积神经网络中，得到光声光谱中的目标特征气体的识别信息；识别信息包括目标特征气体的浓度、吸收谱线的形状、吸收谱线位置、谱线强度。

由于影响气体光声光谱的数据或变量多，相应的特征也比较复杂，需要对其进行降维。可选的，利用独立成分分析（ICA，Independent Component Analysis）、因子分析（FA，Factor Analysis）、线性判别分析（LDA，Linear Discriminant Analysis）或核主成分分析（Kernel PCA）等数据降维方法对上述光声光谱数据集或特征进行降维。

参考图2，不失一般性的，获取光声光谱过程具体如下：从激光器连续输出或间断输出的激光通过斩波器后被调制成脉冲光射进光声池。光声信号由高灵敏度的驻极体微音器探测进行声电转换，即将检测声压转换成电信号，再由其内部集成前置放大器将弱电信号放大。输出信号由锁相放大器进行滤波放大，由上位机记录并显示。同时斩波器的斩波频率作为锁相的参考信号，光声信号为被测信号，两路信号输入锁相后，由锁相放大器的串行口输入到上位机上，上位机通过控制界面来执行。上位机同时控制光源的激发，将激光的波长调谐到池内的待测气体的吸收线上，这样连续改变强度调制的入射光的波记录微音器的信号到反映样品吸收性质的光谱——光声光谱。由于需要不同激发光源、不同温度、不同浓度和不同压强的不同光声光谱，上述过程中还需加入温度、压强等条件的控制，以满足不同条件下的特征气体的光声光谱数据的获取。可选的，上述激发光源包括但不限于高压氙灯、白炽灯、弧光光源、CO激光器、CO₂激光器、半导体激光器。

在本发明的一些实施例的步骤S101中，获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段包括如下步骤：获取实际测量含有目标特征气体吸收波段的光声光谱，将其与HITRAN标准数据库中含有目标特征气体的光声光谱进行合并去重；对合并去重后的光声光谱进行筛选，选取其中包括目标特征气体的单一吸收波段和多种气体的吸收波段的光声光谱。示意性地，在本发明选取的部分气体的吸收波段和相应的吸收谱线参数，其余未列举的气体及参数均可在HITRAN标准数据库或其他气体吸收光谱数据库中查询得出，具体的见下表：

参考图3，在本发明的一些实施例的步骤S102中，对光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集包括如下步骤：对每一个光声光谱进行图像增强，去除吸收强度低于阈值的谱线；根据目标特征的波数范围、吸收截面确定采样点数和采样步长；按照采样点数和采样步长对每一个光声光谱进行采样；对采样后的每一个光声光谱进行平滑滤波，多个平滑处理后的光声光谱构成光声光谱数据集。

在实施例步骤S103中，从光声光谱数据集中提取目标特征气体的吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数，利用主成分分析法将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中包括如下步骤：根据目标特征气体的温度、压强和气体的种类、峰值吸收系数确定第一关系式；根据气体的浓度和气体状态方程确定第二关系式；利用主成分分析法、第一关系式和第二关系式，将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量。

具体地，第一关系式为RK状态方程：

，其中对于单一组分气体：

，

；对于混合气体，采用混合规则为：

，

；式中：p为系统压力，单位为kPa；p _ci为临界压力，单位为kPa；T为系统温度，单位为K；T _ci为临界温度，单位为K；V为气相的摩尔体积， m³/kmol；y _i为组分的摩尔分数；R为气体常数，8.314kJ/（kmol·K）。

第二关系式为：

，其中k（v）为波数处的吸收系数，S为气体分子吸收强度，N为Loschmidts数（296K时，N=2.479×1019mol/cm³/atm）,v ₀为分子谱线的中心波数，P为气体压强，T为温度，g(v-v ₀ )为归一化的线性函数。可选的，归一化的线性函数为多普勒增宽线性函数、碰撞增宽线性函数或Voigt线性函数中的一种。

参考图4，卷积神经网络包括第一卷积神经网络和第二卷积神经网络，第一卷积神经网络和第二卷积神经网络的全连接层相互连接；第一卷积神经网络，用于识别光声光谱中目标特征气体的浓度；第二卷积神经网络，用于识别光声光谱中目标特征气体的吸收谱线的形状、吸收谱线位置和谱线强度。由于吸收谱线的形状、吸收谱线位置为具有时间属性的形态特征，第二卷积神经网络包括输入层、双向GRU层、卷积池化层、全连接层和softmax层。通过双向GRU层学习其中的时间特征。可选的，卷积池化层的卷积核的尺寸为3×3、5×5、7×7中的一种或多种，每次批量训练的输入的光谱声谱为1张、5张、10张或15张。

参考图5，在本发明的第二方面,提供了一种变压器油中特征气体的光声光谱识别装置1，包括获取模块11、构建模块12、映射模块13、训练模块14、识别模块15，获取模块11，用于获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；每一个光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段；构建模块12，用于对每一个光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对每一个光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集；映射模块13，用于从光声光谱数据集中提取目标特征气体的吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数，利用主成分分析法将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中；训练模块14，用于将光声光谱数据集中的光声光谱作为样本，多维向量作为标签，构建样本数据集；利用样本数据集训练卷积神经网络直至其误差低于阈值且趋于稳定，得到训练好的卷积神经网络；识别模块15，用于将待识别的光声光谱输入到训练好的卷积神经网络中，得到光声光谱中的目标特征气体的识别信息；识别信息包括目标特征气体的浓度、吸收谱线的形状、吸收谱线位置、谱线强度。

在实施例中，识别模块15包括第一识别模块和第二识别模块，第一识别模块，用于识别光声光谱中目标特征气体的浓度；第二识别模块，用于识别光声光谱中目标特征气体的吸收谱线的形状、吸收谱线位置和谱线强度。可选的，上述吸收谱线的形状、吸收谱线位置和谱线强度等特征数据可从HITRAN数据库或其他光谱数据库中获取。

可以理解，利用本发明的识别模型识别变压器油中的特征气体时，突破了传统的光声光谱的识别方法依赖于特定激发光源及其调制设备的限制，目标特征气体为氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧气或氮气中的一种。

参考图6，在本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明第一方面提供的方法。

电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上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。

Claims

1.一种变压器油中特征气体的光声光谱识别方法，其特征在于，包括如下步骤：

获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；每一个所述光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段；

对每一个所述光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集；

从所述光声光谱数据集中提取目标特征气体的吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数，利用主成分分析法将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中；根据目标特征气体的温度、压强和气体的种类、峰值吸收系数确定第一关系式；根据气体的浓度和气体状态方程确定第二关系式；利用主成分分析法、第一关系式和第二关系式，将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量；

将光声光谱数据集中的光声光谱作为样本，所述多维向量作为标签，构建样本数据集；利用所述样本数据集训练卷积神经网络直至其误差低于阈值且趋于稳定，得到训练好的卷积神经网络；

将待识别的光声光谱输入到训练好的卷积神经网络中，得到所述光声光谱中的目标特征气体的识别信息；所述识别信息包括目标特征气体的浓度、吸收谱线的形状、吸收谱线位置、谱线强度。

2.根据权利要求1所述的变压器油中特征气体的光声光谱识别方法，其特征在于，所述获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；所述光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段包括如下步骤：

3.根据权利要求1或2所述的变压器油中特征气体的光声光谱识别方法，其特征在于，对每一个所述光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集包括如下步骤：

对每一个所述光声光谱进行图像增强，去除吸收强度低于阈值的谱线；

根据目标特征的波数范围、吸收截面确定采样点数和采样步长；

按照所述采样点数和采样步长对每一个所述光声光谱进行采样；

对采样后的每一个光声光谱进行平滑滤波，多个平滑处理后的光声光谱构成光声光谱数据集。

4.根据权利要求1所述的变压器油中特征气体的光声光谱识别方法，其特征在于，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络和第二卷积神经网络的全连接层相互连接；

所述第一卷积神经网络，用于识别光声光谱中目标特征气体的浓度；

所述第二卷积神经网络，用于识别光声光谱中目标特征气体的吸收谱线的形状、吸收谱线位置和谱线强度。

5.根据权利要求4所述的变压器油中特征气体的光声光谱识别方法，其特征在于，所述第二卷积神经网络包括输入层、双向GRU层、卷积池化层、全连接层和softmax层。

6.一种变压器油中特征气体的光声光谱识别装置，其特征在于，包括获取模块、构建模块、映射模块、训练模块和识别模块；

所述获取模块，用于获取目标特征气体在不同激发光源、不同温度、不同浓度和不同压强的多个光声光谱；每一个所述光声光谱的波段包括目标特征气体的单一吸收波段和多种气体的吸收波段；

所述构建模块，用于对每一个所述光声光谱进行图像增强并去除吸收强度低于阈值的谱线，然后对每一个光声光谱依次进行分段采样、平滑滤波并构建光声光谱数据集；

所述映射模块，用于从所述光声光谱数据集中提取目标特征气体的吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数，利用主成分分析法将目标特征气体的发生光声效应时的温度、浓度、压强、吸收谱线的形状、吸收谱线位置、谱线强度和峰值吸收系数映射到多维向量中；

所述训练模块，用于将光声光谱数据集中的光声光谱作为样本，所述多维向量作为标签，构建样本数据集；利用所述样本数据集训练卷积神经网络直至其误差低于阈值且趋于稳定，得到训练好的卷积神经网络；

所述识别模块，用于将待识别的光声光谱输入到训练好的卷积神经网络中，得到所述光声光谱中的目标特征气体的识别信息；所述识别信息包括目标特征气体的浓度、吸收谱线的形状、吸收谱线位置、谱线强度。

7.根据权利要求6所述的变压器油中特征气体的光声光谱识别装置，所述识别模块包括第一识别模块和第二识别模块；

所述第一识别模块，用于识别光声光谱中目标特征气体的浓度；

所述第二识别模块，用于识别光声光谱中目标特征气体的吸收谱线的形状、吸收谱线位置和谱线强度。

8.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述变压器油中特征气体的光声光谱识别方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述变压器油中特征气体的光声光谱识别方法。