CN112525843A - 一种变压器油中气体甲烷和乙烯的混合识别方法及系统 - Google Patents

一种变压器油中气体甲烷和乙烯的混合识别方法及系统 Download PDF

Info

Publication number
CN112525843A
CN112525843A CN202110176542.4A CN202110176542A CN112525843A CN 112525843 A CN112525843 A CN 112525843A CN 202110176542 A CN202110176542 A CN 202110176542A CN 112525843 A CN112525843 A CN 112525843A
Authority
CN
China
Prior art keywords
ethylene
methane
characteristic model
recognition
gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110176542.4A
Other languages
English (en)
Other versions
CN112525843B (zh
Inventor
杨军
徐辉
李俊逸
黄杰
姜勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Infotech Co ltd
Original Assignee
Hubei Infotech Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei Infotech Co ltd filed Critical Hubei Infotech Co ltd
Priority to CN202110176542.4A priority Critical patent/CN112525843B/zh
Publication of CN112525843A publication Critical patent/CN112525843A/zh
Application granted granted Critical
Publication of CN112525843B publication Critical patent/CN112525843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/1702—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种变压器油中气体甲烷和乙烯的混合识别方法及系统，本发明通过对甲烷及乙烯重叠部分光谱特征的提取，建立对应的模型以识别甲烷及乙烯，解决了现有技术中识别甲烷及乙烯需要两次分别识别且需要定位仅有单一气体吸收的光的波长的技术问题，达到了使用两种气体的干涉光谱对两种气体进行识别的技术效果，提升了可用于识别的光谱范围，提高了识别成功率。

Description

一种变压器油中气体甲烷和乙烯的混合识别方法及系统
技术领域
本发明涉及高压输电技术领域，特别涉及一种变压器油中气体甲烷和乙烯的混合识别方法及系统。
背景技术
变压器油是由天然石油经过蒸馏、精炼而获得的一种矿物油。它是由各种碳氢化合物所组成的混合物，其中，碳、氢两元素占其全部重量95%~99%，其他为硫、氮、氧及极少量金属元素等。石油基碳氢化合物有环烷烃、烷烃、芳香烃以及其他一些成分。
电力变压器运行过程中变压器油会产生多种气体，根据多年来的运维经验可将其分为故障气体和正常气体。变压器服役过程中未出现异常状态时，其绝缘系统会随着服役时间的增长进行常规老化，该老化过程中会有部分气体生成，这些气体可以归为正常气体；当变压器发生故障时，其内部的绝缘材料会受到热或放电的作用而分解产生气体，这些气体归为故障气体。
由国家质量监督局颁布的最新国家标准“变压器油中溶解气体分析和判断导则"中指出了变压器绝缘油的产气原理是由于绝缘油和固体绝缘材料在电及热作用下的分解；低能量放电故障促使最弱的CH键断裂，主要重新化合成氢气，乙烯在高于甲烷和乙烷的温度下生成；大量的乙炔是在电弧的弧道中产生；标准定义了“对判断充油电器设备内部故障有价值的特征气体：即氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳，并说明氧气和氮气，可作为辅助判断指标。因此对包含氧气在内的8种故障气体进行在线监测才能符合中国国家标准的要求，进一步监测氮气是国际新发展方向。
现有技术对变压器油中气体的监测主要有气相色谱法、光声光谱法及电子检测法；其中，光声光谱法是基于光声效应的一种光谱技术，光声效应是由分子吸收电磁辐射（如红外线等）而造成，气体吸收一定量电磁辐射后其温度也相应升高，但随即以释放热能的方式退激，释放出的热量则使气体及周围介质产生压力波动，若将气体密封于容器内，气体温度升高则产生成比例的压力波，监测压力波的强度可以测量密闭容器内气体的浓度。
现有技术中使用光声光谱法对不同气体的监测主要是寻找只有目标气体会产生压力波的光线波长，通过分别向油中气体发射找到的波长，当监测到压力波时则判断检测到对应的气体，并通过多光声池或单光声池不同时间监测的方式实现对多种气体的监测，然而由于多光声池的方式无法保障每个光声池的气体浓度一致，而单光声池的方式分时过短会造成测试间的干扰而增加间隔时间会给气体间相互反应留下时间，两种方式的测量都不准确，且显著依赖于只有目标气体会产生压力波的光线波长。
发明内容
本发明提供一种变压器油中气体甲烷和乙烯的混合识别方法及系统，通过使用两种气体都会产生压力波的波长光线，及对目标波长光线下不同浓度的气体的压力波特征进行提取，以实现两种气体的识别，解决了现有技术中现有的测量方式都不准确，且显著依赖于只有目标气体会产生压力波的光线波长的技术问题，达到了不使用只有目标气体会产生压力波的光线波长的情况下实现甲烷和乙烯的混合识别。
本发明提出的变压器油中气体甲烷和乙烯的混合识别方法包括以下步骤：
响应于输入的气体吸收光谱，对所述气体吸收光谱进行分析，筛选仅被甲烷及乙烯所吸收的光的波长范围；
根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的甲烷特征模型、仅有所述乙烯的乙烯特征模型及包含有甲烷及乙烯的混合特征模型；
控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体。
优选地，根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的特征模型、仅有所述乙烯的特征模型及包含有甲烷及乙烯的特征模型的步骤具体包括：
根据所述筛选后的波长范围，将所述数据库中所有所述筛选后的波长范围的气体吸收光谱作为数据集，并将所述数据集分为不相交的训练集与测试集；
将所述训练集中包含有甲烷的气体吸收光谱作为所述甲烷特征模型的识别目标，将包含有乙烯的气体吸收光谱作为所述乙烯的特征模型的识别目标，将包含有甲烷及乙烯的气体吸收光谱作为所述混合特征模型的识别目标，分别进行训练；
使用测试集对训练结果进行测试，以得到所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型。
优选地，所述控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体的步骤具体包括：
控制所述光源以所述筛选后的波长范围向所述光声池发射连续光线；
响应于所述光声池中气体的光声效应，采集所述光声效应的振动频率，并将所述光声效应的振动频率转换为光声信号；
将所述光声信号转换为光谱，并使用所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型对所述光声信号转换的光谱进行识别；
根据所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果，得到所述光声池中的气体是否包含甲烷和/或乙烯。
优选地，所述根据所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果，得到所述光声池中的气体是否包含甲烷和/或乙烯的步骤具体包括：
当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为包含时，判断所述光声池中的气体包含甲烷及乙烯；当所述甲烷特征模型的识别结果为包含，而所述乙烯特征模型及所述混合特征模型的识别结果为不含时，判断所述光声池中的气体包含甲烷不含乙烯；当所述乙烯特征模型的识别结果为包含，而所述甲烷特征模型及所述混合特征模型的结果为不含时，判断所述光声池中的气体为包含乙烯不含甲烷；当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为不含时，判断光声池中的气体不含甲烷及乙烯。
优选地，所述的变压器油中气体甲烷和乙烯的混合识别方法还包括：
将所述光声信号转换的光谱及所述识别结果存储至数据库，并添加至所述训练集或测试集。
优选地，所述的变压器油中气体甲烷和乙烯的混合识别方法还包括：
当所述甲烷特征模型及所述混合特征模型的识别结果为包含，所述乙烯特征模型的识别结果为不含、当所述乙烯特征模型及所述混合特征模型的识别结果为包含，所述甲烷特征模型的识别结果为不含当所述甲烷特征模型及所述乙烯特征模型的识别结果为包含，所述混合特征模型的识别结果为不含时及当所述甲烷特征模型及所述乙烯特征模型的识别结果为不含，所述混合特征模型的识别结果为包含时，读取最近一次的识别结果，及该次识别中其它气体的识别结果；
根据所述最近一次的识别结果及该次识别中其它气体的识别结果调整所述该次识别中甲烷及乙烯的识别结果。
优选地，所述根据所述最近一次的识别结果及该次识别中其它气体的识别结果调整所述该次识别中甲烷及乙烯的识别结果的步骤具体包括：
根据所述最近一次的识别结果中是否含有甲烷调整包含有甲烷的识别结果的权重；根据所述最近一次的识别结果中是否含有乙烯调整包含有乙烯的识别结果的权重；根据其它气体中是否含乙炔调整包含有乙烯的识别结果的权重；根据气体中是否同时含有一氧化碳、二氧化碳及乙炔调整包含有甲烷的识别结果的权重。
本发明还提出一种服务器，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行变压器油中气体甲烷和乙烯的混合识别程序，所述变压器油中气体甲烷和乙烯的混合识别程序被所述处理器执行时实现如上所述的变压器油中气体甲烷和乙烯的混合识别方法的步骤。
本发明还提出一种变压器油中气体甲烷和乙烯的混合识别系统，所述变压器油中气体甲烷和乙烯的混合识别系统包括：
光谱筛选单元，用于响应于输入的气体吸收光谱，对所述气体吸收光谱进行分析，筛选仅被甲烷及乙烯所吸收的光的波长范围；
模型建立单元，用于根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的甲烷特征模型、仅有所述乙烯的乙烯特征模型及包含有甲烷及乙烯的混合特征模型；
气体识别单元，用于控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体。
本发明还提出一种可读存储介质，所述可读存储介质上存储有变压器油中气体甲烷和乙烯的混合识别程序，所述变压器油中气体甲烷和乙烯的混合识别程序被处理器执行时实现如上所述的变压器油中气体甲烷和乙烯的混合识别方法的步骤。
本发明通过对甲烷及乙烯重叠部分光谱进行特征提取，建立对应的模型以识别甲烷及乙烯，解决了现有技术中测量结果都不准确且显著依赖于只有目标气体会产生压力波的光线波长的技术问题，达到了使用两种气体的干涉光谱对两种气体进行识别的技术效果，提升了可用于识别的光谱范围，提高了识别成功率。
附图说明
图1是本发明变压器油中气体甲烷和乙烯的混合识别方法实施例方案涉及的硬件运行环境的服务器结构示意图；
图2为本发明变压器油中气体甲烷和乙烯的混合识别方法另一实施例的流程示意图；
图3为本发明变压器油中气体甲烷和乙烯的混合识别方法实施例的部分光谱图；
图4为本发明变压器油中气体甲烷和乙烯的混合识别方法另一实施例的流程示意图；
图5为本发明变压器油中气体甲烷和乙烯的混合识别方法另一实施例的流程示意图；
图6为本发明变压器油中气体甲烷和乙烯的混合识别系统的功能模块图。
具体实施方式
以下结合具体实施方式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。
参照图1，图1是本发明实施例方案涉及的硬件运行环境的服务器结构示意图。
如图1所示，所述服务器可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储服务器。
本领域技术人员可以理解，图1中示出的结构并不构成对所述服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及变压器油中气体甲烷和乙烯的混合识别程序。
在图1所示的网络设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接外设；所述网络设备通过处理器1001调用存储器1005中存储的变压器油中气体甲烷和乙烯的混合识别程序，并执行以下操作：
响应于输入的气体吸收光谱，对所述气体吸收光谱进行分析，筛选仅被甲烷及乙烯所吸收的光的波长范围；
根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的甲烷特征模型、仅有所述乙烯的乙烯特征模型及包含有甲烷及乙烯的混合特征模型；
控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体。
进一步地，根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的特征模型、仅有所述乙烯的特征模型及包含有甲烷及乙烯的特征模型的步骤具体包括：
根据所述筛选后的波长范围，将所述数据库中所有所述筛选后的波长范围的气体吸收光谱作为数据集，并将所述数据集分为不相交的训练集与测试集；
将所述训练集中包含有甲烷的气体吸收光谱作为所述甲烷特征模型的识别目标，将包含有乙烯的气体吸收光谱作为所述乙烯的特征模型的识别目标，将包含有甲烷及乙烯的气体吸收光谱作为所述混合特征模型的识别目标，分别进行训练；
使用测试集对训练结果进行测试，以得到所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型。
进一步地，所述控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体的步骤具体包括：
控制所述光源以所述筛选后的波长范围向所述光声池发射连续光线；
响应于所述光声池中气体的光声效应，采集所述光声效应的振动频率，并将所述光声效应的振动频率转换为光声信号；
将所述光声信号转换为光谱，并使用所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型对所述光声信号转换的光谱进行识别；
根据所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果，得到所述光声池中的气体是否包含甲烷和/或乙烯。
进一步地，所述根据所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果，得到所述光声池中的气体是否包含甲烷和/或乙烯的步骤具体包括：
当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为包含时，判断所述光声池中的气体包含甲烷及乙烯；当所述甲烷特征模型的识别结果为包含，而所述乙烯特征模型及所述混合特征模型的识别结果为不含时，判断所述光声池中的气体包含甲烷不含乙烯；当所述乙烯特征模型的识别结果为包含，而所述甲烷特征模型及所述混合特征模型的结果为不含时，判断所述光声池中的气体为包含乙烯不含甲烷；当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为不含时，判断光声池中的气体不含甲烷及乙烯。
进一步地，还包括：
将所述光声信号转换的光谱及所述识别结果存储至数据库，并添加至所述训练集或测试集。
进一步地，还包括：
当所述甲烷特征模型及所述混合特征模型的识别结果为包含，所述乙烯特征模型的识别结果为不含、当所述乙烯特征模型及所述混合特征模型的识别结果为包含，所述甲烷特征模型的识别结果为不含当所述甲烷特征模型及所述乙烯特征模型的识别结果为包含，所述混合特征模型的识别结果为不含时及当所述甲烷特征模型及所述乙烯特征模型的识别结果为不含，所述混合特征模型的识别结果为包含时，读取最近一次的识别结果，及该次识别中其它气体的识别结果；
根据所述最近一次的识别结果及该次识别中其它气体的识别结果调整所述该次识别中甲烷及乙烯的识别结果。
进一步地，所述根据所述最近一次的识别结果及该次识别中其它气体的识别结果调整所述该次识别中甲烷及乙烯的识别结果的步骤具体包括：
根据所述最近一次的识别结果中是否含有甲烷调整包含有甲烷的识别结果的权重；根据所述最近一次的识别结果中是否含有乙烯调整包含有乙烯的识别结果的权重；根据其它气体中是否含乙炔调整包含有乙烯的识别结果的权重；根据气体中是否同时含有一氧化碳、二氧化碳及乙炔调整包含有甲烷的识别结果的权重。
本发明通过对甲烷及乙烯重叠部分光谱进行特征提取，分别建立甲烷的识别模型、乙烯的识别模型及甲烷和乙烯的混合识别模型，通过三个模型相互验证的方法，解决了现有技术中测量结果都不准确且显著依赖于只有目标气体会产生压力波的光线波长的技术问题，达到了使用两种气体的干涉光谱对两种气体进行识别的技术效果，提升了可用于识别的光谱范围，提高了识别成功率。
基于上述硬件结构，提出本发明变压器油中气体甲烷和乙烯的混合识别方法的实施例。
参照图2所述变压器油中气体甲烷和乙烯的混合识别方法包括以下步骤：
S10、响应于输入的气体吸收光谱，对所述气体吸收光谱进行分析，筛选仅被甲烷及乙烯所吸收的光的波长范围；
易于理解的是，以图3为例，图3为输入的气体吸收光谱，对光谱分析后筛选出的一段波长范围，其中较为密集的为乙烯，而较为稀疏的部分为甲烷，存在交叉影响的还有水，然而由于水的浓度与从变压器绝缘油中分离气体的脱气装置有关，在同种脱气装置的脱气下，水的浓度较为稳定，水的干涉主要出现在光谱边缘且变化较小，即使出现干涉现象，对光谱的改变极为有限，引入该影响并不会降低甲烷和乙烯的识别，反而在部分模型中可以增加模型的鲁棒性。
S20、根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的甲烷特征模型、仅有所述乙烯的乙烯特征模型及包含有甲烷及乙烯的混合特征模型；
需要说明的是，参照上述示例，本申请可以通过多种特征提取算法及模型构建方法构建特征模型，使用单一模型的方式也可实现对不同气体的识别，然而由于现有深度学习算法的限制，单一模型的识别成功率低于实际工作环境中对于识别成功率的要求，因此，本申请针对甲烷、乙烯及包含有甲烷与乙烯的混合气体单独构建特征模型，通过多个模型提高识别成功率。
S30、控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体。
值得强调的是，以图3为例，图3为甲烷与乙烯在互不干涉时的光谱图，在同样有水干扰的情况下，当输入气体仅包含甲烷和乙烯中的一种气体时，三个模型与单一模型的识别成功率都显著高于现有技术的识别成功率，当包含两种气体时，两种气体相互干涉，单一模型的识别成功率较低，而三个模型的识别成功率依然维持在较高的水平，且甲烷与乙烯的气体浓度越接近，三个模型的识别成功率越高。
本实施例通过使用甲烷和乙烯相互干涉的光谱范围的方式，使得相互干涉的光谱范围可以用于气体的识别，解决了现有技术中识别两种气体需要寻找两种气体互不干涉的波长光线的偏见，并根据不同浓度的光声光谱图，对甲烷、乙烯及包含有甲烷与乙烯的混合气体单独构建特征模型达到提高识别成功率的效果，使得在同样有水干扰的情况下，本实施例技术方案的成功率显著高于现有技术中使用单光声池不同波长的光线分时监测气体或使用多光声池，不同波长的光线同时监测气体的成功率，且本实施例技术方案仅使用单光声池且无需分时即可实现对甲烷及乙烯气体的识别，其中分时过程为向光声池发射一种波长的光线，在预设的震荡稳定时间过后再发射另一种波长的光线。
参照图4，根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的特征模型、仅有所述乙烯的特征模型及包含有甲烷及乙烯的特征模型的步骤具体包括：
S21、根据所述筛选后的波长范围，将所述数据库中所有所述筛选后的波长范围的气体吸收光谱作为数据集，并将所述数据集分为不相交的训练集与测试集；
易于理解的是，出于特征模型建立的需要，本实施例使用多年积累的光声光谱数据建立数据库，使用不同浓度的甲烷、乙烯的数据对特征模型进行训练，而数据库中还包括气体波长范围的其它油中气体吸收光谱，该数据会增加模型训练的计算量，且有可能降低模型的识别准确率，因此需要予以剔除。
S22、将所述训练集中包含有甲烷的气体吸收光谱作为所述甲烷特征模型的识别目标，将包含有乙烯的气体吸收光谱作为所述乙烯的特征模型的识别目标，将包含有甲烷及乙烯的气体吸收光谱作为所述混合特征模型的识别目标，分别进行训练；
需要说明的是，本实施例通过调整识别目标，使得三个模型之间相对独立，这使得三个模型的识别结果的结合更加具有参考性，同时基于同样的训练样本，减少了对样本数量的要求，最大化的利用了数据库中的数据。
S23、使用测试集对训练结果进行测试，以得到所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型。
需要强调的是，在模型训练的过程中需要使用测试样本对模型训练的结果进行校验，以选择识别成功率更高的模型，因此需要使用测试集对训练结果进行测试，才可得到甲烷特征模型、乙烯特征模型及混合特征模型。
参照图5，所述控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体的步骤具体包括：
S31、控制所述光源以所述筛选后的波长范围向所述光声池发射连续光线；
值得强调的是，在实际的识别过程中，需要获取待测气体筛选后的波长范围的光声光谱特征，因此需要向光声池发射筛选后的波长范围的连续光线，以获取待测气体的光声光谱。
S32、响应于所述光声池中气体的光声效应，采集所述光声效应的振动频率，并将所述光声效应的振动频率转换为光声信号；
易于理解的是，光声效应为当物质受到周期性强度调制的光照射时，产生声信号的现象，在向光声池发射连续光线后，若光声池中的气体存在甲烷或乙烯，则会产生对应的光声效应，此时气体与光线接触的区域会向外辐射声波，而该声波可被音叉、电容式的麦克风等音频采集设备所采集，采集的信号则为光声信号。
S33、将所述光声信号转换为光谱，并使用所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型对所述光声信号转换的光谱进行识别；
需要说明的是，采集的信号并不能用于分析，需要将其转换为光声光谱才可以被特征模型提取光声光谱的特征，而三个模型对转换后的光谱进行识别过程即为提取转换后的光谱的特征并与特征模型中的特征进行比对，以得到识别结果。
S34、根据所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果，得到所述光声池中的气体是否包含甲烷和/或乙烯。
值得强调的是，本实施例通过使用三个识别过程于识别结果相对独立的模型，提高了识别成功率，增加了识别结果的准确性，由于当光声池中同时存在甲烷及乙烯时，实际场景应当最接近混合特征模型的学习过程，而当只存在一种气体时，实际场景应当最接近该种气体的特征模型的学习过程，因此需要根据三个模型的识别结果调整模型结果的权重，以进一步提高识别结果的准确性。
具体地，所述根据所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果，得到所述光声池中的气体是否包含甲烷和/或乙烯的步骤具体包括：
当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为包含时，判断所述光声池中的气体包含甲烷及乙烯；当所述甲烷特征模型的识别结果为包含，而所述乙烯特征模型及所述混合特征模型的识别结果为不含时，判断所述光声池中的气体包含甲烷不含乙烯；当所述乙烯特征模型的识别结果为包含，而所述甲烷特征模型及所述混合特征模型的结果为不含时，判断所述光声池中的气体为包含乙烯不含甲烷；当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为不含时，判断光声池中的气体不含甲烷及乙烯。
易于理解的是，当三个模型的识别结果互不冲突时，则判断所有模型的识别结果都正确，因此当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为包含时，判断所述光声池中的气体包含甲烷及乙烯；当所述甲烷特征模型的识别结果为包含，而所述乙烯特征模型及所述混合特征模型的识别结果为不含时，判断所述光声池中的气体包含甲烷不含乙烯；当所述乙烯特征模型的识别结果为包含，而所述甲烷特征模型及所述混合特征模型的结果为不含时，判断所述光声池中的气体为包含乙烯不含甲烷；当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为不含时，判断光声池中的气体不含甲烷及乙烯。
具体地，所述的变压器油中气体甲烷和乙烯的混合识别方法还包括：
将所述光声信号转换的光谱及所述识别结果存储至数据库，并添加至所述训练集或测试集。
易于理解的是，当三个模型的识别结果互不冲突时，识别出错的可能性极低，因此将识别结果存储至数据库中，增加数据库的样本数量，进一步提高模型的识别成功率及准确程度。
具体地，所述的变压器油中气体甲烷和乙烯的混合识别方法还包括：
当所述甲烷特征模型及所述混合特征模型的识别结果为包含，所述乙烯特征模型的识别结果为不含、当所述乙烯特征模型及所述混合特征模型的识别结果为包含，所述甲烷特征模型的识别结果为不含当所述甲烷特征模型及所述乙烯特征模型的识别结果为包含，所述混合特征模型的识别结果为不含时及当所述甲烷特征模型及所述乙烯特征模型的识别结果为不含，所述混合特征模型的识别结果为包含时，读取最近一次的识别结果，及该次识别中其它气体的识别结果；
需要说明的是，当三个模型的识别结果相互冲突时，则判断该次识别的准确率较低，则该次数据不存入数据库，且使用最近一次的识别结果这一历史数据对该次识别结果进行矫正，由于监测频率极高，浓度突然变化的可能性不大，通常情况下该次识别的结果与上一次识别的结果较为接近。
根据所述最近一次的识别结果及该次识别中其它气体的识别结果调整所述该次识别中甲烷及乙烯的识别结果。
值得强调的是，由于油中气体的产生部分原因是变压器中发生了故障，大多数故障会产生多个气体，因此利用产生甲烷或乙烯的故障产生的其它气体调整该次的识别结果，可以提高识别结果的准确程度。
具体地，所述根据所述最近一次的识别结果及该次识别中其它气体的识别结果调整所述该次识别中甲烷及乙烯的识别结果的步骤具体包括：
根据所述最近一次的识别结果中是否含有甲烷调整包含有甲烷的识别结果的权重；根据所述最近一次的识别结果中是否含有乙烯调整包含有乙烯的识别结果的权重；根据其它气体中是否含乙炔调整包含有乙烯的识别结果的权重；根据气体中是否同时含有一氧化碳、二氧化碳及乙炔调整包含有甲烷的识别结果的权重。
需要强调的是，若上次识别结果中包含有乙烯、甲烷，而油中气体的浓度通常会缓慢增加，因此该次识别的结果中也应当包含乙烯、甲烷，而乙烯是由于变压器异常高温产生的，而生成乙炔的温度高于生成乙烯的温度，当监测到乙炔时则说明该油中气体中含有乙烯，因此当监测到乙炔时，需要提高包含有乙烯的识别结果的权重，而甲烷的产生往往伴随有一氧化碳、二氧化碳及乙炔，因此当检测到上述气体时，则需要调整包含有甲烷的识别结果的权重。
本实施例通过公开模型的训练集及测试集的来源，并对如何根据模型的输出结果识别光声池中的甲烷和乙烯气体进行详细的限定，进一步完善了技术方案，使得本实施例技术方案能够使用相互干涉的吸收光谱的波长范围对相互干涉的气体进行识别，且通过最近一次的监测数据以及其它气体的监测数据，进一步完善了甲烷和乙烯气体的识别，提高了甲烷及乙烯气体的识别成功率，提升了甲烷及乙烯气体的识别准确程度。
参照图6，本发明还提出一种变压器油中气体甲烷和乙烯的混合识别系统，所述变压器油中气体甲烷和乙烯的混合识别系统包括：
光谱筛选单元10，用于响应于输入的气体吸收光谱，对所述气体吸收光谱进行分析，筛选仅被甲烷及乙烯所吸收的光的波长范围；
模型建立单元20，用于根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的甲烷特征模型、仅有所述乙烯的乙烯特征模型及包含有甲烷及乙烯的混合特征模型；
气体识别单元30，用于控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体。
由于本系统采用了上述所有实施例的全部技术方案，因此之上具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
本发明还提出一种服务器，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的变压器油中气体甲烷和乙烯的混合识别程序，所述变压器油中气体甲烷和乙烯的混合识别程序被所述处理器执行时实现如上所述的变压器油中气体甲烷和乙烯的混合识别方法的步骤，由于本服务器采用了上述所有实施例的全部技术方案，因此之上具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
本发明还提出一种可读存储介质，所述可读存储介质上存储有变压器油中气体甲烷和乙烯的混合识别程序，所述变压器油中气体甲烷和乙烯的混合识别程序被处理器执行时实现如上所述的变压器油中气体甲烷和乙烯的混合识别方法的步骤，由于本存储介质采用了上述所有实施例的全部技术方案，因此之上具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
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。

Claims (10)

1.一种变压器油中气体甲烷和乙烯的混合识别方法，其特征在于，所述变压器油中气体甲烷和乙烯的混合识别方法包括：
响应于输入的气体吸收光谱，对所述气体吸收光谱进行分析，筛选仅被甲烷及乙烯所吸收的光的波长范围；
根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的甲烷特征模型、仅有所述乙烯的乙烯特征模型及包含有甲烷及乙烯的混合特征模型；
控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体。
2.根据权利要求1所述的变压器油中气体甲烷和乙烯的混合识别方法，其特征在于，根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的特征模型、仅有所述乙烯的特征模型及包含有甲烷及乙烯的特征模型的步骤具体包括：
根据所述筛选后的波长范围，将所述数据库中所有所述筛选后的波长范围的气体吸收光谱作为数据集，并将所述数据集分为不相交的训练集与测试集；
将所述训练集中包含有甲烷的气体吸收光谱作为所述甲烷特征模型的识别目标，将包含有乙烯的气体吸收光谱作为所述乙烯的特征模型的识别目标，将包含有甲烷及乙烯的气体吸收光谱作为所述混合特征模型的识别目标，分别进行训练；
使用测试集对训练结果进行测试，以得到所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型。
3.根据权利要求2所述的变压器油中气体甲烷和乙烯的混合识别方法，其特征在于，所述控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体的步骤具体包括：
控制所述光源以所述筛选后的波长范围向所述光声池发射连续光线；
响应于所述光声池中气体的光声效应，采集所述光声效应的振动频率，并将所述光声效应的振动频率转换为光声信号；
将所述光声信号转换为光谱，并使用所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型对所述光声信号转换的光谱进行识别；
根据所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果，得到所述光声池中的气体是否包含甲烷和/或乙烯。
4.根据权利要求3所述的变压器油中气体甲烷和乙烯的混合识别方法，其特征在于，所述根据所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果，得到所述光声池中的气体是否包含甲烷和/或乙烯的步骤具体包括：
当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为包含时，判断所述光声池中的气体包含甲烷及乙烯；当所述甲烷特征模型的识别结果为包含，而所述乙烯特征模型及所述混合特征模型的识别结果为不含时，判断所述光声池中的气体包含甲烷不含乙烯；当所述乙烯特征模型的识别结果为包含，而所述甲烷特征模型及所述混合特征模型的结果为不含时，判断所述光声池中的气体为包含乙烯不含甲烷；当所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型的识别结果均为不含时，判断光声池中的气体不含甲烷及乙烯。
5.根据权利要求4所述的变压器油中气体甲烷和乙烯的混合识别方法，其特征在于，还包括：
将所述光声信号转换的光谱及所述识别结果存储至数据库，并添加至所述训练集或测试集。
6.根据权利要求5所述的变压器油中气体甲烷和乙烯的混合识别方法，其特征在于，还包括：
当所述甲烷特征模型及所述混合特征模型的识别结果为包含，所述乙烯特征模型的识别结果为不含、当所述乙烯特征模型及所述混合特征模型的识别结果为包含，所述甲烷特征模型的识别结果为不含当所述甲烷特征模型及所述乙烯特征模型的识别结果为包含，所述混合特征模型的识别结果为不含时及当所述甲烷特征模型及所述乙烯特征模型的识别结果为不含，所述混合特征模型的识别结果为包含时，读取最近一次的识别结果，及该次识别中其它气体的识别结果；
根据所述最近一次的识别结果及该次识别中其它气体的识别结果调整所述该次识别中甲烷及乙烯的识别结果。
7.根据权利要求6所述的变压器油中气体甲烷和乙烯的混合识别方法，其特征在于，所述根据所述最近一次的识别结果及该次识别中其它气体的识别结果调整所述该次识别中甲烷及乙烯的识别结果的步骤具体包括：
根据所述最近一次的识别结果中是否含有甲烷调整包含有甲烷的识别结果的权重；根据所述最近一次的识别结果中是否含有乙烯调整包含有乙烯的识别结果的权重；根据其它气体中是否含乙炔调整包含有乙烯的识别结果的权重；根据气体中是否同时含有一氧化碳、二氧化碳及乙炔调整包含有甲烷的识别结果的权重。
8.一种服务器，其特征在于，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行变压器油中气体甲烷和乙烯的混合识别程序，所述变压器油中气体甲烷和乙烯的混合识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的变压器油中气体甲烷和乙烯的混合识别方法的步骤。
9.一种变压器油中气体甲烷和乙烯的混合识别系统，其特征在于，所述变压器油中气体甲烷和乙烯的混合识别系统包括：
光谱筛选单元，用于响应于输入的气体吸收光谱，对所述气体吸收光谱进行分析，筛选仅被甲烷及乙烯所吸收的光的波长范围；
模型建立单元，用于根据筛选后的波长范围读取数据库中各个浓度下甲烷及乙烯的吸收光谱，并分别建立仅有所述甲烷的甲烷特征模型、仅有所述乙烯的乙烯特征模型及包含有甲烷及乙烯的混合特征模型；
气体识别单元，用于控制光源以所述筛选后的波长范围向光声池发射连续光线，并将收集到的振动频率转换为光声信号发送至所述甲烷特征模型、所述乙烯特征模型及所述混合特征模型，并根据三个模型的输出结果，识别所述光声池中的甲烷和/或乙烯气体。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有变压器油中气体甲烷和乙烯的混合识别程序，所述变压器油中气体甲烷和乙烯的混合识别程序被处理器执行时实现根据权利要求1至7中任一项所述的变压器油中气体甲烷和乙烯的混合识别方法的步骤。
CN202110176542.4A 2021-02-07 2021-02-07 一种变压器油中气体甲烷和乙烯的混合识别方法及系统 Active CN112525843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110176542.4A CN112525843B (zh) 2021-02-07 2021-02-07 一种变压器油中气体甲烷和乙烯的混合识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110176542.4A CN112525843B (zh) 2021-02-07 2021-02-07 一种变压器油中气体甲烷和乙烯的混合识别方法及系统

Publications (2)

Publication Number Publication Date
CN112525843A true CN112525843A (zh) 2021-03-19
CN112525843B CN112525843B (zh) 2021-05-04

Family

ID=74975567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110176542.4A Active CN112525843B (zh) 2021-02-07 2021-02-07 一种变压器油中气体甲烷和乙烯的混合识别方法及系统

Country Status (1)

Country Link
CN (1) CN112525843B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5159411A (en) * 1988-09-12 1992-10-27 Fls Airloq A/S Method and apparatus for the detection of a gas using photoacoustic spectroscopy
CN102684059A (zh) * 2012-04-20 2012-09-19 中国科学院半导体研究所 基于石英音叉增强气体光声光谱的可调谐激光稳频装置
US20140233034A1 (en) * 2011-05-19 2014-08-21 Virginia Polytechnic Institute & State University Apparatus and method for on-line, real-time analysis of chemical gasses dissolved in transformer oil
CN104914066A (zh) * 2015-05-04 2015-09-16 华北电力大学 基于红外光谱吸收的变压器油中溶解气体检测装置
CN106940311A (zh) * 2017-05-03 2017-07-11 重庆大学 一种变压器油中溶解故障特征气体的原位检测方法
CN108254338A (zh) * 2018-03-20 2018-07-06 哈工大鞍山工业技术研究院有限公司 基于光谱吸收法的变压器油中气体含量在线监测装置
CN108287141A (zh) * 2017-12-21 2018-07-17 北京遥测技术研究所 一种基于光谱法的多组分气体浓度分析方法
US20180259444A1 (en) * 2017-03-13 2018-09-13 Abb Schweiz Ag Dissolved gas analysis devices, systems, and methods
US20180266946A1 (en) * 2015-02-06 2018-09-20 Block Engineering, Llc Quantum Cascade Laser (QCL) Based Gas Sensing System and Method
CN108918459A (zh) * 2018-09-28 2018-11-30 国网辽宁省电力有限公司电力科学研究院 一种基于光谱技术的变压器油中溶解气体在线监测装置及方法
CN211453331U (zh) * 2019-12-26 2020-09-08 湖北鑫英泰系统技术股份有限公司 一种光声光谱油气检测装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5159411A (en) * 1988-09-12 1992-10-27 Fls Airloq A/S Method and apparatus for the detection of a gas using photoacoustic spectroscopy
US20140233034A1 (en) * 2011-05-19 2014-08-21 Virginia Polytechnic Institute & State University Apparatus and method for on-line, real-time analysis of chemical gasses dissolved in transformer oil
CN102684059A (zh) * 2012-04-20 2012-09-19 中国科学院半导体研究所 基于石英音叉增强气体光声光谱的可调谐激光稳频装置
US20180266946A1 (en) * 2015-02-06 2018-09-20 Block Engineering, Llc Quantum Cascade Laser (QCL) Based Gas Sensing System and Method
CN104914066A (zh) * 2015-05-04 2015-09-16 华北电力大学 基于红外光谱吸收的变压器油中溶解气体检测装置
US20180259444A1 (en) * 2017-03-13 2018-09-13 Abb Schweiz Ag Dissolved gas analysis devices, systems, and methods
CN106940311A (zh) * 2017-05-03 2017-07-11 重庆大学 一种变压器油中溶解故障特征气体的原位检测方法
CN108287141A (zh) * 2017-12-21 2018-07-17 北京遥测技术研究所 一种基于光谱法的多组分气体浓度分析方法
CN108254338A (zh) * 2018-03-20 2018-07-06 哈工大鞍山工业技术研究院有限公司 基于光谱吸收法的变压器油中气体含量在线监测装置
CN108918459A (zh) * 2018-09-28 2018-11-30 国网辽宁省电力有限公司电力科学研究院 一种基于光谱技术的变压器油中溶解气体在线监测装置及方法
CN211453331U (zh) * 2019-12-26 2020-09-08 湖北鑫英泰系统技术股份有限公司 一种光声光谱油气检测装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
G. CHAKRAPANI 等: ""Sensitive gas-phase photoacoustic spectrometer with provision for simultaneous recording of absorption spectrum"", 《REV. SCL.LNSTRUM.》 *
张小奇 等: ""基于支持向量机的变压器油中溶解气体浓度组合预测"", 《华北电力大学学报》 *
张川 等: ""光声光谱技术在变压器油气分析中的应用"", 《高电压技术》 *
葛海峰 等: ""基于支持向量机和小波分解的气体识别研究"", 《仪器仪表学报》 *

Also Published As

Publication number Publication date
CN112525843B (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
Duval Dissolved gas analysis: It can save your transformer
Abu-Siada Correlation of furan concentration and spectral response of transformer oil-using expert systems
EP2843402A2 (en) Method and system for detecting a component in a fluid using photo acoustic spectroscopy
CN110702611A (zh) 一种激光光声光谱油气在线监测系统
CN112432905B (zh) 基于变压器油中特征气体光声光谱的声纹识别方法与装置
CN112666116A (zh) 一种基于太赫兹的电力变压器绝缘纸老化检测装置及方法
US20150059435A1 (en) Method and system for detecting components in a fluid
Mahdi et al. SF 6 decomposed component analysis for partial discharge diagnosis in GIS: A review
CN112858806A (zh) 一种变压器油中气在线把脉诊断系统及方法
CN110426371A (zh) 一种检测sf6电气设备中的hf气体的系统
CN112525843B (zh) 一种变压器油中气体甲烷和乙烯的混合识别方法及系统
CN112504987B (zh) 一种变压器油中气体乙烯和乙炔的混合识别方法及系统
Zope et al. Analysis of 132kV/33kV 15MVA power transformer dissolved gas using transport-X Kelman Kit through Duval's triangle and Roger's Ratio prediction
Atanasova-Höhlein et al. Gas-in-oil analysis and evaluation criteria for synthetic esters in offshore and traction transformers
CN113567849A (zh) 一种模拟gis内部不同放电故障的检测装置及方法
CN110389106A (zh) 一种sf6分解组分的红外光声光谱定量分析方法
CN115855149A (zh) 一种油浸式并联电抗器运行状态评估方法及系统
Zylka Electrochemical gas sensors can supplement chromatography-based DGA
KR102436148B1 (ko) 플라즈마 발생 모니터링 및 제어 시스템
CN105784609A (zh) 用来分析气体混合物的系统和方法
JP6675904B2 (ja) アセチレン発生可能性の評価方法、評価装置、及び評価プログラム
CN116735528B (zh) 一种烷烃类气体混叠光谱解析方法
Borges et al. Evaluation of the use of near infrared spectroscopy (NIR) in on-line monitoring of power transformer insulation oil
CN116337782B (zh) 一种绝缘油中溶解气体和局部放电同时检测方法及系统
Dai et al. Dual Laser Cantilever Enhanced Photoacoustic Spectroscopy Detection System for SF 6 Decomposition Components

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A mixed identification method and system for methane and ethylene in transformer oil

Effective date of registration: 20220610

Granted publication date: 20210504

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: HUBEI INFOTECH CO.,LTD.

Registration number: Y2022420000153

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230922

Granted publication date: 20210504

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: HUBEI INFOTECH CO.,LTD.

Registration number: Y2022420000153

PC01 Cancellation of the registration of the contract for pledge of patent right