CN117288701A - 基于多光谱的sf6电气设备评估方法及系统 - Google Patents
基于多光谱的sf6电气设备评估方法及系统 Download PDFInfo
- Publication number
- CN117288701A CN117288701A CN202311318002.0A CN202311318002A CN117288701A CN 117288701 A CN117288701 A CN 117288701A CN 202311318002 A CN202311318002 A CN 202311318002A CN 117288701 A CN117288701 A CN 117288701A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- gas
- decomposed
- module
- correlation
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 294
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 79
- 238000012795 verification Methods 0.000 claims abstract description 44
- 230000035945 sensitivity Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 230000001502 supplementing effect Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 150000002500 ions Chemical class 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000011084 recovery Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000001069 Raman spectroscopy Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 230
- 239000000306 component Substances 0.000 description 28
- 238000000862 absorption spectrum Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 239000008358 core component Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01N21/3103—Atomic absorption analysis
Abstract
本发明公开了一种基于多光谱的SF6电气设备评估方法及系统，应用于数据处理技术领域，该方法包括：分别通过预设多源光谱对SF6气体进行检测，构建SF6分解气身份库。基于SF6分解气身份库进行分析，确定各分解气的相关性及气体相关敏感性。根据气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大。利用协调处理的光谱特征进行补充，设置执行光谱身份库。通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，通过执行光谱身份库获得核验光谱分解信息，确定电气设备异常评估信息。解决了现有技术中由于分解组分难以准确检测，导致电气设备评估准确性较低的技术问题。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种基于多光谱的SF6电气设备评估方法及系统。
背景技术
SF6气体绝缘电气设备具有优良性质被广泛地应用于超特高压电力系统中，当设备发送隐患或故障时，设备内部的局部放电或者过热使SF6气体发生分解并生成多种分解产物。通过对SF6气体分解产物进行定性定量分析，可以获取电气设备潜在的绝缘隐患或者故障，保障设备和电网的稳定运行。然而，在现有技术中由于分解组分含量较低并且性质较为接近，常规检测方法难以进行准确检测，从而导致电气设备评估准确性较低。
因此，在现有技术中由于分解组分含量较低并且性质较为接近，常规检测方法难以进行准确检测，从而导致电气设备评估准确性较低的技术问题。
发明内容
本申请通过提供一种基于多光谱的SF6电气设备评估方法及系统，解决了在现有技术中由于分解组分含量较低并且性质较为接近，常规检测方法难以进行准确检测，从而导致电气设备评估准确性较低的技术问题。
本申请提供一种基于多光谱的SF6电气设备评估方法，分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库；基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性；根据各分解气的相关性进行相关性敏感分析，获得气体相关敏感性；根据所述气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大；利用协调处理的光谱特征对所述SF6分解气身份库进行补充，设置执行光谱身份库；通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，利用执行光谱身份库对检测气体光谱进行核验，获得核验光谱分解信息；利用所述核验光谱分解信息通过异常库进行评估，确定电气设备异常评估信息。
本申请还提供了一种基于多光谱的SF6电气设备评估系统，身份库构建模块，用于分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库；相关性获取模块，用于基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性；敏感性获取模块，用于根据各分解气的相关性进行相关性敏感分析，获得气体相关敏感性；光谱扩大模块，用于根据所述气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大；身份库补充模块，用于利用协调处理的光谱特征对所述SF6分解气身份库进行补充，设置执行光谱身份库；光谱核验模块，用于通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，利用执行光谱身份库对检测气体光谱进行核验，获得核验光谱分解信息；设备异常模块，用于利用所述核验光谱分解信息通过异常库进行评估，确定电气设备异常评估信息。
本申请还提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请提供的一种基于多光谱的SF6电气设备评估方法。
本申请提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时，实现本申请提供的一种基于多光谱的SF6电气设备评估方法。
拟通过本申请提出的一种基于多光谱的SF6电气设备评估方法及系统，分别通过预设多源光谱对SF6气体进行检测，构建SF6分解气身份库。基于SF6分解气身份库进行分析，确定各分解气的相关性及气体相关敏感性。根据气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大。利用协调处理的光谱特征进行补充，设置执行光谱身份库。通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，通过执行光谱身份库获得核验光谱分解信息，确定电气设备异常评估信息。通过复合光学的多光谱SF6分解组分检测，结合具体的检测光谱进行处理，从而有效提高了微量特征分解组分的检测灵敏度，提高了分解组分检测的准确性，提高了对电气设备评估准确性。解决了现有技术中由于分解组分含量较低并且性质较为接近，常规检测方法难以进行准确检测，从而导致电气设备评估准确性较低的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本申请实施例提供的一种基于多光谱的SF6电气设备评估方法的流程示意图；
图2为本申请实施例提供的一种基于多光谱的SF6电气设备评估方法构建SF6分解气身份库的流程示意图；
图3为本申请实施例提供的一种基于多光谱的SF6电气设备评估方法构建异常库的流程示意图；
图4为本申请实施例提供的一种基于多光谱的SF6电气设备评估方法的系统的结构示意图；
图5为本发明实施例提供的一种基于多光谱的SF6电气设备评估方法的系统电子设备的结构示意图。
附图标记说明：身份库构建模块11，相关性获取模块12，敏感性获取模块13，光谱扩大模块14，身份库补充模块15，光谱核验模块16，设备异常模块17，处理器31，存储器32，输入装置33，输出装置34。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
如图1所示，本申请实施例提供了一种基于多光谱的SF6电气设备评估方法，所述方法包括：
分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库；
基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性；
根据各分解气的相关性进行相关性敏感分析，获得气体相关敏感性；
SF6气体绝缘电气设备具有优良性质被广泛地应用于超特高压电力系统中，当设备发送隐患或故障时，设备内部的局部放电或者过热使SF6气体发生分解并生成多种分解产物。通过对SF6气体分解产物进行定性定量分析，可以获取电气设备潜在的绝缘隐患或者故障，保障设备和电网的稳定运行。然而，在现有技术中由于分解组分含量较低并且性质较为接近，常规检测方法难以进行准确检测，从而导致电气设备评估准确性较低。分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库。其中，预设多源光谱为基于多光谱气体检测而设定的不同波长的光谱，在SF6分解气身份库中包含多光谱气体检测获取的SF6气体的多种分解气体类别。随后，基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性。根据各分解气的相关性进行相关性敏感分析，即通过相关性获取气体检测光谱重叠区域以及光谱重叠区域的最高幅值，当重叠区域的最高幅值越高，则对应区域的气体相关敏感性越高，当光谱重叠区域的最高幅值越低，对应区域的气体相关敏感性越低，不同的最高幅值对应不同的敏感性参数，获得气体相关敏感性。
如图2所示，本申请实施例提供的方法还包括：
预设多源光谱至少包括红外光、紫外光，通过预设多源光谱分别对分解气体样本进行检测，获得多源检测光谱；
基于所述多源检测光谱进行光谱同向比较，确定各光谱的敏感气体；
根据所述各光谱的敏感气体，得到检测光源-分解气体的适应关系，基于适应关系进行分类，设定分解气-检测光谱映射关系；
基于分解气-检测光谱映射关系及多源检测光谱，构建所述SF6分解气身份库。
预设多源光谱至少包括红外光、紫外光，通过复合光学的多光谱SF6分解组分检测，从而有效提高了微量特征分解组分的检测灵敏度。通过预设多源光谱分别对分解气体样本进行检测，获得多源检测光谱，其中，多源检测光谱为不同光源环境下进行光谱分析后获取的气体吸收光谱图。基于所述多源检测光谱进行光谱同向比较，即获取气体吸收光谱图中吸收幅值变化明显、波形变化特征较为明显的气体吸收光谱图，确定各气体吸收光谱图对应的敏感气体光源，得到光源对应的检测光谱即光源的波长。根据所述各光谱的敏感气体，得到检测光谱-分解气体的适应关系，检测光谱-分解气体中每种检测光谱即光源的波长对应一个分解气体类别，基于适应关系进行分类，设定分解气-检测光谱映射关系，在分解气-检测光谱映射关系中每个类别的检测光谱对应多个分解气。最后，基于分解气-检测光谱映射关系及多源检测光谱即各气体吸收光谱图，构建所述SF6分解气身份库，通过构建SF6分解气身份库以便于在后续识别过程中可以进行分解气的快速识别，从而提高识别效率。
本申请实施例提供的方法还包括：
基于所述SF6分解气身份库中同检测光谱中的分解气光谱特征进行光谱相关性分析，确定相关光谱；
基于相关光谱构建多通道光谱检测模块，其中多通道具有不同的气体差异浓度、检测光谱强度，利用多通道光谱检测模块对相关光谱的多气体差异浓度进行光谱检测，确定各分解气的分辨率；
根据所述各分解气的分辨率、相关光谱的对应关系，获得所述各分解气的相关性。
基于所述SF6分解气身份库中同检测光谱中的分解气光谱特征进行光谱相关性分析，确定相关光谱。在进行光谱相关性分析时通过对分解气光谱特征进行分布获取，获取不同分解气光谱特征存在分布重叠区域的对应光谱，确定相关光谱。基于相关光谱构建多通道光谱检测模块，即在确定相关光谱后，由于相关光谱之间可能存在互相影响，因此需要对相关光谱进行进一步检测。其中，多通道具有不同的气体差异浓度、检测光谱强度，利用多通道光谱检测模块对相关光谱的多气体差异浓度进行光谱检测，确定各分解气的分辨率，其中分解气的分辨率为气体被识别时的最小气体浓度。根据所述各分解气的分辨率、相关光谱的对应关系，获得所述各分解气的相关性。
根据所述气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大；
利用协调处理的光谱特征对所述SF6分解气身份库进行补充，设置执行光谱身份库；
通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，利用执行光谱身份库对检测气体光谱进行核验，获得核验光谱分解信息；
利用所述核验光谱分解信息通过异常库进行评估，确定电气设备异常评估信息。
根据获取的气体相关敏感性，确定平行放大器协调目标，平行放大器协调目标即为相关敏感性的对应波长区域，利用平行放大器对协调目标进行光谱扩大，不同的敏感性对应不同的放大参数，敏感性越低则将相关气体进行分辨的难度越高，对应区域的放大参数越高，具体的放大参数可以基于实际的精度需求进行设置，放大参数越高获取的检测光谱精度越高。敏感性越低则将相关气体进行分辨的难度越低，对应区域的放大参数越低。获取协调目标进行光谱扩大后存在重叠区域的光谱特征，即协调处理的光谱特征。进一步，利用协调处理的光谱特征对所述SF6分解气身份库进行补充，设置执行光谱身份库。随后，通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，利用执行光谱身份库对检测气体光谱进行比对核验，获取检测气体光谱中存在于执行光谱身份库的分解气体成分，获得核验光谱分解信息，在核验光谱分解信息中包含各分解气体类别。最后，利用所述核验光谱分解信息通过异常库进行评估，获取异常库中存在相同分解气体组分的所有故障类别，确定电气设备异常评估信息。通过复合光学的多光谱SF6分解组分检测，从而有效提高了微量特征分解组分的检测灵敏度，提高了分解组分检测的准确性，提高了对电气设备评估准确性。
本申请实施例提供的方法还包括：
采集SF6电气设备评估的核心分解气信息，并确定核心分解气的反应温度；
基于所述核心分解气的反应温度设定监测温度节点，通过拉曼散射温度传感器对电气设备进行温度监测，获得监测温度节点信息；
将所述监测温度节点信息加入检测气体光谱中进行温度标注，对检测气体光谱进行吻合度匹配，当满足吻合度匹配要求的进行核验。
采集SF6电气设备评估的核心分解气信息，并确定核心分解气的反应温度，其中，核心分解气信息为检测的分解气体浓度大于预设气体浓度阈值的气体，其中，预设气体浓度阈值为预先设定的气体浓度阈值。随后，基于所述核心分解气的反应温度设定监测温度节点，通过拉曼散射温度传感器对电气设备进行温度监测，获得监测温度节点信息。由于不同温度下产生的核心分解气并不相同，因此在进行电气设备异常评估时，需要准确获取对应温度下的核心分解气成分。将所述监测温度节点信息加入检测气体光谱中进行温度标注，对检测气体光谱进行吻合度匹配，在进行吻合度匹配时根据温度标注数据获取历史分解气光谱检测中对应温度下的分解气核心成分，通过获取的核心分解气与对应温度下的分解气核心成分相同成分的比值，获取吻合度数据，即当满足吻合度匹配要求的进行进一步核验。
本申请实施例提供的方法还包括：
当不满足吻合度匹配要求，基于所述检测气体光谱提取干扰背景气体；
对所述干扰背景气体设定压缩系数，构建压缩器设置通道；
通过压缩器设置通道对所述检测气体光谱进行干扰背景气体压缩，对检测气体光谱进行修正。
当不满足吻合度匹配要求，则说明当前温度数据下的历史检测分解气核心成分与当前获取的核心分解气信息的成分一致性较低，则基于所述检测气体光谱提取干扰背景气体。干扰背景气体为浓度大于预设气体浓度阈值的气体，且不属于当前温度数据下的历史检测分解气核心成分的气体成分。对所述干扰背景气体设定压缩系数，其中干扰背景气体压缩系数为对应干扰背景气体吸收波长，构建压缩器设置通道，通过压缩器设置通道对所述检测气体光谱进行干扰背景气体压缩，对检测气体光谱进行修正，即利用压缩器设置通道对干扰背景气体在特定波长的范围内的光谱进行压缩，以减少干扰背景气体在当前温度下对分析结果的影响，并完成对检测气体光谱的修正，提高当前温度下分解气信息浓度获取的准确性。
本申请实施例提供的方法还包括：
根据所述检测气体光谱，确定待回收气体；
将所述待回收气体的化学信息输入所述分解模块进行离子分解分析，确定分解离子条件；
将所述分解离子条件发送至回收模块按照分解离子条件进行反应条件设置，对分解离子进行回收。
基于斯特林深冷真空技术，设置气体回收装置，其中气体回收装置包括分解模块、回收模块。根据所述检测气体光谱，确定待回收气体，其中，待回收气体为检测气体光谱中体现的气体成分。将所述待回收气体的化学信息输入所述分解模块进行离子分解分析，确定分解离子条件。分解模块基于大数据获取待回收气体的化学信息，以及对应的分解离子条件。最后，将所述分解离子条件发送至回收模块按照分解离子条件进行反应条件设置，对分解离子进行回收，从而避免待回收气体逸散对环境造成污染。
如图3所示，本申请实施例提供的方法还包括：
采集历史电气设备的故障案例；
基于所述故障案例进行分解，确定故障特征；
根据所述故障特征确定底层故障特征及故障关系，构建所述异常库。
在利用所述核验光谱分解信息通过异常库进行评估，之前采集历史电气设备的故障案例，在历史电气设备的故障案例中包含具体的故障类别以及对应温度下的分解气体成分。随后，基于所述故障案例进行分解，确定故障特征，其中，故障特征中包含产生故障对应的分解气体成分。根据所述故障特征确定底层故障特征及故障关系，其中底层故障特征为对应故障的具体分解气体成分，故障关系为对应底层故障特征的对应故障类别，构建所述异常库。
本发明实施例所提供的技术方案，分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库。基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性。根据各分解气的相关性进行相关性敏感分析，获得气体相关敏感性。根据所述气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大。利用协调处理的光谱特征对所述SF6分解气身份库进行补充，设置执行光谱身份库。通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，利用执行光谱身份库对检测气体光谱进行核验，获得核验光谱分解信息。利用所述核验光谱分解信息通过异常库进行评估，确定电气设备异常评估信息。通过复合光学的多光谱SF6分解组分检测，结合具体的检测光谱进行处理，从而有效提高了微量特征分解组分的检测灵敏度，提高了分解组分检测的准确性，提高了对电气设备评估准确性。解决了现有技术中由于分解组分难以准确检测，导致电气设备评估准确性较低的技术问题。
实施例二
基于与前述实施例中一种基于多光谱的SF6电气设备评估方法同样发明构思，本发明还提供了一种基于多光谱的SF6电气设备评估方法的系统，系统可以由硬件和/或软件的方式来实现，一般可集成于电子设备中，用于执行本发明任意实施例所提供的方法。如图4所示，所述系统包括：
身份库构建模块11，用于分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库；
相关性获取模块12，用于基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性；
敏感性获取模块13，用于根据各分解气的相关性进行相关性敏感分析，获得气体相关敏感性；
光谱扩大模块14，用于根据所述气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大；
身份库补充模块15，用于利用协调处理的光谱特征对所述SF6分解气身份库进行补充，设置执行光谱身份库；
光谱核验模块16，用于通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，利用执行光谱身份库对检测气体光谱进行核验，获得核验光谱分解信息；
设备异常模块17，用于利用所述核验光谱分解信息通过异常库进行评估，确定电气设备异常评估信息。
所述身份库构建模块11，包括：
多源检测光谱获取模块，用于预设多源光谱至少包括红外光、紫外光，通过预设多源光谱分别对分解气体样本进行检测，获得多源检测光谱；
同向比较模块，用于基于所述多源检测光谱进行光谱同向比较，确定各光谱的敏感气体；
映射关系获取模块，用于根据所述各光谱的敏感气体，得到检测光谱-分解气体的适应关系，基于适应关系进行分类，设定分解气-检测光谱映射关系；
分解气身份库构建模块，用于基于分解气-检测光谱映射关系及多源检测光谱，构建所述SF6分解气身份库。
所述相关性获取模块12，包括：
相关光谱获取模块，用于基于所述SF6分解气身份库中同检测光谱中的分解气光谱特征进行光谱相关性分析，确定相关光谱；
分辨率获取模块，用于基于相关光谱构建多通道光谱检测模块，其中多通道具有不同的气体差异浓度、检测光谱强度，利用多通道光谱检测模块对相关光谱的多气体差异浓度进行光谱检测，确定各分解气的分辨率；
对应关系获取模块，用于根据所述各分解气的分辨率、相关光谱的对应关系，获得所述各分解气的相关性。
所述光谱核验模块16，包括：
反应温度获取模块，用于采集SF6电气设备评估的核心分解气信息，并确定核心分解气的反应温度；
温度节点信息获取模块，用于基于所述核心分解气的反应温度设定监测温度节点，通过拉曼散射温度传感器对电气设备进行温度监测，获得监测温度节点信息；
匹配要求核验模块，用于将所述监测温度节点信息加入检测气体光谱中进行温度标注，对检测气体光谱进行吻合度匹配，当满足吻合度匹配要求的进行核验。
所述光谱核验模块16，包括：
干扰背景气体获取模块，用于当不满足吻合度匹配要求，基于所述检测气体光谱提取干扰背景气体；
压缩器构建模块，用于对所述干扰背景气体设定压缩系数，构建压缩器设置通道；
光谱修正模块，用于通过压缩器设置通道对所述检测气体光谱进行干扰背景气体压缩，对检测气体光谱进行修正。
所述设备异常模块17，包括：
待回收气体确定模块，用于根据所述检测气体光谱，确定待回收气体；
分解离子条件确定模块，用于将所述待回收气体的化学信息输入所述分解模块进行离子分解分析，确定分解离子条件；
反应条件设置模块，用于将所述分解离子条件发送至回收模块按照分解离子条件进行反应条件设置，对分解离子进行回收。
所述设备异常模块17，包括：
故障案例获取模块，用于采集历史电气设备的故障案例；
故障特征获取模块，用于基于所述故障案例进行分解，确定故障特征；
异常库构建模块，用于根据所述故障特征确定底层故障特征及故障关系，构建所述异常库。
所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图5中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种基于多光谱的SF6电气设备评估方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种基于多光谱的SF6电气设备评估方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (16)
1.一种基于多光谱的SF6电气设备评估方法，其特征在于，包括：
分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库；
基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性；
根据各分解气的相关性进行相关性敏感分析，获得气体相关敏感性；
根据所述气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大；
利用协调处理的光谱特征对所述SF6分解气身份库进行补充，设置执行光谱身份库；
通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，利用执行光谱身份库对检测气体光谱进行核验，获得核验光谱分解信息；
利用所述核验光谱分解信息通过异常库进行评估，确定电气设备异常评估信息。
2.如权利要求1所述的方法，其特征在于，所述分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库，包括：
预设多源光谱至少包括红外光、紫外光，通过预设多源光谱分别对分解气体样本进行检测，获得多源检测光谱；
基于所述多源检测光谱进行光谱同向比较，确定各光谱的敏感气体；
根据所述各光谱的敏感气体，得到检测光谱-分解气体的适应关系，基于适应关系进行分类，设定分解气-检测光谱映射关系；
基于分解气-检测光谱映射关系及多源检测光谱，构建所述SF6分解气身份库。
3.如权利要求2所述的方法，其特征在于，基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性，包括：
基于所述SF6分解气身份库中同检测光谱中的分解气光谱特征进行光谱相关性分析，确定相关光谱；
基于相关光谱构建多通道光谱检测模块，其中多通道具有不同的气体差异浓度、检测光谱强度，利用多通道光谱检测模块对相关光谱的多气体差异浓度进行光谱检测，确定各分解气的分辨率；
根据所述各分解气的分辨率、相关光谱的对应关系，获得所述各分解气的相关性。
4.如权利要求1所述的方法，其特征在于，利用执行光谱身份库对检测气体光谱进行核验，之前包括：
采集SF6电气设备评估的核心分解气信息，并确定核心分解气的反应温度；
基于所述核心分解气的反应温度设定监测温度节点，通过拉曼散射温度传感器对电气设备进行温度监测，获得监测温度节点信息；
将所述监测温度节点信息加入检测气体光谱中进行温度标注，对检测气体光谱进行吻合度匹配，当满足吻合度匹配要求的进行核验。
5.如权利要求4所述的方法，其特征在于，对检测气体光谱进行吻合度匹配，之后包括：
当不满足吻合度匹配要求，基于所述检测气体光谱提取干扰背景气体；
对所述干扰背景气体设定压缩系数，构建压缩器设置通道；
通过压缩器设置通道对所述检测气体光谱进行干扰背景气体压缩，对检测气体光谱进行修正。
6.如权利要求1所述的方法，其特征在于，基于斯特林深冷真空技术，设置气体回收装置，其中气体回收装置包括分解模块、回收模块，所述方法还包括：
根据所述检测气体光谱，确定待回收气体；
将所述待回收气体的化学信息输入所述分解模块进行离子分解分析，确定分解离子条件；
将所述分解离子条件发送至回收模块按照分解离子条件进行反应条件设置，对分解离子进行回收。
7.如权利要求1所述的方法，其特征在于，利用所述核验光谱分解信息通过异常库进行评估，之前包括：
采集历史电气设备的故障案例；
基于所述故障案例进行分解，确定故障特征；
根据所述故障特征确定底层故障特征及故障关系，构建所述异常库。
8.一种基于多光谱的SF6电气设备评估系统，其特征在于，包括：
身份库构建模块，用于分别通过预设多源光谱对SF6气体进行分解气体识别检测，构建SF6分解气身份库；
相关性获取模块，用于基于所述SF6分解气身份库进行相关影响分析，确定各分解气的相关性；
敏感性获取模块，用于根据各分解气的相关性进行相关性敏感分析，获得气体相关敏感性；
光谱扩大模块，用于根据所述气体相关敏感性，确定平行放大器协调目标，利用平行放大器对协调目标进行光谱扩大；
身份库补充模块，用于利用协调处理的光谱特征对所述SF6分解气身份库进行补充，设置执行光谱身份库；
光谱核验模块，用于通过预设多源光谱对电气设备进行气体检测，并利用放大器对光谱进行同行扩大得到检测气体光谱，利用执行光谱身份库对检测气体光谱进行核验，获得核验光谱分解信息；
设备异常模块，用于利用所述核验光谱分解信息通过异常库进行评估，确定电气设备异常评估信息。
9.如权利要求8所述的系统，其特征在于，所述身份库构建模块，包括：
多源检测光谱获取模块，用于预设多源光谱至少包括红外光、紫外光，通过预设多源光谱分别对分解气体样本进行检测，获得多源检测光谱；
同向比较模块，用于基于所述多源检测光谱进行光谱同向比较，确定各光谱的敏感气体；
映射关系获取模块，用于根据所述各光谱的敏感气体，得到检测光谱-分解气体的适应关系，基于适应关系进行分类，设定分解气-检测光谱映射关系；
分解气身份库构建模块，用于基于分解气-检测光谱映射关系及多源检测光谱，构建所述SF6分解气身份库。
10.如权利要求9所述的系统，其特征在于，所述相关性获取模块，包括：
相关光谱获取模块，用于基于所述SF6分解气身份库中同检测光谱中的分解气光谱特征进行光谱相关性分析，确定相关光谱；
分辨率获取模块，用于基于相关光谱构建多通道光谱检测模块，其中多通道具有不同的气体差异浓度、检测光谱强度，利用多通道光谱检测模块对相关光谱的多气体差异浓度进行光谱检测，确定各分解气的分辨率；
对应关系获取模块，用于根据所述各分解气的分辨率、相关光谱的对应关系，获得所述各分解气的相关性。
11.如权利要求8所述的系统，其特征在于，所述光谱核验模块，包括：
反应温度获取模块，用于采集SF6电气设备评估的核心分解气信息，并确定核心分解气的反应温度；
温度节点信息获取模块，用于基于所述核心分解气的反应温度设定监测温度节点，通过拉曼散射温度传感器对电气设备进行温度监测，获得监测温度节点信息；
匹配要求核验模块，用于将所述监测温度节点信息加入检测气体光谱中进行温度标注，对检测气体光谱进行吻合度匹配，当满足吻合度匹配要求的进行核验。
12.如权利要求11所述的系统，其特征在于，所述光谱核验模块，包括：
干扰背景气体获取模块，用于当不满足吻合度匹配要求，基于所述检测气体光谱提取干扰背景气体；
压缩器构建模块，用于对所述干扰背景气体设定压缩系数，构建压缩器设置通道；
光谱修正模块，用于通过压缩器设置通道对所述检测气体光谱进行干扰背景气体压缩，对检测气体光谱进行修正。
13.如权利要求8所述的系统，其特征在于，所述设备异常模块与气体回收装置通信连接，其中气体回收装置包括分解模块、回收模块，所述设备异常模块，包括：
待回收气体确定模块，用于根据所述检测气体光谱，确定待回收气体；
分解离子条件确定模块，用于将所述待回收气体的化学信息输入所述分解模块进行离子分解分析，确定分解离子条件；
反应条件设置模块，用于将所述分解离子条件发送至回收模块按照分解离子条件进行反应条件设置，对分解离子进行回收。
14.如权利要求8所述的系统，其特征在于，所述设备异常模块，包括：
故障案例获取模块，用于采集历史电气设备的故障案例；
故障特征获取模块，用于基于所述故障案例进行分解，确定故障特征；
异常库构建模块，用于根据所述故障特征确定底层故障特征及故障关系，构建所述异常库。
15.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至7任一项所述的一种基于多光谱的SF6电气设备评估方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的一种基于多光谱的SF6电气设备评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318002.0A CN117288701B (zh) | 2023-10-12 | 基于多光谱的sf6电气设备评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318002.0A CN117288701B (zh) | 2023-10-12 | 基于多光谱的sf6电气设备评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117288701A true CN117288701A (zh) | 2023-12-26 |
| CN117288701B CN117288701B (zh) | 2024-05-17 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1695326A (zh) * | 2002-12-05 | 2005-11-09 | 艾利森电讯公司 | 连续波泵浦的平行光纤光学参数放大器 |
| CN111863147A (zh) * | 2020-07-22 | 2020-10-30 | 云南电网有限责任公司电力科学研究院 | Sf6及其分解组分气体的浓度检测方法及装置 |
| CN111939883A (zh) * | 2020-08-06 | 2020-11-17 | 重庆科技学院 | 一种基于介质阻挡放电技术再生sf6吸附剂的系统及方法 |
| CN114965836A (zh) * | 2022-06-01 | 2022-08-30 | 国网湖北省电力有限公司超高压公司 | 基于紫外红外sf6分解气体检测方法的背景气体修正方法 |
| CN114965616A (zh) * | 2022-06-01 | 2022-08-30 | 国网湖北省电力有限公司超高压公司 | 一种sf6分解气体检测方法 |
| CN115452752A (zh) * | 2022-09-13 | 2022-12-09 | 广东电网有限责任公司电力科学研究院 | 基于紫外光谱提高检测sf6气体分解产物精度的方法 |
| CN116480952A (zh) * | 2023-04-25 | 2023-07-25 | 国家电投集团郑州燃气发电有限公司 | 燃气泄露气云光谱视频监测预警方法及系统 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1695326A (zh) * | 2002-12-05 | 2005-11-09 | 艾利森电讯公司 | 连续波泵浦的平行光纤光学参数放大器 |
| CN111863147A (zh) * | 2020-07-22 | 2020-10-30 | 云南电网有限责任公司电力科学研究院 | Sf6及其分解组分气体的浓度检测方法及装置 |
| CN111939883A (zh) * | 2020-08-06 | 2020-11-17 | 重庆科技学院 | 一种基于介质阻挡放电技术再生sf6吸附剂的系统及方法 |
| CN114965836A (zh) * | 2022-06-01 | 2022-08-30 | 国网湖北省电力有限公司超高压公司 | 基于紫外红外sf6分解气体检测方法的背景气体修正方法 |
| CN114965616A (zh) * | 2022-06-01 | 2022-08-30 | 国网湖北省电力有限公司超高压公司 | 一种sf6分解气体检测方法 |
| CN115452752A (zh) * | 2022-09-13 | 2022-12-09 | 广东电网有限责任公司电力科学研究院 | 基于紫外光谱提高检测sf6气体分解产物精度的方法 |
| CN116480952A (zh) * | 2023-04-25 | 2023-07-25 | 国家电投集团郑州燃气发电有限公司 | 燃气泄露气云光谱视频监测预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108362662B (zh) | 近红外光谱相似度计算方法、装置和物质定性分析系统 | |
| JP5375411B2 (ja) | クロマトグラフ質量分析データ解析方法及び装置 | |
| Bastuck et al. | DAV 3 E–a MATLAB toolbox for multivariate sensor data evaluation | |
| US10598639B2 (en) | Three-dimensional spectral data processing device and processing method | |
| US20180067048A1 (en) | Unknown Sample Determining Method, Unknown Sample Determining Instrument, and Unknown Sample Determining Program | |
| Valledor et al. | Standardization of data processing and statistical analysis in comparative plant proteomics experiment | |
| Äijälä et al. | Constructing a data-driven receptor model for organic and inorganic aerosol–a synthesis analysis of eight mass spectrometric data sets from a boreal forest site | |
| GB2561879A (en) | Spectroscopic analysis | |
| JP2011220773A (ja) | 質量分析方法及び質量分析装置 | |
| TWI493168B (zh) | 分析質譜的方法、電腦程式及系統 | |
| CN117288701B (zh) | 基于多光谱的sf6电气设备评估方法及系统 | |
| Cai et al. | Orbitool: a software tool for analyzing online Orbitrap mass spectrometry data | |
| US6289287B1 (en) | Identification of sample component using a mass sensor system | |
| CN117288701A (zh) | 基于多光谱的sf6电气设备评估方法及系统 | |
| CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
| CN113791062A (zh) | 一种基于拉曼光谱判断固定物质类别的方法 | |
| Bendik et al. | Automated high confidence compound identification of electron ionization mass spectra for nontargeted analysis | |
| KR102324230B1 (ko) | 분광기반 토양성분 예측 방법 및 시스템, 이를 구현하는 프로그램매체 | |
| CN113588597A (zh) | 一种提升炉渣分析精度的方法 | |
| Korun et al. | Improving the reliability of peak-evaluation results in gamma-ray spectrometry | |
| CN114077848B (zh) | 一种新型传感器阵列板及其混合气体分析方法 | |
| US6647343B1 (en) | Temporal profile analysis of mass data in a mass sensor system | |
| EP3654016A1 (en) | Gas analysis device, program for gas analysis device, and gas analysis method | |
| CN117630264B (zh) | 色谱和质谱联用的分析方法、装置、存储介质及电子设备 | |
| Chen et al. | Random Forest model for quality control of high resolution mass spectra from SILAC labeling experiments |
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 |