[发明专利]基于人工智能的GIS气体组分浓度检测方法

说明书

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。该方法利用气体浓度传感器采集气体采集单元中的气体浓度，得到气体浓度序列；由气体浓度传感器与气体采集单元中未知点的距离分配未知点浓度权重，计算未知点处的气体浓度序列，构建气体浓度矩阵。获取气体浓度序列的累计离差序列和累计离差序列对应的赫斯特指数，得到波动趋势值；计算累计离差序列对应曲线的包络面积，得到包络面积矩阵和波动趋势矩阵；将三个矩阵输入气体浓度预测网络得到预测气体浓度。本发明实施例将采集到的气体浓度输入气体浓度预测网络得到预测气体浓度，达到了避免气体交叉干扰、提高气体浓度检测精准度的目的。

技术领域

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

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。

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。

发明内容

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。

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。

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。

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。

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；