1.一种用于辨识变压器油中溶解气体含量的方法，所述方法包括：获取变压器正常运行状态及非正常运行状态下变压器油中的多组气体含量数据，对多组气体含量数据进行预处理，生成样本数据，并对样本数据设置标签；初始化深度迁移网络参数，并将设置标签的样本数据及目标变压器的数据输入至深度迁移网络，获取目标变压器数据的预测标签；根据样本数据设置的标签及预测标签，确定样本数据及目标变压器数据中气体的分类数据；将分类数据输入至深度迁移网络，获取目标变压器油中溶解的气体含量；所述初始化深度迁移网络参数，包括：在进行整体类心对齐前需要初始化网络参数，深度迁移网络的参数主要包含隐含层层数、每个隐含层的节点数、网络权重和阈值，针对变压器油中气体数据，将隐含层层数设为2层，每个隐含层的节点数为20，随机初始化网络权重和阈值；深度迁移网络，包括：整体类心对齐的深度神经网络：输入为带标签的源域数据以及不带标签的目标域数据，通过整体类心对齐得到目标域数据的预测标签；各类类心对齐的深度神经网络：通过源域数据的真实标签和目标域数据的预测标签得到源域和目标域各个类别的数据，得到源域和目标域各个类别的数据后，利用各类类心对齐下的深度神经网络对目标域数据进行分类，得到目标域数据的分类结果；整体类心对齐实现源域数据和目标域数据的整体分布对齐，规定第一层是输入层，第2到L层为隐含层，最后一层即L+1层为softmax输出层，W(L)和b(L)分别表示第L层到第L+1层之间的连接权重与阈值，C表示类别数；整体类心对齐网络的前向传播公式如下式：z (k) ＝W (k-1) a (k-1) +b (k-1) ,k＝2,...,La (k) ＝f(z (k) ),k＝2,...,L其中，第一层为输入层，并且令x＝a (1) 表示数据的原始输入特征，a (k) 表示网络第k层的输出特征，f()表示激活函数，此处所用的是ReLU函数；网络的第L+1层是softmax输出层，其公式如下：在整体类心对齐中，网络的最后一层隐含层提供源域和目标域数据的特征，所以整体类心对齐OCA策略作用在最后一层隐含层及第L层上，其代价函数如下式所示；其中，a t(L) 和a s(L) 分别表示目标域第L层的输出特征和源域第L层的输出特征，N t 和N s 分别表示目标域的样本数量和源域的样本数量；将整体类心对齐策略与softmax分类误差相结合，可得整体类心对齐网络的整体目标函数，如下式所示；J＝J (softmax) +βJ (OCA)其中，β表示在损失函数中整体类心对齐的权重；通过整体类心对齐得到目标域数据的预测标签后，利用源域数据的真实标签和目标域数据的预测标签得到源域和目标域各个类别的数据，得到源域和目标域各个类别的数据后，在RDNN中对源域和目标域各个类别的数据进行各类类心对齐的约束；各类类心对齐策略实现源域和目标域每个类别数据的分布对齐，该网络的符号规定以及前向传播过程与整体类心对齐网络相同，在各类类心对齐网络中，网络的最后一层隐含层提供源域和目标域数据的特征，各类类心对齐策略作用在网络第L层，其代价函数如下式所示；其中，ajt(L)和ajs(L)分别表示目标域第j类数据的第L层输出特征和源域第j类数据的第L层输出特征，Ntj和Nsj分别表示目标域第j类的样本数量和源域第j类的样本数量；将各类类心对齐策略与softmax分类误差相结合，可得各类类心对齐网络的整体目标函数，如下式所示；J＝J (softmax) +βJ (CCA)其中，β表示在损失函数中各类类心对齐的权重。
2.根据权利要求1所述的方法，所述样本数据不小于20000份，样本数据为变压器油中H 2 、CH 4 、C 2 H 2 、C 2 H 4 和C 2 H 6 的含量数据。
3.根据权利要求1所述的方法，所述非正常运行状态，包括：变压器低温过热状态、中温过热状态、高温过热状态、局部放电状态、低能放电状态和高能放电状态。
4.根据权利要求1所述的方法，所述预处理为归一化处理。
5.一种用于辨识变压器油中溶解气体含量的系统，所述系统包括：采集模块，获取变压器正常运行状态及非正常运行状态下变压器油中的多组气体含量数据，对多组气体含量数据进行预处理，生成样本数据，并对样本数据设置标签；初始化模块，初始化深度迁移网络参数，并将设置标签的样本数据及目标变压器的数据输入至深度迁移网络，获取目标变压器数据的预测标签；处理模块，根据样本数据设置的标签及预测标签，确定样本数据及目标变压器数据中气体的分类数据；输出模块，将分类数据输入至深度迁移网络，获取目标变压器油中溶解的气体含量；所述初始化深度迁移网络参数，包括：在进行整体类心对齐前需要初始化网络参数，深度迁移网络的参数主要包含隐含层层数、每个隐含层的节点数、网络权重和阈值，针对变压器油中气体数据，将隐含层层数设为2层，每个隐含层的节点数为20，随机初始化网络权重和阈值；深度迁移网络，包括：整体类心对齐的深度神经网络：输入为带标签的源域数据以及不带标签的目标域数据，通过整体类心对齐得到目标域数据的预测标签；各类类心对齐的深度神经网络：通过源域数据的真实标签和目标域数据的预测标签得到源域和目标域各个类别的数据，得到源域和目标域各个类别的数据后，利用各类类心对齐下的深度神经网络对目标域数据进行分类，得到目标域数据的分类结果；整体类心对齐实现源域数据和目标域数据的整体分布对齐，规定第一层是输入层，第2到L层为隐含层，最后一层即L+1层为softmax输出层，W(L)和b(L)分别表示第L层到第L+1层之间的连接权重与阈值，C表示类别数；整体类心对齐网络的前向传播公式如下式：z (k) ＝W (k-1) a (k-1) +b (k-1) ,k＝2,...,La (k) ＝f(z (k) ),k＝2,...,L其中，第一层为输入层，并且令x＝a (1) 表示数据的原始输入特征，a (k) 表示网络第k层的输出特征，f()表示激活函数，此处所用的是ReLU函数；网络的第L+1层是softmax输出层，其公式如下：在整体类心对齐中，网络的最后一层隐含层提供源域和目标域数据的特征，所以整体类心对齐OCA策略作用在最后一层隐含层及第L层上，其代价函数如下式所示；其中，a t(L) 和a s(L) 分别表示目标域第L层的输出特征和源域第L层的输出特征，N t 和N s 分别表示目标域的样本数量和源域的样本数量；将整体类心对齐策略与softmax分类误差相结合，可得整体类心对齐网络的整体目标函数，如下式所示；J＝J (softmax) +βJ (OCA)其中，β表示在损失函数中整体类心对齐的权重；通过整体类心对齐得到目标域数据的预测标签后，利用源域数据的真实标签和目标域数据的预测标签得到源域和目标域各个类别的数据，得到源域和目标域各个类别的数据后，在RDNN中对源域和目标域各个类别的数据进行各类类心对齐的约束；各类类心对齐策略实现源域和目标域每个类别数据的分布对齐，该网络的符号规定以及前向传播过程与整体类心对齐网络相同，在各类类心对齐网络中，网络的最后一层隐含层提供源域和目标域数据的特征，各类类心对齐策略作用在网络第L层，其代价函数如下式所示；其中，ajt(L)和ajs(L)分别表示目标域第j类数据的第L层输出特征和源域第j类数据的第L层输出特征，Ntj和Nsj分别表示目标域第j类的样本数量和源域第j类的样本数量；将各类类心对齐策略与softmax分类误差相结合，可得各类类心对齐网络的整体目标函数，如下式所示；J＝J (softmax) +βJ (CCA)其中，β表示在损失函数中各类类心对齐的权重。
6.根据权利要求5所述的系统，所述样本数据不小于20000份，样本数据为变压器油中H 2 、CH 4 、C 2 H 2 、C 2 H 4 和C 2 H 6 的含量数据。
7.根据权利要求5所述的系统，所述非正常运行状态，包括：变压器低温过热状态、中温过热状态、高温过热状态、局部放电状态、低能放电状态和高能放电状态。
8.根据权利要求5所述的系统，所述预处理为归一化处理。
