1.一种基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，其步骤如下：

步骤一：根据采样时间获取变压器油中溶解气体的浓度和采样点温度，并根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量；

步骤二：对气体特征向量进行数据增强后作为输入向量，并对输入向量进行故障评估，得到样本集，其中，样本集包括训练集和测试集；

步骤三：利用半软阈值函数替换掉共通道深度残差收缩网络中的软阈值，得到子通道阈值深度残差收缩网络；

步骤四：将训练集输入子通道阈值深度残差收缩网络进行训练，得到子通道阈值深度残差收缩网络模型；

步骤五：设置初始故障阈值，将测试集输入子通道阈值深度残差收缩网络模型进行识别，并利用自适应可变权重的交叉熵函数对识别结果进行评价，判断是否存在误差；

步骤六：若存在误差，利用权重系数对测试集中各类故障中气体的影响权重进行赋值，进而更新故障阈值，返回步骤五，若不存在误差，保留最新的故障阈值，输出故障识别类型。

2.根据权利要求1所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述溶解气体包括CO、CO2、H2、CH4、C2H2、C2H4和C2H6七种气体。

3.根据权利要求2所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量的方法为：将CO、CO2、H2、CH4、C2H2、C2H4和C2H6这七种气体的浓度作为图像的特征通道，将采样点温度和采样时间分别作为图像的高度和宽度，得到维度为C×W×I的气体特征向量，其中，C表示气体的种类，I表示温度间隔，既温度每变化I度，取一组气体浓度数据，W表示每个采样时间内对应的采样点数。

4.根据权利要求2或3所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述对气体特征向量进行数据增强的方法为：将某工况下的同型号变压器的溶解气体的浓度以及各种气体的浓度的平均值作为补充数据随机加入气体特征向量内，同时在气体特征向量内添加噪声信息得到输入向量。

5.根据权利要求1所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述对输入向量进行故障评估也即对输入向量进行故障类型的标注，故障类型包括低温故障、中温过热故障、低能放电、高能放电、局部放电、高温过热故障、过热故障与放电故障混合、潮湿故障和正常状态。

6.根据权利要求1所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述半软阈值函数的表达式为：其中，X代表输入特征，Y代表输出特征，λ是正参数阈值，5gn(·)为符号函数。

7.根据权利要求6所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述利用自适应可变权重的交叉熵函数对识别结果进行评价的方法为：定义交叉熵函数：

其中，p表示离散状态下的概率向量，q表示连续状态下的概率分布函数，pi表示对应的第i个状态的概率向量，qi表示对应的第i个状态的概率分布函数，c表示根据实际工况的底数，n表示状态总数；

根据子通道阈值深度残差收缩网络模型的识别误差满足正态分布，pn(x)代表第n个故障下识别误差的概率密度函数：

其中，μn是平均值，σn是方差；

则p(x)代表某一故障下七种特征气体的识别误差概率密度函数：其中： si代表支持向量s＝[s1,s2,…sn]中的隶属度因子；

建立隶属度因子对应的优化目标函数：其中，pi(x)表示第i个状态故障下识别误差的概率密度函数；

构建交叉熵最小的目标函数为：

其中，P表示支持向量s中元素的总和，D[·]表示对各状态误识别的交叉熵函数；

利用构造的权重系数修正误识别导致的误差，可变系数 如下：其中， 为状态A的误识别概率，vi表示状态样本；

构建综合评价函数：

A

其中，Lt表示综合评价损失，Rt表示交叉熵损失， 表示交叉熵损失权重值，Wi表示误识别损失。

8.根据权利要求7所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述方差σn的计算公式为：其中，Δnj表示预测值与真实值之间的误差， 表示故障浓度平均值，m表示故障样本总数。