CN109444107A - 基于支持向量机的sf6气体检测定量分析方法 - Google Patents
基于支持向量机的sf6气体检测定量分析方法 Download PDFInfo
- Publication number
- CN109444107A CN109444107A CN201811524091.3A CN201811524091A CN109444107A CN 109444107 A CN109444107 A CN 109444107A CN 201811524091 A CN201811524091 A CN 201811524091A CN 109444107 A CN109444107 A CN 109444107A
- Authority
- CN
- China
- Prior art keywords
- gas
- detection
- quantitative analysis
- input variable
- support vector
- 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.)
- Pending
Links
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请提供了一种基于支持向量机的SF6气体检测定量分析方法,所述方法包括:选择拉曼气体检测的图谱谱峰、检测压强、检测温度和激光强度为输入变量,选择的SF6气体浓度为输出量,采集N组输入变量所对应的历史运行数据和其所对应的SF6气体浓度测试数据作为训练样本;选择一个非线性变换φ(·)将n维输入、一维输出样本向量从原空间映射到高维特征空间,并在该高维特征空间构造最优线性回归函数f(x)=ωφ(x)+b,ω为权值向量:b为偏差,x为输入变量;预测SF6气体检测定量分析结果。本申请提供的基于支持向量机的SF6气体检测定量分析方法,考虑压强等外界干扰因素影响,提高通过拉曼图谱检测气体浓度的方法的准确性。
Description
技术领域
本申请涉及气体绝缘变电设备技术领域,尤其涉及一种基于支持向量机的SF6气体检测定量分析方法。
背景技术
SF6气体拥有优良的绝缘性能,是GIS气体绝缘变电设备中重要的气体成分。因此,针对SF6气体的检测及定量分析就显得额外重要。在利用光纤设备检测SF6气体的过程中,检测结果会受到多种因素的影响,如激光强度、压强、温度、光谱峰强等。
目前,多是采用拉曼光谱进行SF6气体检测定量分析。具体的,先通过测量已知浓度的气体的拉曼谱图,建立谱图和浓度之间的关系,再测量未知浓度谱图时就可以根据之前的关系推测出浓度大小。在使用拉曼光谱进行SF6气体检测定量分析时,只考虑了谱图和浓度两者之间的对应关系,忽略了压强等外界干扰因素的影响。然而,SF6气体浓度常常受激光强度、压强、温度等外界干扰因素的影响。因此,采用拉曼光谱进行SF6气体检测定量分析的准确性无法得到高质量的保证。
发明内容
本申请提供了一种基于人工神经网络的SF6气体光纤检测定量分析方法,能够有效对采集到的光谱数据及压强、温度等多个参量进行智能计算,提高检测的准确性。
本申请提供了一种基于支持向量机的SF6气体检测定量分析方法,所述方法包括:
选择拉曼气体检测的图谱谱峰、检测压强、检测温度和激光强度为输入变量,选择的SF6气体浓度为输出量,采集N组输入变量所对应的历史运行数据和其所对应的SF6气体浓度测试数据作为训练样本;
选择一个非线性变换φ(·)将n维输入、一维输出样本向量从原空间映射到高维特征空间,并在该高维特征空间构造最优线性回归函数f(x)=ωφ(x)+b,其中,ω为权值向量:b为偏差,x为输入变量;
根据最优线性回归函数以及图谱谱峰、检测压强、检测温度和激光强度的输入变量,预测SF6气体检测定量分析结果。
可选的,上述基于支持向量机的SF6气体检测定量分析方法,所述方法还包括:
通过间隔最小化获得参数ω和b,其中,||w||2为控制模型的复杂度,γ为控制对超出误差样本的惩罚程度,Remp为误差控制函数。
本申请提供的基于支持向量机的SF6气体检测定量分析方法,能够有效对采集到的光谱数据及压强、温度等多个参量进行智能计算,使得得到的SF6气体浓度数据较未使用支持向量机算法得到的数据更加精确、有效。本申请提供的基于支持向量机的SF6气体检测定量分析方法,能够有效减少包括压强、温度和激光功率在内的外部因素影响,突出待测成分信号的特征性,确保光谱数据的光滑性,提高光谱信号的准确度,能有效提高光谱数据的分析准确度。本申请提供的基于支持向量机的SF6气体检测定量分析方法,提高通过拉曼图谱检测气体浓度的方法的准确性,考虑压强等外界干扰因素影响,并尽可能消除其定量分析结果的影响。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于支持向量机的SF6气体检测定量分析方法的结构流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如附图1所示,本申请实施例提供的基于支持向量机的SF6气体检测定量分析方法,包括:
选择拉曼气体检测的图谱谱峰、检测压强、检测温度和激光强度为输入变量,选择的SF6气体浓度为输出量,采集N组输入变量所对应的历史运行数据和其所对应的SF6气体浓度测试数据作为训练样本;
选择一个非线性变换φ(·)将n维输入、一维输出样本向量从原空间映射到高维特征空间,并在该高维特征空间构造最优线性回归函数f(x)=ωφ(x)+b,其中,ω为权值向量:b为偏差,x为输入变量;
根据最优线性回归函数以及图谱谱峰、检测压强、检测温度和激光强度的输入变量,预测SF6气体检测定量分析结果。
测试获取GIS气体绝缘变电设备中气体的光谱峰强、压强、温度、激光功率以及对应的测试的SF6气体浓度。
选择一个非线性变换φ(·)将n维输入、1维输出样本向量[(x1,y1),(x2,y2)…(xi,yi)],(x为样本输入变量,y为样本输出量,xi∈Rn,yi∈R,i=1…l),l为练样本个数,从原空间映射到高维特征空间F,并在该高维特征空间构造最优线性回归函数
f(x)=ωφ(x)+b (1)
式中:f(x)是最优线性回归函数,ω为权值向量,b为偏差,x为输入变量。
根据结构风险最小化原则,参数ω和b可通过最小化式(2)确定
式中:R为间隔最小化,||w||2为控制模型的复杂度;γ为控制对超出误差样本的惩罚程度:Remp为误差控制函数,即ε不敏感损失函数。支持向量机算法中拟合样本时,距离超平面最近的这几个样本点称为支持向量,两条边界间的距离称为间隔。
ε定义为
其中,f(x)是最优线性回归函数,y为样本输出量。
取不同的损失函数可构造不同形式的支持向量机。
最小二乘支持向量机在优化目标中选择的损失函数为误差的二范数。因此,优化问题为
ξ松弛变量,ζi为第i个样本的松弛变量。
对每个样本点引入一个松弛变量ξi≥0,使得间隔加上松弛变量大于等于1,约束条件为
yi[ωTφ(xi)+b]=1-ξi(i=1…l) (4)
一般地,由于ω可能为无限维,直接求解式(4)的优化问题极其困难,因此将这一优化问题转化到其对偶空间中,引入拉格朗日函数
式中ai为拉格朗日乘子。
再根据最优化理论中的KKT(Karush-Kuhn-Tucker)条件,得到如下等式和约束条件
对于i=1…l,将式(6)消去ω和ξ(ξ=[ξ1…ξi])可得到式(7)所示的线性系统
式中:ΩkmφT(xk)φ(xm);Y=[y1…yl]T;ηl=[1…1];a=[a…al];I为单位矩阵:s为l维列向量,s=[1…1]T。
式(7)为一线性方程组,可用最小二乘法求出a和b,由此得到预测输出
利用核函数的方法令
K(x,xi)=φT(x)φ(xi) (9)
则非线性预测模型为
选取了25组拉曼光谱图谱数据作为训练样本,同一检测装置检测的10组色谱数据作为测试样本。本文在建立预测模型时将拉曼气体检测的图谱谱峰、检测压强、检测温度和激光强度作为输入,而将气体浓度作为输出。
基于以上规则,神经元网络在10组预测样本上的识别结果见表一:
表一:
由表一可知,计算结果与实际结果相差无几,证明本申请实施例所用支持向量机智能算法测SF6气体浓度的方案可靠,且误差在允许范围内。
本申请提供的基于支持向量机的SF6气体检测定量分析方法,能够有效对采集到的光谱数据及压强、温度等多个参量进行智能计算,使得得到的SF6气体浓度数据较未使用支持向量机算法得到的数据更加精确、有效。本申请提供的基于支持向量机的SF6气体检测定量分析方法,能够有效减少包括压强、温度和激光功率在内的外部因素影响,突出待测成分信号的特征性,确保光谱数据的光滑性,提高光谱信号的准确度,能有效提高光谱数据的分析准确度。本申请提供的基于支持向量机的SF6气体检测定量分析方法,提高通过拉曼图谱检测气体浓度的方法的准确性,考虑压强等外界干扰因素影响,并尽可能消除其定量分析结果的影响。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处,相关之处参见方法实施例的部分说明即可。本领域技术人员在考虑说明书及实践这里的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (2)
1.一种基于支持向量机的SF6气体检测定量分析方法,其特征在于,所述方法包括:
选择拉曼气体检测的图谱谱峰、检测压强、检测温度和激光强度为输入变量,选择的SF6气体浓度为输出量,采集N组输入变量所对应的历史运行数据和其所对应的SF6气体浓度测试数据作为训练样本;
选择一个非线性变换φ(·)将n维输入、一维输出样本向量从原空间映射到高维特征空间,并在该高维特征空间构造最优线性回归函数f(x)=ωφ(x)+b,其中,ω为权值向量:b为偏差,x为输入变量;
根据最优线性回归函数以及图谱谱峰、检测压强、检测温度和激光强度的输入变量,预测SF6气体检测定量分析结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过间隔最小化获得参数ω和b,其中,||w||2控制模型的复杂度,γ控制对超出误差样本的惩罚程度,Remp为误差控制函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524091.3A CN109444107A (zh) | 2018-12-13 | 2018-12-13 | 基于支持向量机的sf6气体检测定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524091.3A CN109444107A (zh) | 2018-12-13 | 2018-12-13 | 基于支持向量机的sf6气体检测定量分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109444107A true CN109444107A (zh) | 2019-03-08 |
Family
ID=65558137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524091.3A Pending CN109444107A (zh) | 2018-12-13 | 2018-12-13 | 基于支持向量机的sf6气体检测定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444107A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110568127A (zh) * | 2019-09-09 | 2019-12-13 | 北京工业大学 | 一种基于时域加权的空气污染物浓度监测方法 |
CN111697426A (zh) * | 2019-03-13 | 2020-09-22 | 中国科学院大连化学物理研究所 | 一种采用六氟化硫受激拉曼产生频率梳的装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520413A (zh) * | 2009-02-18 | 2009-09-02 | 深圳大学 | 一种外差干涉椭偏测量非线性误差补偿方法 |
CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
-
2018
- 2018-12-13 CN CN201811524091.3A patent/CN109444107A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520413A (zh) * | 2009-02-18 | 2009-09-02 | 深圳大学 | 一种外差干涉椭偏测量非线性误差补偿方法 |
CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
Non-Patent Citations (7)
Title |
---|
IRAWAN R. ET AL.: "Continuous monitoring of SF6 degradation in high voltage switchgear using Raman scattering", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 * |
何怡刚等: "基于AJAFSA-SVM温度补偿算法的SF6泄露检测方法研究", 《电子测量与仪器学报》 * |
刘君华等: "《智能传感系统》", 31 May 2010 * |
吴继芳等: "PSO优化的SVM回归在SF6废气定量分析中的应用", 《洛阳理工学部学报(自然科学版)》 * |
张公永等: "基于灰色最小二乘支持向量机的变压器油溶解气体预测", 《电力学报》 * |
李志刚: "《光谱数据处理与定量分析技术》", 31 July 2017 * |
焦尚彬等: "基于最小二乘支持向量机的绝缘子等值附盐密度预测", 《中国电机工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111697426A (zh) * | 2019-03-13 | 2020-09-22 | 中国科学院大连化学物理研究所 | 一种采用六氟化硫受激拉曼产生频率梳的装置 |
CN110568127A (zh) * | 2019-09-09 | 2019-12-13 | 北京工业大学 | 一种基于时域加权的空气污染物浓度监测方法 |
CN110568127B (zh) * | 2019-09-09 | 2021-07-30 | 北京工业大学 | 一种基于时域加权的空气污染物浓度监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573355B (zh) | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 | |
CN102116734A (zh) | 污染物来源预测方法及系统 | |
CN101726451A (zh) | 一种测定内燃机油粘度指数的方法 | |
CN103020459B (zh) | 一种多维度用电行为的感知方法及系统 | |
CN107590321B (zh) | 一种管道振动响应的整体测量方法 | |
CN101655456B (zh) | 基于粒子群支持向量机的绝缘子等值盐密光纤检测方法 | |
CN109444107A (zh) | 基于支持向量机的sf6气体检测定量分析方法 | |
CN101799888A (zh) | 基于仿生智能蚁群算法的工业软测量方法 | |
CN101069085B (zh) | 分光光度计 | |
CN110210681A (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN107703097A (zh) | 利用衰减全反射探头与近红外光谱仪构建快速预测原油性质的模型的方法及其应用 | |
CN107860743A (zh) | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 | |
CN110245446A (zh) | 一种配电电缆剩余寿命预测方法 | |
CN115459868B (zh) | 一种复杂环境下的毫米波通信性能评估方法及系统 | |
CN114740159B (zh) | 一种天然气能量计量组分获取方法和物联网系统 | |
CN102306236B (zh) | 基于角度度量的多变量分析方法 | |
CN109032094B (zh) | 一种基于核磁共振分析仪的原油快速评价建模云平台 | |
CN115730852A (zh) | 一种化工企业土壤污染管控方法及系统 | |
CN106018731B (zh) | 一种煤质挥发分、固定碳在线检测方法及系统 | |
CN114626304A (zh) | 一种矿浆铜品位在线预测软测量建模方法 | |
CN103308507B (zh) | 一种快速测定聚氨酯中游离-nco的分析方法 | |
CN100443883C (zh) | 用近红外光谱测定加氢尾油链烷烃族组成的方法 | |
CN106053381A (zh) | 非均匀性样品在线分析的近红外光谱采集装置及其方法 | |
CN110944354B (zh) | 基于波形分析和深度学习的基站干扰监测方法及系统 | |
CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |