CN114044496A - 基于神经网络的六氟化硫分质净化方法、装置及终端 - Google Patents

基于神经网络的六氟化硫分质净化方法、装置及终端 Download PDF

Info

Publication number
CN114044496A
CN114044496A CN202111350553.6A CN202111350553A CN114044496A CN 114044496 A CN114044496 A CN 114044496A CN 202111350553 A CN202111350553 A CN 202111350553A CN 114044496 A CN114044496 A CN 114044496A
Authority
CN
China
Prior art keywords
purification
sulfur hexafluoride
neural network
quality
gas
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
Application number
CN202111350553.6A
Other languages
English (en)
Other versions
CN114044496B (zh
Inventor
张立军
范辉
刘克成
韩鹤松
高燕宁
石荣雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111350553.6A priority Critical patent/CN114044496B/zh
Publication of CN114044496A publication Critical patent/CN114044496A/zh
Application granted granted Critical
Publication of CN114044496B publication Critical patent/CN114044496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B17/00—Sulfur; Compounds thereof
    • C01B17/45—Compounds containing sulfur and halogen, with or without oxygen
    • C01B17/4507—Compounds containing sulfur and halogen, with or without oxygen containing sulfur and halogen only
    • C01B17/4515—Compounds containing sulfur and halogen, with or without oxygen containing sulfur and halogen only containing sulfur and fluorine only
    • C01B17/453—Sulfur hexafluoride
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Organic Chemistry (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Inorganic Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明提供一种基于基于神经网络的六氟化硫分质净化方法、装置及终端。该方法通过获取待净化的六氟化硫原料气的品质特征，以原料气的品质特征作为输入，利用训练好的分类神经网络获得原料气对应的净化程序类别；基于净化程序类别生成控制指令，通过控制指令控制分质净化设备对原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气。本发明能够提升对六氟化硫原料气进行净化的控制过程的灵活性，提高六氟化硫原料气的净化效果。

Description

基于神经网络的六氟化硫分质净化方法、装置及终端
技术领域
本发明涉及六氟化硫净化技术领域，尤其涉及一种基于基于神经网络的六氟化硫分质净化方法、装置及终端。
背景技术
六氟化硫(SF6)是一种化学性能十分稳定的气体，具备良好的绝缘及开断特性，因此作为一种优良的绝缘和灭弧介质，被广泛地应用于各种电气设备中。比如六氟化硫断路器，其绝缘性能和灭弧特性都大大高于油断路器。随着电力行业的不断发展，越来越多的六氟化硫设备进入变电站或电厂运行至今，早期投运的六氟化硫设备需要进行检修，这就需要对六氟化硫气体进行回收再利用。
当设备正常动作而产生电弧或者发生局部异常放电时，由于在高温高压的气室中还有少量的水蒸气，六氟化硫气体会分解出一些有剧毒和强腐蚀性的杂质气体，六氟化硫气体的回收再利用便涉及到对这些杂质的净化去除。
现有技术中，可以通过水洗碱洗进行去除部分酸性气体，通过分子筛吸附处理低浓度分解组分，例如将活性氧化铝置于气体通路的上流，将FO3型分子筛和KDHF-03型分子筛置于气体通路的下流，使得分解产物被有效吸附去除。最后，再基于精馏原理处理六氟化硫气体中空气及其他分解产物组分，即精馏分离。
然而，不同的设备由于所处环境不同，杂质气体产生的条件不同，因此各杂质组分的含量往往有很大区别，通用的净化控制程序往往难以做到对每种原料气达到理想的净化效果，因此现有技术中对净化过程的控制不够灵活。
发明内容
本发明实施例提供了一种基于基于神经网络的六氟化硫分质净化方法、装置及终端，以解决现有技术中对净化过程的控制不够灵活的问题。
第一方面，本发明实施例提供了一种基于神经网络的六氟化硫分质净化方法，包括：
获取原料气的品质特征，所述原料气表示待净化的六氟化硫气体；
以所述品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别；
基于所述净化程序类别生成控制指令，所述控制指令用于控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气；
其中，所述训练好的分类神经网络基于指定数量的三元组数据集进行训练得到，所述三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。
在一种可能的实现方式中，所述品质特征包括：原料气六氟化硫纯度、酸度、空气含量百分比、四氟化碳含量百分比、水含量、水解氟化物含量和矿物油含量。
在一种可能的实现方式中，所述净化程序类别包括第一类别、第二类别、第三类别和第四类别，所述第一类别、第二类别、第三类别和第四类别相互之间至少具有一个不同的控制参数，所述控制参数包括：碱洗程序的执行级数参数、分子筛吸附程序的气体压力参数、分子筛吸附程序的气体流量参数以及精馏程序的精馏塔压力参数。
在一种可能的实现方式中，所述神经网络为多层前馈神经网络，所述多层前馈神经网络包括输入层、隐藏层和输出层，所述输入层包括七个输入神经元，对应七个品质特征；所述隐藏层包括十四个隐藏神经元，所述输出层包括四个输出神经元，对应四个净化程序类别。
在一种可能的实现方式中，在所述以所述品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别之前还包括：
创建初始分类神经网络；
将三元组数据集中结果为是的样本数据组成第一训练集；
将三元组数据集中结果为否的样本数据组成第二训练集；
利用第一训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果为该样本数据的净化程序类别数据；
利用第二训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果不为该样本数据的净化程序类别数据；
获得训练好的分类神经网络。
在一种可能的实现方式中，所述预定纯度和杂质含量条件包括：
六氟化硫纯度大于99.9％，水含量不大于5×10-6m/m，酸度小于0.2×10-6m/m，空气含量百分比不大于0.04×10-6，四氟化碳含量百分比不大于0.01×10-6，水解氟化物含量不大于5×10-6m/m，矿物油含量不大于5×10-6m/m。
第二方面，本发明实施例提供了一种基于神经网络的六氟化硫分质净化装置，包括：
品质特征获取单元，用于获取原料气的品质特征，所述原料气表示待净化的六氟化硫气体；
神经网络分类单元，用于以所述品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别；
净化控制单元，用于基于所述净化程序类别生成控制指令，所述控制指令用于控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气；
其中，所述训练好的分类神经网络基于指定数量的三元组数据集进行训练得到，所述三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。
在一种可能的实现方式中，所述品质特征包括：原料气六氟化硫纯度、酸度、空气含量百分比、四氟化碳含量百分比、水含量、水解氟化物含量和矿物油含量。
在一种可能的实现方式中，所述净化程序类别包括第一类别、第二类别、第三类别和第四类别，所述第一类别、第二类别、第三类别和第四类别相互之间至少具有一个不同的控制参数，所述控制参数包括：碱洗程序的执行级数参数、分子筛吸附程序的气体压力参数、分子筛吸附程序的气体流量参数以及精馏程序的精馏塔压力参数。
在一种可能的实现方式中，所述神经网络为多层前馈神经网络，所述多层前馈神经网络包括输入层、隐藏层和输出层，所述输入层包括七个输入神经元，对应七个品质特征；所述隐藏层包括十四个隐藏神经元，所述输出层包括四个输出神经元，对应四个净化程序类别。
在一种可能的实现方式中，该装置还包括：
神经网络创建单元，用于创建初始分类神经网络；
训练集划分单元，用于将三元组数据集中结果为是的样本数据组成第一训练集；将三元组数据集中结果为否的样本数据组成第二训练集；
神经网络训练单元，用于利用第一训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果为该样本数据的净化程序类别数据；以及，
利用第二训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果不为该样本数据的净化程序类别数据；从而获得训练好的分类神经网络。
在一种可能的实现方式中，所述预定纯度和杂质含量条件包括：
六氟化硫纯度大于99.9％，水含量不大于5×10-6m/m，酸度小于0.2×10-6m/m，空气含量百分比不大于0.04×10-6，四氟化碳含量百分比不大于0.01×10-6，水解氟化物含量不大于5×10-6m/m，矿物油含量不大于5×10-6m/m。
第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式中六氟化硫分质净化方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式中六氟化硫分质净化方法的步骤。
本发明待净化的六氟化硫气体原料气的品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别，并基于所述净化程序类别生成控制指令来控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气；其中，训练好的分类神经网络基于指定数量的三元组数据集进行训练得到，三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。可见，本发明利用神经网络对六氟化硫原料气进行区分分类，并提供匹配的净化程序类别，实现了对不足品质特征的原料气匹配和采用对应的净化程序控制整个净化过程，获得达到预定纯度和杂质含量条件的六氟化硫纯气。因此，本发明能够提升对六氟化硫原料气进行净化的控制过程的灵活性，以及提高了六氟化硫原料气的净化效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例提供的六氟化硫分质净化系统的净化流程示意图；
图2是本发明实施例提供的基于神经网络的六氟化硫分质净化方法的实现流程图；
图3是本发明实施例提供的神经网络的拓扑结构示意图；
图4是本发明实施例提供的基于神经网络的六氟化硫分质净化装置的结构示意图；
图5是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的六氟化硫分质净化系统的组成示意图。如图1所示，六氟化硫分质净化系统包括检测模块11、碱洗模块12、分子筛吸附模块13和精馏分离模块14四个主要组成模块。
本发明可以应用于废气六氟化硫气体的处理，也可以应用于充入设备前的六氟化硫气体的净化；在实际处理过程中，原料气首先通过检测模块进行组分检测，例如，通过气相色谱法测定六氟化硫的纯度以及一些杂质气体的含量，利用PH传感器进行酸度检测等等。
在实际应用中，在碱洗模块之前还可以配置预处理模块，以通过水浴加热预处理，提高六氟化硫的净化速率。预处理之后，对于酸性气体超标的原料气，可以通过碱洗模块12执行气体水洗碱洗流程，去除一部分酸性气体，并经过冷干机进行干燥除水，最后进入絮状物过滤器去除絮状物和固体杂质。在实际应用中，为了有效去除酸性气体，碱洗模块12可以包括多道碱洗程序，例如通过5级梯次的不同碱液浓度的碱洗子模块依次进行碱洗处理。碱洗之后，可以通过分子筛吸附模块13吸附处理低浓度分解组分。分子筛吸附之后，可以通过精馏分离模块14进行精馏分离，得到六氟化硫纯气。
图2为本发明实施例提供的基于神经网络的六氟化硫分质净化方法的实现流程图，如图2所示，一种基于神经网络的六氟化硫分质净化方法，包括：
在步骤201中、获取原料气的品质特征，所述原料气表示待净化的六氟化硫气体；
在本发明实施例中，原料气的品质特征反映了原料气的各种组分的含量或组成比例。可以通过六氟化硫分质净化系统的检测模块11进行检测得到。
在一种可能的实现方式中，所述品质特征包括：原料气六氟化硫纯度、酸度、空气含量百分比、四氟化碳含量百分比、水含量、水解氟化物含量和矿物油含量。
示例性的，可以通过气相色谱法测定六氟化硫的纯度以及一些杂质气体的含量，可以利用PH传感器进行酸度检测。
在本发明实施例中，六氟化硫的品质特征反映了其组分，而组分又影响到了其在六氟化硫分质净化系统中的每个处理模块的处理流程参数，例如，酸度特征影响其在碱洗模块中的程序，当酸度较低时，可以只进行一级碱洗，甚至跳过碱洗程序；在酸度较高时，可以执行五级碱洗，有效降低酸度。可见，酸度特征的不同影响其酸度程序的执行参数，若不管酸度高低，统一执行五级碱洗，显然降低了净化效率，而若统一执行一级碱洗，显然对于酸度较高的原料气无法有效降低其酸度，影响后续程序的净化效果。
在步骤202中、以所述品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别；
在本发明实施例中，通过预先训练好的分类神经网络对品质特征进行分类，可以获得该原料气对应的净化程序类别。
在本发明实施例中，训练好的分类神经网络可以基于指定数量的三元组数据集进行训练得到，所述三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。
示例性的，一个样本数据可以是{a，b，c}，其中，a表示原料气品质特征，可以包括原料气六氟化硫纯度、酸度、空气含量百分比、四氟化碳含量百分比、水含量、水解氟化物含量和矿物油含量7个参数；b表示采用该净化程序类别，可以是程序1、程序2或者程序3，c表示采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签，可以为0或1，0可以表示否，1可以表示是。
在一种可能的实现方式中，所述净化程序类别包括第一类别、第二类别、第三类别和第四类别，所述第一类别、第二类别、第三类别和第四类别相互之间至少具有一个不同的控制参数，所述控制参数包括：碱洗程序的执行级数参数、分子筛吸附程序的气体压力参数、分子筛吸附程序的气体流量参数以及精馏程序的精馏塔压力参数。
在本发明实施例中，通过对控制程序的长期检验和观测，将控制程序划分为四个控制类别，该四个控制类别的控制参数有所不同，例如，可以是碱洗程序的执行级数参数不同、分子筛吸附程序的气体压力参数不同、分子筛吸附程序的气体流量参数不同或者精馏程序的精馏塔压力参数不同。过多的控制类别效果区别不大，并且会影响训练效率。
在一种可能的实现方式中，如图3所示，是本发明实施例提供的神经网络的拓扑结构示意图，该神经网络为多层前馈神经网络，所述多层前馈神经网络包括输入层、隐藏层和输出层，输入层包括七个输入神经元，对应七个品质特征；隐藏层包括十四个隐藏神经元；输出层包括四个输出神经元，对应四个净化程序类别。
在本发明实施例中，多层前馈神经网络示例性的可以是BP神经网络，对于隐藏层的神经元来说，7个输入神经元可表示为X1、X2、…、X7，输入神经元为对神经网络模型有关键影响的自变量，以W1、W2、…、W7分别为连接权值调节各个输入神经元的权重。在一个示例中，可以通过线性加权求和可得各神经元的净输入。每个神经元有一个对应的阈值，只有当神经元接收到的信息达到阈值是才会被激活，具体的，可以使用Sigmod激活函数实现神经元的激活。
在本发明实施例中，得到可应用的训练好的神经网络的过程可以如下：
步骤1、创建初始分类神经网络；
步骤2、将三元组数据集中结果为是的样本数据组成第一训练集；
步骤3、将三元组数据集中结果为否的样本数据组成第二训练集；
步骤4、利用第一训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果为该样本数据的净化程序类别数据；
步骤5、利用第二训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果不为该样本数据的净化程序类别数据；
在本发明实施例中，训练集为如上所述的三元组数据集，由于其第三元数据存在是和否两种情况，可以把训练集根据是否的结果标签分为第一训练集和第二训练集，神经网络的训练过程实质是权重参数值的过程，可以通过梯度下降法来进行参数更新，具体的，可以进行正反两类训练学习，以提高神经网络模型的分类结果准确性。具体的，通过第一训练集(例如标签结果为“是”)的训练，使误差函数趋于收敛；通过第二训练集例如标签结果为“否”)的训练，使误差函数趋于发散，最终确定神经网络的权重参数，获得训练好的分类神经网络。
在步骤203中、基于所述净化程序类别生成控制指令，所述控制指令用于控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气。
在本发明实施例中，训练好的神经网络可以在输入原料气的品质特征后输出得到净化程序类别，利用该类别对应的净化程序对原料气进行净化控制，可以获得符合预定纯度和杂质含量条件的六氟化硫纯气。
在本发明实施例中，上述预定纯度和杂质含量条件可以包括：六氟化硫纯度大于99.9％，水含量不大于5×10-6m/m，酸度小于0.2×10-6m/m，空气含量百分比不大于0.04×10-6，四氟化碳含量百分比不大于0.01×10-6，水解氟化物含量不大于5×10-6m/m，矿物油含量不大于5×10-6m/m，该条件符合相应国家标准的规定。
由上可见，本发明待净化的六氟化硫气体原料气的品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别，并基于所述净化程序类别生成控制指令来控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气；其中，训练好的分类神经网络基于指定数量的三元组数据集进行训练得到，三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。可见，本发明利用神经网络对六氟化硫原料气进行区分分类，并提供匹配的净化程序类别，实现了对不足品质特征的原料气匹配和采用对应的净化程序控制整个净化过程，获得达到预定纯度和杂质含量条件的六氟化硫纯气。因此，本发明能够提升对六氟化硫原料气进行净化的控制过程的灵活性，以及提高了六氟化硫原料气的净化效果。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图4示出了本发明实施例提供的基于神经网络的六氟化硫分质净化装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图4所示，六氟化硫分质净化装置4包括：品质特征获取单元41，神经网络分类单元42和净化控制单元43。
品质特征获取单元41，用于获取原料气的品质特征，所述原料气表示待净化的六氟化硫气体；
神经网络分类单元42，用于以所述品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别；
净化控制单元43，用于基于所述净化程序类别生成控制指令，所述控制指令用于控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气；
其中，所述训练好的分类神经网络基于指定数量的三元组数据集进行训练得到，所述三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。
在一种可能的实现方式中，所述品质特征包括：原料气六氟化硫纯度、酸度、空气含量百分比、四氟化碳含量百分比、水含量、水解氟化物含量和矿物油含量。
在一种可能的实现方式中，所述净化程序类别包括第一类别、第二类别、第三类别和第四类别，所述第一类别、第二类别、第三类别和第四类别相互之间至少具有一个不同的控制参数，所述控制参数包括：碱洗程序的执行级数参数、分子筛吸附程序的气体压力参数、分子筛吸附程序的气体流量参数以及精馏程序的精馏塔压力参数。
在一种可能的实现方式中，所述神经网络为多层前馈神经网络，所述多层前馈神经网络包括输入层、隐藏层和输出层，所述输入层包括七个输入神经元，对应七个品质特征；所述隐藏层包括十四个隐藏神经元，所述输出层包括四个输出神经元，对应四个净化程序类别。
在一种可能的实现方式中，该装置还包括：
神经网络创建单元，用于创建初始分类神经网络；
训练集划分单元，用于将三元组数据集中结果为是的样本数据组成第一训练集；将三元组数据集中结果为否的样本数据组成第二训练集；
神经网络训练单元，用于利用第一训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果为该样本数据的净化程序类别数据；以及，
利用第二训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果不为该样本数据的净化程序类别数据；从而获得训练好的分类神经网络。
在一种可能的实现方式中，所述预定纯度和杂质含量条件包括：
六氟化硫纯度大于99.9％，水含量不大于5×10-6m/m，酸度小于0.2×10-6m/m，空气含量百分比不大于0.04×10-6，四氟化碳含量百分比不大于0.01×10-6，水解氟化物含量不大于5×10-6m/m，矿物油含量不大于5×10-6m/m。
由上可见，本发明待净化的六氟化硫气体原料气的品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别，并基于所述净化程序类别生成控制指令来控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气；其中，训练好的分类神经网络基于指定数量的三元组数据集进行训练得到，三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。可见，本发明利用神经网络对六氟化硫原料气进行区分分类，并提供匹配的净化程序类别，实现了对不足品质特征的原料气匹配和采用对应的净化程序控制整个净化过程，获得达到预定纯度和杂质含量条件的六氟化硫纯气。因此，本发明能够提升对六氟化硫原料气进行净化的控制过程的灵活性，以及提高了六氟化硫原料气的净化效果。
图5是本发明实施例提供的终端的示意图。如图5所示，该实施例的终端5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个基于神经网络的六氟化硫分质净化方法实施例中的步骤，例如图2所示的步骤201至步骤203。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各单元的功能，例如图4所示单元41至43的功能。
示例性的，所述计算机程序52可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端5中的执行过程。例如，所述计算机程序52可以被分割成图4所示的单元41至43。
所述终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端5的示例，并不构成对终端5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端5的内部存储单元，例如终端5的硬盘或内存。所述存储器51也可以是所述终端5的外部存储设备，例如所述终端5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个六氟化硫的回收控制方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的六氟化硫分质净化方法，其特征在于，包括：
获取原料气的品质特征，所述原料气表示待净化的六氟化硫气体；
以所述品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别；
基于所述净化程序类别生成控制指令，所述控制指令用于控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气；
其中，所述训练好的分类神经网络基于指定数量的三元组数据集进行训练得到，所述三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。
2.如权利要求1所述的六氟化硫分质净化方法，其特征在于，所述品质特征包括：原料气六氟化硫纯度、酸度、空气含量百分比、四氟化碳含量百分比、水含量、水解氟化物含量和矿物油含量。
3.如权利要求2所述的六氟化硫分质净化方法，其特征在于，所述净化程序类别包括第一类别、第二类别、第三类别和第四类别，所述第一类别、第二类别、第三类别和第四类别相互之间至少具有一个不同的控制参数，所述控制参数包括：碱洗程序的执行级数参数、分子筛吸附程序的气体压力参数、分子筛吸附程序的气体流量参数以及精馏程序的精馏塔压力参数。
4.如权利要求3所述的六氟化硫分质净化方法，其特征在于，所述神经网络为多层前馈神经网络，所述多层前馈神经网络包括输入层、隐藏层和输出层，所述输入层包括七个输入神经元，对应七个品质特征；所述隐藏层包括十四个隐藏神经元，所述输出层包括四个输出神经元，对应四个净化程序类别。
5.如权利要求4所述的六氟化硫分质净化方法，其特征在于，在所述以所述品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别之前还包括：
创建初始分类神经网络；
将三元组数据集中结果为是的样本数据组成第一训练集；
将三元组数据集中结果为否的样本数据组成第二训练集；
利用第一训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果为该样本数据的净化程序类别数据；
利用第二训练集对所述初始分类神经网络进行训练，使得每个样本数据的七个品质特征作为输入时，输出结果不为该样本数据的净化程序类别数据；
获得训练好的分类神经网络。
6.如权利要求1至5任一项所述的六氟化硫分质净化方法，其特征在于，所述预定纯度和杂质含量条件包括：
六氟化硫纯度大于99.9％，水含量不大于5×10-6m/m，酸度小于0.2×10-6m/m，空气含量百分比不大于0.04×10-6，四氟化碳含量百分比不大于0.01×10-6，水解氟化物含量不大于5×10-6m/m，矿物油含量不大于5×10-6m/m。
7.一种基于神经网络的六氟化硫分质净化装置，其特征在于，包括：
品质特征获取单元，用于获取原料气的品质特征，所述原料气表示待净化的六氟化硫气体；
神经网络分类单元，用于以所述品质特征作为输入，利用训练好的分类神经网络获得所述原料气对应的净化程序类别；
净化控制单元，用于基于所述净化程序类别生成控制指令，所述控制指令用于控制分质净化设备对所述原料气进行净化以获得符合预定纯度和杂质含量条件的六氟化硫纯气；
其中，所述训练好的分类神经网络基于指定数量的三元组数据集进行训练得到，所述三元组数据集中每个样本数据均包括原料气品质特征、采用的净化程序类别和采用该净化程序类别进行净化得到的六氟化硫纯气是否达到预定纯度和杂质含量条件的结果标签。
8.如权利要求7所述的六氟化硫分质净化装置，其特征在于，所述品质特征包括：原料气六氟化硫纯度、酸度、空气含量百分比、四氟化碳含量百分比、水含量、水解氟化物含量和矿物油含量。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述六氟化硫分质净化方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述六氟化硫分质净化方法的步骤。
CN202111350553.6A 2021-11-15 2021-11-15 基于神经网络的六氟化硫分质净化方法、装置及终端 Active CN114044496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111350553.6A CN114044496B (zh) 2021-11-15 2021-11-15 基于神经网络的六氟化硫分质净化方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111350553.6A CN114044496B (zh) 2021-11-15 2021-11-15 基于神经网络的六氟化硫分质净化方法、装置及终端

Publications (2)

Publication Number Publication Date
CN114044496A true CN114044496A (zh) 2022-02-15
CN114044496B CN114044496B (zh) 2023-07-25

Family

ID=80209291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111350553.6A Active CN114044496B (zh) 2021-11-15 2021-11-15 基于神经网络的六氟化硫分质净化方法、装置及终端

Country Status (1)

Country Link
CN (1) CN114044496B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07160661A (ja) * 1993-12-02 1995-06-23 Hitachi Ltd ニューラルネットワークの教師データ自動抽出方法と、それを用いたニューラルネットワークシステム、並びに、プラント運転支援装置
JP2002276344A (ja) * 2001-03-22 2002-09-25 Tokyo Gas Co Ltd 希薄燃焼ガスエンジンの排気浄化方法及び装置
CN102034019A (zh) * 2010-10-12 2011-04-27 重庆大学 六氟化硫电气设备绝缘状态综合评估的方法
CN104108685A (zh) * 2014-07-24 2014-10-22 四川众力氟业有限责任公司 电网用六氟化硫的回收处理再利用技术
CN104636600A (zh) * 2014-12-31 2015-05-20 中国石油化工股份有限公司中原油田普光分公司 基于极限学习机的高含硫天然气净化工艺建模、优化方法
CN110038394A (zh) * 2018-09-13 2019-07-23 苏治汇 气体净化装置
CN112182956A (zh) * 2020-09-09 2021-01-05 国网河北省电力有限公司检修分公司 一种基于bp神经网络的sf6在线监测装置压力的预测方法
CN112730654A (zh) * 2020-12-18 2021-04-30 国网河北省电力有限公司电力科学研究院 六氟化硫电气设备故障检测方法、装置及终端设备
CN112850654A (zh) * 2021-02-02 2021-05-28 福建德尔科技有限公司 一种电子级六氟化硫的多级制备方法
CN113398713A (zh) * 2021-08-04 2021-09-17 国网河北省电力有限公司电力科学研究院 在运设备六氟化硫气体在线净化系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07160661A (ja) * 1993-12-02 1995-06-23 Hitachi Ltd ニューラルネットワークの教師データ自動抽出方法と、それを用いたニューラルネットワークシステム、並びに、プラント運転支援装置
JP2002276344A (ja) * 2001-03-22 2002-09-25 Tokyo Gas Co Ltd 希薄燃焼ガスエンジンの排気浄化方法及び装置
CN102034019A (zh) * 2010-10-12 2011-04-27 重庆大学 六氟化硫电气设备绝缘状态综合评估的方法
CN104108685A (zh) * 2014-07-24 2014-10-22 四川众力氟业有限责任公司 电网用六氟化硫的回收处理再利用技术
CN104636600A (zh) * 2014-12-31 2015-05-20 中国石油化工股份有限公司中原油田普光分公司 基于极限学习机的高含硫天然气净化工艺建模、优化方法
CN110038394A (zh) * 2018-09-13 2019-07-23 苏治汇 气体净化装置
CN112182956A (zh) * 2020-09-09 2021-01-05 国网河北省电力有限公司检修分公司 一种基于bp神经网络的sf6在线监测装置压力的预测方法
CN112730654A (zh) * 2020-12-18 2021-04-30 国网河北省电力有限公司电力科学研究院 六氟化硫电气设备故障检测方法、装置及终端设备
CN112850654A (zh) * 2021-02-02 2021-05-28 福建德尔科技有限公司 一种电子级六氟化硫的多级制备方法
CN113398713A (zh) * 2021-08-04 2021-09-17 国网河北省电力有限公司电力科学研究院 在运设备六氟化硫气体在线净化系统

Also Published As

Publication number Publication date
CN114044496B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN112989710B (zh) 工控传感器数值异常检测方法及装置
CN111901340B (zh) 一种面向能源互联网的入侵检测系统及其方法
CN112464999B (zh) 一种混合气体种类与浓度识别方法、装置及存储介质
CN107179486A (zh) 一种gis设备在线监测特高频信号降噪方法
CN112101400A (zh) 工业控制系统异常检测方法、设备和服务器、存储介质
CN104008294B (zh) 轴承异常检测系统及其方法
CN117077075A (zh) 用于环境保护的水质监测系统及其方法
CN114044496B (zh) 基于神经网络的六氟化硫分质净化方法、装置及终端
Asman et al. Identification of transient overvoltage using discrete wavelet transform with minimised border distortion effect and support vector machine
Phaisangittisagul et al. Sensor selection for machine olfaction based on transient feature extraction
CN109019717B (zh) 一种火电厂脱硫废水智能处理方法及系统
CN112862209B (zh) 一种工业设备监测数据预测方法
CN111239344A (zh) 一种基于小波分析的气体分解物评估方法
Bin et al. Study on the fault diagnosis of transformer based on the grey relational analysis
CN112420136B (zh) 一种六氟化硫高压设备潜伏性故障溯源的方法
CN105067768A (zh) 用于危化品检测的多元混合气体的定量识别系统
Shibasaki et al. Response to external input of chaotic neural networks based on Newman-Watts model
CN113610254A (zh) 一种废液净化回收系统
CN117735481A (zh) 电子级三氟化氯纯化方法
CN116870654B (zh) 工业废气处理系统及其方法
Shomaki et al. Bearing fault diagnoses using wavelet transform and discrete fourier transform with deep learning
Ismail et al. Classification of voltage sag using multi-resolution analysis and support vector machine
CN113722659B (zh) 一种基于缺陷模式的变电主设备诊断方法和系统
Joensuu et al. Dynamic simulator for dosing of water treatment chemicals
CN114118879B (zh) 环保管控措施的推荐方法、系统、服务器及存储介质

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
GR01 Patent grant