CN114117931A - 用于密闭空间sf6气体泄漏检测的多元校正滤光片生成方法 - Google Patents
用于密闭空间sf6气体泄漏检测的多元校正滤光片生成方法 Download PDFInfo
- Publication number
- CN114117931A CN114117931A CN202111462393.4A CN202111462393A CN114117931A CN 114117931 A CN114117931 A CN 114117931A CN 202111462393 A CN202111462393 A CN 202111462393A CN 114117931 A CN114117931 A CN 114117931A
- Authority
- CN
- China
- Prior art keywords
- gas
- multivariate
- matrix
- correction
- model
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 230000003287 optical effect Effects 0.000 claims abstract description 33
- 238000002834 transmittance Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 238000002329 infrared spectrum Methods 0.000 abstract description 15
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 abstract description 4
- 230000005764 inhibitory process Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 60
- 229910018503 SF6 Inorganic materials 0.000 description 42
- 238000005516 engineering process Methods 0.000 description 6
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 5
- 238000004867 photoacoustic spectroscopy Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 229960000909 sulfur hexafluoride Drugs 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- MAHNFPMIPQKPPI-UHFFFAOYSA-N disulfur Chemical compound S=S MAHNFPMIPQKPPI-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
- G01N21/3518—Devices using gas filter correlation techniques; Devices using gas pressure modulation techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法,属于密闭空间SF6气体泄漏检测领域,解决现有的检测装置体积重量大、性价比低问题;通过建立多元回归校正模型,训练样本除了不同浓度SF6红外光谱外,引入大气背景干扰红外光谱,经过多元回归校正训练,完成SF6红外光谱辐射校正与光谱特征提取,训练完成后采用基于变量区间的光谱波长对波长进行优选,得到SF6气体多元校正系数,通过多次迭代优化使SF6校正滤光片透过率曲线逼近SF6气体多元校正系数;利用多元光学滤光片代替传统分光结构,降低了检测装置的体积、重量;与非分散滤光片相比,多元校正滤光片可实现硬件级气体识别的处理且具有更强的背景噪声抑制能力,提升了检测灵敏度。
Description
技术领域
本发明属于密闭空间SF6气体泄漏检测技术领域,涉及一种用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法。
背景技术
电力行业的密闭空间主要包括输电管廊、地下变电站、室内变电站等。这些密闭场景占地面积小、环境适应能力强,被广泛应用于城市人员、建筑密集以及地理环境复杂等区域。据统计,截止目前国网公司在运室内变电站8000多座、地下变电站50余座,以苏通GIL(Gas Insulated Line,气体绝缘管线)为代表的综合管廊项目也在各地新兴发展。
使用SF6(Sulphur Hexafluoride,六氟化硫)气体绝缘的电气设备具有结构紧凑尺寸小、电磁环境友好、安全性高等特点,在电力密闭空间中大量应用,其中仅苏通GIL中SF6气体的使用量就高达800多吨。SF6气体作为设备中的绝缘和灭弧介质,一旦发生大量泄漏,势必造成设备绝缘性能下降,引起设备运行故障;且SF6气体温室效应是CO2的23900多倍,在空气中能够存在3200多年,是《联合国气候变化框架公约的京都议定书》禁止排放的六种气体之一,SF6是的密度是空气的5倍,宜向空间低洼处聚集,纯净SF6气体具有窒息性,运行后的SF6气体中可能含有剧毒分解物,因而如果密闭空间发生大量SF6气体泄漏,极易造成聚集性人员伤亡,带来严重的社会影响。因此急需开展电力密闭空间场景下的SF6气体泄漏检测研究,目前最先进的现场检测手段是以傅里叶红外光谱遥测为代表的远距离、无接触、光谱类的技术,不仅利用光谱分析提升精度和检测灵敏度,而且被动遥测方式有利于实现场景大范围自主巡检,极大地满足电力场景SF6泄漏检测实际需求。
基于光声光谱技术的气体泄漏检测利用激光光源代替传统宽带光源,重新优化和设计光声池结构,搭建激光光声光谱传感器,提高了检测的灵敏度,如文献《SF6断路器气体泄漏红外图像中散斑噪声的抑制算法》(徐元哲等,仪器仪表学报,2013年)实现了基于激光光声光谱原理的SF6痕量气体检测,检测限达到了sub-ppm级别;文献《Highly SensitivePhotoacoustic Microcavity Gas Sensor for Leak Detection》(Ke Chen等,Sensors2020)利用激光光声光谱技术完成了气体的高精度检测,检测线达到了1.7ppm。分布式传感器SF6气体检测新技术具备较高的检测灵敏度,弥补了传统方法的检测精度不足的问题,一定程度上提升了SF6气体泄漏检测水平。但是,这些方法都必须与SF6气体直接接触才能响应,采用分布式的布置方案,仅能被动的感知气体泄漏情况,响应滞后、无法精度定位。
现有的SF6气体泄漏红外光谱检测技术利用干涉仪结构分光并使用傅里叶变换技术获得目标光谱信息,随后建立光谱识别数据库,提取目标光谱特征完成目标定性定量分析。针对电力场景SF6单一气体泄漏检测应用,傅里叶红外光谱技术存在以下缺点:1)由于采用干涉仪分光结构,设备体积大,成本高;2)设备可有效检测气体种类到达千种及更多,只用于SF6气体检测,性价比低。
发明内容
本发明的目的在于如何设计一种用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法,利用多元校正滤光片代替传统的分光结构,以解决现有的检测装置体积重量大、性价比低的问题。
本发明是通过以下技术方案解决上述技术问题的:
用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法,包括以下步骤:
S1、获取SF6气体红外实测光谱训练样本和SF6气体红外仿真光谱训练样本;
S2、将步骤S1中的SF6气体红外实测光谱样本和SF6气体红外仿真光谱样本打上SF6气体浓度标签从而建立样本数据库,并将打上SF6气体浓度标签的样本按照不同浓度挡、以设定比例分为训练数据集和验证数据集;
S3、将训练数据集输入到多元回归校正模型中对模型进行训练,训练完成后采用基于变量区间的光谱波长对波长进行优选,再使用验证数据集验证训练完成的模型输出结果的误差是否满足阈值要求,如果是,则输出SF6气体多元校正系数,如果否,再返回到多元回归校正模型中对模型进行训练,直到模型输出结果的误差满足阈值要求为止;
S4、获得SF6气体多元校正系数之后,通过多次迭代优化使SF6校正滤光片透过率曲线逼近SF6气体多元校正系数,从而实现SF6气体多元校正系数硬件化。
通过建立多元回归校正模型,在模型训练阶段,训练样本除了不同浓度SF6红外光谱外,还引入电力典型场景下大气背景干扰红外光谱,经过多元回归校正训练,完成SF6红外光谱辐射校正与光谱特征提取,去除背景噪声干扰,提升信噪比,训练完成后采用基于变量区间的光谱波长对波长进行优选,从而得到SF6气体多元校正系数,通过多次迭代优化使SF6校正滤光片透过率曲线逼近SF6气体多元校正系数,本发明的方法利用多元光学滤光片代替传统分光结构,降低了检测装置的体积、重量;同时和非分散滤光片相比,多元校正滤光片可实现硬件级气体识别的处理且具有更强的背景噪声抑制能力,提升了检测灵敏度。
作为本发明技术方案的进一步改进,步骤S3中所述的将训练数据集输入到多元回归校正模型中对模型进行训练的方法包括以下步骤:
(1)将训练数据集样本矩阵与SF6气体浓度矩阵进行分解如下:
Sp×n=Tp×fPf×n+Es
Cp×1=Up×fQf×1+Ec
式中,Sp×n为训练数据集样本矩阵,p为样本数,n为波长数;Cp×1为SF6气体浓度矩阵;Tp×f和Up×f分别为训练数据集样本矩阵和SF6气体浓度矩阵的得分矩阵,f为主成分数目;Pf×n和Qf×1分别为训练数据集样本矩阵和SF6气体浓度矩阵的载荷矩阵;Es和Ec分别为拟合训练数据集样本矩阵Sp×n和SF6气体浓度矩阵Cp×1时引进的误差矩阵;
(2)将训练数据集样本矩阵与SF6气体浓度矩阵的得分矩阵利用偏最小二乘线性拟合得:
Up×f=Tp×fBf×f
式中,Bf×f为关系矩阵,进一步得到SF6气体多元校正系数:
An×1=Pn′×fBf×fQf×1
式中,An×1为SF6气体多元校正系数向量,Pn′×f为训练数据集样本矩阵经过得分矩阵校正得到的校正载荷矩阵。
作为本发明技术方案的进一步改进,步骤S3中所述的训练完成后采用基于变量区间的光谱波长对波长进行优选的方法如下:
(1)将光谱区域划分为n个等宽的光谱子区间,在每个区间对光谱进行多元回归校正,得到n个局部回归校正系数;
(2)用验证均方根值误差作为局部模型的精度衡量标准,取精度最高的局部模型所在子区间为第一入选区间;
(3)将余下的子区间(n-1)逐一与第一入选子区间联合,产生n-1组联合区间,并在每一联合区间进行多元回归校正,得到n-1个联合模型,验证均方根值误差最小的模型所在子区间为第二入选区间,重复上述过程,直到余下所有子区间都进入联合模型;
(4)将每次联合模型的验证均方根值误差最小的进行组合从而得到模型输出结果。
作为本发明技术方案的进一步改进,步骤S4中所述的通过多次迭代优化使SF6校正滤光片透过率曲线逼近SF6气体多元校正系数的方法具体为:将SF6多元校正系数按正负值分成两部分,形成正值曲线A和负值曲线B,将负值曲线B取绝对值得到曲线B2,分别以曲线A和曲线B2为目标优化设计滤光片A和滤光片B;首先分别选择滤光片初始膜系结构,接着改变各个膜层厚度,并判断滤光片透过率与曲线A以及曲线B2的相似性是否达到阈值,如果是则滤光片A和滤光片B设计完成;如果否判断迭代是否达到预定的次数,如果迭代未达到预定的次数,则继续变各个膜层厚度;如果迭代已达到预定的次数,则增加膜系层数后重新选择滤光片初始膜系结构。
本发明的优点在于:
本发明通过建立多元回归校正模型,在模型训练阶段,训练样本除了不同浓度SF6红外光谱外,还引入电力典型场景下大气背景干扰红外光谱,经过多元回归校正训练,完成SF6红外光谱辐射校正与光谱特征提取,去除背景噪声干扰,提升信噪比,训练完成后采用基于变量区间的光谱波长对波长进行优选,从而得到SF6气体多元校正系数,通过多次迭代优化使SF6校正滤光片透过率曲线逼近SF6气体多元校正系数,本发明的方法利用多元光学滤光片代替传统分光结构,降低了检测装置的体积、重量;同时和非分散滤光片相比,多元校正滤光片可实现硬件级气体识别的处理且具有更强的背景噪声抑制能力,提升了检测灵敏度。
附图说明
图1是本发明实施例的用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法的流程图;
图2是本发明实施例的SF6校正滤光片透过率曲线逼近SF6气体多元校正系数的原理示意图;
图3是本发明实施例的SF6校正滤光片透过率曲线逼近SF6气体多元校正系数的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述:
实施例一
如图1所示,用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法,包括以下步骤:
步骤一、训练样本准备
训练样本有两个来源,分别为SF6气体红外实测光谱和SF6气体红外仿真光谱。
(1)SF6气体红外实测光谱:实测光谱为特定电力场景(如地下变电站、GIL输电管廊等电力密闭空间)中利用红外光谱仪实测的各种浓度的SF6红外光谱,已包含场景大气背景干扰。
(2)SF6气体红外仿真光谱:针对某些场景因条件限制无法获得SF6红外实测光谱的情况,在已知场景大气背景组成的前提下,利用仿真手段获得该场景下不同浓度的SF6红外仿真光谱。
步骤二、训练数据建库
(1)针对已准备完毕的训练样本数据,人为给每个样本打上标签(此处为SF6浓度,若为大气背景光谱浓度设为0ppm)。
(2)将已打标数据按照每个浓度挡6:4的比例分为模型训练数据集和模型验证数据集。
步骤三、校正模型训练
多元校正利用线性数据回归方法进行数据训练,计算自变量(目标光谱、特征量等)与因变量(目标理化属性、浓度等)的关系式,获得多元校正系数,并利用多元校正系数完成新样本多元校正,得到目标属性的检测值。在进行模型训练阶段,训练样本除了不同浓度SF6红外光谱外,还引入电力典型场景下大气背景干扰红外光谱,经过多元回归校正训练,完成SF6红外光谱辐射校正与光谱特征提取,去除背景噪声干扰,提升信噪比。
针对模型训练数据集,采用PLS(偏最小二乘)回归方法完成模型训练,使用验证数据集验证训练完成的模型,计算验证误差。PLS回归算法流程如下:
(1)矩阵分解,公式如下:
式中,Sp×n为训练光谱样本,p为样本数,n为波长数;Cp×1为浓度矩阵;Tp×f和Up×f分别为光谱矩阵和浓度矩阵的得分矩阵,f为主成分数目;Pf×n和Qf×1分别为光谱矩阵和浓度矩阵的载荷(主成分)矩阵;Es和Ec分别为拟合S和C时引进的误差矩阵。
(2)T和U矩阵线性回归
利用偏最小二乘线性拟合方法拟合关系矩阵:
Up×f=Tp×fBf×f (2)
式中,Bf×f为关系矩阵,进一步得到SF6多元校正系数:
An×1=P′n×fBf×fQf×1 (3)
式中,An×1为校正系数,P′n×f为样本S经过T校正得到的校正载荷矩阵。
波长优选旨在进一步压缩自变量(SF6红外光谱)的维度,通过一定方法优选出与因变量(SF6浓度)关联最紧密的特征波长,即优选后的特征波长足以表征因变量,达到波长精简的目的,减少光谱采集和数据处理的时间。本发明采用基于变量区间的光谱波长优选方法,利用间隔偏最小二乘法完成最优波长区间选择,算法流程如下:
(1)将光谱区域划分为n个等宽的光谱子区间,在每个区间上执行如步骤三描述的PLS计算,得到n个局部回归校正系数;
(2)用验证RMS(均方根值)误差作为局部模型的精度衡量标准,比较步骤三得到的全局模型与局部模型的精度,取精度最高的局部模型所在子区间为第一入选区间;
(3)将余下的子区间(n-1)逐一与第一入选子区间联合,产生n-1组联合区间,并在每一联合区间进行步骤三描述的PLS计算,得到n-1个联合模型,先择验证RMS误差最小的模型所在子区间为第二入选区间。重复上述过程,直到余下所有子区间都进入联合模型;
(4)考察(1)~(3)中每次联合模型的验证RMS误差,在所有模型中选出性能最佳着,其所对应的区间组合为最佳组合。
步骤四、曲线迭代逼近
如图2所示,通过迭代优化最大限度地使设计的SF6校正滤光片透过率曲线逼近已训练完成的SF6多元校正系数,实现多元校正系数硬件化。
如图3所示,将SF6多元校正系数按正负值分成两部分,形成正值曲线A和负值曲线B,将负值曲线B取绝对值得到曲线B2,分别以曲线A和曲线B2为目标优化设计滤光片A和滤光片B;首先分别选择滤光片初始膜系结构,接着改变各个膜层厚度,并判断滤光片透过率与曲线A以及曲线B2的相似性是否达到阈值,如果是则滤光片A和滤光片B设计完成;如果否判断迭代是否达到预定的次数,如果迭代未达到预定的次数,则继续变各个膜层厚度;如果迭代已达到预定的次数,则增加膜系层数后重新选择滤光片初始膜系结构。
以上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。
Claims (4)
1.用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法,其特征在于,包括以下步骤:
S1、获取SF6气体红外实测光谱训练样本和SF6气体红外仿真光谱训练样本;
S2、将步骤S1中的SF6气体红外实测光谱样本和SF6气体红外仿真光谱样本打上SF6气体浓度标签从而建立样本数据库,并将打上SF6气体浓度标签的样本按照不同浓度挡、以设定比例分为训练数据集和验证数据集;
S3、将训练数据集输入到多元回归校正模型中对模型进行训练,训练完成后采用基于变量区间的光谱波长对波长进行优选,再使用验证数据集验证训练完成的模型输出结果的误差是否满足阈值要求,如果是,则输出SF6气体多元校正系数,如果否,再返回到多元回归校正模型中对模型进行训练,直到模型输出结果的误差满足阈值要求为止;
S4、获得SF6气体多元校正系数之后,通过多次迭代优化使SF6校正滤光片透过率曲线逼近SF6气体多元校正系数,从而实现SF6气体多元校正系数硬件化。
2.根据权利要求1所述的用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法,其特征在于,步骤S3中所述的将训练数据集输入到多元回归校正模型中对模型进行训练的方法包括以下步骤:
(1)将训练数据集样本矩阵与SF6气体浓度矩阵进行分解如下:
Sp×n=Tp×fPf×n+Es
Cp×1=Up×fQf×1+Ec
式中,Sp×n为训练数据集样本矩阵,p为样本数,n为波长数;Cp×1为SF6气体浓度矩阵;Tp×f和Up×f分别为训练数据集样本矩阵和SF6气体浓度矩阵的得分矩阵,f为主成分数目;Pf×n和Qf×1分别为训练数据集样本矩阵和SF6气体浓度矩阵的载荷矩阵;Es和Ec分别为拟合训练数据集样本矩阵Sp×n和SF6气体浓度矩阵Cp×1时引进的误差矩阵;
(2)将训练数据集样本矩阵与SF6气体浓度矩阵的得分矩阵利用偏最小二乘线性拟合得:
Up×f=Tp×fBf×f
式中,Bf×f为关系矩阵,进一步得到SF6气体多元校正系数:
An×1=P′n×fBf×fQf×1
式中,An×1为SF6气体多元校正系数向量,P′n×f为训练数据集样本矩阵经过得分矩阵校正得到的校正载荷矩阵。
3.根据权利要求1所述的用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法,其特征在于,步骤S3中所述的训练完成后采用基于变量区间的光谱波长对波长进行优选的方法如下:
(1)将光谱区域划分为n个等宽的光谱子区间,在每个区间对光谱进行多元回归校正,得到n个局部回归校正系数;
(2)用验证均方根值误差作为局部模型的精度衡量标准,取精度最高的局部模型所在子区间为第一入选区间;
(3)将余下的子区间(n-1)逐一与第一入选子区间联合,产生n-1组联合区间,并在每一联合区间进行多元回归校正,得到n-1个联合模型,验证均方根值误差最小的模型所在子区间为第二入选区间,重复上述过程,直到余下所有子区间都进入联合模型;
(4)将每次联合模型的验证均方根值误差最小的进行组合从而得到模型输出结果。
4.根据权利要求1所述的用于密闭空间SF6气体泄漏检测的多元校正滤光片生成方法,其特征在于,步骤S4中所述的通过多次迭代优化使SF6校正滤光片透过率曲线逼近SF6气体多元校正系数的方法具体为:将SF6多元校正系数按正负值分成两部分,形成正值曲线A和负值曲线B,将负值曲线B取绝对值得到曲线B2,分别以曲线A和曲线B2为目标优化设计滤光片A和滤光片B;首先分别选择滤光片初始膜系结构,接着改变各个膜层厚度,并判断滤光片透过率与曲线A以及曲线B2的相似性是否达到阈值,如果是则滤光片A和滤光片B设计完成;如果否判断迭代是否达到预定的次数,如果迭代未达到预定的次数,则继续变各个膜层厚度;如果迭代已达到预定的次数,则增加膜系层数后重新选择滤光片初始膜系结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111462393.4A CN114117931A (zh) | 2021-12-02 | 2021-12-02 | 用于密闭空间sf6气体泄漏检测的多元校正滤光片生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111462393.4A CN114117931A (zh) | 2021-12-02 | 2021-12-02 | 用于密闭空间sf6气体泄漏检测的多元校正滤光片生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114117931A true CN114117931A (zh) | 2022-03-01 |
Family
ID=80365990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111462393.4A Pending CN114117931A (zh) | 2021-12-02 | 2021-12-02 | 用于密闭空间sf6气体泄漏检测的多元校正滤光片生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117931A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114965616A (zh) * | 2022-06-01 | 2022-08-30 | 国网湖北省电力有限公司超高压公司 | 一种sf6分解气体检测方法 |
CN115586316A (zh) * | 2022-12-06 | 2023-01-10 | 江苏盛奥华环保科技有限公司 | 一种水质分析仪检验校准方法 |
-
2021
- 2021-12-02 CN CN202111462393.4A patent/CN114117931A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114965616A (zh) * | 2022-06-01 | 2022-08-30 | 国网湖北省电力有限公司超高压公司 | 一种sf6分解气体检测方法 |
CN115586316A (zh) * | 2022-12-06 | 2023-01-10 | 江苏盛奥华环保科技有限公司 | 一种水质分析仪检验校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114117931A (zh) | 用于密闭空间sf6气体泄漏检测的多元校正滤光片生成方法 | |
Masarie et al. | NOAA/CSIRO Flask Air Intercomparison Experiment: A strategy for directly assessing consistency among atmospheric measurements made by independent laboratories | |
CN114166775A (zh) | 密闭空间sf6气体泄漏的红外光谱多元校正检测方法及系统 | |
CN109387487A (zh) | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 | |
Kooijmans et al. | Continuous and high-precision atmospheric concentration measurements of COS, CO 2, CO and H 2 O using a quantum cascade laser spectrometer (QCLS) | |
CN101915821B (zh) | Sf6气体分解产物检测仪器的校验方法与系统 | |
CN111579504A (zh) | 基于光学遥感的大气污染成分垂直分布反演方法 | |
CN109034252A (zh) | 空气质量站点监测数据异常的自动化识别方法 | |
CN111879710A (zh) | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 | |
CN110672278A (zh) | 一种基于红外成像定量遥测生产装置VOCs泄漏的方法 | |
CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
CN113552080B (zh) | 一种超光谱遥感地表大气相对湿度的实时反演算法 | |
CN102322957A (zh) | 一种干涉型高光谱成像仪的光谱漂移检测方法 | |
CN105572067A (zh) | 基于光谱分析的烟气浓度测量方法 | |
Rhoderick et al. | Development of a southern oceanic air standard reference material | |
Liu et al. | A consistency method of discharge detection results at solar‐blind ultraviolet based on a radiation transmission model | |
CN111289991A (zh) | 一种基于多场景的激光测距方法及装置 | |
CN112525438A (zh) | 一种sf6密度继电器的漏气监测方法及系统 | |
CN114819312A (zh) | 一种pm1浓度的估算方法及系统 | |
CN112649481B (zh) | 一种使用区域tvoc阵列监测系统的园区tvoc监测方法 | |
CN113253069B (zh) | 一种基于多光谱强度的局部放电危险度评估方法 | |
Manago et al. | Determination of tropospheric aerosol characteristics by spectral measurements of solar radiation using a compact, stand-alone spectroradiometer | |
CN114965616A (zh) | 一种sf6分解气体检测方法 | |
Li et al. | A study on retrieving atmospheric profiles from EOS/AIRS observations | |
CN113311509A (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 |
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 |