本发明专利技术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。本发明专利技术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。提高六氟化硫原料气的净化效果。提高六氟化硫原料气的净化效果。
【技术实现步骤摘要】
基于神经网络的六氟化硫分质净化方法、装置及终端
[0001]本专利技术涉及六氟化硫净化
，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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
[0005]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。
技术实现思路
[0006]本专利技术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。
[0007]第一方面，本专利技术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：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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：
[0016]创建初始分类神经网络；
[0017]将三元组数据集中结果为是的样本数据组成第一训练集；
[0018]将三元组数据集中结果为否的样本数据组成第二训练集；
[0019]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；
[0020]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；
[0021]获得训练好的分类神经网络。
[0022]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：
[0023]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。
[0024]第二方面，本专利技术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：
[0025]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；
[0026]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；
[0027]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；
[0028]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。
[0029]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。
[0030]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。
[0031]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。
[0032]在一种可能的实现方式中，该装置还包括：
[0033]神经网络创建单元，用于创建初始分类神经网络；
[0034]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；
[0035]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本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：张立军，范辉，刘克成，韩鹤松，高燕宁，石荣雪，
申请(专利权)人：国家电网有限公司国网河北能源技术服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。