《Talanta》:An online SO
2 and CS
2 detection system combining weighted elliptical dual-spectrum reconstruction (WEDSR) with convolutional neural network (CNN)
编辑推荐:
针对紫外差分光学吸收光谱(UV-DOAS)中SO?和CS?谱线重叠问题,提出加权椭圆双谱重建(WEDSR)方法结合卷积神经网络(CNN)的系统,实现ppb级浓度检测,MAPE低至0.818%-0.963%,适用于GIS设备早期故障预警。
孙宗祥|谢飞|高杰|李牧|朱瑞|李长银|李炳谦|张永刚
河北省电气工程研究所测量技术与仪器化重点实验室,燕山大学,秦皇岛066004,中国
摘要
二氧化硫(SO2)和二硫化碳(CS2)是通常用于评估气体绝缘开关设备(GIS)绝缘状况的指示气体。然而,在紫外(UV)波段,SO2和CS2之间存在显著的光谱重叠,这使得使用紫外差分光吸收光谱法(UV-DOAS)同时量化这两种气体变得困难。在本文中,我们提出了一种加权椭圆双谱重建(WEDSR)方法,通过对SO2和CS2混合光谱进行分流光谱重建来增强特征信号。我们的方法能够实现这两种光谱信号的分离。我们还在光谱重建过程中引入了一种加权拟合和迭代优化协同算法,以解决由于数据点密度引起的椭圆拟合精度问题。该方法在超低浓度条件下有效抑制了噪声干扰。在此基础上,建立了一个卷积神经网络(CNN)模型来实现SO2和CS2的定量检测。实验结果表明,该系统能够有效反演SO2和CS2的浓度,测试样本的平均绝对百分比误差(MAPE)分别为0.818%和0.963%,检测限分别为7.71 ppb和0.35 ppb。凭借高精度和稳定性,该系统在GIS运行期间的故障预警和监测中具有潜在的应用价值。
引言
在现代超高压电力系统中,六氟化硫(SF6)由于其优异的绝缘性能和高效的灭弧能力,已成为气体绝缘开关设备(GIS)中的核心绝缘和灭弧介质[1],[2],[3],[4],[5]。然而,由于制造工艺缺陷、长期运行老化等因素,GIS设备不可避免地会出现局部放电和局部过热等绝缘缺陷。这些缺陷会引发高纯度SF6气体的分解反应。在SF6气体分解产物系统中,二氧化硫(SO2和二硫化碳(CS2)是反映GIS绝缘状态的关键特征气体[6],[7],[8],[9]。以往的研究主要集中在ppm级别的浓度反演上。然而,当SO2和CS2浓度达到ppm级别时,GIS设备的绝缘性能已经恶化。同时,当GIS设备最初出现局部放电或过热时,二氧化硫和二硫化碳的浓度非常低,仅达到ppb级别。因此,在超痕量浓度(ppb)下实现SO2和CS2的同时检测对于GIS设备的早期故障预警至关重要。
目前,检测SF6分解产物的主要方法包括电化学气体传感器检测、气相色谱检测和光谱检测[9],[10],[11],[12],[13],[14],[15],[16],[17]。其中,电化学气体传感器具有气体检测能力,但检测设备的使用寿命有限且容易受到环境因素的影响。气相色谱面临分析成本高、操作过程复杂和检测周期长的问题,这限制了其实时监测能力。光谱检测凭借其高灵敏度和实时性,在检测SF6分解产物中的痕量气体方面取得了显著进展。其技术系统主要包括可调谐二极管激光吸收光谱法(TDLAS)、光声光谱法(PAS)、傅里叶变换红外光谱法(FTIR)和紫外差分光吸收光谱法(UV-DOAS)[18],[19],[20],[21],[22],[23],[24]。其中,TDLAS技术通过定制激光器可以实现单组分气体的低浓度检测,检测限可达ppb级别[20]。然而,这种技术在同时检测SO2和CS2时需要多波长、高功率激光器,导致设备体积和成本显著增加。Wei等人使用基于外腔量子级联激光器的PAS技术实现了对三种分解气体SO2F2、CF4和SO2的高灵敏度检测,但他们的检测性能容易受到环境噪声的干扰[19]。FTIR技术可以获得SOF2、SO2F2等多组分气体的标准红外吸收光谱[8],[10],[21],[22]。然而,SF6在中红外区域的强吸收峰严重掩盖了SO2和CS2等分解产物的信号,导致定量不准确,无法满足设备早期故障预警的要求。相比之下,紫外(UV)波段是避免交叉干扰的理想检测范围,因为SF6在该波段没有显著的吸收特性。更重要的是,SO2和CS2在UV波段的吸收截面较大,因此UV-DOAS更有利于SO2和CS2的定量检测[23],[24],[25],[26],[27],[28],[29]。
在SF6的分解产物中,SO2、CS2和H2S在紫外波段表现出特征吸收。然而,只有SO2和CS2的紫外差分吸收光谱存在严重的光谱线重叠,这对同时定量分析SO2和CS2构成了重大挑战[30],[31]。我们的研究目标是在存在光谱重叠的情况下获得SO2和CS2的单组分光谱,同时在超低浓度(ppb)下抑制噪声干扰,从而实现两种气体的同时浓度反演。Wu等人通过高温转化将CS2转化为SO2,并通过检测SO2的浓度差间接测量CS2的浓度[32]。然而,这种方法未能实现SO2和CS2之间的光谱分离,且其他含硫气体也可能被转化为SO2,从而影响检测精度。同时,在解决紫外差分吸收光谱重叠问题时,Peng等人开发了一种基于双向长短期记忆的算法,实现了SO2和NO3的同时测量[33]。然而,使用这种方法的检测实验仅限于ppm级别,超低浓度(ppb)下的噪声干扰问题亟需解决。为了获得SO2和CS2的单组分差分吸收光谱,我们采用分流技术选择两个特征波段,并使用椭圆双谱重建来分离混合光谱中的SO2和CS2光谱。此外,该方法还可以在低浓度下消除噪声干扰。然而,以往的光谱重建方法没有考虑数据点对拟合曲线的差异贡献,导致反演重建效果不佳。为此,本文提出了一种结合加权拟合和迭代优化的方法,以提高光谱重建的有效性和准确性。
近年来,以卷积神经网络(CNN)为代表的深度学习技术在光谱学中成为有前景的分析工具[34],[35],[36],[37],[38],[39],[40],[41]。这种数据驱动的方法可以从光谱数据中提取深层特征关联,而不依赖于复杂的物理模型。这为多组分气体的高精度检测提供了新的解决方案[42],[43],[44],[45]。例如,Zhu等人通过构建分布式并行自调节神经网络实现了呼出气体中NO浓度的ppb级别检测[44]。Xie等人创新性地提出了一种多维光谱融合技术,融合了一维和二维卷积神经网络[45]。他们在0.5米的光学范围内成功实现了NH3、SO2和NO等多组分气体浓度的ppb级别反演。这些结果表明,CNN凭借其自动特征提取能力和强大的泛化性能,可以提高浓度反演的准确性和鲁棒性。
在本研究中,我们提出了一个结合加权椭圆双谱重建(WEDSR)和卷积神经网络的在线检测系统,用于检测SO2和CS2气体混合物。该系统旨在解决SO2和CS2在超低浓度下的紫外光谱重叠和噪声干扰问题。首先,我们使用UV-DOAS提取差分吸收光谱,然后引入椭圆双谱重建来增强特征信号。通过双波段分流,分离了SO2和CS2混合气体的光谱,并消除了噪声信号干扰。在光谱重建过程中,我们提出了一种结合加权拟合和迭代优化的方法,以解决椭圆拟合中数据分布不均导致的精度不足问题。这提高了光谱重建的准确性和可靠性。在此基础上,开发了CNN模型,并利用分离得到的SO2和CS2的差分吸收光谱实现了定量检测。最后,我们进行了实验来评估检测系统的性能,包括准确性、稳定性和检测限。实验结果表明,该检测系统能够实现SO2和CS2气体混合物的高精度定量检测,并具有应用于SF6气体绝缘设备在线监测的潜力。
实验部分
实验
实验系统由三部分组成:气体配置、光学检测和数据处理。实验系统设置的示意图如图1所示。使用动态气体分配仪器(江苏Tunkon电气技术有限公司GC400,±0.5% F.S精度)制备气体,并将其通过气体池。在注入气体混合物之前,用高浓度SF6冲洗气体池10分钟,以确保其不受影响
波段选择
如图2所示,SF6在180-230 nm的紫外波段没有特征吸收。另一方面,SO2和CS2在该波段具有明显的特征吸收特征,但它们之间存在明显重叠。尽管H2S在这个波长范围内也有吸收特性,但其吸收特性不会干扰SO2和CS2的紫外差分光吸收光谱。具体原因详见支持信息(文本S1)。
WEDSR结果分析
以SO2浓度为542.17 ppb和CS2浓度为99.43 ppb的气体混合物为例,我们展示了直接光谱重建和加权光谱重建在检测SO2和CS2浓度方面的差异。如图4(a)和(b)所示,直接拟合得到的椭圆容易受到数据点密度的影响。相比之下,加权拟合可以有效规避数据点在两端的主导效应
结论
在本研究中,我们提出了一个结合WEDSR方法和基于UV-DOAS的CNN的在线检测系统,用于检测SO2和CS2气体混合物。使用UV-DOAS技术获得气体差分吸收光谱后,该系统有效解决了SO2和CS2之间的紫外光谱重叠和超低浓度下的噪声干扰问题。在此基础上,可以使用WEDSR实现超低浓度的浓度反演
CRediT作者贡献声明
谢飞:软件开发、正式分析。孙宗祥:撰写——原始草案、软件开发、方法论、正式分析、概念化。李牧:软件开发、正式分析。高杰:可视化、方法论。李长银:软件开发、数据管理。朱瑞:项目管理、数据管理。张永刚:撰写——审稿与编辑、监督、项目管理、资金获取。李炳谦:可视化
支持信息
参考信息表、模型描述和其他支持数据(Word格式)。
利益冲突声明
? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了国家自然科学基金(批准号:62575251)的支持。