一种氢气浓度测量异常值修正方法及装置

1.本技术属于氢气测量技术领域，尤其涉及一种氢气浓度测量异常值修正方法及装置。


背景技术：

2.长期以来，随着油气成因理论的不断拓展和全球对清洁能源需求的日益扩大，氢气作为连接无机与有机生烃学说的重要纽带，同时也作为一种极具前景的清洁能源，逐渐引发了学术界的广泛关注。
3.但是在探寻氢气矿区时，首先需要对氢气储层中氢气的浓度进行测量，以判断该氢气矿区是否适合开采，但是，现有的氢气浓度值在测量时，有时会受到外界环境的干扰，例如，温度、湿度或者磁场的作用，使得测量的氢气浓度值存在异常的情况，但是，现有的氢气浓度测量技术无法对氢气浓度异常值进行筛选、判断处理，使得测量异常值跟随正常值一块输出，严重影响了研究人员对浓度值的使用。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种氢气浓度测量异常值修正方法及装置，能够解决现有的氢气浓度测量技术无法对氢气浓度异常值进行筛选、判断处理的问题。
5.本技术实施例的第一方面提供了一种氢气浓度测量异常值修正方法，所述氢气浓度测量异常值修正方法包括：
6.在氢气检测区域中，选取n个监测点，每个监测点布置一个氢气浓度传感器，n个氢气浓度传感器用于检测n个对应的监测点的氢气浓度值，获取n个监测点处的原始氢气浓度值集合，用x
(0)
表示，其中，x
(0)
＝{x
(0)
(1)，x
(0)
(2)，
…
，x
(0)
(i)，
…
，x
(0)
(k)}；其中，k＝1，2，
…
，i，
…
，n，n为正整数，i为正整数；
7.运用一次累加算法，对所述原始氢气浓度值集合x
(0)
中的每一个原始氢气浓度值逐一进行预处理，得到原始累加氢气浓度值集合，用x
(1)
表示，其中，x
(1)
＝{x
(1)
(1)，x
(1)
(2)，
…
，x
(1)
(i)，
…
，x
(1)
(k)}，其中，k＝1，2，
…
，i，
…
，n，n为正整数，i为正整数；
8.其中，j＝1，2，
…
，n，j为正整数；
9.对原始累加氢气浓度值集合x
(1)
中的每一个原始累加氢气浓度值进行调整处理，得到调整氢气浓度值集合，用x
(2)
表示，其中，x
(2)
＝{d1x
(1)
(1)，d2x
(1)
(2)，
…
，dix
(1)
(i)，
…
，dkx
(1)
(k)}，di为对应的调整氢气浓度值的影响因子；
10.所述对应的调整氢气浓度值的影响因子di的计算方法为：
11.根据对应检测点处的温度建立调整氢气浓度值的影响因子di的数学模型：
12.13.其中，t(i)为对应检测点处的温度，g1为第一比重系数，g2为温度比例系数，g3为第二比重系数，g4为温度变化系数，g5为温度修正系数；
14.将调整氢气浓度值集合x
(2)
的每个所述调整氢气浓度值依次作为初始值，带入改进的gm(1，1)模型中，依次得到累加预测氢气浓度值
15.根据累加预测氢气浓度值求得对应的有效原始氢气浓度预测值为：
[0016][0017]
其中，μ(i)为有效原始氢气浓度预测值的修正因子；
[0018]
根据原始氢气浓度值x
(0)
(i)与有效原始氢气浓度预测值计算残差e(i)；
[0019]
将e(i)与预设标准值λ作比较，进行氢气浓度测量异常值的判断，其中，当e(i)＞λ时，则判断对应的x
(0)
(i)为异常值，并用对应的替换值x
″′
(0)
(i)代替异常值，以实现氢气浓度异常值的判断与修正。
[0020]
在一个实施例中，所述对应的替换值x
″′
(0)
(i)的计算方法为：
[0021]
根据有效原始氢气浓度预测值建立的x
″′
(0)
(i)计算模型为：
[0022][0023]
其中，β(i)为对应的替换值x
″′
(0)
(i)的有效系数。
[0024]
在一个实施例中，所述对应的替换值x
″′
(0)
(i)的有效系数β(i)的计算方法为：
[0025]
根据原始氢气浓度值x
(0)
(i)与有效原始氢气浓度预测值建立对应的替换值x
″′
(0)
(i)的有效系数β(i)的数学模型为：
[0026][0027]
其中，为原始氢气浓度值x
(0)
(i)的平均值，为有效原始氢气浓度预测值的平均值。
[0028]
在一个实施例中，所述将调整氢气浓度值集合x
(2)
的每个所述调整氢气浓度值依次作为初始值，带入改进的gm(1，1)模型中，依次得到累加预测氢气浓度值为：
[0029]
其中，a为发展系数，b为灰作用量。
[0030]
在一个实施例中，所述发展系数a、灰作用量b的计算方法为：采用最小二乘法的原理进行估测得到。
[0031]
在一个实施例中，所述有效原始氢气浓度预测值的修正因子μ(i)的计算方法为：
[0032]
根据对应检测点处的甲烷浓度建立有效原始氢气浓度预测值的修正因子μ(i)的数学模型：
[0033][0034]
其中，h(i)为对应检测点处的甲烷浓度，f1为正弦系数，f2为甲烷浓度的第一比例系数，f3为甲烷浓度的第一修正系数，f4为指数系数，f5为甲烷浓度的第二比例系数，f6为甲
烷浓度的第二修正系数。
[0035]
在一个实施例中，所述预设标准值λ的计算方法为：
[0036]
根据原始氢气浓度值x
(0)
(i)与有效原始氢气浓度预测值建立预设标准值λ的数学模型：
[0037]
在一个实施例中，所述对应的替换值x
″′
(0)
(i)的有效系数β(i)＝1。
[0038]
在一个实施例中，所述预设标准值λ的计算方法为：
[0039]
建立预设标准值λ的数学模型为：
[0040][0041]
其中，m为采用bp神经网络的方法确定的学习系数。
[0042]
本技术实施例的第二方面提供了一种氢气浓度测量异常值修正装置，所述氢气浓度测量异常值修正装置用于执行如上述任一项所述的氢气浓度测量异常值修正方法。
[0043]
本技术实施例的有益效果是：通过提供一种氢气浓度测量异常值修正方法，包括：获取监测点处的原始氢气浓度值集合；运用一次累加算法，对所述原始氢气浓度值集合中的每一个原始氢气浓度值逐一进行预处理，得到原始累加氢气浓度值集合；对原始累加氢气浓度值集合中的每一个原始累加氢气浓度值进行调整处理，得到调整氢气浓度值集合；将调整氢气浓度值集合的每个所述调整氢气浓度值依次作为初始值，得到累加预测氢气浓度值；根据累加预测氢气浓度值求得对应的有效原始氢气浓度预测值；进行氢气浓度测量异常值的判断，并用对应的替换值代替异常值，以实现氢气浓度异常值的判断与修正。本技术通过对原始累加氢气浓度值集合中的每一个原始累加氢气浓度值进行调整处理，得到调整氢气浓度值集合，从而可以将准确的对氢气浓度异常值进行筛选，并且在氢气浓度测量值为异常值时，用对应的替换值代替异常值，以实现氢气浓度异常值的判断与修正。
附图说明
[0044]
为了更清楚地说明本技术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技术的一些实施例，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。
[0045]
图1是本技术一个实施例提供的一种氢气浓度测量异常值修正方法的步骤示意图；
[0046]
图2是本技术一个实施例提供的采用bp神经网络的方法确定的学习系数的示意图；
[0047]
图3是本技术一个实施例提供的本专利方法与现有方法的误差率示意图；
[0048]
图4是本技术一个实施例提供的氢气浓度测量异常值修正方法的实验次数与误差率示意图。
具体实施方式
[0049]
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，以便透彻理解本技术实施例。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技术。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技术的描述。
[0050]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0051]
长期以来，随着油气成因理论的不断拓展和全球对清洁能源需求的日益扩大，氢气作为连接无机与有机生烃学说的重要纽带，同时也作为一种极具前景的清洁能源，逐渐引发了学术界的广泛关注。
[0052]
但是在探寻氢气矿区时，首先需要对氢气储层中氢气的浓度进行测量，以判断该氢气矿区是否适合开采，但是，现有的氢气浓度值在测量时，有时会受到外界环境的干扰，例如，温度、湿度或者磁场的作用，使得测量的氢气浓度值存在异常的情况，但是，现有的氢气浓度测量技术无法对氢气浓度异常值进行筛选、判断处理，使得测量异常值跟随正常值一块输出，严重影响了研究人员对浓度值的使用。
[0053]
为了解决上述技术问题，本技术实施例提供了一种氢气浓度测量异常值修正方法，参考图1所示，其中，氢气浓度测量异常值修正方法包括：步骤s100至步骤s600。
[0054]
具体的，步骤s100：在氢气检测区域中，选取n个监测点，每个监测点布置一个氢气浓度传感器，n个氢气浓度传感器用于检测n个对应的监测点的氢气浓度值，获取n个监测点处的原始氢气浓度值集合，用x
(0)
表示，其中，x
(0)
＝{x
(0)
(1)，x
(0)
(2)，
…
，x
(0)
(i)，
…
，x
(0)
(k)}；其中，k＝1，2，
…
，i，
…
，n，n为正整数，i为正整数。
[0055]
步骤s200：运用一次累加算法，对所述原始氢气浓度值集合x
(0)
中的每一个原始氢气浓度值逐一进行预处理，得到原始累加氢气浓度值集合，用x
(1)
表示，其中，x
(1)
＝{x
(1)
(1)，x
(1)
(2)，
…
，x
(1)
(i)，
…
，x
(1)
(k)}，其中，k＝1，2，
…
，i，
…
，n，n为正整数，i为正整数；
[0056]
其中，j＝1，2，
…
，n，j为正整数。
[0057]
步骤s300：对原始累加氢气浓度值集合x
(1)
中的每一个原始累加氢气浓度值进行调整处理，得到调整氢气浓度值集合，用x
(2)
表示，其中，x
(2)
＝{d1x
(1)
(1)，d2x
(1)
(2)，
…
，dix
(1)
(i)，
…
，dkx
(1)
(k)}，其中，di为对应的调整氢气浓度值的影响因子；
[0058]
所述对应的调整氢气浓度值的影响因子di的计算方法为：
[0059]
由于氢气的稳定与温度有着直接的关系，通过建立温度对氢气浓度的影响模型，以对氢气的浓度进行修正：
[0060]
根据对应检测点处的温度建立调整氢气浓度值的影响因子di的数学模型：
[0061]
其中，t(i)为对应检测点处的温度，g1为第一比重系数，g2为温度比例系数，g3为第二比重系数，g4为温度变化系数，g5为温度
修正系数；其中，g1为0.0247，g2为0.0793，g3为67.02，g4为182.6，g5为64.73。
[0062]
步骤s400：将调整氢气浓度值集合x
(2)
的每个所述调整氢气浓度值依次作为初始值，带入改进的gm(1，1)模型中，依次得到累加预测氢气浓度值为：
[0063]
其中，a为发展系数，b为灰作用量；
[0064]
步骤s500：根据累加预测氢气浓度值求得对应的有效原始氢气浓度预测值为：
[0065]
其中，μ(i)为有效原始氢气浓度预测值的修正因子；
[0066]
步骤s600：根据原始氢气浓度值x
(0)
(i)与有效原始氢气浓度预测值计算残差e(i)：
[0067]
其中，计算方法为：
[0068]
将e(i)与预设标准值λ作比较，进行氢气浓度测量异常值的判断，其中，当e(i)＞λ时，则判断对应的x
(0)
(i)为异常值，并用对应的替换值x
″′
(0)
(i)代替异常值，以实现氢气浓度异常值的判断与修正。
[0069]
在本实施例中，在步骤s100中，在氢气检测区域中，设置n个监测点，其中，每个监测点可以通过打孔的方式在检测点设置氢气浓度传感器，用于测量检测点的氢气浓度，可以理解的是，每个检测点的氢气浓度传感器可以实时或者定时的对监测点的氢气浓度进行检测，并输出。例如，第一个监测点的原始氢气浓度值用x
(0)
(1)表示，第二个监测点的原始氢气浓度值用x
(0)
(2)表示，依次类推，第n个监测点的原始氢气浓度值用x
(0)
(n)表示，例如，当在一个较小的检测区域，一共设置了五个检测点，则依次输出的检测点的原始氢气浓度值用：x
(0)
(1)、x
(0)
(2)、x
(0)
(3)、x
(0)
(4)、x
(0)
(5)表示。在本实施例中，x
(0)
(i)表示的是任意一个检测点的原始氢气浓度值。
[0070]
在步骤s200中，运用一次累加算法，对每一个检测点的原始氢气浓度值x
(0)
(i)进行累计处理，例如，第一个监测点的原始氢气浓度值x
(0)
(1)进行累计处理后为x
(1)
(1)，第二个检测点的原始氢气浓度值x
(0)
(2)进行累计处理后为x
(1)
(2)，一次类推，第n个检测点的原始氢气浓度值x
(0)
(n)进行累计处理后为x
(1)
(n)，并且，当在一个较小的检测区域，一共设置了五个检测点，则依次输出的检测点的原始氢气浓度值用：x
(0)
(1)、x
(0)
(2)、x
(0)
(3)、x
(0)
(4)、x
(0)
(5)表示，累加处理后输出的原始累加氢气浓度值依次用：x
(1)
(1)、x
(1)
(2)、x
(1)
(3)、x
(1)
(4)、x
(1)
(5)表示，可以理解的是，第五个原始累加氢气浓度值为第五个以及前四个原始氢气浓度值之和，一次类推，第四个原始累加氢气浓度值为第四个以及前三个原始氢气浓度值之和。在本实施例中，j＝1，2，
…
，n，j为正整数；j为n个监测点的中的任一个。
[0071]
在步骤s300中，由于氢气的稳定与温度有着直接的关系，通过调整氢气浓度值的影响因子di的影响模型，以对每个调整氢气浓度值进行修正。具体的，建立调整氢气浓度值的影响因子di的影响模型为：
[0072]
其中，t(i)为检测点处的温度，g1为第一比重系数，g2为温度比例系数，g3为第二比重系数，g4为温度变化系数，g5为温度修正系数。可以理解的是，需要通过温度传感器依次测得每个检测点处的温度t(i)，例如，第一个监测点处的温度为t(1)，第二个检测点处的温度为t(2)，其中，g1为0.0247，g2为0.0793，g3为67.02，g4为182.6，g5为64.73。
[0073]
在一个实施例中，通过建立调整氢气浓度值的影响因子di的影响模型，模型中的，第一比重系数g1，温度比例系数g2，第二比重系数g3，温度变化系数g4，温度修正系数g5，可以通过温度及对应的影响因子di求得，例如，在一个模拟实验中，测得6个监测点处的温度分别为：0℃、5℃、10℃、15℃、20℃、25℃，其对应的需要对调整氢气浓度值修正的影响因子分别为：2％、3.9％、5.8％、8％、12％、18％，可以一次求出模型中的，第一比重系数g1，温度比例系数g2，第二比重系数g3，温度变化系数g4，温度修正系数g5。并且，检验调整氢气浓度值的影响因子di的影响模型建立符合实际应用的需要。
[0074]
在步骤s400中，在本实施例中，一次将每个调整氢气浓度值dix
(1)
(i)带入改进的改进的gm(1，1)模型中，依次得到累加预测氢气浓度值可以理解的是，每个调整氢气浓度值dix
(1)
(i)对应一个累加预测氢气浓度值例如，第一个调整氢气浓度值d1x
(1)
(1)对应累加预测氢气浓度值依次类推，得到每个累加预测氢气浓度值。
[0075]
在步骤s500中，运用累减的算法，依次获得n个有效原始氢气浓度预测值，可以理解的是，当i＝5时，则并针对每个有效原始氢气浓度预测值增加一个修正因子μ(i)，以对每个有效原始氢气浓度预测值进行修正。
[0076]
步骤s600中，根据原始氢气浓度值x
(0)
(i)与有效原始氢气浓度预测值计算残差e(i)：其中计算方法为：将e(i)与预设标准值λ作比较，进行氢气浓度测量异常值的判断，其中，当e(i)＞λ时，则判断对应的x
(0)
(i)为异常值，并用对应的替换值x
″′
(0)
(i)代替异常值，以实现氢气浓度异常值的判断与修正。从而实现了将氢气浓度异常值识别出来，并进行替换，以解决现有的氢气浓度测量技术无法对氢气浓度异常值进行筛选、判断处理的问题。
[0077]
在一个实施例中，所述对应的替换值x
″′
(0)
(i)的计算方法为：根据有效原始氢气浓度预测值建立x
″′
(0)
(i)计算模型为：其中，β(i)为对应的替换值x
″′
(0)
(i)的有效系数。
[0078]
在一个实施例中，所述对应的替换值x
″′
(0)
(i)的有效系数β(i)的计算方法为：根据原始氢气浓度值x
(0)
(i)与有效原始氢气浓度预测值建立对应的替换值x
″′
(0)
(i)的有效系数β(i)的数学模型为：
[0079]
其中，为原始氢气浓度值x
(0)
(i)的平均值，为有效原始氢气浓度预测值的平均值。在本实施例中，为原始氢气浓度值x
(0)
(i)的平均值，可以理解的是，的求解方法可以为：通过使每个原始氢气浓度值x
(0)
(i)相加然后除以先加的个数得到，为有效原始氢气浓度预测值的平均值，的求解方法可以为：通过使每个有效原始氢气浓度预测值相加然后除以先加的个数得到。
[0080]
在一个实施例中，所述将调整氢气浓度值集合x
(2)
的每个所述调整氢气浓度值依次作为初始值，带入改进的gm(1，1)模型中，依次得到累加预测氢气浓度值为：
[0081]
其中，a为发展系数，b为灰作用量。
[0082]
在一个实施例中，所述对应的调整氢气浓度值的影响因子di的计算方法为：
[0083]
氢气的稳定与温度有着直接的关系，通过建立温度对氢气浓度的影响模型，以对氢气的浓度进行修正：建立温度对监测点的氢气浓度值影响的数学模型：
[0084]
其中，t(i)为检测点处的温度，g1为第一比重系数，g2为温度比例系数，g3为第二比重系数，g4为温度变化系数，g5为温度修正系数。其中，g1为0.0247，g2为0.0793，g3为67.02，g4为182.6，g5为64.73。
[0085]
在一个实施例中，所述发展系数a、灰作用量b的计算方法为：采用最小二乘法的原理进行估测得到：
[0086]
其中，矩阵b为：其中，z
(1)
(i)＝0.4x
(1)
(i) 0.6x
(1)
(i-1)，k＝1，2，
…
，i，
…
，n，n为正整数，i为正整数；矩阵y为：进而计算出发展系数a、灰作用量b。
[0087]
在一个实施例中，所述有效原始氢气浓度预测值的修正因子μ(i)的计算方法为：由于在氢气与甲烷一般是由蛇纹石化反应产生的，蛇纹石化反应中氢气的产生量与铁矿物(例如，橄榄石)的含量有关，自然界中氢气与甲烷的一般是共存，即存在氢气的地方也存在甲烷，并且甲烷的浓度与氢气的浓度密切相关，根据对应检测点处的甲烷浓度建立有效原始氢气浓度预测值的修正因子μ(i)的数学模型：
[0088][0089]
其中，h(i)为对应检测点处的甲烷浓度，f1为正弦系数，f2为甲烷浓度的第一比例
系数，f3为甲烷浓度的第一修正系数，f4为指数系数，f5为甲烷浓度的第二比例系数，f6为甲烷浓度的第二修正系数。其中，h(i)为检测点处甲烷浓度，f1为0.3844，f2为-0.0002，f3为1.129，f4为1.581，f5为0.0089，f6为-0.6444。
[0090]
在一个实施例中，每个检测点处的甲烷浓度h(i)可以通过甲烷浓度传感器测得，修正因子μ(i)的数学模型中，正弦系数f1，甲烷浓度的第一比例系数f2，甲烷浓度的第一修正系数f3，指数系数f4，甲烷浓度的第二比例系数f5，甲烷浓度的第二修正系数f6可以通过检测点的甲烷浓度以及对应的修正因子μ(i)计算得到，例如，在一个模拟实验中，检测得到每个检测点的甲烷浓度为：7.84％、32.99％、45.62％、63.43％、78.79％、85.65％，对应的修正因子μ(i)分别为：9.216％、6.701％、5.438％、3.657％、2.121％、1.346％，一次求得正弦系数f1，甲烷浓度的第一比例系数f2，甲烷浓度的第一修正系数f3，指数系数f4，甲烷浓度的第二比例系数f5，甲烷浓度的第二修正系数f6，并且，修正因子μ(i)的建立符合实际应用的需要。
[0091]
在一个实施例中，所述预设标准值λ的计算方法为：根据原始氢气浓度值x
(0)
(i)与有效原始氢气浓度预测值建立预设标准值λ的数学模型：
[0092][0093]
在一个实施例中，所述对应的替换值x
″′
(0)
(i)的有效系数β(i)＝1。可以理解的是，即，当e(i)＞λ时，则判断对应的x
(0)
(i)为异常值，并用对应的替换值代替异常值，以实现氢气浓度异常值的判断与修正。例如，当x
(0)
(1)为异常值时，则用代替并输出。以实现氢气浓度异常值的判断与修正。
[0094]
在一个实施例中，所述预设标准值λ的计算方法为：建立预设标准值λ的数学模型为：其中，m为采用bp神经网络的方法确定的学习系数。
[0095]
在本实施例中，参考图2所示，采用bp神经网络的方法确定的学习系数m的获取方法为：将原始氢气浓度值x
(0)
(i)的个数number、测量速度mv、检测点的温度te、检测点的湿度hu、测量点的噪声强度noise、检测点的甲烷浓度ch和检测点的铁矿石的含量fe，作为bp神经网络输入层的参数；bp神经网络的中间层为隐层，并采用8个神经元；将学习系数m作为bp神经网络输出层的输出参数；经训练得到学习系数m。
[0096]
在一个实施例中，所述bp神经网络的训练过程为：建立样本集合s＝(s1，s2，
…
，sn)，其中si＝(numberi，mvi，tei，hui，noisei，chi，fei，mi)，式中i＝1，2，3，
…
，n；采用样本集合s进行训练，获得输入层到隐层权矩阵w1
ij
和隐层到输出层权矩阵w2
ij
，其中w1
ij
中i＝8，为隐层神经元数目，j＝7，为输入层参数的个数，w2ij中其中i＝1为输出层神经元数目，j＝8，为输入层参数的个数，并学习记忆，获得识别系数m。
[0097]
在一个实施例中，如图3、图4所示，采用本专利方法在不同地下储氢矿区中进行了12次氢气浓度测量实验，由图可知采用本专利方法测量地下储氢气浓度误差值判断的平均误差值为1.53％，方差为1.74，最大误差为1.68％，故本专利方法稳定。采用本专利方法在不同地下储氢气空间中进行了12次氢气浓度测量实验，并将平均值作为结果记录，可知最
大相对误差为1.42，比现有测量方法准确。
[0098]
本技术实施例还提供了一种氢气浓度测量异常值修正装置，所述氢气浓度测量异常值修正装置用于执行如上述任一项所述的氢气浓度测量异常值修正方法。
[0099]
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。
[0100]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。