CN106777866B - 面向节能降耗的高含硫天然气净化工艺建模与优化方法 - Google Patents

面向节能降耗的高含硫天然气净化工艺建模与优化方法 Download PDF

Info

Publication number
CN106777866B
CN106777866B CN201611000106.7A CN201611000106A CN106777866B CN 106777866 B CN106777866 B CN 106777866B CN 201611000106 A CN201611000106 A CN 201611000106A CN 106777866 B CN106777866 B CN 106777866B
Authority
CN
China
Prior art keywords
time
state variable
state
neural network
covariance
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.)
Active
Application number
CN201611000106.7A
Other languages
English (en)
Other versions
CN106777866A (zh
Inventor
唐海红
辜小花
熊兴中
张堃
王坎
杨利平
邱奎
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.)
Chongqing University of Science and Technology
Sichuan University of Science and Engineering
Original Assignee
Chongqing University of Science and Technology
Sichuan University of Science and Engineering
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 Chongqing University of Science and Technology, Sichuan University of Science and Engineering filed Critical Chongqing University of Science and Technology
Priority to CN201611000106.7A priority Critical patent/CN106777866B/zh
Publication of CN106777866A publication Critical patent/CN106777866A/zh
Application granted granted Critical
Publication of CN106777866B publication Critical patent/CN106777866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
    • C10L3/00—Gaseous fuels; Natural gas; Synthetic natural gas obtained by processes not covered by subclass C10G, C10K; Liquefied petroleum gas
    • C10L3/06—Natural gas; Synthetic natural gas obtained by processes not covered by C10G, C10K3/02 or C10K3/04
    • C10L3/10—Working-up natural gas or synthetic natural gas
    • C10L3/101—Removal of contaminants
    • C10L3/102—Removal of contaminants of acid contaminants
    • C10L3/103—Sulfur containing contaminants
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physiology (AREA)
  • Organic Chemistry (AREA)
  • Gas Separation By Absorption (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法，包括：选取影响脱硫效率的工艺参数和脱硫单元的性能指标后进行采集形成样本集；对样本集进行归一化形成归一化样本集，并从中选取训练样本和测试样本；基于训练样本构建神经网络模型并确定神经网络模型的初始状态变量；用ST‑UKFNN算法估计神经网络模型的最优状态变量；根据最优状态变量对神经网络模型进行更新；分别构建H2S浓度和CO2浓度的偏好函数；利用MOGA算法对H2S浓度和CO2浓度的工艺参数进行优化，将优化后的工艺参数带入更新后的神经网络模型，计算优化后的工艺参数的***性能，与实际样本的***性能的平均值进行比较。利用本发明可以提高高含硫天然气净化的生产效率。

Description

面向节能降耗的高含硫天然气净化工艺建模与优化方法
技术领域
本发明涉及高含硫天然气净化技术领域，更为具体地，涉及一种面向节能降耗的高含硫天然气净化工艺建模与优化方法。
背景技术
高含硫天然气酸性组分含量比常规天然气高出数倍，其脱硫过程胺液循环量大、工艺流程复杂、能耗高。统计表明，脱硫单元能耗占高含硫天然气净化厂总能耗50％以上，其单位综合能耗高达1729.3MJ·t-1，属于高耗能单元。对大型净化厂而言，通过脱硫单元优化可降低能耗5％～10％。此外，高含硫天然气酸性组分浓度高，经过净化后的产品气量相对原料气流量有显著下降。为此，对高含硫天然气脱硫过程进行工艺优化，实现节能降耗，提高产率和气体加工经济效益是十分必要的。
发明内容
鉴于上述问题，本发明的目的是提供一种基于ST-UKFNN的高含硫天然气净化的动态演化建模优化方法，以解决上述背景技术所提出的问题。
本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法，包括：
步骤S1：选择影响脱硫效率的工艺参数和脱硫单元的性能指标；其中，工艺参数包括进入尾气吸收塔贫的胺液流量x1、进入二级吸收塔的贫胺液流量x2、原料气处理量x3、尾气单元返回脱硫单元的半富胺液流量x4、一级吸收塔胺液入塔温度x5、二级吸收塔胺液入塔温度x6、闪蒸罐压力x7、一个重沸器的蒸汽消耗量x8、另一个重沸器的蒸汽消耗量x9和蒸汽预热器的蒸汽消耗量x10；脱硫单元的性能指标包括净化气中H2S的浓度
Figure BDA0001152277500000011
和CO2的浓度
Figure BDA0001152277500000012
以及净化气的产量ypg；
步骤S2：采集预设时间的工艺参数和性能指标的数据，剔除误差样本后形成样本集[X,Y]；
步骤S3：对样本集[X，Y]进行归一化，形成归一化样本集
Figure BDA0001152277500000021
取归一化样本集
Figure BDA0001152277500000022
中前80％的样本作为训练样本，而剩余的20％样本作为测试样本；
步骤S4：基于训练样本构建神经网络模型和神经网络模型的初始状态变量X，以及，将训练样本中的
Figure BDA0001152277500000023
作为神经网络模型的输入，将训练样本中的
Figure BDA0001152277500000024
作为神经网络模型的输出；
其中，构建的神经网络模型为：
Figure BDA0001152277500000025
其中，Ik为训练样本的矢量样本值，并作为神经网络模型的输入，
Figure BDA0001152277500000026
为网络输入层到隐含层的神经元的连接权值，
Figure BDA0001152277500000027
为网络输入层到隐含层的神经元的阈值，
Figure BDA0001152277500000028
为隐含层到网络输出层的神经元的连接权值，
Figure BDA0001152277500000029
为隐含层到网络输出层的神经元的阈值，其中，i＝1，2…S0；j＝1，2…S1；k＝1，2…S2；S0为网络输入层的神经元的数量，S1为网络隐含层的神经元的数量，S2为网络输出层的神经元的数量；
构建的初始状态变量为：
Figure BDA00011522775000000210
步骤S5：利用ST-UKFNN算法估计神经网络模型的最优状态变量；
步骤S6：将最优状态变量作为所述神经网络模型的
Figure BDA00011522775000000211
和
Figure BDA00011522775000000212
对式(1)进行更新，获得训练样本更新后的神经网络模型；
步骤S7：分别构建H2S浓度
Figure BDA00011522775000000213
的偏好函数和CO2浓度
Figure BDA00011522775000000214
的偏好函数；
步骤S8：利用MOGA算法分别对H2S浓度
Figure BDA00011522775000000215
的偏好函数和CO2浓度
Figure BDA00011522775000000216
的偏好函数进行多目标极值寻优优化，获得符合生产实际的决策变量；
步骤S9：将优化后的决策变量带入训练样本更新后的神经网络模型，计算优化后的决策变量的***性能，与实际样本的***性能的平均值进行比较，如果优化后的决策变量的***性能大于实际样本的***性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S8，直至优化后的决策变量的***性能大于实际样本的***性能的平均值为止。
本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法，能够有效地跟踪装置的整个经济效益最优路线，有效克服过程干扰、设备性能变化、经济效益和生产目标的变化问题，从而节能降耗，提高产率和气体加工经济效益。
附图说明
通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为净化气中H2S浓度的偏好函数图；
图2为净化气中CO2浓度的偏好函数图；
图3为H2S浓度的含量偏好函数和CO2浓度的含量偏好函数的Pareto解集图；
图4为H2S浓度的含量实际函数和CO2浓度的含量实际函数的Pareto解集图。
具体实施方式
名词解释
ST-UKFNN：Strong track Unscented Kalman Fliter Neural Network，强追踪无迹卡尔曼滤波神经网络。
本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法，包括：
步骤S1：选择影响脱硫效率的工艺参数和脱硫单元的性能指标；其中，工艺参数包括进入尾气吸收塔贫的胺液流量、进入二级吸收塔的贫胺液流量、原料气处理量、尾气单元返回脱硫单元的半富胺液流量、一级吸收塔胺液入塔温度、二级吸收塔胺液入塔温度、闪蒸罐压力、一个重沸器的蒸汽消耗量、另一个重沸器的蒸汽消耗量和蒸汽预热器的蒸汽消耗量；脱硫单元的性能指标包括净化气中H2S和CO2的浓度以及净化气的产量。如表1所示：
表1
Figure BDA0001152277500000031
Figure BDA0001152277500000041
步骤S2：采集预设时间的工艺参数和性能指标的数据，剔除误差样本后形成样本集[X,Y]。样本集[X,Y]如下表2所示：
表2
Figure BDA0001152277500000042
Figure BDA0001152277500000051
步骤S3：对样本集[X,Y]进行归一化，形成归一化样本集
Figure BDA0001152277500000052
取归一化样本集
Figure BDA0001152277500000053
中前80％的样本作为训练样本，而剩余的20％样本作为测试样本。
步骤S4：基于训练样本构建神经网络模型和神经网络模型的初始状态变量X，以及，将训练样本中的
Figure BDA0001152277500000054
作为神经网络模型的输入即
Figure BDA0001152277500000055
将训练样本中的
Figure BDA0001152277500000056
作为神经网络模型的输出即
Figure BDA0001152277500000057
其中，构建的神经网络模型为：
Figure BDA0001152277500000058
其中，Ik为训练样本的矢量样本值，并作为神经网络模型的输入，
Figure BDA0001152277500000059
为网络输入层到隐含层的神经元的连接权值，
Figure BDA00011522775000000510
为网络输入层到隐含层的神经元的阈值，
Figure BDA00011522775000000511
为隐含层到网络输出层的神经元的连接权值，
Figure BDA00011522775000000512
为隐含层到网络输出层的神经元的阈值，其中，i＝1，2…S0；j＝1，2…S1；k＝1，2…S2；S0为网络输入层的神经元的数量，S1为网络隐含层的神经元的数量，S2为网络输出层的神经元的数量；
构建的初始状态变量为：
Figure BDA00011522775000000513
步骤S5：利用ST-UKFNN算法估计神经网络模型的最优状态变量。
本发明利用ST-UKFNN算法估计神经网络模型的状态变量，以达到连接权值、阈值的不断调整，直到满足要求。将得到的最优状态变量的状态估计作为上述所建立神经网络模型的连接权值、阈值。需要说明的是，该连接权值、阈值为通过ST-UKFNN算法调整后的连接权值、阈值，也是上述所建立的神经网络模型的全部连接权值与阈值，包括
Figure BDA0001152277500000061
和
Figure BDA0001152277500000062
利用ST-UKFNN算法估计神经网络模型的最优状态变量的过程包括：
步骤S51：对初始状态变量X进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对初始状态变量X的Sigma采样如下：
Figure BDA0001152277500000063
其中，
Figure BDA0001152277500000064
为(k-1)时刻的最优状态变量的第i列，n为状态矩阵维度，pk-1为(k-1)时刻的最优状态变量的协方差。
步骤S52：计算每个采样点的权重，每个采样点的权重如下：
Figure BDA0001152277500000065
其中，Wc为计算状态变量的协方差的权重，Wm为计算状态估计和观测预测时的权重，
Figure BDA0001152277500000066
是
Figure BDA0001152277500000067
的第一列，
Figure BDA0001152277500000068
是
Figure BDA0001152277500000069
的第一列。
步骤S53：通过离散时间非线性***的状态方程将每个采样点的(k-1)时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计
Figure BDA00011522775000000610
以及，通过合并k时刻的状态估计
Figure BDA00011522775000000611
的向量，获得k时刻的状态变量的状态先验估计
Figure BDA00011522775000000612
和协方差
Figure BDA00011522775000000613
k时刻的状态变量的状态估计
Figure BDA0001152277500000071
为：
Figure BDA0001152277500000072
其中，wk为过程噪声，其协方差矩阵Qk为cov(wk,wj)＝Qkδkj，
Figure BDA0001152277500000073
k时刻的状态变量的状态先验估计
Figure BDA0001152277500000074
为：
Figure BDA0001152277500000075
k时刻的状态变量的协方差Pk|k-1为：
Figure BDA0001152277500000076
步骤S54：通过离散时间非线性***的观测方程将建立k时刻的状态变量的状态估计
Figure BDA0001152277500000077
和k时刻的观测预测
Figure BDA0001152277500000078
的联系以完成观测预测，并估计k时刻的观测预测的协方差Pyk。
k时刻的观测预测的均值
Figure BDA0001152277500000079
为：
Figure BDA00011522775000000710
其中，
Figure BDA00011522775000000711
上述式(8)和式(9)建立了k时刻的状态变量的状态估计
Figure BDA00011522775000000712
和k时刻的观测预测估计
Figure BDA00011522775000000713
之间的关系。
其中，νk为观测噪声，其协方差矩阵Rk为cov(vk,vj)＝Rkδkj，
Figure BDA00011522775000000714
k时刻的观测预测的协方差
Figure BDA00011522775000000716
为：
Figure BDA00011522775000000715
其中，在此处引入强追踪算法，即渐消因子λk+1增强模型的追踪能力以提高模型精度；
Figure BDA0001152277500000081
Figure BDA0001152277500000082
Figure BDA0001152277500000083
Nk+1＝Vk+1-βRk+1 (14)
其中，β为弱化因子，β≥1；
Figure BDA0001152277500000084
Figure BDA0001152277500000085
步骤S55：计算k时刻的状态变量和观测预测之间的协方差Pxy,k：
Figure BDA0001152277500000086
步骤S56：通过建立协方差Pxy,k和协方差
Figure BDA0001152277500000087
的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量。
其中，建立的状态变量的协方差Pxy,k和观测预测的协方差
Figure BDA0001152277500000088
的关系为：
Figure BDA0001152277500000089
其中，Kk为增益矩阵，以此实现更新k时刻的最优状态变量的状态估计和更新k时刻的状态变量的协方差Pk；以及，
更新后的k时刻的状态变量的状态估计Xk|k为：
Figure BDA00011522775000000810
更新后的k时刻的状态变量的协方差Pk为：
Figure BDA0001152277500000097
将更新后的k时刻的状态变量的状态估计Xk和协方差Pk作为k时刻的最优变量。
步骤S57将获得的k时刻的最优状态变量代入步骤S51重新进行sigma采样，循环步骤S51-S57，获得神经网络模型的最优状态变量。
神经网络模型的最优状态变量的结构参数如下：
(1)H2S浓度模型结构参数
Figure BDA0001152277500000091
w2(1×20)＝[-0.42 0.22 ... 0.14 -0.49]b2(1×1)＝[-0.19]
(2)CO2浓度模型结构参数
Figure BDA0001152277500000092
w2(1×20)＝[-0.46 4.74 ... 0.15 0.27]b2(1×1)＝[-0.10]
步骤S6：将最优状态变量作为神经网络模型的
Figure BDA0001152277500000093
和
Figure BDA0001152277500000094
对式(1)进行 更新，获得训练样本更新后的神经网络模型。
步骤S7：分别构建H2S浓度
Figure BDA0001152277500000095
和CO2浓度
Figure BDA0001152277500000096
的偏好函数。
在***工艺参数优化计算中，考虑设计者对不同参数具有不同的喜好程度，利用物理规划构建***偏好函数。设定产液量最优值y1best，设定值ybest周围某一邻域范围[ybest-△y,ybest+△y]内波动为非常满意(HD)，且在[ybest-△y-△y1,ybest-△y],[ybest+△y,ybest+△y+△y1]内为满意(D)，依次得到可接受(T)，不满意(U)和非常不满意(HU)，对应的偏好值区间用[0,2]，[2,4]，[4,6]，[6,8]，[8,10]表示。
构建偏好值与实际量的函数关系perfc(H2S)和perfc(CO2)，且与偏好程度数值区间对应的H2S浓度以及CO2浓度区间值如下表3所示：
表3偏好程度数值区间与变量实际值对应区间表
Figure BDA0001152277500000101
根据表3的区间边界值的对应关系，可以求得H2S浓度、CO2浓度的偏好函数表达式如式21、式22所示：
Figure BDA0001152277500000102
Figure BDA0001152277500000103
H2S浓度的偏好函数如图1所示，CO2浓度的偏好函数如图2所示。
步骤S8：利用MOGA算法分别对H2S浓度
Figure BDA0001152277500000104
的偏好函数
Figure BDA0001152277500000105
和CO2浓度yCO2的偏好函数
Figure BDA0001152277500000106
进行多目标极值寻优优化，获得符合生产实际的决策变量。
步骤S8的具体优化过程，包括：
步骤S81：将优化前的工艺参数x1-x10分别作为决策变量，通过决策变量P＝[x1 x2L x10]的适应度函数值的比较寻找最佳个体；其中，将部分求最大值的性能变量函数进行反归一化获得适应度函数为：
Figure BDA0001152277500000107
部分求最大值的性能变量函数：
Figure BDA0001152277500000111
由于在优化的过程中，得到的H2S浓度、CO2浓度越接近最佳值越好，故而将式(24)进行反归一化得到式(23)。
步骤S82：利用决策变量P＝[x1 x2 L x10]构建父代种群P，其中，
Figure BDA0001152277500000112
其中，K为父代种群P中的个体
Figure BDA0001152277500000113
的数量；L为初始化的种群样本数量，L＝50；GEN为最大遗传代数，GEN＝100；
步骤S83：根据决策变量的上下限xi,min≤xi≤xi,max(i＝1,2,L,10)初始化父种群P；其中，初始化父种群P的过程为：从进入尾气吸收塔贫的胺液流量x1的取值范围内随机取值赋予
Figure BDA0001152277500000114
从进入二级吸收塔的贫胺液流量x2的取值范围内随机取值赋予
Figure BDA0001152277500000115
直到从蒸汽预热器的蒸汽消耗量x10的取值范围内随机取值赋予
Figure BDA0001152277500000116
步骤S84：对初始化的父种群P进行第一次遗传迭代(GEN＝1)以产生下一代种群。
对初始化的父种群P进行第一次遗传迭代的过程，包括：
步骤S841：根据适应度函数检查初始化的父种群P中每个解的占优性；其中，对于一个解i，它的等级ri等于1加上优于解i的个数ni，即ri＝ni+1。
由于初始化的父种群P中没有优于非劣解的解，所以非劣解的等级等于1。
步骤S842：将初始化的种群P中所有个体按照等级升序分层，然后通过用一个线性的(或者其它的)对应函数对每个个体分配一个初始适应值。
通常选择使分配的适应值N(对应最优等级的个体)和1(对应最差等级的个体)之间的对应函数。
步骤S843：计算每个等级内每个个体的初始适应值的平均值，该平均值为每个等级内每个个体的指定适应值。
步骤S844：通过式(26)计算任意一个等级内任意两个个体i和j之间的标准化距离：
Figure BDA0001152277500000121
其中，
Figure BDA0001152277500000122
和
Figure BDA0001152277500000123
为第k个目标函数的最大值和最小值。
步骤S845：通过式(27)计算与解i有同样等级ri的每一个解的dij；
Figure BDA0001152277500000124
其中，α＝1为共享函数，σshare为预设的小生境半径；
该等级内每个个体的小生境数为共享函数值的总和：
Figure BDA0001152277500000125
其中，μ(ri)为所有等级为ri的个体数。
为了保持非劣解中解的多样性，在每个等级的个体中引入了小生境数。
步骤S846：将每个个体的指定适应值除以各自的小生境数获得每个个体的共享适应值。
步骤S847：对每个等级内的所有个体的共享适应值做尺度变换。
对个体的共享适应值做尺度变化的目的是为了保持每个等级的所有个体的平均共享适应值与平均指定适应值相同，即每个个体相同的概率被选择使用。
步骤S848：对经过尺度变换的每个等级进行比例选择、单点交叉、变异计算获得下一代种群。
步骤S85：gen＝gen+1，循环100次步骤S83～步骤S84，得到第GEN代种群作为优化结果输出，
Figure BDA0001152277500000126
得到Pareto解集，H2S浓度的含量偏好函数的Pareto解集如图3所示，CO2浓度的含量偏好函数的Pareto解集如图4所示。
由优化所得Pareto解集分析可知优化前后效果对比如表4所示：
表4
Figure BDA0001152277500000131
优化结果即为优化后的工艺参数x1-x10。
优化后的工艺参数x1-x10的上下限如表5所示：
表5
Figure BDA0001152277500000132
步骤S9：将优化后的决策变量带入训练样本更新后的神经网络模型，计算优化后的决策变量的***性能，与实际样本的***性能的平均值进行比较，如果优化后的决策变量的***性能大于实际样本的***性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S8，直至优化后的决策变量的***性能大于实际样本的***性能的平均值为止。
优化后的决策变量实际为优化后的工艺参数x1-x10。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种面向节能降耗的高含硫天然气净化工艺建模与优化方法，包括：
步骤S1：选择影响脱硫效率的工艺参数和脱硫单元的性能指标；其中，所述工艺参数包括进入尾气吸收塔的贫胺液流量x1、进入二级吸收塔的贫胺液流量x2、原料气处理量x3、尾气单元返回脱硫单元的半富胺液流量x4、一级吸收塔贫胺液入塔温度x5、二级吸收塔贫胺液入塔温度x6、闪蒸罐压力x7、一个重沸器的蒸汽消耗量x8、另一个重沸器的蒸汽消耗量x9和蒸汽预热器的蒸汽消耗量x10；所述脱硫单元的性能指标包括净化气中H2S的浓度
Figure FDA0002944021480000011
和CO2的浓度
Figure FDA0002944021480000012
以及净化气的产量ypg；
步骤S2：采集预设时间的所述工艺参数和所述性能指标的数据，剔除误差样本后形成样本集[X,Y]；
步骤S3：对样本集[X,Y]进行归一化，形成归一化样本集
Figure FDA0002944021480000013
取所述归一化样本集
Figure FDA0002944021480000014
中前80％的样本作为训练样本，而剩余的20％样本作为测试样本；
步骤S4：基于所述训练样本构建神经网络模型和所述神经网络模型的初始状态变量X，以及，将所述训练样本中的
Figure FDA0002944021480000015
作为所述神经网络模型的输入，将所述训练样本中的
Figure FDA0002944021480000016
作为所述神经网络模型的输出；
其中，所述神经网络模型为：
Figure FDA0002944021480000017
其中，Ik为所述训练样本的矢量样本值，并作为所述神经网络模型的输入，
Figure FDA0002944021480000018
为网络输入层到隐含层的神经元的连接权值，
Figure FDA0002944021480000019
为网络输入层到所述隐含层的神经元的阈值，
Figure FDA00029440214800000110
为所述隐含层到网络输出层的神经元的连接权值，
Figure FDA00029440214800000111
为所述隐含层到所述网络输出层的神经元的阈值，其中，u＝1，2…S0；j＝1，2…S1；k＝1，2…S2；S0为所述网络输入层的神经元的数量，S1为所述网络隐含层的神经元的数量，S2为所述网络输出层的神经元的数量；
所述初始状态变量为：
Figure FDA0002944021480000021
步骤S5：利用ST-UKFNN算法估计所述神经网络模型的最优状态变量；
步骤S6：将所述最优状态变量作为所述神经网络模型的
Figure FDA0002944021480000022
和
Figure FDA0002944021480000023
对式(1)进行更新，获得所述训练样本更新后的神经网络模型；
步骤S7：分别构建H2S浓度
Figure FDA0002944021480000024
的偏好函数和CO2浓度
Figure FDA0002944021480000025
的偏好函数；
步骤S8：利用MOGA算法分别对H2S浓度
Figure FDA0002944021480000026
的偏好函数和CO2浓度
Figure FDA0002944021480000027
的偏好函数进行多目标极值寻优优化，获得符合生产实际的决策变量；
步骤S9：将优化后的决策变量带入所述训练样本更新后的神经网络模型，计算优化后的决策变量的***性能，与实际样本的***性能的平均值进行比较，如果优化后的决策变量的***性能大于实际样本的***性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S8，直至优化后的决策变量的***性能大于实际样本的***性能的平均值为止。
2.如权利要求1所述的面向节能降耗的高含硫天然气净化工艺建模与优化方法，所述步骤S5包括：
步骤S51：对所述初始状态变量X进行sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数δ，对所述初始状态变量X的sigma采样如下：
Figure FDA0002944021480000028
其中，
Figure FDA0002944021480000029
为k-1时刻的最优状态变量估计的第i列，n为状态矩阵维度，pk-1为k-1时刻的最优状态变量的协方差；
步骤S52：计算每个采样点的权重，每个采样点的权重如下：
Figure FDA0002944021480000031
其中，Wc为计算状态变量的协方差的权重，Wm为计算状态估计和观测预测时的权重，
Figure FDA0002944021480000032
是
Figure FDA0002944021480000033
的第一列，
Figure FDA0002944021480000034
是
Figure FDA0002944021480000035
的第一列；
步骤S53：通过离散时间非线性***的状态方程将每个采样点的k-1时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计
Figure FDA0002944021480000036
并通过合并k时刻的状态估计
Figure FDA0002944021480000037
的向量，获得k时刻的状态变量的状态先验估计
Figure FDA0002944021480000038
和协方差Pk|k-1；其中，
所述状态估计
Figure FDA0002944021480000039
为：
Figure FDA00029440214800000310
其中，wk为过程噪声，其协方差矩阵Qk为cov(wk,wj)＝Qkδkj，
Figure FDA00029440214800000311
所述状态先验估计
Figure FDA00029440214800000312
为：
Figure FDA00029440214800000313
所述状态变量的协方差Pk|k-1为：
Figure FDA00029440214800000314
步骤S54：通过离散时间非线性***的观测方程建立k时刻的状态变量的状态估计
Figure FDA00029440214800000315
和k时刻的观测预测估计
Figure FDA00029440214800000316
之间的联系以完成观测预测，并估计k时刻的观测预测的协方差
Figure FDA00029440214800000317
所述k时刻的观测预测的均值
Figure FDA00029440214800000318
为：
Figure FDA00029440214800000319
其中，
Figure FDA0002944021480000041
其中，νk为观测噪声，其协方差矩阵Rk为cov(vk,vj)＝Rkδkj，
Figure FDA0002944021480000042
所述k时刻的观测预测的协方差
Figure FDA0002944021480000043
为：
Figure FDA0002944021480000044
其中，上述公式λk+1为渐消因子；
Figure FDA0002944021480000045
Figure FDA0002944021480000046
Figure FDA0002944021480000047
Nk+1＝Vk+1-βRk+1 (14)
其中，β为弱化因子，β≥1；
Figure FDA0002944021480000048
Figure FDA0002944021480000049
其中，ρ∈(0,1)；
步骤S55：计算k时刻的状态变量和观测预测之间的协方差Pxy,k：
Figure FDA00029440214800000410
步骤S56：通过建立协方差Pxy,k和协方差
Figure FDA0002944021480000051
的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量；
步骤S57：将获得的k时刻的最优状态变量代入步骤S51重新进行sigma采样，循环步骤S51-S57，获得所述神经网络模型的最优状态变量。
3.如权利要求2中所述的面向节能降耗的高含硫天然气净化工艺建模与优化方法，其中，步骤S56中建立的状态变量的协方差Pxy,k和观测预测的协方差
Figure FDA0002944021480000052
的关系为：
Figure FDA0002944021480000053
其中，Kk为增益矩阵，以此实现更新k时刻的最优状态变量的状态估计和更新k时刻的状态变量的协方差Pk；以及，
更新后的k时刻的最优状态变量的状态估计Xk|k为：
Figure FDA0002944021480000054
更新后的k时刻的状态变量的协方差Pk为：
Figure FDA0002944021480000056
将更新后的k时刻的状态变量的状态估计Xk和协方差Pk作为k时刻的最优状态变量。
4.如权利要求1所述的面向节能降耗的高含硫天然气净化工艺建模与优化方法，其中，步骤S8包括：
步骤S81：将优化前的工艺参数x1-x10分别作为决策变量，通过决策变量P＝[x1 x2 …x10]的适应度函数值的比较寻找最佳个体；其中，将求最大值的性能变量函数进行反归一化获得适应度函数为：
Figure FDA0002944021480000055
其中，求最大值的性能变量函数为：
Figure FDA0002944021480000061
步骤S82：利用决策变量P＝[x1 x2 … x10]构建父代种群P，其中，
Figure FDA0002944021480000062
其中，GEN为遗传代数，GEN的最大值为100；
步骤S83：根据决策变量的上下限xlmin≤xl≤xl,max，l＝1,2,…,10，初始化父代种群P；其中，初始化父代种群P的过程为：从进入尾气吸收塔的贫胺液流量x1的取值范围内随机取值赋予
Figure FDA0002944021480000063
从进入二级吸收塔的贫胺液流量x2的取值范围内随机取值赋予
Figure FDA0002944021480000064
直到从蒸汽预热器的蒸汽消耗量x10的取值范围内随机取值赋予
Figure FDA0002944021480000065
步骤S84：对初始化的父代种群P进行第一次遗传迭代以产生下一代种群；对初始化的父代种群P进行第一次遗传迭代的过程，包括：
步骤S841：根据适应度函数检查初始化的父代种群P中每个解的占优性；其中，对于一个解i，其等级ri等于1加上优于解i的个数ni，即ri＝ni+1；
步骤S842：将初始化的父代种群P中所有个体按照等级升序分层，然后通过用一个线性的对应函数对每个个体分配一个初始适应值；
步骤S843：计算每个等级内每个个体的初始适应值的平均值，该初始适应值的平均值为每个等级内每个个体的指定适应值；
步骤S844：通过式(25)计算任意一个等级内任意两个个体i和j之间的标准化距离：
Figure FDA0002944021480000066
其中，fs max和fs min为第k个目标函数的最大值和最小值；
步骤S845：通过式(26)计算与解i有同样等级ri的每一个解的dij；
Figure FDA0002944021480000071
其中，η＝1，σshare为预设的小生境半径；
该等级内每个个体的小生境数为共享函数值的总和：
Figure FDA0002944021480000072
其中，μ(ri)为所有等级为ri的个体数；
步骤S846：将每个个体的指定适应值除以各自的小生境数获得每个个体的共享适应值；
步骤S847：对每个等级内的所有个体的共享适应值做尺度变换；
步骤S848：对经过尺度变换的每个等级进行比例选择、单点交叉、变异计算获得下一代种群；
步骤S85：GEN＝GEN+1，循环100次步骤S83～步骤S84，得到第GEN代种群作为优化结果输出；其中，优化结果
Figure FDA0002944021480000073
为优化后的工艺参数x1-x10。
CN201611000106.7A 2016-11-14 2016-11-14 面向节能降耗的高含硫天然气净化工艺建模与优化方法 Active CN106777866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611000106.7A CN106777866B (zh) 2016-11-14 2016-11-14 面向节能降耗的高含硫天然气净化工艺建模与优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611000106.7A CN106777866B (zh) 2016-11-14 2016-11-14 面向节能降耗的高含硫天然气净化工艺建模与优化方法

Publications (2)

Publication Number Publication Date
CN106777866A CN106777866A (zh) 2017-05-31
CN106777866B true CN106777866B (zh) 2021-03-23

Family

ID=58973241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611000106.7A Active CN106777866B (zh) 2016-11-14 2016-11-14 面向节能降耗的高含硫天然气净化工艺建模与优化方法

Country Status (1)

Country Link
CN (1) CN106777866B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885084B (zh) * 2017-11-13 2020-12-01 重庆科技学院 基于rbf与adhdp的天然气吸收塔脱硫过程控制方法
CN107885083B (zh) * 2017-11-13 2021-01-01 重庆科技学院 基于ukf与adhdp的天然气吸收塔脱硫过程控制方法
CN107831666B (zh) * 2017-11-13 2021-01-01 重庆科技学院 基于rbf与addhp的天然气吸收塔脱硫过程控制方法
CN107908108B (zh) * 2017-11-13 2021-01-01 重庆科技学院 基于ukf与gdhp的天然气吸收塔脱硫过程控制方法
CN107703760B (zh) * 2017-11-13 2020-11-27 重庆科技学院 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法
CN108182337B (zh) * 2018-03-12 2021-07-09 重庆科技学院 一种基于ScMiUKFNN算法的天然气净化工艺建模方法
CN108509692B (zh) * 2018-03-12 2022-03-25 重庆科技学院 一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法
CN112216351B (zh) * 2020-09-23 2024-02-13 成都佳华物链云科技有限公司 一种脱硫优化方法、装置、电子设备及存储介质
CN114437844B (zh) * 2020-11-03 2022-12-09 中国石油化工股份有限公司 一种天然气选择性脱氮工艺的参数计算机自动优化方法
CN113088359A (zh) * 2021-03-30 2021-07-09 重庆大学 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法
CN116907764B (zh) * 2023-09-14 2023-12-26 国能龙源环保有限公司 脱硫设备气密性检测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012150993A2 (en) * 2011-03-04 2012-11-08 Tokyo Electron Limited Accurate and fast neural network training for library-based critical dimension (cd) metrology
CN104636600A (zh) * 2014-12-31 2015-05-20 中国石油化工股份有限公司***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
CN104656441A (zh) * 2014-12-29 2015-05-27 重庆科技学院 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法
CN105045941A (zh) * 2015-03-13 2015-11-11 重庆科技学院 基于无迹卡尔曼滤波的抽油机参数优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012150993A2 (en) * 2011-03-04 2012-11-08 Tokyo Electron Limited Accurate and fast neural network training for library-based critical dimension (cd) metrology
CN104656441A (zh) * 2014-12-29 2015-05-27 重庆科技学院 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法
CN104636600A (zh) * 2014-12-31 2015-05-20 中国石油化工股份有限公司***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
CN105045941A (zh) * 2015-03-13 2015-11-11 重庆科技学院 基于无迹卡尔曼滤波的抽油机参数优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于大数据的高含硫天然气脱硫工艺优化;辜小花;《集输与加工》;20160930;第36卷(第9期);第107-114页 *

Also Published As

Publication number Publication date
CN106777866A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106777866B (zh) 面向节能降耗的高含硫天然气净化工艺建模与优化方法
CN106777465B (zh) 高含硫天然气净化工艺动态演化建模与节能优化方法
US10570024B2 (en) Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network
Han et al. Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network
CN104636600B (zh) 基于极限学习机的高含硫天然气净化工艺建模、优化方法
CN105404151A (zh) 污水处理过程动态多目标优化控制方法
CN110824915B (zh) 基于ga-dbn网络的废水处理智能监控方法及***
CN104656441A (zh) 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法
CN111079978B (zh) 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法
CN109670625A (zh) 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法
CN109473182A (zh) 一种基于深度信念网络的mbr膜透水率智能检测方法
CN106200381A (zh) 一种根据处理水量分阶段控制水厂运行的方法
CN108509692B (zh) 一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法
CN105389442A (zh) 一种耦合遗传算法、神经网络与数值模拟的反向设计方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN105302976A (zh) 基于spea2算法的铝电解生产优化方法
CN106777466A (zh) 基于st‑upfnn算法的高含硫天然气净化工艺的动态演化建模方法
Marusak A numerically efficient fuzzy MPC algorithm with fast generation of the control signal
CN111290282A (zh) 火电机组协调***的预见式预测控制方法
Li et al. Data cleaning method for the process of acid production with flue gas based on improved random forest
CN106777468A (zh) 高含硫天然气脱硫工艺强跟踪演化建模方法
Liu et al. Dynamic multi-objective optimization and multi-units linear active disturbance rejection control for wastewater treatment processes
CN113088359A (zh) 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法
CN110738307A (zh) Bp神经网络模型在桃林口水库水质预测中的应用
CN109146007B (zh) 一种基于动态深度置信网络的固体废弃物智能处理方法

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
GR01 Patent grant
GR01 Patent grant