[發明專利]基于極限學習機的高含硫天然氣凈化工藝建模、優化方法

有效

• 申請號: 201410854722.3
• 申請日: 2014-12-31
• 公開（公告）號: CN104636600B
• 公開（公告）日: 2018-04-24
• 發明（設計）人: 商劍鋒;于艷秋;林宏卿;劉元直;邱奎;李景哲;李太福;張利亞;辜小花;裴仰軍
• 申請（專利權）人: 中國石油化工股份有限公司中原油田普光分公司;重慶科技學院
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/06
• 代理公司: 北京鴻元知識產權代理有限公司11327
• 代理人: 王玉芝

1.一種基于極限學習機的高含硫天然氣凈化工藝建模、優化方法，其特征在于該方法按如下步驟進行：

步驟1：確定高含硫天然氣凈化脫硫工藝過程模型的輸入變量：選擇高含硫天然氣凈化脫硫工藝生產過程中能被有效控制的m個工藝操作參數作為模型輸入變量，其中，m＝10，輸入變量分別為：x₁表示脫硫吸收塔胺液入口流量，x₂表示尾氣吸收塔胺液入口流量，x₃表示原料氣處理量，x₄表示半富胺液循環量，x₅表示一級吸收塔胺液入口溫度，x₆表示二級吸收塔胺液入口溫度，x₇表示閃蒸罐壓力，x₈表示重沸器A口蒸汽消耗量，x₉表示重沸器B口蒸汽消耗量，x₁₀表示蒸汽預熱器流量；

步驟2：采集高含硫天然氣凈化脫硫工藝生產數據，所得數據為[X_mN,Y_1N,Y_2N],其中：m為輸入變量數，N為采集樣本數量，X為輸入變量空間，Y_1N為H₂S含量，Y_2N為CO₂含量；

步驟3：對步驟2所得的高含硫天然氣凈化脫硫工藝生產數據進行預處理，得到最能反映出生產過實際特性的有效數據；

3.1剔除采集數據中缺失參數的樣本，并保證樣本滿足企業凈化氣技術指標，得到新數據為[X_mn,Y_1n,Y_2n]，n為處理后樣本數量，n＜N；

3.2對輸入變量數據進行粗大誤差數據剔除，粗大誤差數據剔除后，樣本減少為[X_mH,Y_1H,Y_2H]H≤n；

3.3對輸入變量數據進行3σ準則處理，3σ準則處理后，樣本減少為[X_mh,Y_1h,Y_2h]h≤H；

3.4進行數據歸一化處理，得到新數據為[X'_mh,Y_1h',Y_2h']；

步驟4：采用極限學習機對步驟3所得的數據[X'_mh,Y_1h',Y_2h']進行建模，輸入變量為x′_1h,x′_2h,x′_3h,x′_4h,x′_5h,x′_6h,x′_7h,x′_8h,x′_9h,x′_10h，輸出變量為Y′_1h,Y′_2h，以得到高含硫天然氣凈化脫硫工藝操作參數對凈化氣酸性H₂S和CO₂含量的模型；

4.1確定極限學習機模型結構，輸入層節點個數與工藝操作參數個數相同，輸出層節點個數為目標性能數量，隱含層節點采用試湊法確定公式q＝M+K來確定極限學習機隱含層神經元數目，K為1～100之間的常數，變量M指代含義：m為輸入節點數，k為輸出節點數，通過訓練模型效果比較，選擇最佳的q值作為神經網絡隱含層神經元數目，輸入層至隱含層激活函數選擇為S型函數，隱含層至輸出層函數選擇為purlin函數；

4.2初始化極限學習機模型權值和閾值，[0,1]區間內隨機賦值；

4.3通過訓練集反復學習確定極限學習機權值和閾值，建立輸入變量與輸出變量映射關系的模型其中，O_j為第j個樣本的極限學習機訓練預測輸出，w_i為輸入層至隱含層權重，b_i為隱含層閾值，β_i為隱含層至輸出層權重；m代表輸入層節點數，j代表輸入樣本個數，即j＝1,2,…,h，q代表隱含層節點數；

步驟5：以極限學習機模型兩個輸出變量設計偏好函數，作為適應度函數代表第j個樣本在第k個輸出節點上的極限學習機網絡預測輸出，為實際輸出即實際樣本輸出，即H₂S含量和CO₂含量，k代表輸出層節點數，運用多目標遺傳算法對輸入變量x_1h,x_2h,x_3h,x_4h,x_5h,x_6h,x_7h,x_8h,x_9h,x_10h在各自的上下范圍內進行優化；

步驟6：將經步驟5優化后的h組輸入變量優化解集依次帶入極限學習機模型，計算此時的模型兩個輸出值H₂S含量Y_1h，CO₂含量Y_2h，與樣本值平均值進行比較，觀察優化效果。