[發明專利]高含硫天然氣凈化工藝動態演化建模與節能優化方法

有效

• 申請號: 201611001268.2
• 申請日: 2016-11-14
• 公開（公告）號: CN106777465B
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 辜小花;唐海紅;裴仰軍;李太福;楊利平;王坎;張堃;張利亞
• 申請（專利權）人: 重慶科技學院
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/02
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 周新楣

1.一種高含硫天然氣凈化工藝動態演化建模與節能優化方法，包括：

步驟S1：選擇影響脫硫效率的工藝參數和脫硫單元的性能指標；其中，所述工藝參數包括進入尾氣吸收塔貧的胺液流量x₁、進入二級吸收塔的貧胺液流量x₂、原料氣處理量x₃、尾氣單元返回脫硫單元的半富胺液流量x₄、一級吸收塔胺液入塔溫度x₅、二級吸收塔胺液入塔溫度x₆、閃蒸罐壓力x₇、一個重沸器的蒸汽消耗量x₈、另一個重沸器的蒸汽消耗量x₉和蒸汽預熱器的蒸汽消耗量x₁₀；所述脫硫單元的性能指標包括凈化氣中H₂S的濃度和CO₂的濃度

步驟S2：采集預設時間的所述工藝參數和所述性能指標的數據，剔除誤差樣本后形成樣本集[X,Y]；

步驟S3：對樣本集[X,Y]進行歸一化，形成歸一化樣本集取所述歸一化樣本集中前80％的樣本作為訓練樣本，而剩余的20％樣本作為測試樣本；

步驟S4：基于所述訓練樣本訓練構建神經網絡模型并根據模型確定初始狀態變量X，將所述訓練樣本中的作為所述神經網絡模型的輸入，將所述訓練樣本中的作為所述神經網絡模型的輸出；

其中，所述神經網絡模型為：

其中，I_k為所述訓練樣本的矢量樣本值，并作為所述神經網絡模型的輸入，為網絡輸入層到隱含層的神經元的連接權值，為網絡輸入層到所述隱含層的神經元的閾值，為所述隱含層到網絡輸出層的神經元的連接權值，為所述隱含層到所述網絡輸出層的神經元的閾值，其中，i₀＝1，2…S₁；j₀＝1，2…S₂；k＝1，2…S₂；S₀為所述網絡輸入層的神經元的數量，S₁為所述隱含層的神經元的數量，S₂為所述網絡輸出層的神經元的數量；

所述初始狀態變量為：

步驟S5：利用ST-UPFNN算法估計所述神經網絡模型的最優狀態變量；

其中，

步驟S51：針對粒子濾波器設置粒子的數目N，對進行抽樣，得到初始粒子集并將所述初始粒子集中的每個粒子的權值均設為1/N；

其中，表示以x₀為均值、P₀為方差的正態分布采樣；

步驟S52：在獲取k+1時刻的觀測變量值后，利用ST-UKFNN算法對每個粒子進行k+1時刻的狀態估計，得到最優狀態估計值和協方差

步驟S53：將所述最優狀態估計值和所述協方差作為粒子的重要性密度函數進行抽樣，得到新粒子由所有新粒子組成的粒子集中的每個新粒子的正態分布概率密度值如下：

其中，rand為正態分布隨機誤差；

正態分布密度函數：

其中，N為每個新粒子的正態分布，x、μ、σ分別為正態分布的三個變量，p為每個新粒子的條件概率；

步驟S54：對新粒子的權值進行更新，并進行歸一化處理；其中，

權值更新公式為：

權值歸一化公式為：

步驟S55：根據新粒子歸一化處理后的權值和重采樣策略對粒子集進行重采樣，獲取新粒子集并求取新粒子集中每個新粒子的狀態估計值

設變量u，令取u₁∈(0,1)

步驟S56：以粒子的數目N作為循環次數循環步驟S51-步驟S55的計算過程，將最后一次估計得到的最優狀態變量作為利用ST-UPFNN算法估計所述神經網絡模型的最優狀態變量；其中，將新粒子的狀態估計值作為本時刻的最優估計賦給進行下一時刻的狀態估計；

步驟S6：將所述最優狀態變量作為所述神經網絡模型的和對式(1)進行更新，獲得權值閾值更新后的神經網絡模型；

步驟S7：分別構建H₂S濃度的偏好函數和CO₂濃度的偏好函數；

步驟S8：利用SPEA-II算法對H₂S濃度的偏好函數和CO₂濃度的偏好函數進行多目標極值尋優優化，獲得符合生產實際的決策變量；

步驟S9：將優化后的決策變量帶入權值閾值更新后的神經網絡模型，計算優化后的決策變量的系統性能的平均值，與實際樣本的系統性能的平均值進行比較，如果優化后的決策變量的系統性能的平均值大于實際樣本的系統性能的平均值，利用優化后的決策變量對實際生產進行指導；否則重復上述步驟S1-S8，直至優化后的決策變量的系統性能的平均值大于實際樣本的系統性能的平均值為止。