[發(fā)明專利]高含硫天然氣凈化工藝動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201611001268.2
• 申請(qǐng)日: 2016-11-14
• 公開（公告）號(hào): CN106777465B
• 公開（公告）日: 2020-06-09
• 發(fā)明（設(shè)計(jì)）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(qǐng)（專利權(quán)）人: 重慶科技學(xué)院
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20;G06N3/02
• 代理公司: 北京睿智保誠(chéng)專利代理事務(wù)所(普通合伙) 11732
• 代理人: 周新楣

本發(fā)明提供的高含硫天然氣凈化工藝動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法，包括選取影響脫硫效率的工藝參數(shù)和脫硫單元的性能指標(biāo)后進(jìn)行采集形成樣本集；對(duì)樣本集進(jìn)行歸一化形成歸一化樣本集，并從中選取訓(xùn)練樣本和測(cè)試樣本；基于訓(xùn)練樣本構(gòu)建神經(jīng)網(wǎng)絡(luò)模型并確定神經(jīng)網(wǎng)絡(luò)模型的初始狀態(tài)變量；用ST?UPFNN算法估計(jì)神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量；根據(jù)最優(yōu)狀態(tài)變量對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新；分別構(gòu)建H₂S濃度和CO₂濃度的偏好函數(shù)；利用SPEA?II算法對(duì)H₂S濃度和CO₂濃度的工藝參數(shù)各自的上下限進(jìn)行優(yōu)化，將優(yōu)化后的工藝參數(shù)帶入更新后的神經(jīng)網(wǎng)絡(luò)模型，計(jì)算優(yōu)化后的工藝參數(shù)的系統(tǒng)性能，與實(shí)際樣本的系統(tǒng)性能的平均值進(jìn)行比較。利用本發(fā)明可以提高高含硫天然氣凈化的生產(chǎn)效率。

技術(shù)領(lǐng)域

本發(fā)明涉及高含硫天然氣凈化技術(shù)領(lǐng)域，更為具體地，涉及一種高含硫天然氣凈化工藝動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法。

背景技術(shù)

高含硫天然氣酸性組分含量比常規(guī)天然氣高出數(shù)倍，其脫硫過程胺液循環(huán)量大、工藝流程復(fù)雜、能耗高。統(tǒng)計(jì)表明，脫硫單元能耗占高含硫天然氣凈化廠總能耗50％以上，其單位綜合能耗高達(dá)1729.3MJ·t-1，屬于高耗能單元。對(duì)大型凈化廠而言，通過脫硫單元優(yōu)化可降低能耗5％～10％。此外，高含硫天然氣酸性組分濃度高，經(jīng)過凈化后的產(chǎn)品氣量相對(duì)原料氣流量有顯著下降。為此，對(duì)高含硫天然氣脫硫過程進(jìn)行工藝優(yōu)化，實(shí)現(xiàn)節(jié)能降耗，提高產(chǎn)率和氣體加工經(jīng)濟(jì)效益是十分必要的。

發(fā)明內(nèi)容

鑒于上述問題，本發(fā)明的目的是提供一種高含硫天然氣凈化工藝動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法，以解決上述背景技術(shù)所提出的問題。

本發(fā)明提供的高含硫天然氣凈化工藝動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法，包括：

步驟S1：選擇影響脫硫效率的工藝參數(shù)和脫硫單元的性能指標(biāo)；其中，工藝參數(shù)包括進(jìn)入尾氣吸收塔貧的胺液流量x₁、進(jìn)入二級(jí)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(jí)吸收塔胺液入塔溫度x₅、二級(jí)吸收塔胺液入塔溫度x₆、閃蒸罐壓力x₇、一個(gè)重沸器的蒸汽消耗量x₈、另一個(gè)重沸器的蒸汽消耗量x₉和蒸汽預(yù)熱器的蒸汽消耗量x₁₀；脫硫單元的性能指標(biāo)包括凈化氣中H₂S的濃度和CO₂的濃度

步驟S2：采集預(yù)設(shè)時(shí)間的工藝參數(shù)和所述性能指標(biāo)的數(shù)據(jù)，剔除誤差樣本后形成樣本集[X,Y]；

步驟S3：對(duì)樣本集[X,Y]進(jìn)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(xùn)練樣本，而剩余的20％樣本作為測(cè)試樣本；

步驟S4：基于所述訓(xùn)練樣本訓(xùn)練構(gòu)建神經(jīng)網(wǎng)絡(luò)模型并根據(jù)模型確定初始狀態(tài)變量X，將訓(xùn)練樣本中的作為所述神經(jīng)網(wǎng)絡(luò)模型的輸入，將訓(xùn)練樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸出；

其中，神經(jīng)網(wǎng)絡(luò)模型為：

其中，I_k為訓(xùn)練樣本的矢量樣本值，并作為神經(jīng)網(wǎng)絡(luò)模型的輸入，為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的連接權(quán)值，為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的閾值，為隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的連接權(quán)值，為隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的閾值，其中，i＝1，2…S₀；j＝1，2…S₁；k＝1，2…S₂；S₀為網(wǎng)絡(luò)輸入層的神經(jīng)元的數(shù)量，S₁為網(wǎng)絡(luò)隱含層的神經(jīng)元的數(shù)量，S₂為網(wǎng)絡(luò)輸出層的神經(jīng)元的數(shù)量；

初始狀態(tài)變量為：