法律状态公告日
法律状态信息
法律状态
2020-06-05
授权
授权
2017-06-23
实质审查的生效 IPC(主分类):G06F17/50 申请日:20161114
实质审查的生效
2017-05-31
公开
公开
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。
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-UPFNN算法的高含硫天然气净化工艺的动态演化建模方法,以解决上述背景技术所提出的问题。
本发明提供的基于ST-UPFNN算法的高含硫天然气净化工艺的动态演化建模方法,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、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、一级吸收塔的胺液入塔温度、二级吸收塔的胺液入塔温度、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;所述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;
步骤S2:采集预设时间的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
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
其中,神经网络模型为:
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,
初始状态变量为:
步骤S5:利用ST-UPFNN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神经网络模型的
步骤S7:将测试样本中的
本发明提供的基于ST-UPFNN算法的高含硫天然气净化工艺的动态演化建模方法,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。
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1a-图1c为训练样本的拟合精度图;
图2a-图2c为测试样本的测试精度图;
图3为测试样本与训练样本的精度误差图。
具体实施方式
名称解释
ST-UKFNN:Strong TrackUnscentedKalman FilterNeural Network,强追踪无迹卡尔曼滤波神经网络;
ST-UPFNN:Strong TrackUnscentedParticle FilterNeuralNetwork,强追踪无迹粒子滤波神经网络,其将ST-UKFNN、粒子滤波(Particle Filter)、BP神经网络相结合。
本发明提供的基于ST-UPFNN算法的高含硫天然气净化工艺的动态演化建模方法,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
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
步骤S3:对样本集[X,Y]进行归一化,形成归一化样本集
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
其中,神经网络模型为:
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,
初始状态变量为:
步骤S5:利用ST-UPFNN算法估计神经网络模型的最优状态变量。
本发明利用ST-UPFNN算法估计所述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-UPFNN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
利用ST-UPFNN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:针对粒子滤波器设置粒子的数目N,并对
其中,
步骤S52:在获取(k+1)时刻的观测变量值
利用ST-UKFNN算法对每个粒子
步骤S521: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β,对所述初始状态变量X的Sigma采样如下:
步骤S522:计算每个采样点的权重,每个采样点的权重如下:
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,
步骤S523:通过离散时间非线性系统的状态方程将每个采样点的k时刻的最优状态变量的状态估计变换为(k+1)时刻的状态变量的状态估计
(k+1)时刻的状态变量的状态估计
其中,
(k+1)时刻的状态变量的状态先验估计
(k+1)时刻的状态变量的协方差Pk+1|k为:
步骤S524:通过离散时间非线性系统的观测方程将获得的(k+1)时刻的状态变量的状态估计
其中,νk为观测噪声,其协方差矩阵Rk为cov(vk,vj)=Rkδkj,
步骤S525:通过并估计(k+1)时刻的观测预测
(k+1)时刻的先验观测预测
(k+1)时刻观测预测的预测协方差
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;
Nk+1=Vk+1-βRk+1(12)
其中,β为弱化因子,β≥1;
步骤S526:计算(k+1)时刻的状态变量的状态先验估计
步骤S527:通过建立状态协方差
其中,建立的状态协方差
其中,Kk+1为增益矩阵,以及,
更新后的(k+1)时刻的状态变量的状态估计
更新后的(k+1)时刻的状态变量的协方差Pk+1为:
将更新后的(k+1)时刻的状态变量的状态估计
步骤S53:将最优状态估计值
正态分布密度函数:
其中,N为每个新粒子
式(2)中,x,μ,σ分别一一对应
式(3)中,x,μ,σ分别一一对应
式(4)中,x,μ,σ分别一一对应
步骤S54:对新粒子
权值更新公式为:
权值归一化公式为:
步骤S55:根据新粒子归一化处理后的权值和重采样策略对粒子集
设变量u,令
步骤S56:以粒子的数目N作为循环次数循环步骤S51-步骤S55的计算过程,将最后一次估计得到系统状态变量作为利用ST-UPFNN算法估计神经网络模型的最优状态变量;其中,将新粒子
神经网络模型的最优状态变量的结构参数如下:
步骤S6:将最优状态变量作为神经网络模型的
步骤S7:将测试样本中的
本发明通过几组测试得到如下的技术效果:
图1a-图1c为训练样本的拟合精度图,其中,图1a影响脱硫效率的工艺参数为净化气H2S浓度,图1b影响脱硫效率的工艺参数为净化气CO2浓度,图1c影响脱硫效率的工艺参数为净化气产量。
图2a-图2c为测试样本的测试精度图,其中,图2a影响脱硫效率的工艺参数为净化气H2S浓度,图2b影响脱硫效率的工艺参数为净化气CO2浓度,图2c影响脱硫效率的工艺参数为净化气产量。
净化气H2S浓度、净化气CO2浓度和净化气产量相对误差均在2%以内,误差小于10%,故所建模有效。
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。
机译: 基于动态网格演化的地表水与地下水综合建模方法与系统
机译: 使用基于遗传算法的动态基因建模进行排班的系统,方法和产品
机译: 基于装配样式模式演化集成建模的基于计算思维的方法和系统