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，涉及一種基于ST-UPFNN算法的高含硫天然氣凈化工藝的動態(tài)演化建模方法。

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、工藝流程復雜、能耗高。統(tǒng)計表明，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1729.3MJ·t-1，屬于高耗能單元。對大型凈化廠而言，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)品氣量相對原料氣流量有顯著下降。為此，對高含硫天然氣脫硫過程進行工藝優(yōu)化，實現(xiàn)節(jié)能降耗，提高產(chǎn)率和氣體加工經(jīng)濟效益是十分必要的。

技術(shù)實現(xiàn)要素：

鑒于上述問題，本發(fā)明的目的是提供一種基于ST-UPFNN算法的高含硫天然氣凈化工藝的動態(tài)演化建模方法，以解決上述背景技術(shù)所提出的問題。

本發(fā)明提供的基于ST-UPFNN算法的高含硫天然氣凈化工藝的動態(tài)演化建模方法，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；其中，所述工藝參數(shù)包括進入尾氣吸收塔的貧胺液流量、進入二級吸收塔的貧胺液流量、原料氣處理量、尾氣單元返回脫硫單元的半富胺液流量、一級吸收塔的胺液入塔溫度、二級吸收塔的胺液入塔溫度、閃蒸罐壓力、一個重沸器的蒸汽消耗量、另一個重沸器的蒸汽消耗量和蒸汽預熱器的蒸汽消耗量；所述脫硫單元的性能指標包括凈化氣中H₂S和CO₂的濃度以及凈化氣的產(chǎn)量；

步驟S2：采集預設(shè)時間的工藝參數(shù)和所述性能指標的數(shù)據(jù)，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：基于訓練樣本構(gòu)建神經(jīng)網(wǎng)絡模型和神經(jīng)網(wǎng)絡模型的初始狀態(tài)變量X，以及，將訓練樣本中的作為神經(jīng)網(wǎng)絡模型的輸入，將訓練樣本中的作為神經(jīng)網(wǎng)絡模型的輸出；

其中，神經(jīng)網(wǎng)絡模型為：

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

初始狀態(tài)變量為：

步驟S5：利用ST-UPFNN算法估計神經(jīng)網(wǎng)絡模型的最優(yōu)狀態(tài)變量；

步驟S6：將最優(yōu)狀態(tài)變量作為神經(jīng)網(wǎng)絡模型的和對式(1)進行更新，獲得訓練樣本更新后的神經(jīng)網(wǎng)絡模型；

步驟S7：將測試樣本中的輸入到更新后的神經(jīng)網(wǎng)絡模型，得到預測結(jié)果，將預測結(jié)果與測試樣本中的實際輸出進行比較，如果比較結(jié)果小于預設(shè)誤差值，所構(gòu)建的神經(jīng)網(wǎng)絡模型有效；否則重復上述步驟S1-S7，直至比較結(jié)果小于所述預設(shè)誤差值為止。

本發(fā)明提供的基于ST-UPFNN算法的高含硫天然氣凈化工藝的動態(tài)演化建模方法，能夠有效地跟蹤裝置的整個經(jīng)濟效益最優(yōu)路線，有效克服過程干擾、設(shè)備性能變化、經(jīng)濟效益和生產(chǎn)目標的變化問題。

附圖說明

通過參考以下結(jié)合附圖的說明及權(quán)利要求書的內(nèi)容，并且隨著對本發(fā)明的更全面理解，本發(fā)明的其它目的及結(jié)果將更加明白及易于理解。在附圖中：

圖1a-圖1c為訓練樣本的擬合精度圖；

圖2a-圖2c為測試樣本的測試精度圖；

圖3為測試樣本與訓練樣本的精度誤差圖。

具體實施方式

名稱解釋

ST-UKFNN：Strong TrackUnscentedKalman FilterNeural Network，強追蹤無跡卡爾曼濾波神經(jīng)網(wǎng)絡；

ST-UPFNN：Strong TrackUnscentedParticle FilterNeuralNetwork，強追蹤無跡粒子濾波神經(jīng)網(wǎng)絡，其將ST-UKFNN、粒子濾波(Particle Filter)、BP神經(jīng)網(wǎng)絡相結(jié)合。

本發(fā)明提供的基于ST-UPFNN算法的高含硫天然氣凈化工藝的動態(tài)演化建模方法，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；其中，工藝參數(shù)包括進入尾氣吸收塔貧的胺液流量、進入二級吸收塔的貧胺液流量、原料氣處理量、尾氣單元返回脫硫單元的半富胺液流量、一級吸收塔胺液入塔溫度、二級吸收塔胺液入塔溫度、閃蒸罐壓力、一個重沸器的蒸汽消耗量、另一個重沸器的蒸汽消耗量和蒸汽預熱器的蒸汽消耗量；脫硫單元的性能指標包括凈化氣中H₂S和CO₂的濃度以及凈化氣的產(chǎn)量。如表1所示：

表1

步驟S2：采集預設(shè)時間的工藝參數(shù)和性能指標的數(shù)據(jù)，剔除誤差樣本后形成樣本集[X，Y]。樣本集[X，Y]如下表2所示：

表2

步驟S3：對樣本集[X，Y]進行歸一化，形成歸一化樣本集取歸一化樣本集中前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：基于訓練樣本構(gòu)建神經(jīng)網(wǎng)絡模型和神經(jīng)網(wǎng)絡模型的初始狀態(tài)變量X，以及，將訓練樣本中的作為神經(jīng)網(wǎng)絡模型的輸入即將訓練樣本中的作為神經(jīng)網(wǎng)絡模型的輸出即

其中，神經(jīng)網(wǎng)絡模型為：

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

初始狀態(tài)變量為：

步驟S5：利用ST-UPFNN算法估計神經(jīng)網(wǎng)絡模型的最優(yōu)狀態(tài)變量。

本發(fā)明利用ST-UPFNN算法估計所述神經(jīng)網(wǎng)絡模型的狀態(tài)變量，以達到連接權(quán)值、閾值的不斷調(diào)整，直到滿足要求。將得到的最優(yōu)狀態(tài)變量作為上述所建立神經(jīng)網(wǎng)絡模型的連接權(quán)值、閾值。需要說明的是，該連接權(quán)值、閾值為通過ST-UPFNN算法調(diào)整后的連接權(quán)值、閾值，也是上述所建立的神經(jīng)網(wǎng)絡模型的全部連接權(quán)值與閾值，包括和

利用ST-UPFNN算法估計神經(jīng)網(wǎng)絡模型的最優(yōu)狀態(tài)變量的過程包括：

步驟S51：針對粒子濾波器設(shè)置粒子的數(shù)目N，并對抽樣，得到初始粒子集并將所述初始粒子集中的每個粒子的權(quán)值均設(shè)為1/N。

其中，表示以x₀為均值、P₀為方差的正態(tài)分布采。

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(tài)估計，得到最優(yōu)狀態(tài)估計值和協(xié)方差

利用ST-UKFNN算法對每個粒子進行狀態(tài)估計的過程，包括：

步驟S521：對所述初始狀態(tài)變量X進行Sigma采樣，獲得2n+1個采樣點，初始化控制2n+1個采樣點的分布狀態(tài)參數(shù)α、待選參數(shù)κ，以及非負權(quán)系數(shù)β，對所述初始狀態(tài)變量X的Sigma采樣如下：

步驟S522：計算每個采樣點的權(quán)重，每個采樣點的權(quán)重如下：

其中，W_c為計算狀態(tài)變量的協(xié)方差的權(quán)重，W_m為計算狀態(tài)估計和觀測預測時的權(quán)重，是的第一列，是的第一列。

步驟S523：通過離散時間非線性系統(tǒng)的狀態(tài)方程將每個采樣點的k時刻的最優(yōu)狀態(tài)變量的狀態(tài)估計變換為(k+1)時刻的狀態(tài)變量的狀態(tài)估計以及，通過合并(k+1)時刻的狀態(tài)估計的向量，獲得(k+1)時刻的狀態(tài)變量的狀態(tài)先驗估計和協(xié)方差P_k+1|k；其中，

(k+1)時刻的狀態(tài)變量的狀態(tài)估計為：

其中，表示k時刻的最優(yōu)估計，w_k為過程噪聲，其協(xié)方差矩陣Q_k為cov(w_k,w_j)＝Q_kδ_kj，

(k+1)時刻的狀態(tài)變量的狀態(tài)先驗估計為：

(k+1)時刻的狀態(tài)變量的協(xié)方差P_k+1|k為：

步驟S524：通過離散時間非線性系統(tǒng)的觀測方程將獲得的(k+1)時刻的狀態(tài)變量的狀態(tài)估計轉(zhuǎn)化為(k+1)時刻的觀測預測

其中，ν_k為觀測噪聲，其協(xié)方差矩陣R_k為cov(v_k,v_j)＝R_kδ_kj，

步驟S525：通過并估計(k+1)時刻的觀測預測的向量，獲得(k+1)時刻的先驗觀測預測并根據(jù)先驗觀測預測估計(k+1)時刻觀測預測的協(xié)方差

(k+1)時刻的先驗觀測預測為：

(k+1)時刻觀測預測的預測協(xié)方差為：

其中，在此處引入強追蹤算法，即漸消因子λ_k+1增強模型的追蹤能力以提高模型精度；

N_k+1＝V_k+1-βR_k+1 (12)

其中，β為弱化因子，β≥1；

步驟S526：計算(k+1)時刻的狀態(tài)變量的狀態(tài)先驗估計與(k+1)時刻的先驗觀測預測之間的狀態(tài)協(xié)方差狀態(tài)協(xié)方差為：

步驟S527：通過建立狀態(tài)協(xié)方差和預測協(xié)方差的關(guān)系，更新(k+1)時刻的狀態(tài)變量的狀態(tài)估計和協(xié)方差，分別獲得(k+1)時刻的最優(yōu)狀態(tài)估計值和協(xié)方差

其中，建立的狀態(tài)協(xié)方差和預測協(xié)方差的關(guān)系為：

其中，K_k+1為增益矩陣，以及，

更新后的(k+1)時刻的狀態(tài)變量的狀態(tài)估計為：

更新后的(k+1)時刻的狀態(tài)變量的協(xié)方差P_k+1為：

將更新后的(k+1)時刻的狀態(tài)變量的狀態(tài)估計和協(xié)方差P_k+1分別作為(k+1)時刻的最優(yōu)狀態(tài)估計值和協(xié)方差

步驟S53：將最優(yōu)狀態(tài)估計值和初始化后的協(xié)方差作為粒子的重要性密度函數(shù)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(tài)分布概率密度值如下：

(rand為正態(tài)分布隨機誤差)

正態(tài)分布密度函數(shù)：

其中，N為每個新粒子的正態(tài)分布，x、μ、σ分別為正態(tài)分布函數(shù)的三個變量，p為每個新粒子的條件概率；

式(2)中，x,μ,σ分別一一對應

式(3)中，x,μ,σ分別一一對應

式(4)中，x,μ,σ分別一一對應

步驟S54：對新粒子的權(quán)值進行更新，并進行歸一化處理；其中，

權(quán)值更新公式為：

權(quán)值歸一化公式為：

步驟S55：根據(jù)新粒子歸一化處理后的權(quán)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(tài)估計值

設(shè)變量u，令取u₁∈(0,1)

步驟S56：以粒子的數(shù)目N作為循環(huán)次數(shù)循環(huán)步驟S51-步驟S55的計算過程，將最后一次估計得到系統(tǒng)狀態(tài)變量作為利用ST-UPFNN算法估計神經(jīng)網(wǎng)絡模型的最優(yōu)狀態(tài)變量；其中，將新粒子的狀態(tài)估計值作為本時刻的最優(yōu)估計付給進行下一時刻的狀態(tài)估計。

神經(jīng)網(wǎng)絡模型的最優(yōu)狀態(tài)變量的結(jié)構(gòu)參數(shù)如下：

步驟S6：將最優(yōu)狀態(tài)變量作為神經(jīng)網(wǎng)絡模型的和對式(1)進行更新，獲得權(quán)值閾值更新后的神經(jīng)網(wǎng)絡模型。

步驟S7：將測試樣本中的輸入到更新后的神經(jīng)網(wǎng)絡模型，得到預測結(jié)果，將預測結(jié)果與測試樣本中的實際輸出進行比較，如果比較結(jié)果小于預設(shè)誤差值，所構(gòu)建的神經(jīng)網(wǎng)絡模型有效；否則重復上述步驟S1-S7，直至比較結(jié)果小于預設(shè)誤差值為止。

本發(fā)明通過幾組測試得到如下的技術(shù)效果：

圖1a-圖1c為訓練樣本的擬合精度圖，其中，圖1a影響脫硫效率的工藝參數(shù)為凈化氣H₂S濃度，圖1b影響脫硫效率的工藝參數(shù)為凈化氣CO₂濃度，圖1c影響脫硫效率的工藝參數(shù)為凈化氣產(chǎn)量。

圖2a-圖2c為測試樣本的測試精度圖，其中，圖2a影響脫硫效率的工藝參數(shù)為凈化氣H₂S濃度，圖2b影響脫硫效率的工藝參數(shù)為凈化氣CO₂濃度，圖2c影響脫硫效率的工藝參數(shù)為凈化氣產(chǎn)量。

凈化氣H₂S濃度、凈化氣CO₂濃度和凈化氣產(chǎn)量相對誤差均在2％以內(nèi)，誤差小于10％，故所建模有效。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應所述以權(quán)利要求的保護范圍為準。