[发明专利]面向节能降耗的高含硫天然气净化工艺建模与优化方法

说明书

本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法，包括：选取影响脱硫效率的工艺参数和脱硫单元的性能指标后进行采集形成样本集；对样本集进行归一化形成归一化样本集，并从中选取训练样本和测试样本；基于训练样本构建神经网络模型并确定神经网络模型的初始状态变量；用ST‑UKFNN算法估计神经网络模型的最优状态变量；根据最优状态变量对神经网络模型进行更新；分别构建H₂S浓度和CO₂浓度的偏好函数；利用MOGA算法对H₂S浓度和CO₂浓度的工艺参数进行优化，将优化后的工艺参数带入更新后的神经网络模型，计算优化后的工艺参数的系统性能，与实际样本的系统性能的平均值进行比较。利用本发明可以提高高含硫天然气净化的生产效率。

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，涉及一种面向节能降耗的高含硫天然气净化工艺建模与优化方法。

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-UKFNN的高含硫天然气净化的动态演化建模优化方法，以解决上述背景技术所提出的问题。

本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法，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x₁、进入二级吸收塔的贫胺液流量x₂、原料气处理量x₃、尾气单元返回脱硫单元的半富胺液流量x₄、一级吸收塔胺液入塔温度x₅、二级吸收塔胺液入塔温度x₆、闪蒸罐压力x₇、一个重沸器的蒸汽消耗量x₈、另一个重沸器的蒸汽消耗量x₉和蒸汽预热器的蒸汽消耗量x₁₀；脱硫单元的性能指标包括净化气中H₂S的浓度和CO₂的浓度以及净化气的产量y_pg；

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]；

步骤S3：对样本集[X，Y]进行归一化，形成归一化样本集取归一化样本集中前80％的样本作为训练样本，而剩余的20％样本作为测试样本；

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，将训练样本中的作为神经网络模型的输入，将训练样本中的作为神经网络模型的输出；

其中，构建的神经网络模型为：

其中，I_k为训练样本的矢量样本值，并作为神经网络模型的输入，为网络输入层到隐含层的神经元的连接权值，为网络输入层到隐含层的神经元的阈值，为隐含层到网络输出层的神经元的连接权值，为隐含层到网络输出层的神经元的阈值，其中，i＝1，2…S₀；j＝1，2…S₁；k＝1，2…S₂；S₀为网络输入层的神经元的数量，S₁为网络隐含层的神经元的数量，S₂为网络输出层的神经元的数量；

构建的初始状态变量为：