[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

摘要

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。

主权项

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，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；所述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ypg；步骤S2：采集预设时间的所述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，形成归一化样本集取所述归一化样本集中前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：基于所述训练样本构建神经网络模型和所述神经网络模型的初始状态变量X，以及，将所述训练样本中的作为所述神经网络模型的输入，将所述训练样本中的作为所述神经网络模型的输出；其中，所述神经网络模型为：Y=Σj=1s2(f(Σi=1S1wik1Ik+bi1))·wkj2+bj2---(1)]]>其中，Ik为所述训练样本的矢量样本值，并作为所述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，为网络输入层到所述隐含层的神经元的阈值，为所述隐含层到网络输出层的神经元的连接权值，为所述隐含层到所述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为所述网络输入层的神经元的数量，S1为所述网络隐含层的神经元的数量，S2为所述网络输出层的神经元的数量；所述初始状态变量为：X=w111Lws0s11b11Lbs11w112Lws1s22b12Lbs22T---(2)]]>步骤S5：利用ST‑UKFNN算法估计所述神经网络模型的最优状态变量；步骤S6：将所述最优状态变量作为所述神经网络模型的和对式(1)进行更新，获得所述训练样本更新后的神经网络模型；步骤S7：分别构建H2S浓度的偏好函数和CO2浓度的偏好函数；步骤S8：利用MOGA算法分别对H2S浓度的偏好函数和CO2浓度的偏好函数进行多目标极值寻优优化，获得符合生产实际的决策变量；步骤S9：将优化后的决策变量带入所述训练样本更新后的神经网络模型，计算优化后的决策变量的系统性能，与实际样本的系统性能的平均值进行比较，如果优化后的决策变量的系统性能大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1‑S8，直至优化后的决策变量的系统性能大于实际样本的系统性能的平均值为止。