高含硫天然气净化工艺动态演化建模与节能优化方法与流程

本发明涉及高含硫天然气净化
技术领域：
，更为具体地，涉及一种高含硫天然气净化工艺动态演化建模与节能优化方法。
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。技术实现要素：鉴于上述问题，本发明的目的是提供一种高含硫天然气净化工艺动态演化建模与节能优化方法，以解决上述
背景技术：
所提出的问题。本发明提供的高含硫天然气净化工艺动态演化建模与节能优化方法，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：基于所述训练样本训练构建神经网络模型并根据模型确定初始状态变量X，将训练样本中的作为所述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，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，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；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和对式(1)进行更新，获得权值阈值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SPEA-II算法对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权值阈值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的平均值，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的平均值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的平均值大于实际样本的系统性能的平均值为止。本发明提供的高含硫天然气净化工艺动态演化建模与节能优化方法，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1为H2S浓度训练样本的训练效果图；图2为H2S浓度训练样本的训练误差图；图3为H2S浓度测试样本的测试效果图；图4为H2S浓度测试样本的测试误差图；图5为CO2浓度训练样本的训练效果图；图6为CO2浓度训练样本的训练误差图；图7为CO2浓度测试样本的测试效果图；图8为CO2浓度测试样本的测试误差图；图9a-图9b为净化气中H2S含量和CO2含量的偏好函数图；图10为H2S浓度的偏好值与CO2浓度的偏好值的Pareto解集图；图11为H2S浓度的实际值与CO2浓度的实际值的Pareto解集图。具体实施方式名称解释ST-UKFNN：StrongTrackUnscentedKalmanFilterNeuralNetwork，强追踪无迹卡尔曼滤波神经网络。ST-UPFNN：StrongTrackUnscentedParticleFilterNeuralNetwork，强追踪无迹粒子滤波神经网络，其将ST-UKFNN、粒子滤波(ParticleFilter)、BP神经网络相结合。SPEA-II：Strengthparetoevolutionaryalgorithm-II，改进的强度pareto进化算法。本发明提供的高含硫天然气净化工艺动态演化建模与节能优化方法，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、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即将训练样本中的作为神经网络模型的输出即其中，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，包括和利用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，并对抽样，得到初始粒子集并将所述初始粒子集中的每个粒子的权值均设为1/N。其中，表示以x0为均值、P0为方差的正态分布采。步骤S52：在获取(k+1)时刻的观测变量值后，利用ST-UKFNN算法对每个粒子进行(k+1)时刻的状态估计，得到最优状态估计值和协方差利用ST-UKFNN算法对每个粒子进行状态估计的过程，包括：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，是的第一列，是的第一列。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以及，通过合并(k+1)时刻的状态估计的向量，获得(k+1)时刻的状态变量的状态先验估计和协方差Pk+1|k；其中，(k+1)时刻的状态变量的状态估计为：其中，表示k时刻的最优估计，wk为过程噪声，其协方差矩阵Qk为cov(wk,wj)＝Qkδkj，(k+1)时刻的状态变量的状态先验估计为：(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转化为(k+1)时刻的观测预测其中，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)时刻的观测预测的向量，获得(k+1)时刻的先验观测预测并根据先验观测预测估计(k+1)时刻观测预测的协方差(k+1)时刻的先验观测预测为：(k+1)时刻观测预测的预测协方差为：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与(k+1)时刻的先验观测预测之间的状态协方差状态协方差为：步骤S527：通过建立状态协方差和预测协方差的关系，更新(k+1)时刻的状态变量的状态估计和协方差，分别获得(k+1)时刻的最优状态估计值和协方差其中，建立的状态协方差和预测协方差的关系为：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为：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和协方差Pk+1分别作为(k+1)时刻的最优状态估计值和协方差步骤S53：将最优状态估计值和初始化后的协方差作为粒子的重要性密度函数进行抽样，得到新粒子由所有新粒子组成的粒子集中的每个新粒子的正态分布概率密度值如下：其中，rand为正态分布随机误差正态分布密度函数为：其中，N为每个新粒子的正态分布，x、μ、σ分别为正态分布函数的三个变量，p为每个新粒子的条件概率；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：对新粒子的权值进行更新，并进行归一化处理；其中，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进行重采样，获取新粒子集并求取新粒子集中每个新粒子的状态估计值设变量u，令取u1∈(0,1)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，将新粒子的状态估计值作为本时刻的最优估计付给进行下一时刻的状态估计。神经网络模型的最优状态变量的结构参数如下：(1)H2S浓度模型参数值w2(1×15)＝[-9.8812.31...-6.53-13.39]b2(1×1)＝[0.27](2)CO2浓度模型参数值w2(1×15)＝[10.43-9.29...-4.74-11.14]b2(1×1)＝[-4.54]步骤S6：将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，获得权值阈值更新后的神经网络模型。利用测试样本测试权值阈值更新后的神经网络模型的预测精度。H2S浓度模型的测试结果如图1-图4所示，CO2浓度模型的测试结果如图5-图8所示。步骤S7：分别构建H2S浓度和CO2浓度的偏好函数。在系统工艺参数优化计算中，考虑设计者对不同参数具有不同的喜好程度，利用物理规划构建系统偏好函数。设定产液量最优值y1best，设定值ybest周围某一邻域范围[ybest-Δy,ybest+Δy]内波动为非常满意(HD)，且在[ybest-Δy-Δy1,ybest-Δy],[ybest+Δy,ybest+Δy+Δy1]内为满意(D)，依次得到可接受(T)，不满意(U)和非常不满意(HU)，对应的偏好值区间用[0,2]，[2,4]，[4,6]，[6,8]，[8,10]表示。构建偏好值与实际量的函数关系perfc(H2S)和perfc(CO2)，且构建偏好值与实际量的函数关系perfc(H2S)和perfc(CO2)，且与偏好程度数值区间对应的H2S浓度以及CO2浓度区间值如下表3所示：表3偏好程度数值区间与变量实际值对应区间表根据表3的区间边界值的对应关系，可以求得H2S浓度、CO2浓度的偏好函数表达式如式(28)、式(29)所示。其各自偏好函数图像如图9a-图9b所示。步骤S8：利用SPEA-II算法对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。优化的具体过程为：步骤S81：通过决策变量个体P＝[x1Lx10]的非支配性比较寻找最佳个体；其中个体非支配性由适应度函数值以及个体拥挤度共同决定。多目标优化适应度函数为：其中，是由ST-UPFNN算法构建的油田机采油过程模型：步骤S82：设置决策变量x1Lx10的上限和下限，其中，x1min≤x1≤x1max，x2min≤x2≤x2max，x3min≤x3≤x3max，x4min≤x4≤x4max，x5min≤x5≤x5max，x6min≤x6≤x6max，x7min≤x7≤x7max，x8min≤x8≤x8max，x9min≤x9≤x9max，x10min≤x10≤x10max。表4决策变量最值表步骤S83：利用决策变量的K构建父代种群P，设置父代种群P的样本数量K＝50，设置最大遗传代数GEN＝100。其中，K为父代种群P中的个体的数量；L为初始化的父代种群P的样本数量L＝50；GEN为最大遗传代数，GEN＝100。步骤S84：利用决策参量(x1,x2)构建父代种群P的个体Pk。Pk＝[x1k,x2k,...,x10k](33)其中，初始化父代种群P，令初始化父代种群P为第一代父代种群P1，设置第一代父代种群P1的样本数量为50，设置第一代精英种群设置第一代精英种群中个体的数量为K。步骤S85：进行第一次遗传迭代(GEN＝1)，得到第二代精英种群A2和第二代父代种群P2。步骤S85具体包括如下步骤：步骤S851：将第一代父代种群P1与第一代精英种群A1组合成种群Rt：Rt＝P1UA1；定义变量R(i)为种群Rt中个体Rt(i)的强度；其中，Rt(i)为种群Rt中的第i个个体；将种群Rt中的个体Rt(i)与环境状态变量平均值组建输入样本利用式(30)计算样本Xi的原始适应度函数值，并作为个体Rt(i)的原始适应度函数值，以求取受个体支配的解的个数S(i)，根据受个体支配的解的个数S(i)通过式(35)获得个体Rt(i)的强度值R(i)。S(i)＝|{j|xj∈Pk+A1,xifxj}|(34)步骤S852：利用种群Rt中个体Rt(i)与种群Rt中第b个邻近个体Rt(i)的距离值通过式(36)计算个体Rt(i)的密度函数D(c)。步骤S853：根据种群Rt中个体Rt(i)的强度R(i)与种群Rt中个体Rt(i)的密度值D(c)通过式(38)获得种群Rt中个体Rt(i)的适应值F(i)。F(i)＝R(i)+D(i)(38)步骤S854：在保持精英种群A2中个体的数量为的情况下，将种群Rt中所有的非支配个体全部放入精英种群A2中；其中，如果精英种群A2中个体的数量小于比较种群Rt中剩余个体的适应值，选取适应值小的个体放入精英种群A2中，直到精英种群A2中个体的数量为为止；如果精英种群A2中个体的数量大于则在精英种群A2中比较个体的密度值D(c)，将密度值大的个体剔除，直到精英种群A2中个体的数量为为止。步骤S855：将精英种群A2中的个体放入交配池中进行遗传操作获得第二代父代种群P2。步骤S86：将第二代父代种群P2与第二代精英解种群A2组合，且GEN＝GEN+1。步骤S87：循环100次步骤S85～步骤S86，得到精英种群AGEN，将AGEN的个体作为优化结果输出。AGEN中的个体为优化后的工艺参数x1-x10。得到Pareto解集，H2S浓度的偏好值与CO2浓度的偏好值的Pareto解集如图10所示H2S浓度的实际值与CO2浓度的实际值的Pareto解集如图11所示。步骤S9：将优化后的决策变量带入权值阈值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的平均值，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的平均值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的平均值大于实际样本的系统性能的平均值为止优化后的决策变量即为优化后的工艺参数x1-x10。对比结果如表4所示：表4优化前后结果对标表H2S浓度(ppm)CO2浓度(％)优化前0.061.16优化后2.962.3根据优化前后H2S浓度和CO2浓度的实际值可以看出，优化前H2S浓度平均值和CO2浓度平均值均远低于国标要求的4ppm和3％；经过优化之后的H2S浓度平均值和CO2浓度平均值既满足国标要求又提高产量降低能耗。可有效的提升原料气净化过程产出率。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。当前第1页1 2 3