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，涉及一種高含硫天然氣脫硫工藝強(qiáng)跟蹤演化建模方法。

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(fù)雜、能耗高。統(tǒng)計(jì)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(dá)1729.3MJ·t-1，屬于高耗能單元。對(duì)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(duì)原料氣流量有顯著下降。為此，對(duì)高含硫天然氣脫硫過程進(jìn)行工藝優(yōu)化，實(shí)現(xiàn)節(jié)能降耗，提高產(chǎn)率和氣體加工經(jīng)濟(jì)效益是十分必要的。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述問題，本發(fā)明的目的是提供一種高含硫天然氣脫硫工藝強(qiáng)跟蹤演化建模方法，以解決上述背景技術(shù)所提出的問題。

本發(fā)明提供的高含硫天然氣脫硫工藝強(qiáng)跟蹤演化建模方法，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(biāo)；其中，工藝參數(shù)包括進(jìn)入尾氣吸收塔貧的胺液流量、進(jìn)入二級(jí)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(jí)吸收塔胺液入塔溫度、二級(jí)吸收塔胺液入塔溫度、閃蒸罐壓力、一個(gè)重沸器的蒸汽消耗量、另一個(gè)重沸器的蒸汽消耗量和蒸汽預(yù)熱器的蒸汽消耗量；脫硫單元的性能指標(biāo)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(yù)設(shè)時(shí)間的工藝參數(shù)和性能指標(biāo)的數(shù)據(jù)，剔除誤差樣本后形成樣本集[X,Y]；

步驟S3：對(duì)樣本集[X，Y]進(jìn)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(xùn)練樣本，而剩余的20％樣本作為測(cè)試樣本；

步驟S4：基于訓(xùn)練樣本構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和神經(jīng)網(wǎng)絡(luò)模型的初始狀態(tài)變量X，以及，將訓(xùn)練樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸入，將訓(xùn)練樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸出；

其中，構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型為：

其中，I_k為訓(xùn)練樣本的矢量樣本值，并作為神經(jīng)網(wǎng)絡(luò)模型的輸入，為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的連接權(quán)值，為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的閾值，為隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的連接權(quán)值，為隱含層到網(wǎng)絡(luò)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(luò)輸入層的神經(jīng)元的數(shù)量，S₁為網(wǎng)絡(luò)隱含層的神經(jīng)元的數(shù)量，S₂為網(wǎng)絡(luò)輸出層的神經(jīng)元的數(shù)量；

構(gòu)建的初始狀態(tài)變量為：

步驟S5：利用ST-UKFNN算法估計(jì)神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量；

步驟S6：將最優(yōu)狀態(tài)變量作為所述神經(jīng)網(wǎng)絡(luò)模型的和對(duì)式(1)進(jìn)行更新，獲得訓(xùn)練樣本更新后的神經(jīng)網(wǎng)絡(luò)模型；

步驟S7：將測(cè)試樣本中的輸入到更新后的神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測(cè)結(jié)果，將預(yù)測(cè)結(jié)果與測(cè)試樣本中的實(shí)際輸出進(jìn)行比較，如果比較結(jié)果小于預(yù)設(shè)誤差值，所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型有效；否則重復(fù)上述步驟S1-S7，直至比較結(jié)果小于預(yù)設(shè)誤差值為止。

本發(fā)明提供的高含硫天然氣脫硫工藝強(qiáng)跟蹤演化建模方法，能夠節(jié)能降耗，提高產(chǎn)率和氣體加工經(jīng)濟(jì)效益。

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(duì)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(xùn)練樣本的擬合精度圖；

圖2a-圖2c為測(cè)試樣本的測(cè)試精度圖；

圖3為測(cè)試樣本與訓(xùn)練樣本的精度誤差圖。

具體實(shí)施方式

名詞解釋

ST-UKFNN：Strong track Unscented Kalman Fliter Neural Network，強(qiáng)追蹤無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)。

本發(fā)明提供的高含硫天然氣脫硫工藝強(qiáng)跟蹤演化建模方法，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(biāo)；其中，工藝參數(shù)包括進(jìn)入尾氣吸收塔貧的胺液流量、進(jìn)入二級(jí)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(jí)吸收塔胺液入塔溫度、二級(jí)吸收塔胺液入塔溫度、閃蒸罐壓力、一個(gè)重沸器的蒸汽消耗量、另一個(gè)重沸器的蒸汽消耗量和蒸汽預(yù)熱器的蒸汽消耗量；脫硫單元的性能指標(biāo)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(yù)設(shè)時(shí)間的工藝參數(shù)和性能指標(biāo)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(duì)樣本集[X,Y]進(jìn)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(xùn)練樣本，而剩余的20％樣本作為測(cè)試樣本。

步驟S4：基于訓(xùn)練樣本構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和神經(jīng)網(wǎng)絡(luò)模型的初始狀態(tài)變量X，以及，將訓(xùn)練樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸入即將訓(xùn)練樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸出即

其中，構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型為：

其中，I_k為訓(xùn)練樣本的矢量樣本值，并作為神經(jīng)網(wǎng)絡(luò)模型的輸入，為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的連接權(quán)值，為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的閾值，為隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的連接權(quán)值，為隱含層到網(wǎng)絡(luò)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(luò)輸入層的神經(jīng)元的數(shù)量，S₁為網(wǎng)絡(luò)隱含層的神經(jīng)元的數(shù)量，S₂為網(wǎng)絡(luò)輸出層的神經(jīng)元的數(shù)量；

構(gòu)建的初始狀態(tài)變量為：

步驟S5：利用ST-UKFNN算法估計(jì)神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量。

本發(fā)明利用ST-UKFNN算法估計(jì)神經(jīng)網(wǎng)絡(luò)模型的狀態(tài)變量，以達(dá)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)變量的狀態(tài)估計(jì)作為上述所建立神經(jīng)網(wǎng)絡(luò)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-UKFNN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(luò)模型的全部連接權(quán)值與閾值，包括和

利用ST-UKFNN算法估計(jì)神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量的過程包括：

步驟S51：對(duì)初始狀態(tài)變量X進(jìn)行Sigma采樣，獲得2n+1個(gè)采樣點(diǎn)，初始化控制2n+1個(gè)采樣點(diǎn)的分布狀態(tài)參數(shù)α、待選參數(shù)κ，以及非負(fù)權(quán)系數(shù)β，對(duì)初始狀態(tài)變量X的Sigma采樣如下：

其中，為(k-1)時(shí)刻的最優(yōu)狀態(tài)變量的第i列，n為狀態(tài)矩陣維度，p_k-1為(k-1)時(shí)刻的最優(yōu)狀態(tài)變量的協(xié)方差。

步驟S52：計(jì)算每個(gè)采樣點(diǎn)的權(quán)重，每個(gè)采樣點(diǎn)的權(quán)重如下：

其中，W_c為計(jì)算狀態(tài)變量的協(xié)方差的權(quán)重，W_m為計(jì)算狀態(tài)估計(jì)和觀測(cè)預(yù)測(cè)時(shí)的權(quán)重，是的第一列，是的第一列。

步驟S53：通過離散時(shí)間非線性系統(tǒng)的狀態(tài)方程將每個(gè)采樣點(diǎn)的(k-1)時(shí)刻的最優(yōu)狀態(tài)變量的狀態(tài)估計(jì)變換為k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)以及，通過合并k時(shí)刻的狀態(tài)估計(jì)的向量，獲得k時(shí)刻的狀態(tài)變量的狀態(tài)先驗(yàn)估計(jì)和協(xié)方差P_k|k-1；

k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)為：

其中，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時(shí)刻的狀態(tài)變量的狀態(tài)先驗(yàn)估計(jì)為：

k時(shí)刻的狀態(tài)變量的協(xié)方差P_k|k-1為：

步驟S54：通過離散時(shí)間非線性系統(tǒng)的觀測(cè)方程將建立k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和k時(shí)刻的觀測(cè)預(yù)測(cè)的聯(lián)系以完成觀測(cè)預(yù)測(cè)，并估計(jì)k時(shí)刻的觀測(cè)預(yù)測(cè)的協(xié)方差

k時(shí)刻的觀測(cè)預(yù)測(cè)的均值為：

其中，

上述式(8)和式(9)建立了k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和k時(shí)刻的觀測(cè)預(yù)測(cè)估計(jì)之間的關(guān)系。

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

k時(shí)刻的觀測(cè)預(yù)測(cè)的協(xié)方差為：

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

N_k+1＝V_k+1-βR_k+1 (14)

其中，β為弱化因子，β≥1；

步驟S55：計(jì)算k時(shí)刻的狀態(tài)變量和觀測(cè)預(yù)測(cè)之間的協(xié)方差P_xy,k：

步驟S56：通過建立協(xié)方差P_xy,k和協(xié)方差的關(guān)系，更新k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和協(xié)方差，獲得k時(shí)刻的最優(yōu)狀態(tài)變量。

其中，建立的狀態(tài)變量的協(xié)方差P_xy,k和觀測(cè)預(yù)測(cè)的協(xié)方差的關(guān)系為：

其中，K_k為增益矩陣，以此實(shí)現(xiàn)更新k時(shí)刻的最優(yōu)狀態(tài)變量的狀態(tài)估計(jì)和更新k時(shí)刻的狀態(tài)變量的協(xié)方差P_k；以及，

更新后的k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)X_k|k為：

更新后的k時(shí)刻的狀態(tài)變量的協(xié)方差P_k為：

將更新后的k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)X_k和協(xié)方差P_k作為k時(shí)刻的最優(yōu)變量。

步驟S57將獲得的k時(shí)刻的最優(yōu)狀態(tài)變量代入步驟S51重新進(jìn)行sigma采樣，循環(huán)步驟S51-S57，獲得神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量。

神經(jīng)網(wǎng)絡(luò)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(luò)模型的和對(duì)式(1)進(jìn)行更新，獲得訓(xùn)練樣本更新后的神經(jīng)網(wǎng)絡(luò)模型。

步驟S7：將測(cè)試樣本中的輸入到更新后的神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測(cè)結(jié)果，將預(yù)測(cè)結(jié)果與測(cè)試樣本中的實(shí)際輸出進(jìn)行比較，如果比較結(jié)果小于預(yù)設(shè)誤差值，所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型有效；否則重復(fù)上述步驟S1-S7，直至比較結(jié)果小于預(yù)設(shè)誤差值為止。

需要說明的是，上述所有公式中k表示k時(shí)刻，k-1表示k-1時(shí)刻。

本發(fā)明通過幾組測(cè)試得到如下的技術(shù)效果：

圖1a-圖1c為訓(xùn)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(cè)試樣本的測(cè)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濃度和凈化氣產(chǎn)量相對(duì)誤差均在2％以內(nèi)，凈化氣CO₂濃度的相對(duì)誤差絕大部分在5％以內(nèi)，故所建模有效。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)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(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。