亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

高含硫天然氣脫硫工藝強(qiáng)跟蹤演化建模方法與流程

文檔序號(hào):12466322閱讀:604來源:國(guó)知局
高含硫天然氣脫硫工藝強(qiáng)跟蹤演化建模方法與流程

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,Ik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,Ik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,pk-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,Wc為計(jì)算狀態(tài)變量的協(xié)方差的權(quán)重,Wm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Pk|k-1;

k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)為:

其中,wk為過程噪聲,其協(xié)方差矩陣Qk為cov(wk,wj)=Qkδkj,

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Pk|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,νk為觀測(cè)噪聲,其協(xié)方差矩陣Rk為cov(vk,vj)=Rkδkj

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λk+1增強(qiáng)模型的追蹤能力以提高模型精度;

Nk+1=Vk+1-βRk+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Pxy,k

步驟S56:通過建立協(xié)方差Pxy,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Pxy,k和觀測(cè)預(yù)測(cè)的協(xié)方差的關(guān)系為:

其中,Kk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Pk;以及,

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

更新后的k時(shí)刻的狀態(tài)變量的協(xié)方差Pk為:

將更新后的k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)Xk和協(xié)方差Pk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)。

當(dāng)前第1頁(yè)1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1