The invention discloses a method of modeling natural gas purification process based on ScMiUKFNN algorithm, including steps: step S1: selecting process parameters affecting desulfurization efficiency and performance index of desulphurization unit; step S2: collecting data of the process parameters and performance indexes of preset time; step S3: forming normalization The sample set is taken as the training sample, the remaining part is the test sample; step S4: the neural network model and the initial state variable of the neural network model are constructed based on the training sample; step S5: the optimal state variable of the neural network model is estimated by the ScMiUKFNN algorithm; Sudden S6: get the neural network model after the training sample is updated; step S7: get the predicted result, compare the prediction results with the actual output in the test sample, if the comparison result is less than the preset error value, the neural network model is valid; otherwise, repeat the above steps to the comparison result less than the default value.
【技术实现步骤摘要】
一种基于ScMiUKFNN算法的天然气净化工艺建模方法
本专利技术涉及高含硫天然气净化
,更为具体地,涉及一种基于ScMiUKFNN算法的天然气净化工艺建模方法。
技术介绍
随着清洁能源需求的快速增长,天然气的需求在逐渐增加。然而,高含硫气体(high-sulfurgas,HSG)含酸性气体比一般天然气多十倍,在中国的气藏中占有相当大的比例。由于具有毒性和腐蚀性,高含硫气体不能直接使用,必须去除硫化氢(H2S)和二氧化碳(CO2),称为高含硫气体脱硫过程。此外,随着酸性气体吸收剂溶液循环的增加,这一过程的能量消耗和生产成本急剧增加。因此,降低能源消耗和运行成本,提高企业的经济效益,提高市场竞争力,是一个急待解决的问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供一种基于ScMiUKFNN算法的天然气净化工艺建模方法本专利技术的目的是这样实现的:一种基于ScMiUKFNN算法的天然气净化工艺建模方法,本方法包括以下步骤: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;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一部分样本作为训练样本,剩余部分的样本作为测试样本;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θk,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;所述神经网络模型为:其中,为所述训练样本的矢量样本值,并作为所述神经网络 ...
【技术保护点】
1.一种基于ScMiUKFNN算法的天然气净化工艺建模方法,其特征在于,本方法包括以下步骤: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;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
【技术特征摘要】
1.一种基于ScMiUKFNN算法的天然气净化工艺建模方法,其特征在于,本方法包括以下步骤: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;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一部分样本作为训练样本,剩余部分的样本作为测试样本;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θk,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;所述神经网络模型为:其中,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;zj作为所述神经网络模型的隐含层输出;作为所述神经网络模型的输出层输出;wij为神经网络模型的输入层到隐含层的神经元的连接权值;为神经网络模型的输入层到隐含层的神经元的阈值;vjd为所述神经网络模型的隐含层到输出层的神经元的连接权值,为所述神经网络模型的隐含层到输出层的神经元的阈值,i=1,2,…,m;m为神经网络模型的输入层的神经元的数量,s为神经网络模型的隐含层的神经元的数量,h为神经网络模型的输出层的神经元的数量;应用于神经网络模型各层神经元的非线性激活函数为:fo(x)=x(4)所述初始状态变量为:步骤S5:利用ScMiUKFNN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wij、vjd、和对公式(1)和公式(2)进行更新,获得训练样本更新后的神经网络模型;步骤S7:将所述测试样本中的输入到更新后的神经网络模型,得到预测结果,将所述预测结果与所述测试样本中的实际输出进行比较,如果比较结果小于预设误差值,所构建的神经网络模型有效;否则重复上述步骤S1-S7,直至所述比较结果小于所述预设误差值为止。2.根据权利要求1所述的一种基于ScMiUKFNN算法的天然气净化工艺建模方法,其特征在于,所述步骤S5包括:步骤S51:在建立的所述神经网络模型中,将神经网络模型的权值和阈值组成的状态向量视为算法所需的状态方程,神经网络的模型视为量测方程:其中,为神经网络模型的输入,为神经网络模型的输出,是参数化的非线性函数,ηk是过程噪声,μk是测量噪声;...
【专利技术属性】
技术研发人员:辜小花,王甜,唐海红,张堃,宋鸿飞,张兴,侯松,裴仰军,李太福,邱奎,
申请(专利权)人:重庆科技学院,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。