一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法技术

本发明专利技术公开了一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法，包括：S1：选择影响脱硫效率的工艺参数和脱硫单元的性能指标；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；S3：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；S4：基于训练样本构建神经网络模型和初始状态变量；S5：利用MiUKFNN算法估计最优状态变量；S6：将最优状态变量作为神经网络模型的连接权值和阈值，即获得权值阈值更新后的神经网络模型；S7：得到预测结果，将预测结果与所述测试样本中的实际输出进行比较，如小于预设误差精度，神经网络模型有效；否则重复上述步骤至比较结果小于预设误差精度。

A modeling method of high sulfur natural gas desulfurization process based on MiUKFNN algorithm

The invention discloses a modeling method for high sulfur natural gas desulfurization process based on MiUKFNN algorithm, which comprises: S1: selecting process parameters affecting desulfurization efficiency and performance indicators of desulfurization unit; S2: collecting data of the process parameters and performance indicators of the preset time, and forming a sample set after eliminating error samples; Normalized the sample set to form a normalized sample set from which training samples and test samples are selected; S4: neural network model and initial state variables are constructed based on training samples; S5: MiUKFNN algorithm is used to estimate the optimal state variables; S6: the optimal state variables are used as the connection weights and thresholds of the neural network model. That is, the neural network model with updated weights and thresholds is obtained; S7: The prediction results are obtained and compared with the actual output of the test samples, such as less than the preset error precision, the neural network model is effective; otherwise, repeat the above steps until the comparison results are less than the preset error precision.

【技术实现步骤摘要】
一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法
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MiUKFNN算法的高含硫天然气脱硫工艺建模方法。
技术介绍
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MiUKFNN算法的高含硫天然气脱硫工艺建模方法。本专利技术的目的是这样实现的：一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法，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：数据采集及预处理，采集预设时间的所述影响脱硫效率的工艺参数和所述脱硫单元的性能指标的数据，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80％作为训练样本，剩余部分作为测试样本；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；yd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MiUKFNN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、和对神经网络模型的公式进行更新，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。优选地，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参数向量视为MiUKFNN算法所需的状态方程，将神经网络模型的输出视为MiUKFNN算法所需的量测方程：θk＝θk-1+ηk(5)其中，为神经网络模型的输入，yk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；对状态方程和量测方程进行初始化，计算状态变量估计以及其协方差：其中：步骤S52：运用减少Sigma点集方法对所述初始状态变量θk进行Sigma采样，获得n+1个采样点以及权重系数，随机变量具有均值和协方差矩阵PXX＞0，则：Wweight＝[Wωn+1](10)其中：步骤S53：状态更新，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并通过合并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其中，所述状态估计为：其中，ηk为过程噪声，其协方差矩阵Qk为cov(wk，wj)＝Qkδkj，所述状态先验估计为：所述状态变量的协方差为：步骤S54：量测更新，通过离散时间非线性系统的量测方程建立k时刻的状态变量的状态估计和k时刻的量测预测估计之间的联系以完成量测预测，并估计k时刻的量测预测的协方差以及k时刻的状态变量和量测预测之间的协方差所述k时刻的量测预测的均值为：其中，为神经网络模型预测输出，由神经网络模型的公式得出；所述k时刻的量测预测的协方差为：所述k时刻的状态变量和量测预测之间的协方差为：步骤S55：通过建立协方差和协方差的关系，更新k时刻的状态变量的状态估计和协方差；所述协方差之间的关系是：通过上述关系对k+1时刻的状态变量的状态估计和协方差进行修正：步骤S56：将获得的修正后k+1时刻的状态变量重组神经网络模型，并计算此时神经网络模型的预测输出与实际输出之间的误差，如果小于既设精度要求，则输出所述神经网络模型的最优状态变量反之，重新进入步骤S51。优选地，所述影响脱硫效率的工艺参数包括进入尾气吸收塔的贫胺液流量、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、蒸汽预热器的蒸汽消耗量、一个重沸器的蒸汽消耗量、另一个重沸器的蒸汽消耗量；所述脱硫单元的性能指标包括净化气中H2S和CO2的浓度。优选地，步骤S3中，随机选取所述归一化样本集中80％的样本作为训练样本，而剩余的20％样本作为测试样本。由于采用了上述技术方案，本专利技术相对于现有技术能够节能降耗，提高产率和气体加工经济效益。附图说明图1a、图1b为训练样本的拟合精度图；图2a、图2b为训练样本的均方误差MSE以及最大绝对误差MAE；图3a、图3b为测试样本的测试精度图；图4a、图4b为测试样本的误差统计图；图5a、图5b为MiUKFNN模型关于H2S和CO2各自浓度的可靠性的Williams图。具体实施方式MiUKFNN解释：MinimumunscentedKalmanfilterneuralnetwork，减少Sigma点的无迹卡尔曼滤波神经网络。一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法，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；其中，所述影响脱硫效率的工艺参数包括进入尾气吸收塔的贫胺液流量、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，如表1所示：表1实验参数列表步骤S2：：数据采集及预处理：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]，如表2所示：表2原始样本集步骤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；所述神经网络本文档来自技高网...

【技术保护点】
1.一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法，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：数据采集及预处理，采集预设时间的所述影响脱硫效率的工艺参数和所述脱硫单元的性能指标的数据，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MiUKFNN算法的高含硫天然气脱硫工艺建模方法，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：数据采集及预处理，采集预设时间的所述影响脱硫效率的工艺参数和所述脱硫单元的性能指标的数据，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80％作为训练样本，剩余部分作为测试样本；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；yd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MiUKFNN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、和对神经网络模型的公式进行更新，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MiUKFNN算法的高含硫天然气脱硫工艺建模方法，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参数向量视为MiUKFNN算法所需的状态方程，将神经网络模型的输出视为MiUKFNN算法所需的量测方程：θk＝θk-1+ηk(5)其中，为神经网络模型的输入，yk为神经网络模型的输出，是参数化的非线性...

【专利技术属性】
技术研发人员：辜小花，张堃，唐海红，王甜，张兴，宋鸿飞，侯松，聂玲，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