The present invention provides for energy saving of high sulfur natural gas purification process modeling and optimization methods, including: performance parameters and desulfurization unit selection affecting desulfurization efficiency after collecting form data sets; normalized form normalized sample set of samples, and select the training samples and test samples from training samples; construction the neural network model and determine the initial state variables based on neural network model; optimal estimation of state variables of the neural network model with ST UKFNN algorithm; according to the optimal state variables of the neural network model was constructed H update;
【技术实现步骤摘要】
面向节能降耗的高含硫天然气净化工艺建模与优化方法
本专利技术涉及高含硫天然气净化
,更为具体地,涉及一种面向节能降耗的高含硫天然气净化工艺建模与优化方法。
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
鉴于上述问题,本专利技术的目的是提供一种基于ST-UKFNN的高含硫天然气净化的动态演化建模优化方法,以解决上述
技术介绍
所提出的问题。本专利技术提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法,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的浓度以及净化气的产量ypg;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];步骤S3:对样本集 ...
【技术保护点】
一种面向节能降耗的高含硫天然气净化工艺建模与优化方法,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,所述工艺参数包括进入尾气吸收塔贫的胺液流量x
【技术特征摘要】
1.一种面向节能降耗的高含硫天然气净化工艺建模与优化方法,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,所述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;所述脱硫单元的性能指标包括净化气中H2S的浓度和CO2的浓度以及净化气的产量ypg;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X,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;其中,所述神经网络模型为:其中,Ik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,为网络输入层到隐含层的神经元的连接权值,为网络输入层到所述隐含层的神经元的阈值,为所述隐含层到网络输出层的神经元的连接权值,为所述隐含层到所述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为所述网络输入层的神经元的数量,S1为所述网络隐含层的神经元的数量,S2为所述网络输出层的神经元的数量;所述初始状态变量为:步骤S5:利用ST-UKFNN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和对式(1)进行更新,获得所述训练样本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MOGA算法分别对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所述训练样本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,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大于实际样本的系统性能的平均值为止。2.如权利要求1所述的面向节能降耗的高含硫天然气净化工艺建模与优化方法,所述步骤S5包括:步骤S51: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:其中,为(k-1)时刻的最优状态变量估计的第i列,n为状态矩阵维度,pk-1为(k-1)时刻的最优状态变量的协方差;步骤S52: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,Wc(0)是Wc(i)的第一列;步骤S53:通过离散时间非线性系统的状态方程将每个采样点的(k-1)时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计并通过合并k时刻的状态估计的向量,获得k时刻的状态变量的状态先验估计和协方差Pk|k-1;其中,所述状态估计为:其中,wk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Pk|k-1为:步骤S54:通过离散时间非线性系统的观测方程建立k时刻的状态变量的状态估计和k时刻的观测预测估计之间的联系以完成观测预测,并估计k时刻的观测预测的协方差所述k时刻的观测预测的均值为:其中,其中,νk为观测噪声,其协方差矩阵Rk为cov(vk,vj)=Rkδkj,所述k时刻的观测预测的协方差为:
【专利技术属性】
技术研发人员:唐海红,辜小花,熊兴中,张堃,王坎,杨利平,邱奎,
申请(专利权)人:重庆科技学院,四川理工学院,
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。