CN104636600A - 基于极限学习机的高含硫天然气净化工艺建模、优化方法 - Google Patents

Abstract

本发明公开了一种基于极限学习机的高含硫天然气净化工艺建模、优化方法，该方法按如下步骤进行：确定模型的输入变量；采集工艺生产数据；对工艺生产数据进行预处理；进行数据归一化处理；采用极限学习机对数据进行建模，以得到工艺操作参数对H₂S和CO₂含量的模型；以极限学习机模型两个输出变量设计偏好函数，运用多目标遗传算法对输入变量进行优化；将输入变量优化解集依次带入极限学习机模型，计算此时的模型两个输出值H₂S含量，CO₂含量，与样本值平均值进行比较，观察优化效果。本发明能够快速建立精确可靠的高含硫天然气净化脱硫工业过程模型，能够以此为基础提高成品气产量，降低脱硫过程能耗，对指导实际工业生产具有重要的现实意义。

Description

基于极限学习机的高含硫天然气净化工艺建模、优化方法

技术领域

本发明属于高含硫天然气脱硫生产过程中节能增产技术，涉及一种基于极限学习机的高含硫天然气净化工艺建模、优化方法。

背景技术

高含硫天然气工业流程复杂，过程工艺参数众多，受温度、压力、流量、设备老化和原料气处理量等不确定因素影响，是典型的复杂非线性动态特性化工系统。高含硫天然气净化脱硫过程主要包括以下部分：主吸收塔MDEA溶液吸收酸性组分H2S和CO2，水解反应器脱除(COS)，再生塔MDEA溶液的循环再生以及换热过程，具体工艺流过程如图2所示。如何建立精确可靠的高含硫天然气净化脱硫工业过程模型是提高成品气产量，降低脱硫过程能耗的基础和前提，对指导实际工业生产具有重要的现实意义。

高含硫天然气净化脱硫过程的机理模型可描述生产中重要变量的变化趋势，反映生产过程的机理知识。然而，高含硫天然气净化脱硫生产过程是一个复杂的物理、化学过程，一般具有结构复杂、多变量、非线性、时滞、不确定性等特点，传统的机理建模方法很难满足精确建模的要求。神经网络(Artificial Neural Network,ANN)以其强大非线性逼近能力,与传统机理建模方法相比，属于统计建模方法，具有能建立不依赖于精确过程原理和能以任意精度逼近任何非线性映射的特点。

ANN在处理复杂系统的建模问题上显示出独特的优越性，被广泛用于工业过程建模。然而目前神经网络建立高含硫天然气净化脱硫生产过程模型，梯 度下降法导致统计建模耗时较长，优化结果具有一定时滞性，无法及时而快速提供精确的模型和工艺优化方案。如何建立高含硫天然气脱硫生产过程快速建模与优化方法十分重要。

天然气净化脱硫生产过程中，能耗和产量是两个重要的考核指标。然而产量和能耗间又存在相互制约关系，对其中一个目标优化必须以牺牲另一个目标作为代价，而且各目标的单位又往往不一致，因此很难客观地评价两个目标问题解的优劣性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于极限学习机的高含硫天然气净化工艺建模、优化方法，它能够快速建立精确可靠的高含硫天然气净化脱硫工业过程模型，能够以此为基础提高成品气产量，降低脱硫过程能耗，对指导实际工业生产具有重要的现实意义。

本发明的目的是这样实现的：

一种基于极限学习机的高含硫天然气净化工艺建模、优化方法，该方法按如下步骤进行：

步骤1：确定高含硫天然气净化脱硫工艺过程模型的输入变量：选择高含硫天然气净化脱硫工艺生产过程中能被有效控制的m个工艺操作参数作为模型输入变量，其中，m＝10，输入变量分别为：x₁表示脱硫吸收塔胺液入口流量，x₂表示尾气吸收塔胺液入口流量，x₃表示原料气处理量，x₄表示半富胺液循环量，x₅表示一级吸收塔胺液入口温度，x₆表示二级吸收塔胺液入口温度，x₇表示闪蒸罐压力，x₈表示重沸器A口蒸汽消耗量，x₉表示重沸器B口蒸汽消耗量，x₁₀表示蒸汽预热器流量；

步骤2：采集高含硫天然气净化脱硫工艺生产数据，所得数据为[X_m×N,Y₁,Y₂], 其中：m为输入变量数，N为采集样本数量，X为输入变量空间，Y₁为H₂S含量，Y₂为CO₂含量；

采集高含硫天然气净化脱硫生产过程中的工艺参数，并采集对应工艺参数下生产的天然气当中的H2S含量和CO2含量，用于后续建模、优化。

步骤3：对步骤2所得的高含硫天然气净化脱硫工艺生产数据进行预处理，得到最能反映出生产过实际特性的有效数据；

3.1剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到新数据为[X_m×n,Y₁,Y₂]，n为处理后样本数量，n＜N；

3.2对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，样本减少为[X_mH,Y₁,Y₂](H≤n)；

通过剔除采集数据中缺失参数的样本以及粗大误差数据能够得到最能反映出生产过程实际特性的有效数据。

3.3对输入变量数据进行3σ准则处理，3σ准则处理后，样本减少为[X_mh,Y₁,Y₂](h≤H)；

3σ准则处理的基本思想为：通常数据上控制限UCL和下控制限LCL与中心线的距离为3σ以内的数据是较好的。因此，将在上、下控制线以外的数据删除，保证数据为最优数据。其中，中心线与上、下控制线的公式如下：

UCL＝μ+3σ，CL＝μ，LCL＝μ-3σ

其中：μ：总体数据的平均值；σ：总体数据的标准差。

对数据[X_mH,Y₁,Y₂](H≤n)中的各输入变量，采用上述公式进行计算，确定UCL,CL,LCL。若某输入变量的取值在该上、下控制线外，则剔除该数据样本点，通过对系统分析。

如果某变量的大量正常取值位于控制线外，则扩大控制线范围，以保留该正常取值的变量，得到新数据[X_mh,Y₁,Y₂](h≤H)。

3.4进行数据归一化处理，得到新数据为[X'_mh,Y₁',Y₂']；

采用归一化方法，得到有效数据，提高模型精度。

步骤4：采用极限学习机对步骤3所得的数据[X'_mh,Y₁',Y₂']进行建模，输入变量为x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀，输出变量为Y₁,Y₂，以得到高含硫天然气净化脱硫工艺操作参数对净化气酸性H₂S和CO₂含量的模型；

4.1确定极限学习机模型结构，输入层节点个数与工艺操作参数个数相同，输出层节点个数为目标性能数量，隐含层节点采用试凑法确定公式q＝M+K来确定极限学习机隐含层神经元数目，K为1～100之间的常数，通过训练模型效果比较，选择最佳的q值作为神经网络隐含层神经元数目，输入层至隐含层激活函数选择为S型函数，输出层至隐含层函数选择为purlin函数；

4.2初始化极限学习机模型权值和阈值，[0,1]区间内随机赋值；

4.3通过训练集反复学习确定极限学习机权值和阈值，建立输入变量与输出变量映射关系的模型其中，o_j为极限学习机训练预测输出，w为输入层至隐含层权重，b为隐含层阈值，β_i为隐含层至输出层权重；

通过极限学习机及时而快速提供精确的模型和工艺优化方案，极限学习机具有学习速度快、泛化性能好、产生唯一最优解的优点，适用于复杂工业过程的快速建模。

步骤5：以极限学习机模型两个输出变量设计偏好函数，作为适应度函数 运用多目标遗传算法对输入变量x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀在各自的上下范围内进行优化；

物理规划的偏好函数设计可实现不同物理量在同一度量准则下设计，多目标遗传算法可在偏好函数设计基础上给出多目标优化的一系列Pareto最优解集。

步骤6：将经步骤5优化后的h组输入变量优化解集依次带入极限学习机模型，计算此时的模型两个输出值H₂S含量Y₁，CO₂含量Y₂，与样本值平均值进行比较，观察优化效果。

所述步骤3.1中企业净化气技术指标净化气中为H₂S含量低于6mg/m³，CO₂体积百分比含量低于3％。

所述步骤3.4中具体归一化处理方法如下：

$x_i^{\′}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }},y_i^{\′}=\frac{y_i-y_{\min }}{y_{\max }-y_{\min }},$

其中，xⁱ为归一化前的输入变量，x′ⁱ为归一化后的输入变量，x_min为归一化前输入变量x_i的最小值，x_max为归一化前输入变量的最大值，y_i为归一化前的输出变量，y′_i为归一化后输出变量，y_min为归一化前输出变量最小值，y_max为归一化前输出变量最大值。

所述步骤5中设计3-s类偏好函数，偏好程度用极好，好，一般，较差，极差五个等级描述，对应的数值区间为[0,2],[2,4],[4,6],[6,8],[8,10]。

由于采用了上述技术方案，本发明具有如下有益效果:

本发明提供了一种基于极限学习机和多目标优化的高含硫天然气净化脱硫过程建模与节能增产优化方法，它能够快速建立精确可靠的高含硫天然气净化脱硫工业过程模型，能够以此为基础提高成品气产量，降低脱硫过程能 耗，对指导实际工业生产具有重要的现实意义。

附图说明

图1为脱硫工艺优化多目标偏好函数曲线图；

图2为某高含硫天然气脱硫模拟工艺流程图；

图3为本发明的流程图；

图4BP神经网络和ELM模型H2S训练效果图；

图5BP神经网络和ELM模型H2S测试效果图；

图6BP神经网络和ELM模型CO2训练效果图；

图7BP神经网络和ELM模型CO2测试效果图。

附图标记

图2中，1水解反应器进料分离器；2水解反应器预热器；3水解反应器；4水解反应器进/出料换热器；5水解反应器后冷器；6二级吸收塔；7一级吸收塔；8贫胺液泵；9中间胺液泵；10中间胺液冷却器；11贫胺液后冷器；12再生塔；13再生塔顶空冷器；14胺液再生塔顶回流罐；15酸水回流泵；16再生塔底贫胺液泵；17贫富液换热器；18贫胺液空冷器；19胺液闪蒸罐；Feed gas：原料天然气；Treated gas：净化气；Acid gas：酸气。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

实施例1：

参见图3，一种基于极限学习机的高含硫天然气净化工艺建模、优化方法，该方法按如下步骤进行：

步骤1：确定高含硫天然气净化脱硫工艺过程模型的输入变量：选择高含 硫天然气净化脱硫工艺生产过程中能被有效控制的m个工艺操作参数作为模型输入变量，其中，m＝10，输入变量分别为：x₁表示脱硫吸收塔胺液入口流量，x₂表示尾气吸收塔胺液入口流量，x₃表示原料气处理量，x₄表示半富胺液循环量，x₅表示一级吸收塔胺液入口温度，x₆表示二级吸收塔胺液入口温度，x₇表示闪蒸罐压力，x₈表示重沸器A口蒸汽消耗量，x₉表示重沸器B口蒸汽消耗量，x₁₀表示蒸汽预热器流量；

步骤2：采集高含硫天然气净化脱硫工艺生产数据，所得数据为[X_m×N,Y₁,Y₂],其中：m为输入变量数，N为采集样本数量，X为输入变量空间，Y₁为H₂S含量，Y₂为CO₂含量；

采集高含硫天然气净化脱硫生产过程中的工艺参数，并采集对应工艺参数下生产的天然气当中的H2S含量和CO2含量，用于后续建模、优化。

步骤3：对步骤2所得的高含硫天然气净化脱硫工艺生产数据进行预处理，得到最能反映出生产过实际特性的有效数据；

3.1剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到新数据为[X_m×n,Y₁,Y₂]，n为处理后样本数量，n＜N；

所述步骤3.1中企业净化气技术指标净化气中为H₂S含量低于6mg/m³(Y₁<4)，CO₂体积百分比含量低于3％(Y₂<3)。

3.2对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，样本减少为[X_mH,Y₁,Y₂](H≤n)；

通过剔除采集数据中缺失参数的样本以及粗大误差数据能够得到最能反映出生产过程实际特性的有效数据。

3.3对输入变量数据进行3σ准则处理，3σ准则处理后，样本减少为 [X_mh,Y₁,Y₂](h≤H)；

3σ准则处理的基本思想为：通常数据上控制限UCL和下控制限LCL与中心线的距离为3σ以内的数据是较好的。因此，将在上、下控制线以外的数据删除，保证数据为最优数据。其中，中心线与上、下控制线的公式如下：

UCL＝μ+3σ，CL＝μ，LCL＝μ-3σ

其中：μ：总体数据的平均值；σ：总体数据的标准差。

对数据[X_mH,Y₁,Y₂](H≤n)中的各输入变量，采用上述公式进行计算，确定UCL,CL,LCL。若某输入变量的取值在该上、下控制线外，则剔除该数据样本点，通过对系统分析。

如果某变量的大量正常取值位于控制线外，则扩大控制线范围，以保留该正常取值的变量，得到新数据[X_mh,Y₁,Y₂](h≤H)。

3.4进行数据归一化处理，得到新数据为[X'_mh,Y₁',Y₂']，采用归一化方法，得到有效数据，提高模型精度。

所述步骤3.4中具体归一化处理方法如下：

$x_i^{\&prime;}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }},y_i^{\&prime;}=\frac{y_i-y_{\min }}{y_{\max }-y_{\min }},$

其中，xⁱ为归一化前的输入变量，x′ⁱ为归一化后的输入变量，x_min为归一化前输入变量x_i的最小值，x_max为归一化前输入变量的最大值，y_i为归一化前的输出变量，y′_i为归一化后输出变量，y_min为归一化前输出变量最小值，y_max为归一化前输出变量最大值。

步骤4：采用极限学习机对步骤3所得的数据[X'_mh,Y₁',Y₂']进行建模，输入变量为x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀，输出变量为Y₁,Y₂，以得到高含硫天然气净化脱硫工艺操作参数对净化气酸性H₂S和CO₂含量的模型；

4.1确定极限学习机模型结构，输入层节点个数与工艺操作参数个数相同，输出层节点个数为目标性能数量，隐含层节点采用试凑法确定公式q＝M+K来确定极限学习机隐含层神经元数目，K为1～100之间的常数，通过训练模型效果比较，选择最佳的q值作为神经网络隐含层神经元数目，输入层至隐含层激活函数选择为S型函数，输出层至隐含层函数选择为purlin函数；

4.2初始化极限学习机模型权值和阈值，[0,1]区间内随机赋值；

4.3通过训练集反复学习确定极限学习机权值和阈值，建立输入变量与输出变量映射关系的模型其中，o_j为极限学习机训练预测输出，w为输入层至隐含层权重，b为隐含层阈值，β_i为隐含层至输出层权重；

通过极限学习机及时而快速提供精确的模型和工艺优化方案，极限学习机具有学习速度快、泛化性能好、产生唯一最优解的优点，适用于复杂工业过程的快速建模。

步骤5：以极限学习机模型两个输出变量设计偏好函数，作为适应度函数 运用多目标遗传算法对输入变量x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀在各自的上下范围内进行优化；

物理规划的偏好函数设计可实现不同物理量在同一度量准则下设计，多目标遗传算法可在偏好函数设计基础上给出多目标优化的一系列Pareto最优解集。

所述步骤5中设计3-s类偏好函数，偏好程度用极好，好，一般，较差，极差五个等级描述，对应的数值区间为[0,2],[2,4],[4,6],[6,8],[8,10]。

步骤6：将经步骤5优化后的h组输入变量优化解集依次带入极限学习机 模型，计算此时的模型两个输出值H₂S含量Y₁，CO₂含量Y₂，与样本值平均值进行比较，观察优化效果。

以某高含硫天然气净化厂脱硫装置的生产数据进行分析，生产数据来自DCS系统。

步骤1-2：选取某高含硫天然气净化厂脱硫装置某一个月744组样本数据，剔除由监控系统的校正和观测误差对应的数据，保证样本满足企业净化气技术指标，即H₂S含量低于4ppmv，CO₂含量低于3％。采样数据如表1所示。

表1某高含硫天然气净化厂脱硫装置数据列表

步骤3：对表1数据进行预处理，得到数据[X'_mh,Y₁',Y₂']如表2所示。

表2预处理后数据

步骤4：采用极限学习机建立高含硫天然气净化脱硫工艺过程模型，将高含硫脱硫工艺中脱硫吸收塔胺液入口管流量x₁(t/h)、尾气吸收塔胺液入口管流量x₂(t/h)、原料气处理量x₃(kNm3/h)、半富胺液的循环量x₄(t/h)、一级吸收塔胺液入口温度x₅(℃)、二级吸收塔胺液入口温度x₆(℃)、闪蒸罐压力x₇(MPa)、重沸器A入口蒸气消耗量x₈(kg/h)、重沸器B入口蒸气消耗量x₉(kg/h)和蒸气预热器流量x₁₀(t/h)这10个操作参数作为模型的输入，将脱硫单元净化气H₂S含量(ppmv)和CO₂含量(％)作为目标输出，对数据[X'_mh,Y₁',Y₂']进行分析，通过训练对极限学习机隐含层至输出层权值、阈值进行修正，从而得到高含硫天然气净化脱硫工艺过程操作条件与净化气酸性组分的精确模型。对数据[X'_mh,Y₁',Y₂']选择362组数据作为训练样本，362组数据作为其检验样本。得到的极限学习机建模训练样本，训练和测试跟踪能力以及误差效果分别如图4，5，6，7所示。对应的模型精度如表3所示。

表3基于BP神经网络和ELM建模性能对比

步骤6:H₂S和CO₂的过度吸收会导致能耗大大增加。结合数值分析，并考虑脱硫工艺的实际工况，拟在原有H₂S含量和CO₂含量基础上，有适当提高，取当H₂S含量和CO₂含量分别为3ppmv，2.2％，脱硫工艺达到最佳效果。

设计3-s类偏好函数，如图2所示，偏好程度用极好，好，一般，较差，极差五个等级描述，对应的数值区间为[0,2],[2,4],[4,6],[6,8],[8,10]。

H₂S含量偏好函数为 $\mathrm{perf}\left(y_1\right)=\left\{\begin{array}{c}1.1111*{(y_1-3)}^2,0\&le;y_1\&le;3\\ 10*{(y_1-3)}^2,3<y_1\&le;4\end{array}\right.$

CO₂含量偏好函数为 $\mathrm{perf}\left(y_2\right)=\left\{\begin{array}{c}20661*{(y_1-2.2\%)}^2,0\&le;y_2\&le;2.2\%\\ 156250*{(y_1-2.2\%)}^2,2.2\%<y_2\&le;3\%\end{array}\right.$

CO₂含量偏好函数为 $\mathrm{perf}\left(y_2\right)=\left\{\begin{array}{c}20661*{(y_1-2.2\%)}^2,0\&le;y_2\&le;2.2\%\\ 156250*{(y_1-2.2\%)}^2,2.2\%<y_2\&le;3\%\end{array}\right.$

步骤7：在ELM精确高含硫天然气净化脱硫工艺模型基础上，进行MOGA多目标优化。其中，贫胺液的循环量、原料气处理量、半富胺液的循环量、一级吸收塔胺液入口温度、二级吸收塔胺液入口温度、闪蒸罐压力、重沸器蒸气消耗量、重沸器蒸气消耗量、蒸气预热器流量10个输入变量的优化范围分别为：[229.975,270.761]，[184.140,204.601]，[98.720,130.008]，[239.287,272.457]，[32.168,36.369]，[30.728,38.030]，[0.647,0.651]，[17.345,30.663]，[22.145,28.119],[0,1.431]。设置优化种群规模为30，遗传代数50，得到的Pareto优化前沿解，如表4所示。

表4MOGA工艺参数优化结果

表5优化方案的性能指标

基于ELM和MOGA的优化方案可以实现成品气H₂S含量从0.3ppmv提高到0.968ppmv，CO₂含量从原有的1.47％提高到1.68％，如表5所示。脱硫工艺对酸性气体的过度吸收有所改善。且计算过程耗时缩短7.1562-4.9579＝2.1983s，从而使高含硫天然气净化脱硫过程的节能增产快速决策。对于日产量3000万方的天然气净化产业，企业日产量将提高(102.16-98.95)×24＝77.04KNm3，每日能耗(MDEA溶液循环量t/h)降低(457-445.12)×24＝285.12t。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种基于极限学习机的高含硫天然气净化工艺建模、优化方法，其特征在于该方法按如下步骤进行：

步骤1：确定高含硫天然气净化脱硫工艺过程模型的输入变量：选择高含硫天然气净化脱硫工艺生产过程中能被有效控制的m个工艺操作参数作为模型输入变量，其中，m＝10，输入变量分别为：x₁表示脱硫吸收塔胺液入口流量，x₂表示尾气吸收塔胺液入口流量，x₃表示原料气处理量，x₄表示半富胺液循环量，x₅表示一级吸收塔胺液入口温度，x₆表示二级吸收塔胺液入口温度，x₇表示闪蒸罐压力，x₈表示重沸器A口蒸汽消耗量，x₉表示重沸器B口蒸汽消耗量，x₁₀表示蒸汽预热器流量；

步骤2：采集高含硫天然气净化脱硫工艺生产数据，所得数据为[X_m×N,Y₁,Y₂],其中：m为输入变量数，N为采集样本数量，X为输入变量空间，Y₁为H₂S含量，Y₂为CO₂含量；

步骤3：对步骤2所得的高含硫天然气净化脱硫工艺生产数据进行预处理，得到最能反映出生产过实际特性的有效数据；

3.1剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到新数据为[X_m×n,Y₁,Y₂]，n为处理后样本数量，n＜N；

3.2对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，样本减少为[X_mH,Y₁,Y₂](H≤n)；

3.3对输入变量数据进行3σ准则处理，3σ准则处理后，样本减少为[X_mh,Y₁,Y₂](h≤H)；

3.4进行数据归一化处理，得到新数据为[X'_mh,Y₁',Y₂']；

步骤4：采用极限学习机对步骤3所得的数据[X'_mh,Y₁',Y₂']进行建模，输入 变量为x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀，输出变量为Y₁,Y₂，以得到高含硫天然气净化脱硫工艺操作参数对净化气酸性H₂S和CO₂含量的模型；

4.1确定极限学习机模型结构，输入层节点个数与工艺操作参数个数相同，输出层节点个数为目标性能数量，隐含层节点采用试凑法确定公式q＝M+K来确定极限学习机隐含层神经元数目，K为1～100之间的常数，通过训练模型效果比较，选择最佳的q值作为神经网络隐含层神经元数目，输入层至隐含层激活函数选择为S型函数，输出层至隐含层函数选择为purlin函数；

4.2初始化极限学习机模型权值和阈值，[0,1]区间内随机赋值；

4.3通过训练集反复学习确定极限学习机权值和阈值，建立输入变量与输出变量映射关系的模型其中，o_j为极限学习机训练预测输出，w为输入层至隐含层权重，b为隐含层阈值，β_i为隐含层至输出层权重；

步骤5：以极限学习机模型两个输出变量设计偏好函数，作为适应度函数 运用多目标遗传算法对输入变量x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀在各自的上下范围内进行优化；

步骤6：将经步骤5优化后的h组输入变量优化解集依次带入极限学习机模型，计算此时的模型两个输出值H₂S含量Y₁，CO₂含量Y₂，与样本值平均值进行比较，观察优化效果。

2.根据权利要求1所述的基于极限学习机的高含硫天然气净化工艺建模、优化方法，其特征在于：所述步骤3.1中企业净化气技术指标净化气中为H₂S含量低于6mg/m³，CO₂体积百分比含量低于3％。

3.根据权利要求1所述的基于极限学习机的高含硫天然气净化工艺建模、优化方法，其特征在于：所述步骤3.4中具体归一化处理方法如下：

其中，x_i为归一化前的输入变量，x′_i为归一化后的输入变量，x_min为归一化前输入变量x_i的最小值，x_max为归一化前输入变量的最大值，y_i为归一化前的输出变量，y′_i为归一化后输出变量，y_min为归一化前输出变量最小值，y_max为归一化前输出变量最大值。

4.根据权利要求1所述的基于极限学习机的高含硫天然气净化工艺建模、优化方法，其特征在于：所述步骤5中设计3-s类偏好函数，偏好程度用极好，好，一般，较差，极差五个等级描述，对应的数值区间为[0,2],[2,4],[4,6],[6,8],[8,10]。