CN104636600B - 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
基于极限学习机的高含硫天然气净化工艺建模、优化方法 Download PDFInfo
- Publication number
- CN104636600B CN104636600B CN201410854722.3A CN201410854722A CN104636600B CN 104636600 B CN104636600 B CN 104636600B CN 201410854722 A CN201410854722 A CN 201410854722A CN 104636600 B CN104636600 B CN 104636600B
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- learning machine
- extreme learning
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000003345 natural gas Substances 0.000 title claims abstract description 54
- 229910052717 sulfur Inorganic materials 0.000 title claims abstract description 50
- 239000011593 sulfur Substances 0.000 title claims abstract description 50
- 238000000746 purification Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 title claims abstract description 5
- 238000006477 desulfuration reaction Methods 0.000 claims abstract description 42
- 230000023556 desulfurization Effects 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 41
- 239000007789 gas Substances 0.000 claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000011112 process operation Methods 0.000 claims abstract description 6
- 239000007788 liquid Substances 0.000 claims description 32
- 150000001412 amines Chemical class 0.000 claims description 31
- 238000010521 absorption reaction Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 11
- 230000003009 desulfurizing effect Effects 0.000 claims description 8
- 239000002253 acid Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 8
- 238000013461 design Methods 0.000 abstract description 7
- 238000009776 industrial production Methods 0.000 abstract description 4
- 238000004140 cleaning Methods 0.000 abstract 1
- 244000144985 peep Species 0.000 abstract 1
- 230000007062 hydrolysis Effects 0.000 description 6
- 238000006460 hydrolysis reaction Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 4
- 238000011069 regeneration method Methods 0.000 description 4
- PVXVWWANJIWJOO-UHFFFAOYSA-N 1-(1,3-benzodioxol-5-yl)-N-ethylpropan-2-amine Chemical compound CCNC(C)CC1=CC=C2OCOC2=C1 PVXVWWANJIWJOO-UHFFFAOYSA-N 0.000 description 3
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 3
- QMMZSJPSPRTHGB-UHFFFAOYSA-N MDEA Natural products CC(C)CCCCC=CCC=CC(O)=O QMMZSJPSPRTHGB-UHFFFAOYSA-N 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000002378 acidificating effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Treating Waste Gases (AREA)
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
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[XmN,Y1N,Y2N],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,Y1N为H2S含量,Y2N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[Xmn,Y1n,Y2n],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[XmH,Y1H,Y2H]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[Xmh,Y1h,Y2h]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[XmH,Y1H,Y2H]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[Xmh,Y1h,Y2h]h≤H。
3.4进行数据归一化处理,得到新数据为[X'mh,Y1h',Y2h'];
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,Y1h',Y2h']进行建模,输入变量为x′1h,x′2h,x′3h,x′4h,x′5h,x′6h,x′7h,x′8h,x′9h,x′10h,输出变量为Y′1h,Y′2h,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,隐含层至输出层函数选择为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,Oj为第j个样本的极限学习机训练预测输出,wi为输入层至隐含层权重,bi为隐含层阈值,βi为隐含层至输出层权重;m代表输入层节点数,j代表输入样本个数,即j=1,2,…,h,q代表隐含层节点数;
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 代表第j个样本在第k个输出节点上的极限学习机网络预测输出,为实际输出即实际样本输出,即H2S含量和CO2含量,k代表输出层节点数,运用多目标遗传算法对输入变量x1h,x2h,x3h,x4h,x5h,x6h,x7h,x8h,x9h,x10h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Y1h,CO2含量Y2h,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:
其中,x'ij代表归一化后的数据,xij为原始输入数据,ximin和ximax代表该维数据归一化前输入最小值和最大值,yij为归一化前的输出变量,y'ij为归一化后输出变量,yimin为归一化前输出变量最小值,yimax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。
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[XmN,Y1N,Y2N],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,Y1N为H2S含量,Y2N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[Xmn,Y1n,Y2n],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(Y1n<4),CO2体积百分比含量低于3%(Y2n<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[XmH,Y1H,Y2H]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[Xmh,Y1h,Y2h]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[XmH,Y1H,Y2H]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[Xmh,Y1h,Y2h]h≤H。
3.4进行数据归一化处理,得到新数据为[X'mh,Y1h',Y2h'],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:
其中,x'ij代表归一化后的数据,xij为原始输入数据,ximin和ximax代表该维数据归一化前输入最小值和最大值,yij为归一化前的输出变量,y'ij为归一化后输出变量,yimin为归一化前输出变量最小值,yimax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,Y1h',Y2h']进行建模,输入变量为x′1h,x′2h,x′3h,x′4h,x′5h,x′6h,x′7h,x′8h,x′9h,x′10h,输出变量为Y′1h,Y′2h,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,隐含层至输出层函数选择为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,Oj为第j个样本的极限学习机训练预测输出,wi为输入层至隐含层权重,bi为隐含层阈值,βi为隐含层至输出层权重;m代表输入层节点数,j代表输入样本个数,即j=1,2,…,h,q代表隐含层节点数;
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 代表第j个样本在第k个输出节点上的极限学习机网络预测输出,为实际输出即实际样本输出,即H2S含量和CO2含量,k代表输出层节点数,运用多目标遗传算法对输入变量x1h,x2h,x3h,x4h,x5h,x6h,x7h,x8h,x9h,x10h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Y1h,CO2含量Y2h,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4ppm,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(ppm)和CO2含量(%)作为目标输出,对数据[X'mh,Y1h',Y2h']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,Y1h',Y2h']选择362组数据作为训练样本,362组数据作为其检验样本。
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3ppm,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
CO2含量偏好函数为
CO2含量偏好函数为
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4 MOGA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0.3ppm提高到0.968ppm,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[XmN,Y1N,Y2N],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,Y1N为H2S含量,Y2N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[Xmn,Y1n,Y2n],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[XmH,Y1H,Y2H]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[Xmh,Y1h,Y2h]h≤H;
3.4进行数据归一化处理,得到新数据为[X'mh,Y1h',Y2h'];
步骤4:采用极限学习机对步骤3所得的数据[X'mh,Y1h',Y2h']进行建模,输入变量为x′1h,x′2h,x′3h,x′4h,x′5h,x′6h,x′7h,x′8h,x′9h,x′10h,输出变量为Y′1h,Y′2h,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,变量M指代含义:m为输入节点数,k为输出节点数,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,隐含层至输出层函数选择为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,Oj为第j个样本的极限学习机训练预测输出,wi为输入层至隐含层权重,bi为隐含层阈值,βi为隐含层至输出层权重;m代表输入层节点数,j代表输入样本个数,即j=1,2,…,h,q代表隐含层节点数;
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 代表第j个样本在第k个输出节点上的极限学习机网络预测输出,为实际输出即实际样本输出,即H2S含量和CO2含量,k代表输出层节点数,运用多目标遗传算法对输入变量x1h,x2h,x3h,x4h,x5h,x6h,x7h,x8h,x9h,x10h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Y1h,CO2含量Y2h,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4ppm,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:
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,x′ij代表归一化后的数据,xij为原始输入数据,ximin和ximax代表该行数据归一化前输入最小值和最大值,yij为归一化前的输出变量,y′ij为归一化后输出变量,yimin为归一化前输出变量最小值,yimax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]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410854722.3A CN104636600B (zh) | 2014-12-31 | 2014-12-31 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410854722.3A CN104636600B (zh) | 2014-12-31 | 2014-12-31 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636600A CN104636600A (zh) | 2015-05-20 |
CN104636600B true CN104636600B (zh) | 2018-04-24 |
Family
ID=53215341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410854722.3A Expired - Fee Related CN104636600B (zh) | 2014-12-31 | 2014-12-31 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636600B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021899B (zh) * | 2016-05-16 | 2018-11-02 | 重庆科技学院 | 高含硫天然气脱硫能效量化评价方法 |
CN106777866B (zh) * | 2016-11-14 | 2021-03-23 | 重庆科技学院 | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 |
CN106874644B (zh) * | 2016-12-28 | 2018-04-13 | 中南大学 | 一种加氢精制中氢解程度的实时预测方法及其系统 |
CN107831666B (zh) * | 2017-11-13 | 2021-01-01 | 重庆科技学院 | 基于rbf与addhp的天然气吸收塔脱硫过程控制方法 |
CN107885084B (zh) * | 2017-11-13 | 2020-12-01 | 重庆科技学院 | 基于rbf与adhdp的天然气吸收塔脱硫过程控制方法 |
CN107703760B (zh) * | 2017-11-13 | 2020-11-27 | 重庆科技学院 | 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法 |
CN107942686A (zh) * | 2017-12-28 | 2018-04-20 | 广西大学 | 基于深度极限学习机的澄清过程运行优化控制方法 |
CN111142494B (zh) * | 2020-01-17 | 2021-02-09 | 湖州同润汇海科技有限公司 | 一种胺液再生装置的智能控制方法及系统 |
CN111338302B (zh) * | 2020-02-28 | 2022-12-02 | 合肥力拓云计算科技有限公司 | 基于工业大数据和工业物联网的化工工艺建模处理系统 |
CN114456862B (zh) * | 2020-11-04 | 2022-10-21 | 中国石油化工股份有限公司 | 一种天然气深冷脱氮预处理工艺参数的优化方法 |
CN115809727A (zh) * | 2021-09-09 | 2023-03-17 | 北京百度网讯科技有限公司 | 天然气净化发泡预警模型训练方法、装置以及设备 |
CN113908673A (zh) * | 2021-09-30 | 2022-01-11 | 湖北华电襄阳发电有限公司 | 一种基于极限学习机的湿法脱硫效率预测系统及方法 |
CN114044496B (zh) * | 2021-11-15 | 2023-07-25 | 国网河北省电力有限公司电力科学研究院 | 基于神经网络的六氟化硫分质净化方法、装置及终端 |
CN116907764B (zh) * | 2023-09-14 | 2023-12-26 | 国能龙源环保有限公司 | 脱硫设备气密性检测方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
-
2014
- 2014-12-31 CN CN201410854722.3A patent/CN104636600B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
Non-Patent Citations (3)
Title |
---|
应用 HYSYS 软件的天然气净化工艺模拟计算研究;王勇 等;《石油工程建设》;20140228;第40卷(第1期);第54-56、60页 * |
极限学习机多目标模型选择研究;王礼云 等;《计算机仿真》;20140831;第31卷(第8期);第387-391页 * |
高含硫天然气脱硫操作条件对能耗影响的模拟研究;邱奎 等;《石油学报(石油加工)》;20121231;第28卷(第6期);第978-985页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104636600A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636600B (zh) | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 | |
CN104656441B (zh) | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 | |
CN104657586B (zh) | 基于异常工况检测的高含硫天然气净化工艺建模优化方法 | |
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
CN106777866B (zh) | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 | |
CN104656635B (zh) | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 | |
CN108647373A (zh) | 一种基于xgboost模型的工业过程软测量方法 | |
CN106777465A (zh) | 高含硫天然气净化工艺动态演化建模与节能优化方法 | |
CN104765347B (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
CN114427684A (zh) | 一种天然气净化过程中燃烧炉的控制方法及控制装置 | |
CN101598927B (zh) | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 | |
CN106021899B (zh) | 高含硫天然气脱硫能效量化评价方法 | |
CN106777466A (zh) | 基于st‑upfnn算法的高含硫天然气净化工艺的动态演化建模方法 | |
CN108509692B (zh) | 一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法 | |
CN104504271A (zh) | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 | |
CN1279356C (zh) | 基于限定记忆部分最小二乘算法的4-cba含量在线软测量建模方法 | |
CN107703760B (zh) | 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法 | |
CN110766234B (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
CN106777468A (zh) | 高含硫天然气脱硫工艺强跟踪演化建模方法 | |
CN114429258A (zh) | 一种基于能效评价的天然气净化控制方法及在线优化平台 | |
CN102609601A (zh) | 一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法 | |
CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
CN101587562B (zh) | 一种具有星形拓扑结构膜计算的复杂化工过程建模方法 | |
CN110796318B (zh) | 一种催化分馏装置的实时操作优化方法及装置 | |
CN114740713A (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180424 Termination date: 20181231 |