CN104657586B - 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 - Google Patents

Abstract

本发明公开了一种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，利用独立元分析提取独立元，并计算对应的SPE统计量，再与设定控制限对比，判断异常工况下采集到的样本数据，并给予剔除；将净化工艺操作参数作为极限学习机的输入变量，建立高含硫天然气净化脱硫工艺过程模型，模型输出即为净化气中H₂S和CO₂含量，经采用粒子群算法对极限学习机模型结构进行优化；物理规划偏好函数将能耗、产量不同物理量在同一度量准则下进行设计，MOGA可实现工艺操作参数与能耗、产量对应的Pareto最优解集。本发明利用粒子群优化的极限学习机建立高含硫天然气净化脱硫过程统计模型，提高了模型的精度；同时还实现相互冲突的能耗和产量多目标优化。

Description

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

技术领域

本发明属于高含硫天然气脱硫生产过程中智能节能增产技术，涉及一种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。

背景技术

高含硫天然气工业流程复杂，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3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，一旦工艺操作参数偏离设定中心参数，生产工况就会发生异常。在异常工况下，监测数据不能反映脱硫过程正常运行状态的生产规律，需要进行剔除。

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，应用神经网络建立高含硫天然气净化脱硫生产过程模型时，数据统计建模耗时较长，优化结果具有一定时滞性，无法快速而及时的提供精确的模型和工艺优化方案。如何建立高含硫天然气净化脱硫过程的高精度模型且具有较快的建模效率，成为高含硫天然气净化脱硫过程节能增产优化的难点。

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相互冲突，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高含硫天然气净化脱硫过程异常工况对工艺过程建模的干扰，避免节能增产优化结果超出实际装置允许的极限操作，提供一种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，它利用粒子群优化的极限学习机建立高含硫天然气净化脱硫过程统计模型，提高了模型的精度，同时还实现能耗和产量的多目标优化。

本发明的目的是这样实现的：

一种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，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程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；

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

3.2 进行数据归一化处理，得到新数据为[X′_m×n,Y′₁,Y′₂]；

采用归一化方法，得到有效数据，提高模型精度。

步骤4：采用基于独立分量分析的非监督学习方法提取独立元通过监控独立元对应的SPE统计量判断采集数据中对应的异常工况，并剔除异常样本，

4.1 源信号白化消噪；

矩阵[X'_m×n,Y₁',Y₂']协方差矩阵R_x＝E([X'_m×n,Y₁',Y₂']^T[X'_m×n,Y₁',Y₂'])，对其进行特征值分解则R_x＝UΛU^T，白化变换可以表达为：z(k)＝Qx(k)，其中，Q＝Λ^-1/2U^T，

4.2 正交矩阵B求解；

Fast ICA迭代求解过程：

选择估计的独立元个数，设置定计数器i←1；

以单位模向量给随机向量bi赋初值；

令

执行正交化：

归一化

假如bi还没有收敛，返回步骤3；假如bi收敛，bi小于设定收敛精度二范数cg,即|||b_i||-1|＜cg,cg＝10^-9，输出向量bi；

若i≤m，则设定i←i+1且返回步骤2；

4.3 重构独立元，

采用Fast ICA迭代求解正交矩阵B，重构后独立元

4.4 SPE统计量监控，

计算独立元对应的SPE统计量：SPE(k)＝e(k)^Te(k)，其中 通过比较是否超出正常运行状态下核密度估计的控制限SPE_c，判断异常发生，并剔除异常样本得到新的样本集合[X′_m×l,Y′₁,Y′₂]，l为再次处理后的样本数量，l＜n；

在异常工况下，剔除不能反映脱硫过程正常运行状态的生产规律的数据，能够得到最能反映出生产过程实际特性的有效数据。基于子空间重构的独立分量分析通过在特征空间提取互不干扰的独立元，通过考察独立元的SPE统计量，可实现异常工况样本检测。

步骤5：采用粒子群优化的极限学习机对异常检测筛选的正常样本进行建模，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H₂S和CO₂含量的模型，

5.1 确定极限学习机模型结构，模型输入节点个数与输入变量个数相同，输出层节点个数与目标性能个数相同，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；

5.2 初始化极限学习机模型权值和阈值，[0,1]区间内随机赋值；

5.3 建立粒子群与极限学习机权值和阈值关系，对粒子群进行初始化；

5.4 通过训练获得极限学习机模型，并确定粒子群适应度，更新粒子速度和位置，

极限学习机训练模型函数为粒子群适应度函数为粒子群种群组成表示为：X＝(X₁,X₂…X_k)，k为粒子群种群规模，粒子群速度和位置更新： 其中，w₁为输入层至隐含层权重，b₁为隐含层阈值，β_i为隐含层至输出层权重，o_j为极限学习机训练预测输出，j为极限学习机输出节点编号，j＝1,2，i为粒子群进化代数，P_i为第i代粒子群适应度函数值，第k个粒子的速度为V_k＝[V_k1,V_k2,...,V_kD]^T，D为粒子群算法搜索空间维，其个体极值为P_k＝[P_k1,P_k2,...,P_kD]^T，种群的全局极值为P_g＝[P_g1,P_g2,...,P_gD]^T,c₁、c₂为学习因子，c₁＝1.49445,c₂＝1.49445；r₁、r₂分布于[0,1]之间的独立随机数，为防止盲目搜索，位置和速度搜索区间分别为[-1,1]、[-1,1]；

5.5判断粒子群优化算法误差是否最小，满足此条件后，保存模型的初始权值w_best和阈值b_best，迭代结束，否则继续优化；

5.6采用粒子群优化后的权值w_best和阈值b_best重新训练网络，得到粒子群优化的极限学习机模型

其中，o′_j为粒子群优化极限学习机训练预测输出，w_best为输入层至隐含层权重，b_best为隐含层阈值，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6：以粒子群优化的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操作变量x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀在各自的正常范围内进行优化；

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7：将经步骤6优化后的l组操作变量优化解集依次带入PSO-ELM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3.2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。

所述步骤6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，本发明具有如下技术效果：

本发明提供了一种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，它克服了高含硫天然气净化脱硫过程异常工况对工艺过程建模的干扰，避免节能增产优化优化结果超出实际装置允许的极限操作；其次利用粒子群优化的极限学习机建立高含硫天然气净化脱硫过程统计模型，提高了模型的精度；同时还实现相互制约关系的能耗和产量多目标优化；而且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为本发明步骤4流程示意图；

图2为脱硫工艺优化多目标偏好函数曲线图；

图3为某高含硫天然气脱硫模拟工艺流程图；

图4为本发明的流程图；

图5为工况异常点检测图；

图6为异常检测工艺参数追溯图；

图7为异常工况点的天然气处理量和重沸器A口蒸汽消耗量变化图；

图8为异常工况样本剔除前的ELM和PSO-ELM模型H₂S训练效果图；

图9为异常工况样本剔除前的ELM和PSO-ELM模型H₂S测试效果图；

图10为异常工况样本剔除前的ELM和PSO-ELM模型CO₂训练效果图；

图11为异常工况样本剔除前的ELM和PSO-ELM模型CO₂测试效果图；

图12为异常工况样本剔除后的ELM和PSO-ELM模型H₂S训练效果图；

图13为异常工况样本剔除后的ELM和PSO-ELM模型H₂S测试效果图；

图14为异常工况样本剔除后的ELM和PSO-ELM模型CO₂训练效果图；

图15为异常工况样本剔除后的ELM和PSO-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3，一种基于异常工况检测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程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)。

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

3.2进行数据归一化处理，得到新数据为[X′_m×n,Y′₁,Y′₂]；

所述步骤3.2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。

采用归一化方法，得到有效数据，提高模型精度。

步骤4：采用基于独立分量分析的非监督学习方法提取独立元通过监控独立元对应的SPE统计量判断采集数据中对应的异常工况，并剔除异常样本，

4.1 源信号白化消噪；

矩阵[X'_m×n,Y₁',Y₂']协方差矩阵R_x＝E([X'_m×n,Y₁',Y₂']^T[X'_m×n,Y₁',Y₂'])，对其进行特征值分解则R_x＝UΛU^T，白化变换可以表达为：z(k)＝Qx(k)，其中，Q＝Λ^-1/2U^T，

4.2 正交矩阵B求解；

Fast ICA迭代求解过程：

选择估计的独立元个数，设置定计数器i←1；

以单位模向量给随机向量bi赋初值；

令

执行正交化：

归一化

假如bi还没有收敛，返回步骤3；假如bi收敛，bi小于设定收敛精度二范数cg,即|||b_i||-1|＜cg,cg＝10^-9，输出向量bi；

若i≤m，则设定i←i+1且返回步骤2；

4.3 重构独立元，

采用Fast ICA迭代求解正交矩阵B，重构后独立元

4.4 SPE统计量监控，

计算独立元对应的SPE统计量：SPE(k)＝e(k)^Te(k)，其中 通过比较是否超出正常运行状态下核密度估计的控制限SPE_c，判断异常发生，并剔除异常样本得到新的样本集合[X′_m×l,Y′₁,Y′₂]，l为再次处理后的样本数量，l＜n；

在异常工况下，剔除不能反映脱硫过程正常运行状态的生产规律的数据，能够得到最能反映出生产过程实际特性的有效数据。基于子空间重构的独立分量分析通过在特征空间提取互不干扰的独立元，通过考察独立元的SPE统计量，可实现异常工况样本检测。

步骤5：采用粒子群优化的极限学习机对异常检测筛选的正常样本进行建模，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H₂S和CO₂含量的模型，

5.1 确定极限学习机模型结构，模型输入节点个数与输入变量个数相同，输出层节点个数与目标性能个数相同，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；

5.2 初始化极限学习机模型权值和阈值，[0,1]区间内随机赋值；

5.3 建立粒子群与极限学习机权值和阈值关系，对粒子群进行初始化；

5.4 通过训练获得极限学习机模型，并确定粒子群适应度，更新粒子速度和位置，

极限学习机训练模型函数为粒子群适应度函数为粒子群种群组成表示为：X＝(X₁,X₂…X_k)，k为粒子群种群规模，粒子群速度和位置更新： 其中，w₁为输入层至隐含层权重，b₁为隐含层阈值，β_i为隐含层至输出层权重，o_j为极限学习机训练预测输出，j为极限学习机输出节点编号，j＝1,2，i为粒子群进化代数，P_i为第i代粒子群适应度函数值，第k个粒子的速度为V_k＝[V_k1,V_k2,...,V_kD]^T，D为粒子群算法搜索空间维，其个体极值为P_k＝[P_k1,P_k2,...,P_kD]^T，种群的全局极值为P_g＝[P_g1,P_g2,...,P_gD]^T,c₁、c₂为学习因子，c₁＝1.49445,c₂＝1.49445；r₁、r₂分布于[0,1]之间的独立随机数，为防止盲目搜索，位置和速度搜索区间分别为[-1,1]、[-1,1]；

5.5判断粒子群优化算法误差是否最小，满足此条件后，保存模型的初始权值w_best和阈值b_best，迭代结束，否则继续优化；

5.6采用粒子群优化后的权值w_best和阈值b_best重新训练网络，得到粒子群优化的极限学习机模型

其中，o′_j为粒子群优化极限学习机训练预测输出，w_best为输入层至隐含层权重，b_best为隐含层阈值，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6：以粒子群优化的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操作变量x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀在各自的上下范围内进行优化；

所述步骤6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]。

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7：将经步骤6优化后的l组操作变量优化解集依次带入PSO-ELM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，监控数据由DCS即时显示。

步骤1-2：选取某一个月数据，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[X_m×n,Y₁,Y₂]如表1所示。

表1 某高含硫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'_m×n,Y₁',Y₂']，如表2所示。

表2 归一化处理后数据

步骤4：采用基于独立分量分析的SPE统计量异常检测工况诊断模型，工况异常检测结果如图5所示。为了进一步验证基于SPE的独立分量分析对高含硫脱硫工艺进行异常检测的有效性，采用贡献图实现异常工况参数追溯，并与现场经验对比分析。经过异常检测，对于筛选出的工况异常点第k个工艺参数贡献con_SPE(k)＝e(k)^Te(k)，计算脱硫工艺各参数对异常工况的贡献，如图6所示。可知，第3个工艺参数原料气处理量和第12个工艺参数CO₂含量是导致工况异常的两个主要的因素。由正常工况的工艺参数的负荷(±10％)确定正常工况的上下限，分析工况异常点原料气处理量和CO₂含量变化趋势，如图7所示。分析可知，工况发生异常，天然气处理量和CO₂含量波动频繁，与现场经验相符。经过异常工况检测后，筛选出l＝644组正常运行工况样本[X'_m×l,Y₁',Y₂']，作为下一步高含硫天然气净化脱硫工艺过程建模的分析数据。

步骤5：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)，10个操作参数作为统计建模的输入，将脱硫单元产品H₂S含量(ppmv)和CO₂含量(％)作为目标输出，对处理后的数据[X'_m×l,Y₁',Y₂']进行分析，分别采用极限学习机和粒子群优化的极限学习机建立脱硫工艺操作参数与酸性气体H₂S和CO₂吸收规律的统计模型。并以异常检测前后的样本集进行建模仿真，随机选择50％的样本作为训练集建立对应的ELM模型和PSO-ELM模型，并将剩余50％样本作为测试集检验模型泛化性能，如表3所示。异常工况样本剔除前ELM模型和PSO-ELM模型训练和测试效果如图8,9,10，11所示。异常工况样本剔除后ELM模型和PSO-ELM模型训练和测试效果如图12,13,14,15所示。

表3 基于异常检测的ELM和PSO-ELM建模精度对比

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]。

步骤7：在PSO-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个操作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

对于高含硫天然气净化脱硫工艺过程，经优化后净化气中酸性组分、产量和能耗如表4所示。

表4 优化方案的性能指标

优化方案可以实现净化气H₂S含量从0.3ppmv提高到1.296ppmv，CO₂含量从原有的1.47％提高到1.75％。脱硫工艺对酸性气体的过度吸收有所改善。对于日产量3000万方的天然气净化产业，企业日产量将提高(105.43-98.95)×24＝155.52万方，每日能耗(MDEA溶液循环量t/h)降低(457-439.27)×24＝425.52t。

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 (3)

1.一种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，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程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进行数据归一化处理，得到新数据为[X'_m×n,Y′₁,Y′₂]，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；

步骤4：采用基于独立分量分析的非监督学习方法提取独立元通过监控独立元对应的SPE统计量判断采集数据中对应的异常工况，并剔除异常样本，

4.1源信号白化消噪；

矩阵[X'_m×n,Y′₁,Y′₂]协方差矩阵R_x＝E([X'_m×n,Y′₁,Y′₂]^T[X'_m×n,Y′₁,Y′₂])，对其进行特征值分解则R_x＝UΛU^T，白化变换可以表达为：z(k)＝Qx(k)，其中，Q＝Λ^-1/2U^T，

4.2正交矩阵B求解；

Fast ICA迭代求解过程：

选择估计的独立元个数，设置定计数器i←1；

以单位模向量给随机向量bi赋初值；

令

执行正交化：

归一化

假如bi还没有收敛，返回步骤3；假如bi收敛，bi小于设定收敛精度二范数cg,即|||b_i||-1|＜cg,cg＝10^-9，输出向量bi；

若i≤m，则设定i←i+1且返回步骤2；

4.3重构独立元，

采用Fast ICA迭代求解正交矩阵B，重构后独立元

4.4SPE统计量监控，

计算独立元对应的SPE统计量：SPE(k)＝e(k)^Te(k)，其中 通过比较是否超出正常运行状态下核密度估计的控制限SPE_c，判断异常发生，并剔除异常样本得到新的样本集合[X'_m×l,Y′₁,Y′₂]，l为再次处理后的样本数量，l＜n；

步骤5：采用粒子群优化的极限学习机对异常检测筛选的正常样本进行建模，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H₂S和CO₂含量的模型，

5.1确定极限学习机模型结构，模型输入节点个数与输入变量个数相同，输出层节点个数与目标性能个数相同，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；

5.2初始化极限学习机模型权值和阈值，[0,1]区间内随机赋值；

5.3建立粒子群与极限学习机权值和阈值关系，对粒子群进行初始化；

5.4通过训练获得极限学习机模型，并确定粒子群适应度，更新粒子速度和位置，

极限学习机训练模型函数为粒子群适应度函数为粒子群种群组成表示为：X＝(X₁,X₂…X_k)，k为粒子群种群规模，粒子群速度和位置更新： 其中，w₁为输入层至隐含层权重，b₁为隐含层阈值，β_i为隐含层至输出层权重，o_j为极限学习机训练预测输出，j为极限学习机输出节点编号，j＝1,2，i为粒子群进化代数，P_i为第i代粒子群适应度函数值，第k个粒子的速度为V_k＝[V_k1,V_k2,...,V_kD]^T，D为粒子群算法搜索空间维，其个体极值为P_k＝[P_k1,P_k2,...,P_kD]^T，种群的全局极值为P_g＝[P_g1,P_g2,...,P_gD]^T,c₁、c₂为学习因子，c₁＝1.49445,c₂＝1.49445；r₁、r₂分布于[0,1]之间的独立随机数，为防止盲目搜索，位置和速度搜索区间分别为[-1,1]、[-1,1]；

5.5判断粒子群优化算法误差是否最小，满足此条件后，保存模型的初始权值w_best和阈值b_best，迭代结束，否则继续优化；

5.6采用粒子群优化后的权值w_best和阈值b_best重新训练网络，得到粒子群优化的极限学习机模型

其中，o′_j为粒子群优化极限学习机训练预测输出，w_best为输入层至隐含层权重，b_best为隐含层阈值，为隐含层至输出层权重；

步骤6：以粒子群优化的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操作变量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7：将经步骤6优化后的l组操作变量优化解集依次带入PSO-ELM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所述的基于异常工况检测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所述的基于异常工况检测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6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]。