CN108182337A

CN108182337A - 一种基于ScMiUKFNN算法的天然气净化工艺建模方法

Info

Publication number: CN108182337A
Application number: CN201810200655.1A
Authority: CN
Inventors: 辜小花; 王甜; 唐海红; 张堃; 宋鸿飞; 张兴; 侯松; 裴仰军; 李太福; 邱奎
Original assignee: Chongqing University of Science and Technology
Current assignee: Chongqing University of Science and Technology
Priority date: 2018-03-12
Filing date: 2018-03-12
Publication date: 2018-06-19
Anticipated expiration: 2038-03-12
Also published as: CN108182337B

Abstract

本发明公开了一种基于ScMiUKFNN算法的天然气净化工艺建模方法，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：采集预设时间的所述工艺参数和所述性能指标的数据；步骤S3：形成归一化样本集，取所述归一化样本集中一部分作为训练样本，剩余部分作为测试样本；步骤S4：基于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；步骤S5：利用ScMiUKFNN算法估计所述神经网络模型的最优状态变量；步骤S6：获得训练样本更新后的神经网络模型；步骤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，如果比较结果小于预设误差值，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值。

Description

一种基于ScMiUKFNN算法的天然气净化工艺建模方法

技术领域

本发明涉及高含硫天然气净化技术领域，更为具体地，涉及一种基于ScMiUKFNN算法的天然气净化工艺建模方法。

背景技术

随着清洁能源需求的快速增长，天然气的需求在逐渐增加。然而，高含硫气体(high-sulfur gas,HSG)含酸性气体比一般天然气多十倍，在中国的气藏中占有相当大的比例。由于具有毒性和腐蚀性，高含硫气体不能直接使用，必须去除硫化氢(H₂S)和二氧化碳(CO₂)，称为高含硫气体脱硫过程。此外，随着酸性气体吸收剂溶液循环的增加，这一过程的能量消耗和生产成本急剧增加。因此，降低能源消耗和运行成本，提高企业的经济效益，提高市场竞争力，是一个急待解决的问题。

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ScMiUKFNN算法的天然气净化工艺建模方法

本发明的目的是这样实现的：

一种基于ScMiUKFNN算法的天然气净化工艺建模方法，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；

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一部分样本作为训练样本，剩余部分的样本作为测试样本；

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θ_k，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；z_j作为所述神经网络w_ij模型的隐含层输出；作为所述神经网络模型的输出层输出；w_ij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；v_jd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：

f_o(x)＝x (4)

所述初始状态变量为：

步骤S5：利用ScMiUKFNN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w_ij、v_jd、和对公式(1)和公式(2)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，将参数向量视为算法所需的状态方程，网络输出视为量测方程：

其中，为神经网络模型的输入，为神经网络模型的输出，是参数化的非线性函数，η_k是过程噪声，μ_k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：是状态值，P_k是协方差矩阵；

步骤S52：引入一个最小的sigma集合，运用减少Sigma点集方法对所述初始状态变量θ_k进行Sigma采样，获得n+1个采样点以及权重系数，以减少计算复杂度；随机变量具有均值和协方差矩阵P_XX＞0，则：

W_weight=[W ω_n+1] (9)

其中：

“：＝”为赋值号；

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，β为放缩因子，f为线性方程；

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其中，所述量测估计为：

所述k时刻的量测预测的均值为：

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1。

优选地，所述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。

优选地，步骤S3中，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。

由于采用了上述技术方案，本发明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为比较预测结果和运行数据图；

图2a、图2b为对模型精度的比较图；

图3a、图3b为比较预测结果和运行数据图。

具体实施方式

名词解释

ScMiUKFNN：Scaled Minimum Unscented Kalman Filter Neural Network，基于比例放缩的减少采样无迹卡尔曼滤波神经网络。

本发明提供的基于ScMiUKFNN算法的工业过程建模方法，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、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。参数列表如表1所示：

表1

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]；样本集[X，Y]如下表2所示：

表2

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；

其中，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；z_j作为所述神经网络隐含层输出；作为所述神经网络输出层输出；w_ij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；v_jd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，…，m；m为所述网络输入层的神经元的数量，s为所述网络隐含层的神经元的数量，h为所述网络输出层的神经元的数量；

其中，应用于各层神经元的非线性激活函数为：

f_o(x)＝x (4)

所述初始状态变量为：

本发明利用ScMiUKFNN算法估计神经网络模型的状态变量，以达到连接权值、阈值的不断调整，直到满足要求。将得到的最优状态变量的状态估计作为上述所建立神经网络模型的连接权值、阈值。需要说明的是，该连接权值、阈值为通过ScMiUKFNN算法调整后的连接权值、阈值，也是上述所建立的神经网络模型的全部连接权值与阈值，包括w_ij、v_jd、和

利用ScMiUKFNN算法估计神经网络模型的最优状态变量的过程包括：

步骤S51：在建立的所述神经网络模型中，将参数向量视为算法所需的状态方程，网络输出可视为量测方程：

其中，为神经网络模型的输入，为神经网络模型的输出，是参数化的非线性函数，η_k是过程噪声，μ_k是测量噪声。

并对两个方程进行初始化，计算状态变量估计以及其协方差：

其中：是状态值，P_k是协方差矩阵；

步骤S52：引入了一个最小的sigma集合，运用减少Sigma点集方法对所述初始状态变量θ_k进行Sigma采样，获得n+1个采样点以及权重系数，以减少计算复杂度；随机变量具有均值和协方差矩阵P_XX＞0，则：

W_weight＝[W ω_n+1] (9)

其中：

其中，β为放缩因子；

所述状态先验估计为：

所述状态变量的协方差为：

所述k时刻的量测预测的均值为：

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：

所述协方差之间的关系是：

步骤S56：将获得的修正后k+1时刻的状态变量重组BP神经网络模型，并计算此时的模型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1

步骤S6：将所述最优状态变量作为所述神经网络模型的w_ij、v_jd、和对式(1)与(2)进行更新，获得所述训练样本更新后的神经网络模型；

本发明通过几组测试得到如下的技术效果：

图1a-图1b为比较预测结果和运行数据图，其中，图1a在训练阶段的H₂S浓度，显示H₂S浓度下降的散点图和列车数据集的三种模型估计，图1b在训练阶段的CO₂浓度，在预测二氧化碳浓度方面对三种模型的性能进行了比较。

图2a-图2b为对模型精度的比较图，其中，图2a在训练阶段的H₂S浓度，图2b训练阶段的CO₂浓度。

图3a-图3b为比较预测结果和运行数据图，其中，图3a在训练阶段的H₂S浓度，图3b训练阶段的CO₂浓度。

对于超过80％的数据点，ScMiUKFNN模型估计的H₂S浓度和CO₂浓度的绝对相对误差小于10％，验证了所提出的模型的准确性，故所建模有效。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims

1.一种基于ScMiUKFNN算法的天然气净化工艺建模方法，其特征在于，本方法包括以下步骤：

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；z_j作为所述神经网络模型的隐含层输出；作为所述神经网络模型的输出层输出；w_ij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；v_jd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：

f_o(x)＝x (4)

所述初始状态变量为：

2.根据权利要求1所述的一种基于ScMiUKFNN算法的天然气净化工艺建模方法，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状态向量视为算法所需的状态方程，神经网络的模型视为量测方程：

其中：是状态值，P_k是协方差矩阵；

W_weight＝[W ω_n+1] (9)

其中：

其中，β为放缩因子，f为线性方程；

所述状态先验估计为：

所述状态变量的协方差为：

所述k时刻的量测预测的均值为：

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：

所述协方差之间的关系是：

3.根据权利要求1所述的一种基于ScMiUKFNN算法的天然气净化工艺建模方法，其特征在于，所述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。

4.根据权利要求1所述的一种基于ScMiUKFNN算法的天然气净化工艺建模方法，其特征在于，步骤S3中，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。