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

摘要

本发明的目的在于克服现有技术的不足，提供一种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，步骤：确定输入变量；采集工艺生产数据；对数据进行预处理；进行数据归一化处理；采用无迹卡尔曼神经网络对数据进行建模，得到模型；以无迹卡尔曼滤波神经网络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；将优化后输入变量解集依次带入无迹卡尔曼神经网络模型，计算此时的模型两个输出值，与样本值平均值进行比较，观察优化效果。本方法能够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。

主权项

一种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，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：采用无迹卡尔曼神经网络对预处理后的数据[X'_mh,Y₁',Y₂']进行建模， 以得到高含硫天然气净化脱硫过程产能的精确模型，通过无迹卡尔曼滤波对神经网络权值、阈值进行估计，将神经网络权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得到高含硫天然气净化脱硫过程产能的精确模型；所述无迹卡尔曼神经网络为三层神经网络，其中：隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络函数表达式如下：其中：M＝10，为输入层神经元数目；q为隐含层神经元数目，采用试凑法公式来确定神经网络隐含层神经元数目，K为0‑10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；采用无迹卡尔曼滤波神经网络建立高含硫天然气净化脱硫过程产能模型时，无迹卡尔曼滤波的状态初始协方差、均值，以及无迹卡尔曼滤波中UT变换中扩展因子的取值范围均在0‑1的范围内随机给定；步骤5：以无迹卡尔曼滤波神经网络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：将优化后的h组输入变量优化解集依次带入无迹卡尔曼神经网络模型，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。