本发明专利技术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。本发明专利技术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。
【技术实现步骤摘要】
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
本专利技术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。
技术介绍
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(ArtificialNeuralNetwork,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。
技术实现思路
本专利技术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。本专利技术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[Xm×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[Xm×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Rx＝E([X'm×n,Y1',Y2']T[X'm×n,Y1',Y2'])，对其进行特征值分解则Rx＝UΛUT，白化变换可以表达为：z(k)＝Qx(k)，其中，Q＝Λ-1/2UT，4.2正交矩阵B求解；FastICA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|||bi||-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FastICA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SPEc，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…Xk)，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，βi为隐含层至输出层权重，oj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，Pi为第i代粒子群适应度函数值，第k个粒子的速度为Vk＝[Vk1,Vk2,...,VkD]T，D为粒子群算法搜索空间维，其个体极值为Pk＝[Pk1,Pk2,...,PkD]T，种群的全局极值为Pg＝[Pg1,Pg2,...,PgD]T,c1、c2为学习因子，c1＝1.本文档来自技高网...
【技术保护点】
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[Xm×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[Xm×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]；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,Y2′]协方差矩阵Rx＝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Rx＝UΛUT，白化变换可以表达为：z(k)＝Qx(k)，其中，Q＝Λ‑1/2UT，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|||bi||‑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SPEc，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…Xk)，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，βi为隐含层至输出层权重，oj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，Pi为第i代粒子群适应度函数值，第k个粒子的速度为Vk＝[Vk1,Vk2,...,VkD]T，D为粒子群算法搜索空间维，其个体极值为Pk＝[Pk1,Pk2,...,PkD]T，种群的全局极值为Pg＝[Pg1,Pg2,...,PgD]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wbest和阈值bbest，迭代结束，否则继续优化；5.6采用粒子群优化后的权值wbest和阈值bbest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，wbest为输入层至隐含层权重，bbest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...
【技术特征摘要】
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[Xm×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[Xm×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，xi为归一化前的输入变量，x′i为归一化后的输入变量，xmin为归一化前输入变量xi的最小值，xmax为归一化前输入变量的最大值，yi为归一化前的输出变量，y′i为归一化后输出变量，ymin为归一化前输出变量最小值，ymax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Rx＝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Rx＝UΛUT，白化变换可以表达为：z(k)＝Qx(k)，其中，Q＝Λ-1/2UT，4.2正交矩阵B求解；FastICA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|||bi||-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FastICA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SPEc，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...
【专利技术属性】
技术研发人员：李太福，李景哲，邱奎，张利亚，辜小花，裴仰军，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;85
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。