[发明专利]基于极限学习机的高含硫天然气净化工艺建模、优化方法

摘要

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。

主权项

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。