基于RBF与ADHDP的天然气吸收塔脱硫过程控制方法与流程

本发明涉及天然气吸收塔脱硫过程控制技术，具体涉及一种基于rbf与执行依赖启发式动态规划(adhdp)结合的天然气吸收塔脱硫过程控制方法。

背景技术：

天然气作为一种优质、清洁的能源和化工原料，使用方便并且拥有较高的综合经济效益。我国拥有丰富的天然气资源，但是约30％左右的天然气中含有大量硫元素，其中h2s含量大于1％的天然气储量占到总储量的1/4。h2s的存在不仅会造成设备和管道的腐蚀、危害人体健康，其燃烧产物也会污染环境。因此，在天然气脱硫过程中，h2s含量控制显得尤为重要。

天然气脱硫吸收塔是天然气净化装置的重要组成部分，直接影响天然气净化效果。天然气原料气进入吸收塔与塔内甲基二乙醇胺(mdea)溶液充分接触发生反应，从而达到脱硫的目的，整个过程同时发生物理化学反应和相位反应，涉及物质转化和能量传递，受各种不确定因素影响较大，表现不确定性、非线性、强耦合性、动态性等特点，难以建立精确的数学模型，从而给吸收塔脱硫过程的控制带来了极大困难。

现有的控制技术多为pid单回路控制或简单串级控制，控制系统自动化程度不高且过多的依赖专家经验调节控制参数，具有较大的滞后性，控制精度较低，控制系统的稳定性也难以保证，难以达到实时精确控制。

技术实现要素：

本申请通过提供一种基于rbf与adhdp的天然气吸收塔脱硫过程控制方法，以解决目前吸收塔脱硫过程控制技术中存在的控制精度低，时滞大，控制系统不稳定等问题，保证天然气脱硫效果。

为解决上述技术问题，本申请采用以下技术方案予以实现：

一种基于rbf与adhdp的天然气吸收塔脱硫过程控制方法，其特征在于包括如下步骤：

步骤1：通过分析天然气吸收塔脱硫工艺过程，确定影响天然气脱硫效果的主要因素为酸性天然气处理量和醇胺溶液循环量，分别用u1和u2表示，由此构成控制变量u＝[u1,u2]；

步骤2：确定脱硫过程模型输入样本数据输出样本数据，采用bp神经网络建立天然气吸收塔脱硫过程模型；

步骤3：设定控制目标值运用rbf神经网络更新adhdp方法中的评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(k)＝[u1,u2]和性能指标函数j(k)，建立rbf-adhdp的天然气吸收塔脱硫过程控制方法；

步骤4：将步骤3所得控制信号u(k)＝[u1,u2]和当前时刻系统状态x(k)＝[x1,x2]作为吸收塔脱硫过程模型输入，从而得到系统输出x(k+1)。

步骤5：计算控制误差e(k)，若小于期望误差，结束训练，否则返回步骤3。

作为进一步说明，所述步骤3具体按照以下步骤进行：

步骤3-1：根据控制误差e(k)，采用rbf神经网络更新评价网络和执行网络权值；

步骤3-2：计算控制信号u(k)；

步骤3-3：计算评价网络输出j(k+1)。

作为进一步说明，步骤5中，控制误差e(k)计算公式为：

式中，函数u(k)为效用函数。

与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：在天然气吸收塔脱硫过程控制中，该方法控制精度高，收敛速度快，能够提高控制系统稳定性和控制精度，降低控制系统响应时间，保证天然气脱硫效果。

附图说明

图1本发明原理框图；

图2天然气吸收塔脱硫过程模型示意图；

图3-6为天然气吸收塔脱硫过程模型测试结果示意图；

图3h2s含量预测示意图；

图4h2s含量预测相对误差示意图；

图5co2含量预测示意图；

图6co2含量预测相对误差示意图；

图7rbf-adhdp控制结构示意图。

具体实施方式

本申请提供一种基于rbf与adhdp的吸收塔脱硫过程控制方法，发明原理框图如图1所示。参考现有技术手段，本申请提供的技术方案，具有的技术效果或优点是：该方法采用智能算法用于吸收塔脱硫过程控制，具有较高的控制精度，能够降低控制系统响应时间，能够实时自动调整控制参数，提高控制系统稳定性，真正达到了实时控制的目的。

为了更好的理解上述技术方案，下面将结合说明书附图2-7以及具体的实施方式，对上述技术方案进行详细的说明。

首先进入步骤1：选取酸性天然气处理量和吸收酸性气体所用的醇胺溶液循环量两个参数构成控制变量u＝[u1,u2]。

步骤2：运用bp神经网络，分别以input1～inputn和x1～xn作为输入输出样本进行训练、检验，从而建立吸收塔脱硫过程模型。其中，input＝[x1,x2,u1,u2]，x＝[x1,x2]，n表示样本数量，u1,u2分别表示单位时间内原料天然气处理量和醇胺溶液循环量，x1,x2分别表示天然气净化气中h2s含量(mg/m³)和co2含量(％)。

在本实施例中，建立如图2所示的吸收塔脱硫过程模型，输入层神经元个数为4，输出层神经元个数为2；根据经验，隐含层节点选择为(x为输入层节点，y为输出层节点，a＝1,2,···9)，通过依次试验选择建模测试精度最高的隐含层节点为10；隐含层传递函数为tansig函数，输出层传递函数为purelin函数；期望误差最小值为0.0001，修正权值的学习效率为0.05。建模样本数据为普光气田实际生产数据，共计500组，随机选取80％的样本数据用作模型训练，剩余20％的样本用作模型测试。

设吸收塔脱硫过程模型输入为p，输入神经元个数为r,隐含层神经元个数为s1,对应的激活函数为h1，隐含层输出为a1；输出层神经元个数为s2，对应的激活函数为h2，输出为a2,目标矢量为t。

步骤2中建立吸收塔脱硫过程模型具体包括如下步骤：

步骤2-1：初始化，设迭代次数g初值为0，同时赋给w1,w2,b1,b2一个(0,1)区间的随机值；

步骤2-2：随机输入样本pj；

步骤2-3：对输入样本pj，前向计算bp神经网络每层神经元的输入和输出；

隐含层第i个神经元的输出为：

输出层第s个神经元的输出为：

步骤2-4：根据期望输出t和实际输出a2(g)，计算误差e(g)；

定义误差函数为：

步骤2-5：判断误差e(g)是否满足要求，如不满足，则进入步骤2-6，如满足，则进入步骤2-8；

步骤2-6：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤2-8，否则，进入步骤2-7；

步骤2-7：计算权值修正量δw，并修正权值。

①输出层权值变化

对从第i个输入到第k个输出的权值，有：

其中，δki＝(tk-a2k)·h2′＝ek·h2′，ek＝tk-a2k。

②隐含层权值变化

对从第j个输入到第i个输出的权值，有：

其中，

同理可得：

δb1i＝η·δij

式中，η为学习效率；令g＝g+1，跳转至步骤3；

步骤2-8：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤2-2；

通过上述过程，可得到bp神经网络预测效果如图3，5所示，对应的预测误差如图4，6所示。通过分析图3-6可知，bp神经网络训练建立吸收塔脱硫过程模型具有较高的精度，能够精确预测系统的输出，为天然气脱硫过程控制方法的研究奠定基础。

步骤3：设定理想控制目标值运用rbf神经更新adhdp控制方法中评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(k)＝[u1,u2]和性能指标函数j(k),建立rbf-adhdp的天然气吸收塔脱硫过程控制方法，其控制结构如图7所示：action-rbf为执行网络，输入输出分别为系统状态x(k)和控制信号u(k)；controlledobject为模型网络，输入为系统状态x(k)和控制信号u(k)，输出为系统下一时刻状态x(k+1)；critic-rbf为评价网络，输入为x(k+1)和u(k+1)，输出为性能指标函数j(k+1)；评价网络和执行网络训练分别以控制误差e(k)和性能指标函数j(k)最小化为目标，虚线表示网络权值调整路径。

在本实施例中，控制误差计算公式为：

式中，函数u(k)为效用函数。

在本实施例中，执行网络和评价网络的训练过程如下：

(1)执行网络训练：

执行网络由rbf神经网络设计，设置xa＝[xa1,xa2,…xam1]为执行网络输入矢量，m1为执行网络输入变量个数，a＝[1,2,…n1]，n1为执行网络训练次数。

为第n1次训练隐层m与输出i之间的权值矢量，u(l)＝[ua1(l),ua2(l),…,uap(l)]为第n1次训练执行网络的实际输出。其中，l表示每次训练的迭代次数。

(2)评价网络训练：

评价网络同样由rbf神经网络设计完成，其训练过程与执行网络相同。设置为评价网络输入矢量，m2表示评价网络输入变量个数，c＝[1,2,…n1]，n1为评价网络训练次数。

为第n1次训练隐层m与输出i之间的权值矢量，j(l)为第n1次训练评价网络的实际输出。

作为进一步说明，执行网络和评价网络的训练过程相似且同时进行，具体包括以下过程：

①初始化，设迭代次数n1初值为0，赋给wmi(0)一个(0，1)区间的

随机值；

②输入xa/xc；

③对输入xa/xc，前向计算rbf神经网络每层神经元的输入信号和输出信号；

④根据控制误差计算公式计算误差e(k)；

⑤判断控制误差e(k)是否满足控制要求，如不满足，则进入⑥，如满足，则进入⑨；

⑥判断迭代次数n1+1是否大于最大迭代次数，如大于，则进入⑨，否则，进入⑦；

⑦对输入xa/xc反向计算每层神经元的局部梯度δ；

⑧计算权值修正量δw，并修正权值，计算公式为：δwij＝η·δij·aj，wij(n1+1)＝wij(n1)+δwij(n1)式中，η为学习效率；令n1＝n1+1，跳转至③；

⑨训练完成。

(3)计算执行网络输出：

执行网络隐含层输出为：

其中，为期望的控制目标，作为执行网络隐含层神经元的中心，b1为xat与之间的偏差。

执行网络输出层输出为：u(k)＝wa*aj，即为所求控制信号，其中，wa为执行网络权值。

(4)计算评价网络输出：

评价网络隐含层输出为：

其中，表示评价网络隐含层神经元的中心，根据训练经验设定，b2为xcs与之间的偏差。

评价网络输出层输出为：

j(k+1)＝wc*cj，

其中，wc为评价网络权值。

步骤4：将步骤3所得控制信号u(k)＝[u1,u2]和当前时刻系统状态x(k)＝[x1,x2]作为吸收塔脱硫过程模型输入，从而得到系统输出x(k+1)。

步骤5：计算控制误差e(k)，若小于期望误差，结束训练，否则返回步骤3。

与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：在吸收塔脱硫过程控制中，该方法控制精度高，收敛速度快，能够提高控制系统稳定性和控制精度，降低控制系统响应时间，保证天然气脱硫效果。

本发明提供了一种基于rbf与adhdp的天然气吸收塔脱硫过程控制方法。首先，利用bp神经网络训练吸收塔脱硫实际生产数据，建立吸收塔脱硫过程模型，从而绕开了脱硫过程机理上的细节性问题，解决了因脱硫过程复杂而导致的建模困难的问题，为天然气脱硫过程控制方法的研究奠定基础。然后，以建立的模型为被控对象进行实验研究，采用adhdp方法对吸收塔脱硫过程进行控制并采用rbf神经网络更新优化adhdp评价网络和执行网络权值，建立基于rbf-adhdp的吸收塔脱硫过程控制方法。该方法摆脱了长期以来对专家经验的过度依赖，解决了现有吸收塔脱硫过程控制技术存在的控制精度低，时滞大，控制系统不稳定等问题，真正达到了吸收塔脱硫过程实时精确控制的目的，也为解决类似工业控制问题提供了一种新的思路，体现了人工智能算法在工业中的强大功能。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。