[发明专利]一种化学吸收CO2

权利要求书

1.一种基于神经网络和滚动时域估计的化学吸收CO₂捕集系统动态鲁棒软测量系统，其特征在于包括：滚动时域估计器(1)、无迹卡尔曼滤波估计器(2)、BP神经网络简化模型(3)、化学吸收CO₂捕集系统模型(4)；所述BP神经网络简化模型(3)为化学吸收CO₂捕集整体系统模型(4)核心参数之间的简化模型，并作为滚动时域估计器(1)的状态更新方程f(x)；滚动时域估计器(1)对BP神经网络简化模型(3)的输出量为到达成本函数对状态量的假设值{x_t0}；滚动时域估计器(1)接受来自BP神经网络简化模型(3)的输出量{x_t0+1}，用于计算到达成本Φ_T，通过最小化到达成本，得到下一时刻状态量的估计值无迹卡尔曼滤波估计器(2)根据对应时刻滚动时域估计器(1)状态量的估计值与误差协方差矩阵Π_T-N-1，来计算与更新滚动时域估计器(1)下一时刻的误差协方差矩阵Π_T-N。

2.如权利要求1所述的系统，其特征在于所述化学吸收CO₂捕集整体系统模型(4)核心参数包括：当前时刻吸收塔进口贫液载荷、吸收塔出口净化气CO₂浓度、吸收塔出口净化气温度、吸收塔出口富液温度、吸收塔进口贫液流量、吸收塔进口烟气CO₂浓度、吸收塔进口烟气流量、再沸器温度与下一时刻吸收塔进口贫液载荷、吸收塔出口净化器CO₂浓度、吸收塔出口净化气温度、吸收塔出口富液温度。

3.一种基于神经网络和滚动时域估计的化学吸收CO₂捕集系统动态鲁棒软测量方法，其特征在于包括如下步骤：

步骤(1)、选取吸收塔进口贫液载荷与吸收塔出口净化气CO₂浓度为待估计量，选取吸收塔出口净化气温度与吸收塔出口富液温度为测量量，选取吸收塔进口贫液流量、吸收塔进口烟气CO₂浓度、吸收塔进口烟气流量和再沸器温度为输入量，设置初始值；

步骤(2)、设置滚动时域估计器(1)中时域窗口大小N、状态协方差Q、量测协方差R、状态误差协方差矩阵Π₀和状态量约束值与无迹卡尔曼滤波估计器(2)中状态协方差Qu、量测协方差Ru、比例因子α、比例尺度参数k、x的先验分布因子β；

步骤(3)、假设BP神经网络简化模型(3)中的状态变量x含有高斯白噪声W(k)，观测值y含有高斯白噪声V(k)，构成系统非线性，如公式(1)：

其中，x_k表示k时刻吸收塔进口贫液载荷、吸收塔出口净化气CO₂浓度、吸收塔出口净化气温度与吸收塔出口富液温度的向量；u_k表示k时刻吸收塔进口贫液流量、吸收塔进口烟气CO₂浓度、吸收塔进口烟气流量和再沸器温度的向量；w_k与v_k分别为k时刻的状态噪声和量测噪声；f(x,u)为BP神经网络简化模型(3)；由于吸收塔出口净化气温度与吸收塔出口富液温度为可测量量，同时作为状态量，故L为斜对角为1的线性变换；

步骤(4)、当T≤N时，通过求解最小化全信息估计的目标函数Φ，如公式(2)，得到滚动时域估计器(1)的当前时刻的状态估计值，Π₀为状态误差协方差初始矩阵：

步骤(5)、当TN时，通过求解最小化近似估计的目标函数Φ，如公式(3)，得到滚动时域估计器(1)的当前时刻的状态估计值：

步骤(6)、无迹卡尔曼滤波估计器(2)利用UT变换，由T-N-1时刻的状态估计值和误差协方差矩阵Π_T-N-1，在此过程中，记T-N-1时刻的状态估计值为T-N-1时刻的误差协方差矩阵Π_T-N-1为P_xp，采用对称取样方法，生成sigma点集{χ_i}，如公式(4)：

其中，n为状态维数，K＝2n+1为sigma采样点的个数，W_i(i＝0,1……K-1)为sigma点集的权值，W_i^m和W_i^c分别是其均值和协方差的权重；λ＝α²(n+k)-n用于调节sigma点到的距离；

步骤(7)、计算BP神经网络简化模型(3)的sigma采样点的预测状态采样点如公式(5)：

步骤(8)、根据预测状态采样点及其对应权值W_i计算预测状态均值和协方差P_k+1|k，如公式(6)：

步骤(9)、根据预测状态采样点计算BP神经网络简化模型(3)的量测采样点，如公式(7)：

步骤(10)、计算预测量测的均值和协方差，如公式(8)：

P_y为观测方差矩阵，P_xy是观测值和状态向量的协方差矩阵；

步骤(11)、计算和更新滚动时域估计器(1)的下一时刻的误差协方差矩阵Π_T-N，如公式(9)：

步骤(12)、在之后的周期中反复执行步骤(5)至步骤(11)，更新得到新的时刻的误差协方差矩阵后，利用滚动时域估计器(1)求解下一时刻的状态估计值。

4.如权利要求2所述的方法，其特征在于所述步骤(2)中，比例因子α满足10^-4≤α＜1；比例尺度参数k取值为0；x的先验分布因子β对于高斯分布取值为2；状态维数n取值为4。