1.一种高含硫天然气净化工艺动态演化建模与节能优化方法，包括：步骤S1：选择影响脱硫效率的工艺参数和脱硫单元的性能指标；其中，所述工艺参数包括进入尾气吸收塔贫的胺液流量x1、进入二级吸收塔的贫胺液流量x2、原料气处理量x3、尾气单元返回脱硫单元的半富胺液流量x4、一级吸收塔胺液入塔温度x5、二级吸收塔胺液入塔温度x6、闪蒸罐压力x7、一个重沸器的蒸汽消耗量x8、另一个重沸器的蒸汽消耗量x9和蒸汽预热器的蒸汽消耗量x10；所述脱硫单元的性能指标包括净化气中H2S的浓度 和CO2的浓度

步骤S2：采集预设时间的所述工艺参数和所述性能指标的数据，剔除误差样本后形成样本集[X,Y]；

步骤S3：对样本集[X,Y]进行归一化，形成归一化样本集 取所述归一化样本集中前80％的样本作为训练样本，而剩余的20％样本作为测试样本；

步骤S4：基于所述训练样本训练构建神经网络模型并根据模型确定初始状态变量X，将所述训练样本中的 作为所述神经网络模型的输入，将所述训练样本中的 作为所述神经网络模型的输出；

其中，所述神经网络模型为：

其中，Ik为所述训练样本的矢量样本值，并作为所述神经网络模型的输入， 为网络输入层到隐含层的神经元的连接权值， 为网络输入层到所述隐含层的神经元的阈值， 为所述隐含层到网络输出层的神经元的连接权值， 为所述隐含层到所述网络输出层的神经元的阈值，其中，i＝1，2…S0；j＝1，2…S1；k＝1，2…S2；S0为所述网络输入层的神经元的数量，S1为所述网络隐含层的神经元的数量，S2为所述网络输出层的神经元的数量；

所述初始状态变量为：

步骤S5：利用ST-UPFNN算法估计所述神经网络模型的最优状态变量；

步骤S6：将所述最优状态变量作为所述神经网络模型的 和 对式(1)进行更新，获得权值阈值更新后的神经网络模型；

步骤S7：分别构建H2S浓度 的偏好函数和CO2浓度 的偏好函数；

步骤S8：利用SPEA-II算法对H2S浓度 的偏好函数和CO2浓度 的偏好函数进行多目标极值寻优优化，获得符合生产实际的决策变量；

步骤S9：将优化后的决策变量带入权值阈值更新后的神经网络模型，计算优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较，如果优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S8，直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。

2.如权利要求1所述的高含硫天然气净化工艺动态演化建模与节能优化方法，其中，所述步骤S5包括：

步骤S51：针对粒子滤波器设置粒子的数目N，对 进行抽样，得到初始粒子集并将所述初始粒子集中的每个粒子 的权值均设为1/N；

其中， 表示以x0为均值、P0为方差的正态分布采样；

步骤S52：在获取(k+1)时刻的观测变量值 后，利用ST-UKFNN算法对每个粒子 进行(k+1)时刻的状态估计，得到最优状态估计值 和协方差步骤S53：将所述最优状态估计值 和所述初始化后的协方差 作为粒子的重要性密度函数进行抽样，得到新粒子 由所有新粒子 组成的粒子集中的每个新粒子 的正态分布概率密度值如下：

其中，rand为正态分布随机误差；

正态分布密度函数：

其中，N为每个新粒子 的正态分布，x、μ、σ分别为正态分布的三个变量，p为每个新粒子 的条件概率；

步骤S54：对新粒子 的权值进行更新，并进行归一化处理；其中，权值更新公式为：

权值归一化公式为：

步骤S55：根据新粒子归一化处理后的权值和重采样策略对粒子集进行重采样，获取新粒子集 并求取新粒子集中每个新粒子 的状态估计值

设变量u，令 取u1∈(0,1)

步骤S56：以粒子的数目N作为循环次数循环步骤S51-步骤S55的计算过程，将最后一次估计得到的最优状态变量作为利用ST-UPFNN算法估计所述神经网络模型的最优状态变量；

其中，将新粒子 的状态估计值 作为本时刻的最优估计付给 进行下一时刻的状态估计。

3.如权利要求2所述的高含硫天然气净化工艺动态演化建模与节能优化方法，其中，利用ST-UKFNN算法对每个粒子 进行状态估计的过程，包括：步骤S521：对所述初始状态变量X进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对所述初始状态变量X的Sigma采样如下：

步骤S522：计算每个采样点的权重，每个采样点的权重如下：

其中，Wc为计算状态变量的协方差的权重，Wm为计算状态估计和观测预测时的权重，是 的第一列， 是 的第一列；

步骤S523：通过离散时间非线性系统的状态方程将每个采样点的k时刻的最优状态变量的状态估计变换为(k+1)时刻的状态变量的状态估计 并通过合并(k+1)时刻的状态估计的向量，获得(k+1)时刻的状态变量的状态先验估计 和协方差Pk+1|k；其中，所述状态估计 为：

其中， 表示k时刻的最优估计，wk为过程噪声，其协方差矩阵Qk为cov(wk,wj)＝Qkδkj，所述状态先验估计 为：

所述状态变量的协方差Pk+1|k为：

步骤S524：通过离散时间非线性系统的观测方程将获得的(k+1)时刻的状态变量的状态估计 与(k+1)时刻的观测预测 建立联系：

其中，νk为观测噪声，其协方差矩阵Rk为cov(vk,vj)＝Rkδkj，步骤S525：通过估计(k+1)时刻的观测预测 的向量，获得(k+1)时刻的先验观测预测 并根据先验观测预测 估计(k+1)时刻观测预测的协方差(k+1)时刻的观测预测 为：

(k+1)时刻观测预测的协方差 为：

其中，

Nk+1＝Vk+1-βRk+1  (21)其中，β为弱化因子，β≥1；

步骤S526：计算(k+1)时刻的状态变量的状态先验估计 与(k+1)时刻的先验观测预测 之间的协方差 所述协方差 为：

步骤S527：通过建立协方差 和协方差 的关系，更新(k+1)时刻的状态变量的状态估计和协方差，分别获得(k+1)时刻的最优状态估计值 和协方差

4.如权利要求3所述的高含硫天然气净化工艺动态演化建模与节能优化方法，其中，S527建立的协方差 和协方差 的关系为：

其中，Kk+1为增益矩阵；以及，更新后的(k+1)时刻的状态变量的最优状态估计 为：

更新后的(k+1)时刻的状态变量的协方差Pk+1为：

将更新后的(k+1)时刻的最优状态变量的状态估计 和协方差Pk+1分别作为(k+1)时刻的最优状态估计值 和协方差

5.如权利要求1所述的高含硫天然气净化工艺动态演化建模与节能优化方法，其中，步骤S8包括：

步骤S81：通过决策变量个体P＝[x1 L x10]的非支配性比较寻找最佳个体；其中个体非支配性由适应度函数值以及个体拥挤度共同决定，多目标优化适应度函数为：

其中， 是由ST-UPFNN算法构建的油田机采油过程模型：

步骤S82：设置决策变量x1 L x10的上限和下限，其中，x1min≤x1≤x1max，x2min≤x2≤x2max，x3min≤x3≤x3max，x4min≤x4≤x4max，x5min≤x5≤x5max，x6min≤x6≤x6max，x7min≤x7≤x7max，x8min≤x8≤x8max，x9min≤x9≤x9max，x10min≤x10≤x10max；

步骤S83：利用决策变量的K构建父代种群P，设置父代种群P的样本数量K＝50，设置最大遗传代数GEN＝100；

其中，K为父代种群P中的个体 的数量；L为初始化的父代种群P的样本数量L＝50；GEN为最大遗传代数，GEN＝100；

步骤S84：利用决策参量(x1,x2,…x10)构建父代种群P的个体Pk；

Pk＝[x1k,x2k,...,x10k]  (32)其中，初始化父代种群P，令初始化父代种群P为第一代父代种群P1，设置第一代父代种群1

P的样本数量为50，设置第一代精英种群 设置第一代精英种群中个体的数量为步骤S85：进行第一次遗传迭代(GEN＝1)，得到第二代精英种群A2和第二代父代种群P2；

步骤S86：将第二代父代种群P2与第二代精英解种群A2组合，且GEN＝GEN+1；

步骤S87：循环100次步骤S85～步骤S86，得到精英种群AGEN，将AGEN中的个体作为优化结GEN

果输出，A 中的个体为优化后的工艺参数x1-x10。

6.如权利要求5所述的高含硫天然气净化工艺动态演化建模与节能优化方法，其中，步骤S85包括：

步骤S851：将第一代父代种群P1与第一代精英种群A1组合成种群Rt：Rt＝P1U A1；

定义变量R(i)为种群Rt中个体Rt(i)的强度；其中，Rt(i)为种群Rt中的第i个个体；

将种群Rt中的个体Rt(i)与环境状态变量平均值 组建输入样本利用式(29)计算样本Xi的原始适应度函数值，并作为个体Rt(i)的原始适应度函数值，以求取受个体支配的解的个数S(i)，根据受个体支配的解的个数S(i)通过式(34)获得个体Rt(i)的强度值R(i)；

S(i)＝|{j|xj∈Pk+A1,xif xj}|  (33)

步骤S852：利用种群Rt中个体Rt(i)与种群Rt中第b个邻近个体Rt(i)的距离值 通过式(35)计算个体Rt(i)的密度函数D(c)；

步骤S853：根据种群Rt中个体Rt(i)的强度R(i)与种群Rt中个体Rt(i)的密度值D(c)通过式(37)获得种群Rt中个体Rt(i)的适应值F(i)；

F(i)＝R(i)+D(i)  (37)步骤S854：在保持精英种群A2中个体的数量为 的情况下，将种群Rt中所有的非支配个体全部放入精英种群A2中；其中，如果精英种群A2中个体的数量小于 比较种群Rt中剩余

2 2

个体的适应值，选取适应值小的个体放入精英种群A中，直到精英种群A 中个体的数量为为止；如果精英种群A2中个体的数量大于 则在精英种群A2中比较个体的密度值D(c)，将密度值大的个体剔除，直到精英种群A2中个体的数量为 为止；

步骤S855：将精英种群A2中的个体放入交配池中进行遗传操作获得第二代父代种群P2。