基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的天然氣脫水裝置能耗優(yōu)化

摘 要

摘要 為了降低天然氣脫水過程中的能量消耗和操作成本,應(yīng)用工業(yè)流程模擬軟件ProMax建立了天然氣脫水裝置工藝模型,并應(yīng)用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)對(duì)ProMax模擬得出的數(shù)據(jù)

摘要 為了降低天然氣脫水過程中的能量消耗和操作成本,應(yīng)用工業(yè)流程模擬軟件ProMax建立了天然氣脫水裝置工藝模型,并應(yīng)用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)對(duì)ProMax模擬得出的數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè),再將上述BP神經(jīng)網(wǎng)絡(luò)模型并入遺傳算法(Genetic Algorithms,GA)中,從而建立起了基于BPGA的天然氣脫水裝置能耗優(yōu)化模型。應(yīng)用該能耗優(yōu)化模型對(duì)川渝地區(qū)某凈化廠內(nèi)600×104 m3d天然氣脫水裝置進(jìn)行了操作參數(shù)優(yōu)化。結(jié)果表明:在保證凈化氣產(chǎn)品質(zhì)量的前提下,該脫水裝置的能耗降低了l2.23%,經(jīng)濟(jì)效益明顯提高。該方法通用性強(qiáng),也可用于其他過程系統(tǒng)的操作參數(shù)優(yōu)化。

關(guān)鍵詞  天然氣脫水裝置  能耗優(yōu)化 ProMax模擬  BP神經(jīng)網(wǎng)絡(luò)  遺傳算法

天然氣凈化過程會(huì)消耗大量能源,這既造成了能源的浪費(fèi),又產(chǎn)生了環(huán)境污染,并增加了處理成本。因此,如何通過系統(tǒng)模擬與分析方法來確定天然氣凈化裝置的最優(yōu)操作條件,以降低天然氣處理過程的能量消耗和操作成本,提高石油企業(yè)的經(jīng)濟(jì)效益和市場(chǎng)競(jìng)爭(zhēng)力,已成為目前石油企業(yè)迫切需要解決的問題[1]

目前,天然氣脫水裝置主要采用設(shè)備節(jié)能技術(shù)改進(jìn)和引進(jìn)先進(jìn)工藝來降低裝置能耗[2]。然而,單一的設(shè)備節(jié)能技術(shù)只是關(guān)心了某些特定設(shè)備的能耗,沒有結(jié)合工藝流程和工藝操作兩方面對(duì)裝置能耗進(jìn)行最合理優(yōu)化。同時(shí),引進(jìn)先進(jìn)工藝的工程量太大,投資過高。因此,利用流程模擬的方法優(yōu)化操作參數(shù),從而對(duì)現(xiàn)有裝置進(jìn)行能耗優(yōu)化顯得十分重要。

ProMax(TSWEETPROSIM)是一個(gè)強(qiáng)大而靈活的流程模擬軟件,在天然氣加工處理行業(yè)得到了廣泛的應(yīng)用[3]。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)屬于前饋型神經(jīng)網(wǎng)絡(luò),是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,一個(gè)神經(jīng)網(wǎng)絡(luò)包含輸入層、中間層和輸出層,外界的輸入信息傳遞給中間層學(xué)習(xí)處理后,輸出層向外界輸出信息處理結(jié)果。BP神經(jīng)網(wǎng)絡(luò)算法具有較強(qiáng)的非線性能力、泛化能力和容錯(cuò)能力,因而能廣泛應(yīng)用于各種非線性問題的預(yù)測(cè)和逼近[4]。遺傳算法(Genetic Algorithms,簡(jiǎn)稱GA)是一種全局搜索算法,是模擬達(dá)爾文遺傳選擇和自然淘汰生物進(jìn)化過程的計(jì)算模型。因其具有簡(jiǎn)單、通用、穩(wěn)定性強(qiáng)、易于并行性的特點(diǎn),也廣泛應(yīng)用于工程設(shè)計(jì)的優(yōu)化[5]。

近年來,將BP神經(jīng)網(wǎng)絡(luò)和GA應(yīng)用到化工過程的優(yōu)化已經(jīng)有很多實(shí)例。但是,絕大多數(shù)的應(yīng)用都需要開發(fā)對(duì)應(yīng)過程的嚴(yán)格數(shù)學(xué)模型,從而模擬實(shí)際系統(tǒng),這樣不僅難度大而且非常耗時(shí)[6]。筆者以川渝地區(qū)某天然氣凈化廠內(nèi)的脫水裝置為例進(jìn)行了能耗優(yōu)化分析,應(yīng)用ProMax流程模擬軟件建立了天然氣脫水裝置工藝模型,大大簡(jiǎn)化了這一過程,同時(shí)利用基于BP神經(jīng)網(wǎng)絡(luò)和GA的能耗分析模型對(duì)關(guān)鍵操作參數(shù)進(jìn)行優(yōu)化,從而降低凈化過程的運(yùn)營(yíng)成本,提高天然氣凈化企業(yè)的經(jīng)濟(jì)效益。

1 基于GABP神經(jīng)網(wǎng)絡(luò)的脫水裝置能耗優(yōu)化模型

首先,以川渝地區(qū)某凈化廠內(nèi)600×104 m3d天然氣脫水裝置為對(duì)象,應(yīng)用ProMax流程模擬軟件建立脫水裝置模型,結(jié)合現(xiàn)場(chǎng)裝置實(shí)際運(yùn)行數(shù)據(jù)和ProMax模擬數(shù)據(jù),找出影響脫水裝置能耗的關(guān)鍵操作參數(shù)(優(yōu)化用的決策變量)和關(guān)鍵能耗點(diǎn)(優(yōu)化目標(biāo)),為進(jìn)行大量模擬提供依據(jù)。為了減少實(shí)驗(yàn)次數(shù),同時(shí)不影響分析的準(zhǔn)確性,通過均勻設(shè)計(jì)的實(shí)驗(yàn)設(shè)計(jì)方法列出關(guān)鍵操作參數(shù)實(shí)驗(yàn)表,利用已建立的脫水裝置ProMax 工藝模型進(jìn)行模擬,產(chǎn)生用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)的數(shù)據(jù),然后采用BP神經(jīng)網(wǎng)絡(luò)對(duì)模擬數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè),找出關(guān)鍵操作參數(shù)與能耗的非線性映射關(guān)系,接著在已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上,增加GA進(jìn)行優(yōu)化,在水露點(diǎn)和蒸汽用量符合要求的前提下,找出最小能耗值以及最小能耗值所對(duì)應(yīng)的最優(yōu)操作參數(shù)。圖1為基于BP神經(jīng)網(wǎng)絡(luò)和GA的天然氣脫水裝置能耗優(yōu)化框架圖。

 

2 天然氣脫水裝置的ProMax工藝模型

2.1 天然氣脫水裝置工藝流程簡(jiǎn)述

目前,國(guó)內(nèi)天然氣脫水主要采用三甘醇(TEG)脫水法,川渝地區(qū)某天然氣凈化廠600×104 m3d天然氣脫水裝置也采用典型的TEG脫水法脫除來自脫硫單元凈化濕氣中的水分,以降低天然氣的露點(diǎn)。表l為該天然氣脫水裝置的主要操作參數(shù)及干氣標(biāo)準(zhǔn)。圖2為該天然氣脫水裝置的工藝流程圖。

 

 

2.2 天然氣脫水裝置ProMax模型建立

基于天然氣脫水裝置的工藝流程,應(yīng)用ProMax流程模擬軟件建立脫水裝置工藝模型。圖3為基于ProMax建立的TEG脫水單元工藝模型圖。

 

在流程模擬中,針對(duì)TEG脫水工藝的特點(diǎn)選擇了PR(Peng-Robinson)物性包模型,PengRobinsonSPK方程基礎(chǔ)上做出了改進(jìn),提出PR方程[7],其具體形式為:

 

式中p為體系壓力,PaV為摩爾體積, m3;T為絕對(duì)溫度,K;R為氣體常數(shù),無量綱;a、b可表示為:

 

式中Tr=TTc,Tc為臨界溫度,K;Tr為絕對(duì)溫度和臨界溫度的比值;k可以表示為:

 

式中ω為偏心因子;是.是物質(zhì)的特征參數(shù)。

采用改進(jìn)的PR狀態(tài)方程研究高溫高壓下的物性,可以精確地模擬TEG水的氣液相平衡[8]。

2.3 ProMax模型驗(yàn)證

依據(jù)該天然氣脫水裝置的運(yùn)行數(shù)據(jù),將各原料氣及TEG的參數(shù)輸入脫水裝置工藝模型,調(diào)整模型各 個(gè)參數(shù),使模擬數(shù)據(jù)與實(shí)際運(yùn)行數(shù)據(jù)達(dá)到基本吻合,使輸出的凈化產(chǎn)品氣到達(dá)凈化干氣的氣質(zhì)標(biāo)準(zhǔn)。表2為實(shí)際運(yùn)行數(shù)據(jù)與ProMax模擬數(shù)據(jù)對(duì)比衷,據(jù)此來驗(yàn)證所建立ProMax模型的準(zhǔn)確性。

 

由表2可以看出,ProMax模擬數(shù)據(jù)與實(shí)際運(yùn)行參數(shù)十分接近,模擬的準(zhǔn)確性較高。這為下一步凈化裝置的用能優(yōu)化奠定了可靠的基礎(chǔ)。

2.4 優(yōu)化操作參數(shù)的選取

對(duì)整個(gè)脫水裝置而言,蒸汽消耗是最主要的能耗。通過ProMax模擬分析,綜合考慮裝置重點(diǎn)能耗及對(duì)產(chǎn)品氣質(zhì)的影響,找出決定蒸汽消耗量的3個(gè)關(guān)鍵參數(shù):TEG循環(huán)量、再生塔頂溫度及汽提氣的用量。

2.4.1 TEG循環(huán)量

當(dāng)天然氣原料氣處理量及組成一定時(shí),TEG循環(huán)量越大,則露點(diǎn)越低,但當(dāng)循環(huán)量上升到一定程度后,露點(diǎn)降的增加量明顯減少。而且循環(huán)量過大會(huì)導(dǎo)致重沸器超負(fù)荷運(yùn)行,因此,按照實(shí)際需要.每脫1kg水所需的TEG循環(huán)量一般介于2560 L[9]

2.4.2 再生塔底溫度

在常壓再生條件下,TEG濃度取決于重沸器的再生溫度,溫度越高,濃度就會(huì)越大,TEG的吸水效果就越好,處理后的產(chǎn)品氣質(zhì)量也越好,但是由于重沸器溫度高,能耗也較大[10]。TEG的熱分解溫度為206.7℃,一般再生溫度都控制在204.0以下,因而,在滿足產(chǎn)品氣質(zhì)量的前提下,盡量降低再生塔頂溫度是降低能耗的一個(gè)重點(diǎn)。

2.4.3 汽提氣用量

汽提氣的用量及其加注的位置應(yīng)根據(jù)TEG的濃度要求而有所不同,汽提氣的用量越大.再生后的TEG濃度就越高。

3 脫水裝置BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

ProMax模擬準(zhǔn)確性較高的基礎(chǔ)上,參考實(shí)際運(yùn)行工況下各操作參數(shù)值,為使所選數(shù)據(jù)有代表性,以TEG循環(huán)量、再生塔頂溫度及汽提氣的用量這3個(gè)關(guān)鍵操作參數(shù)為主要依據(jù),取其對(duì)應(yīng)實(shí)際運(yùn)行數(shù)據(jù)附近值的l21組數(shù)據(jù)進(jìn)行模擬。

建立BP神經(jīng)網(wǎng)絡(luò),以TEG循環(huán)量、再生塔頂溫度及汽提氣的用量為輸入量,將TEC再生塔底重沸器蒸汽用量和產(chǎn)品氣露點(diǎn)作為輸出量,選擇“tansig”和“logsig”函數(shù)作為傳遞函數(shù),選擇“traingdx”函數(shù)作為訓(xùn)練函數(shù)。通過已構(gòu)建的訓(xùn)練函數(shù)對(duì)ProMax模擬產(chǎn)生的ll5組數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練,調(diào)試程序到收斂為止。接著,構(gòu)建預(yù)測(cè)函數(shù)sim(net,P_test),對(duì)另外6組數(shù)據(jù)進(jìn)行預(yù)測(cè),將作為輸出量的蒸汽量和水露點(diǎn)的預(yù)測(cè)值與ProMax模擬值相比較,通過誤差值米評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確性。圖4為構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂圖。

 

 

由圖4可知BP神經(jīng)網(wǎng)絡(luò)的收斂性良好,說明程序的下一步預(yù)測(cè)有效。表3BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值的對(duì)比和誤差。

由表3數(shù)據(jù)可知,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值準(zhǔn)確性較高,蒸汽量和水露點(diǎn)兩項(xiàng)指標(biāo)的預(yù)測(cè)誤差都小于6%,這為下一步遺傳算法尋優(yōu)提供了可靠的基礎(chǔ)。

 

4 基于BP神經(jīng)網(wǎng)絡(luò)的GA能耗優(yōu)化模型

通過對(duì)天然氣脫水裝置的模擬分析,筆者以脫水裝置的能耗最小化為目標(biāo)。選擇在BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性較高的前提下,利用遺傳算法進(jìn)行尋優(yōu),目標(biāo)值為脫水裝置的標(biāo)準(zhǔn)能耗達(dá)到最低,條件為水的露點(diǎn)控制在-15℃以下。

選擇對(duì)脫水裝置能耗有明顯影響的TEG循環(huán)量(x1)、TEG再生器塔底重沸器溫度(x2)TEG再生器汽提氣用量(x3)作為決策變量。天然氣脫水裝置的能耗優(yōu)化模型町以描述為:

 

式中energ1y為脫水裝置的單位能耗值,單位為MJ104 m3;E1(x)E2(x)、E2(x)分別為TEG溶液循環(huán)泵用能、TEG再生器重沸器加熱量和汽提氣用量按發(fā)熱值折算的熱量;Q(x)為脫水裝置輸出凈化氣的流量。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性較高的基礎(chǔ)上,構(gòu)建遺傳算法程序。圖5為基于BP神經(jīng)網(wǎng)絡(luò)的GA能耗優(yōu)化模型框架圖。

 

設(shè)定種群規(guī)模為50,終止遺傳代數(shù)為l00,交叉因子為0.6,變異因子為0.3。種群中每個(gè)個(gè)體的基因(決策變量)通過訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)與GA程序的連接傳遞給BP神經(jīng)網(wǎng)絡(luò),當(dāng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)后通過接口傳遞給GAGA讀取BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的凈化氣組分信息判斷凈化氣是否滿足水露點(diǎn)低于-15℃的標(biāo)準(zhǔn),如滿足氣質(zhì)標(biāo)準(zhǔn),則讀取BP神經(jīng)網(wǎng)絡(luò)模型中各用能設(shè)備預(yù)測(cè)能耗數(shù)據(jù),按式(1)計(jì)算適應(yīng)度函數(shù)(目標(biāo)函數(shù)),否則將閾值(極大值)賦予該個(gè)體的適應(yīng)度值,以便在進(jìn)化過程中淘汰該個(gè)體。在這個(gè)優(yōu)化框架中,BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確性是整個(gè)流程順利運(yùn)行的關(guān)鍵。如果某個(gè)遺傳個(gè)體的基因(一組決策變量)不能通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出較準(zhǔn)確的值,則整個(gè)優(yōu)化程序?qū)⑹ヒ饬x。因此,應(yīng)調(diào)試BP神經(jīng)網(wǎng)絡(luò)程序的各參數(shù),使其預(yù)測(cè)值有較高的準(zhǔn)確性,并通過大量的ProMax模擬數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)程序訓(xùn)練。

5 問題討論

以現(xiàn)場(chǎng)運(yùn)行數(shù)據(jù)為依據(jù),確定各決策變量的變化范圍為:TEG循環(huán)量(z。)2 5004 500 kgh;TEG再生器塔底重沸器溫度(x1)1 80204℃TEG再生器汽提氣用量(x2)2060 m3h。通過均勻設(shè)計(jì)的實(shí)驗(yàn)方法來確定實(shí)驗(yàn)表,調(diào)試、運(yùn)行基于BPGA的能耗優(yōu)化模型。表4為各決策變量及凈化裝置單位能耗值優(yōu)化前后對(duì)比情況。

 

 

然后,分別在30、5080個(gè)種群規(guī)模下運(yùn)行優(yōu)化程序。表5所示為不同種群規(guī)模下各決策變量及凈化裝置單位能耗優(yōu)化值。

 

由表5可知,GA中的種群個(gè)數(shù)對(duì)優(yōu)化結(jié)果有明顯影響,但誤差較小,取各點(diǎn)平均值為最終優(yōu)化結(jié)果。其匯總每次運(yùn)行GA所得到的結(jié)果都有差別,這是由于GA的隨機(jī)性及決策變量操作空間的非凸非線性造成的[11]。

綜上可知,在優(yōu)化后的操作參數(shù)下運(yùn)行,凈化裝置單位能耗值比優(yōu)化前平均降低了l2.23%,TEG循環(huán)量比優(yōu)化前有明顯的降低,從而降低吸收劑的循環(huán)量和再生塔的能耗。汽提氣的用量基本保持不變,同時(shí),再生器重沸器的溫度明顯降低。再生器重沸器的溫度降低會(huì)減少熱量需求。

6 結(jié)束語(yǔ)

基于BP神經(jīng)網(wǎng)絡(luò)和GA建立了天然氣脫水裝置能耗優(yōu)化模型,該模型可以優(yōu)化天然氣脫水裝置的操作參數(shù),降低裝置的運(yùn)行能耗。首先,應(yīng)用ProMax流程模擬軟件建立脫水裝置的工藝模型,然后將ProMax的模擬數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè),并將基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的相應(yīng)適值函數(shù)并入GA中。應(yīng)用此優(yōu)化模型對(duì)川渝地區(qū)某天然氣凈化廠600×104 m3d天然氣脫水裝置用能進(jìn)行優(yōu)化,優(yōu)化結(jié)果表明:通過優(yōu)化脫水裝置操作條件,可以使脫水裝置單耗下降l2.23%,大大提高了脫水裝置的產(chǎn)品收益。該方法通用性強(qiáng),可用于其他過程系統(tǒng)的操作參數(shù)優(yōu)化。

 

參考文獻(xiàn)

[1] 坎貝爾J M.天然氣預(yù)處理和加工[M].北京:石油工業(yè)出版社,19909-11.

[2] 王樂,賈立民,付孟貴,等.天然氣脫水系統(tǒng)的技術(shù)改造[J].天然氣工業(yè),2005,25(8)123-124.

[3] KOHL A L,NIELSEN R B. Gas purification [M].HoustonGulf Publishing Company,l997.

[4] VILLIERS J D,BARNARD E. Back propagation neural nets with one and two hidden layers[J].Institute of Electrical and Electronic Engineers Transaction on Neural Net works,19934(1)l36-141.

[5] GOLDBERG D E. Genetic algorithms in search,optimization,and machine learning [M].I edition,Addison Wesley Professional,l989.

[6] 賈琴芳,劉洪杰,張莉,等.丘東1#天然氣處理裝置工藝優(yōu)化研究[J].石油與天然氣化丁,2009,38(5)386-389.

[7] 蔣洪,楊昌平,吳敏,等.天然氣三甘醇脫水裝置節(jié)能分析[J].石油與天然氣化工,2010,39(2)122-127.

[8] HURON M,VIDAL J. New mixing rules in simple equations of state for representing vapor-liquid equilibria of strongly nonideal mixtures[J].Fluid Phase Equilib,l979,110(3)255-271.

[9] CRAGG B A,PARKES R J,FRY J C,et al. Bacterial populations and processes in sediments containing gas hydrates[J].Earth and Planetary Science Letters.1996.139 (34)497-507.

[10] 劉麗,陳勇,康元熙,等.天然氣膜法脫水工業(yè)過程開發(fā)[J].石油化工,200130(4)302-304.

[11] YALCINOZ T. Power economic dispatch using a hybrid genetic algorithm [J].Institute of Electrical and Electronic Engineers Power Engineering Review,20012(3)59-60.

 

本文作者:胡世鵬吳小林 馬利敏 方傳統(tǒng) 李奇 張麗紅

作者單位:中國(guó)石油大學(xué)(北京)化學(xué)工程學(xué)院   中國(guó)石化中原油田普光分公司天然氣凈化廠