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，并應用BP(Back Propagation)神經(jīng)網(wǎng)絡對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，并應用BP(Back Propagation)神經(jīng)網(wǎng)絡對ProMax模擬得出的數(shù)據(jù)進行訓練和預測，再將上述BP神經(jīng)網(wǎng)絡模型并入遺傳算法(Genetic Algorithms，GA)中，從而建立起了基于BP和GA的天然氣脫水裝置能耗優(yōu)化模型。應用該能耗優(yōu)化模型對川渝地區(qū)某凈化廠內(nèi)600×10⁴ m³／d天然氣脫水裝置進行了操作參數(shù)優(yōu)化。結果表明：在保證凈化氣產(chǎn)品質量的前提下，該脫水裝置的能耗降低了l2.23％，經(jīng)濟效益明顯提高。該方法通用性強，也可用于其他過程系統(tǒng)的操作參數(shù)優(yōu)化。

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

天然氣凈化過程會消耗大量能源，這既造成了能源的浪費，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)濟效益和市場競爭力，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備節(jié)能技術改進和引進先進工藝來降低裝置能耗^[2]。然而，單一的設備節(jié)能技術只是關心了某些特定設備的能耗，沒有結合工藝流程和工藝操作兩方面對裝置能耗進行最合理優(yōu)化。同時，引進先進工藝的工程量太大，投資過高。因此，利用流程模擬的方法優(yōu)化操作參數(shù)，從而對現(xiàn)有裝置進行能耗優(yōu)化顯得十分重要。

ProMax(原TSWEET和PROSIM)是一個強大而靈活的流程模擬軟件，在天然氣加工處理行業(yè)得到了廣泛的應用^[3]。BP(Back Propagation)神經(jīng)網(wǎng)絡屬于前饋型神經(jīng)網(wǎng)絡，是一種神經(jīng)網(wǎng)絡學習算法，一個神經(jīng)網(wǎng)絡包含輸入層、中間層和輸出層，外界的輸入信息傳遞給中間層學習處理后，輸出層向外界輸出信息處理結果。BP神經(jīng)網(wǎng)絡算法具有較強的非線性能力、泛化能力和容錯能力，因而能廣泛應用于各種非線性問題的預測和逼近^[4]。遺傳算法(Genetic Algorithms，簡稱GA)是一種全局搜索算法，是模擬達爾文遺傳選擇和自然淘汰生物進化過程的計算模型。因其具有簡單、通用、穩(wěn)定性強、易于并行性的特點，也廣泛應用于工程設計的優(yōu)化^[5]。

近年來，將BP神經(jīng)網(wǎng)絡和GA應用到化工過程的優(yōu)化已經(jīng)有很多實例。但是，絕大多數(shù)的應用都需要開發(fā)對應過程的嚴格數(shù)學模型，從而模擬實際系統(tǒng)，這樣不僅難度大而且非常耗時^[6]。筆者以川渝地區(qū)某天然氣凈化廠內(nèi)的脫水裝置為例進行了能耗優(yōu)化分析，應用ProMax流程模擬軟件建立了天然氣脫水裝置工藝模型，大大簡化了這一過程，同時利用基于BP神經(jīng)網(wǎng)絡和GA的能耗分析模型對關鍵操作參數(shù)進行優(yōu)化，從而降低凈化過程的運營成本，提高天然氣凈化企業(yè)的經(jīng)濟效益。

1 基于GA與BP神經(jīng)網(wǎng)絡的脫水裝置能耗優(yōu)化模型

首先，以川渝地區(qū)某凈化廠內(nèi)600×10⁴ m³／d天然氣脫水裝置為對象，應用ProMax流程模擬軟件建立脫水裝置模型，結合現(xiàn)場裝置實際運行數(shù)據(jù)和ProMax模擬數(shù)據(jù)，找出影響脫水裝置能耗的關鍵操作參數(shù)(優(yōu)化用的決策變量)和關鍵能耗點(優(yōu)化目標)，為進行大量模擬提供依據(jù)。為了減少實驗次數(shù)，同時不影響分析的準確性，通過均勻設計的實驗設計方法列出關鍵操作參數(shù)實驗表，利用已建立的脫水裝置ProMax 工藝模型進行模擬，產(chǎn)生用于BP神經(jīng)網(wǎng)絡訓練和預測的數(shù)據(jù)，然后采用BP神經(jīng)網(wǎng)絡對模擬數(shù)據(jù)進行訓練和預測，找出關鍵操作參數(shù)與能耗的非線性映射關系，接著在已訓練好的BP神經(jīng)網(wǎng)絡模型基礎上，增加GA進行優(yōu)化，在水露點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應的最優(yōu)操作參數(shù)。圖1為基于BP神經(jīng)網(wǎng)絡和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述

目前，國內(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 m³／d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。表l為該天然氣脫水裝置的主要操作參數(shù)及干氣標準。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TEG脫水工藝的特點選擇了PR(Peng-Robinson)物性包模型，Peng和Robinson在SPK方程基礎上做出了改進，提出PR方程^[7]，其具體形式為：

 

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

 

式中T_r=T／T_c，T_c為臨界溫度，K；T_r為絕對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.是物質的特征參數(shù)。

采用改進的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模型驗證

依據(jù)該天然氣脫水裝置的運行數(shù)據(jù)，將各原料氣及TEG的參數(shù)輸入脫水裝置工藝模型，調整模型各 個參數(shù)，使模擬數(shù)據(jù)與實際運行數(shù)據(jù)達到基本吻合，使輸出的凈化產(chǎn)品氣到達凈化干氣的氣質標準。表2為實際運行數(shù)據(jù)與ProMax模擬數(shù)據(jù)對比衷，據(jù)此來驗證所建立ProMax模型的準確性。

 

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

2.4 優(yōu)化操作參數(shù)的選取

對整個脫水裝置而言，蒸汽消耗是最主要的能耗。通過ProMax模擬分析，綜合考慮裝置重點能耗及對產(chǎn)品氣質的影響，找出決定蒸汽消耗量的3個關鍵參數(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

當天然氣原料氣處理量及組成一定時，TEG循環(huán)量越大，則露點越低，但當循環(huán)量上升到一定程度后，露點降的增加量明顯減少。而且循環(huán)量過大會導致重沸器超負荷運行，因此，按照實際需要.每脫1kg水所需的TEG循環(huán)量一般介于25～60 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，濃度就會越大，TEG的吸水效果就越好，處理后的產(chǎn)品氣質量也越好，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)品氣質量的前提下，盡量降低再生塔頂溫度是降低能耗的一個重點。

2.4.3 汽提氣用量

汽提氣的用量及其加注的位置應根據(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)絡預測模型

在ProMax模擬準確性較高的基礎上，參考實際運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個關鍵操作參數(shù)為主要依據(jù)，取其對應實際運行數(shù)據(jù)附近值的l21組數(shù)據(jù)進行模擬。

建立BP神經(jīng)網(wǎng)絡，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)作為訓練函數(shù)。通過已構建的訓練函數(shù)對ProMax模擬產(chǎn)生的ll5組數(shù)據(jù)進行學習訓練，調試程序到收斂為止。接著，構建預測函數(shù)sim(net，P_test)，對另外6組數(shù)據(jù)進行預測，將作為輸出量的蒸汽量和水露點的預測值與ProMax模擬值相比較，通過誤差值米評價BP神經(jīng)網(wǎng)絡的預測準確性。圖4為構建的BP神經(jīng)網(wǎng)絡訓練收斂圖。

 

 

由圖4可知BP神經(jīng)網(wǎng)絡的收斂性良好，說明程序的下一步預測有效。表3為BP神經(jīng)網(wǎng)絡預測值與實際值的對比和誤差。

由表3數(shù)據(jù)可知，BP神經(jīng)網(wǎng)絡預測值準確性較高，蒸汽量和水露點兩項指標的預測誤差都小于6％，這為下一步遺傳算法尋優(yōu)提供了可靠的基礎。

 

4 基于BP神經(jīng)網(wǎng)絡的GA能耗優(yōu)化模型

通過對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。選擇在BP神經(jīng)網(wǎng)絡預測準確性較高的前提下，利用遺傳算法進行尋優(yōu)，目標值為脫水裝置的標準能耗達到最低，條件為水的露點控制在-15℃以下。

選擇對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)和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MJ／10⁴ 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。

在BP神經(jīng)網(wǎng)絡預測準確性較高的基礎上，構建遺傳算法程序。圖5為基于BP神經(jīng)網(wǎng)絡的GA能耗優(yōu)化模型框架圖。

 

設定種群規(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。種群中每個個體的基因(決策變量)通過訓練好的BP神經(jīng)網(wǎng)絡與GA程序的連接傳遞給BP神經(jīng)網(wǎng)絡，當BP神經(jīng)網(wǎng)絡預測后通過接口傳遞給GA。GA讀取BP神經(jīng)網(wǎng)絡模型預測的凈化氣組分信息判斷凈化氣是否滿足水露點低于-15℃的標準，如滿足氣質標準，則讀取BP神經(jīng)網(wǎng)絡模型中各用能設備預測能耗數(shù)據(jù)，按式(1)計算適應度函數(shù)(目標函數(shù))，否則將閾值(極大值)賦予該個體的適應度值，以便在進化過程中淘汰該個體。在這個優(yōu)化框架中，BP神經(jīng)網(wǎng)絡模型的預測準確性是整個流程順利運行的關鍵。如果某個遺傳個體的基因(一組決策變量)不能通過BP神經(jīng)網(wǎng)絡預測出較準確的值，則整個優(yōu)化程序將失去意義。因此，應調試BP神經(jīng)網(wǎng)絡程序的各參數(shù)，使其預測值有較高的準確性，并通過大量的ProMax模擬數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡程序訓練。

5 問題討論

以現(xiàn)場運行數(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。)為2 500～4 500 kg／h；TEG再生器塔底重沸器溫度(x₁)為1 80～204℃；TEG再生器汽提氣用量(x₂)為20～60 m³／h。通過均勻設計的實驗方法來確定實驗表，調試、運行基于BP和GA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)化前后對比情況。

 

 

然后，分別在30、50和80個種群規(guī)模下運行優(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中的種群個數(shù)對優(yōu)化結果有明顯影響，但誤差較小，取各點平均值為最終優(yōu)化結果。其匯總每次運行GA所得到的結果都有差別，這是由于GA的隨機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，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減少熱量需求。

6 結束語

基于BP神經(jīng)網(wǎng)絡和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)，降低裝置的運行能耗。首先，應用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)進行BP神經(jīng)網(wǎng)絡訓練和預測，并將基于BP神經(jīng)網(wǎng)絡預測的相應適值函數(shù)并入GA中。應用此優(yōu)化模型對川渝地區(qū)某天然氣凈化廠600×10⁴ m³／d天然氣脫水裝置用能進行優(yōu)化，優(yōu)化結果表明：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，可用于其他過程系統(tǒng)的操作參數(shù)優(yōu)化。

 

參考文獻

[1] 坎貝爾J M.天然氣預處理和加工[M].北京：石油工業(yè)出版社，1990：9-11.

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

[3] KOHL A L，NIELSEN R B. Gas purification [M].Houston：Gulf 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，1993，4(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 (3／4)：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，2001，30(4)：302-304.

[11] YALCINOZ T. Power economic dispatch using a hybrid genetic algorithm [J].Institute of Electrical and Electronic Engineers Power Engineering Review，2001，2(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：中國石油大學(北京)化學工程學院   中國石化中原油田普光分公司天然氣凈化廠