一种LNG液化过程智能监测与运行优化方法及系统

技术领域

本发明涉及一种LNG液化技术领域，特别是关于一种基于机器学习的LNG液化过程智能监测与运行优化方法及系统。

背景技术

天然气通常采用液化的方法来解决其在长途运输、大量储存和使用过程中存在的诸多不便，这不仅极大降低了天然气的运输成本、促进了清洁能源的利用，同时还有效加速了天然气工业技术的发展。天然气液化是通过超低温工艺将常压天然气温度降至-162℃从而转变为液体的过程，液态天然气也称为LNG。然而，需要说明的是，LNG工艺过程设备众多、流程复杂，且需要消耗大量的能量，其运行成本往往占总成本的40％以上；另外，天然气和降温过程所用的制冷剂都属于可燃气体，易燃易爆，需要及时了解其运行状态。因此，LNG过程的运行状态进行准确、可靠的监测，以及和优化操作、提升液化效率和降低运行成本是十分迫切和必要的。

现有LNG工厂在建造前多经过专业工艺设计或建成后技术改造的方式，使系统在设计最佳工况下保持一定的运行能耗，而后期运行多基于操作工人的运行经验，针对不同的工况采取相应的操作，从而产生节能效果。这样会存在以下问题：由于实际运行过程中，天然气参数和外界环境的参数都是随时间变化的，无法始终在设计的最佳工况下运行，因而在偏离设计工况下的运行节能效果较差，运行操作也多基于工人的经验，且针对季节和周围环境影响因素的措施较少，LNG系统无法达到整体能耗最优。

发明内容

针对上述问题，本发明的目的是提供一种基于机器学习的LNG液化过程智能监测与运行优化方法及系统，其可以适应各种负荷和环境条件下的运行优化需求，实时反馈操作建议给运行人员或控制到设备，使LNG系统达到能耗最优运行状态。

为实现上述目的，本发明采取以下技术方案：一种LNG液化过程智能监测与运行优化方法，其包括：与LNG工厂DCS控制系统建立网络通信，收集液化系统传感器和环境传感器数据，并对LNG系统运行状态和各关键设备运行数据进行实时监测；利用收集的LNG系统运行数据，通过机器学习预测方法对压缩机、换热器、节流阀、分离器建立物理过程预测模型；基于物理过程预测模型的预测结果，利用收集的LNG系统运行数据，建立基于系统能耗、压缩机频率、冷剂节流阀开度、冷剂流量、天然气进出口参数、冷剂组分配比的运行优化模型，并进行能耗最优化求解，求解出整体能耗最优的压缩机运行频率、冷剂流量、冷剂组分配比和节流阀开度；将求解得到的整体能耗最优对应的数据与优化操作建议接近的历史相似工况进行比对，根据比对结果输出操作参数至DCS控制系统，最后传递给液化系统设备PLC控制器，使LNG系统达到能耗最优运行状态。

进一步，所述与LNG工厂DCS控制系统建立网络通信，包括：通过OPC或MODBUS协议与LNG工厂DCS控制系统建立网络通信，获取运行数据。

进一步，所述通过机器学习预测方法对压缩机、换热器、节流阀、分离器建立物理过程预测模型，包括：

所述机器学习预测方法采用深度神经网络、深度循环神经网络、多项式回归中的一种或多种；

建立的所述物理过程预测模型包括压缩机能耗预测模块、换热器出口温度预测模块、节流阀出口温度预测模块，气液分离器出口两相流量预测模块；分别用于预测压缩机能耗、换热器冷剂和天然气出口温度、节流阀出口冷剂温度以及分离器出口气液和液相冷剂流量。

进一步，所述能耗最优化求解包括：

采用能耗最优求解方法建立能耗最优求解模块进行求解；

所述能耗最优求解模块的输入为天然气入口流量、压力和温度及环境温度；

所述能耗最优求解模块的输出为压缩机频率、节流阀开度、冷剂组分配比及冷剂流量；

设置所述能耗最优求解模块中的约束条件：将水冷却器冷却负荷可调范围，压缩机轴功率可调范围、压缩机非喘振区、进口过热度允许范围、液化天然气出口温度允许范围作为约束条件，所求解的最优运行工况满足约束条件范围。

进一步，所述将求解得到的整体能耗最优对应的数据与优化操作建议接近的历史相似工况进行比对，包括：

比对数据为系统总能耗、天然气温度、压力和流量参数、压缩机调频参数以及节流阀开度参数；

若比对结果小于设定的阈值，则认为操作安全。

一种LNG液化过程智能监测与运行优化系统，该系统用于实现上述LNG液化过程智能监测与运行优化方法，该系统包括：LNG系统传感器，用于获取液化系统各主要设备运行状态数据及天然气数据，并传输至DCS控制系统；环境传感器，用于获取天气环境数据，并传输至所述DCS控制系统；数据收集单元，与所述DCS控制系统连接，用于接收所述DCS控制系统传输至的数据信息；数据分析单元，与所述数据收集单元连接接收数据，并对接收数据进行分析处理后得到的操作指令传输至所述DCS控制系统；液化系统PLC控制器单元，用于接收所述DCS控制系统传输至的操作指令，使LNG系统达到能耗最优运行状态。

进一步，所述环境传感器包括温度传感器和湿度传感器。

进一步，所述液化系统传感器包括设置在系统上各主要设备进出口的温度传感器、压力/压差传感器、组分分析仪、流量传感器、阀门开度传感器、电流传感器、频率传感器和转速传感器。

进一步，所述数据分析单元通过OPC或MODBUS协议与所述DCS控制系统连接，所述DCS控制系统设置在LNG工业现场。

进一步，所述液化系统PLC控制器单元包括压缩机PLC控制器、流量调节阀PLC控制器、冷剂充注阀门PLC控制器和节流阀PLC控制器。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明可针对各种运行负荷和天然气参数条件下进行优化，适用性强。

2、本发明摆脱了对工艺优化软件过度依赖，也不需要操作人员积累经验，可以智能化的给出运行操作建议。

3、本发明不局限于单一的液化工艺，通用性强。

附图说明

图1是本发明实施例中的液化天然气液化系统结构示意图；

图2是本发明实施例中的基于机器学习的模块化系统结构示意图；

图3是本发明一个实施例中的出口温度预测示意图；

图4是本发一个实施例中的压缩机功耗预测示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

由于LNG工艺过程主要由压缩机、换热器、节流阀和水冷却系统组成，如图1所示。冷却剂首先经通过压缩机增加，再经水冷却系统降温，然后进入换热器节流蒸发并与原料天然气换热，天然气降温后液化，冷却剂吸热后蒸发，然后再进入压缩机进行循环，如此反复循环生产液化天然气。本发明基于机器学习能够实时监测液化系统运行状态，并给优化操作建议，能使液化系统达到整体能耗最优。

本发明提供一种基于机器学习的LNG液化过程智能监测与运行优化方法及系统，通过与LNG工业现场DCS控制系统建立网络连接，获取液化系统传感器和环境传感器数据，实现在线监测液化工厂实时运行状态；通过对采集监测得到的数据进行机器学习预测，预测出在不同天然气参数(温度、压力和流量)、不同季节环境(环境温度)和不同操作参数(阀门开度、冷剂配比、冷剂流量)条件下，液化系统关键设备(压缩机、换热器和节流阀等)在不同环境参数、不同运行负荷和操作策略条件下的主要运行参数；通过机器学习优化算法对液化系统运行能耗进行分析，求解出能耗最优的操作参数，获得液化系统能耗最优的冷剂流量、冷剂组分配比、冷却水温度、压缩机频率和阀门开度等操作指导参数，实时反馈操作建议或经安全判断后直接输出操作参数到DCS控制系统，使LNG系统达到能耗最优运行状态。

在本发明的一个实施例中，提供一种LNG液化过程智能监测与运行优化方法。本实施例中，如图2所示，该方法包括以下步骤：

1)与LNG工厂DCS控制系统建立网络通信，收集液化系统传感器和环境传感器数据，并对LNG系统运行状态和各关键设备运行数据进行实时监测；

2)利用收集的LNG系统运行数据，通过机器学习预测方法对压缩机、换热器、节流阀、分离器建立物理过程预测模型；

3)基于物理过程预测模型的预测结果，利用收集的LNG系统运行数据，建立基于系统能耗、压缩机频率、冷剂节流阀开度、冷剂流量、天然气进出口参数、冷剂组分配比的运行优化模型(即能耗优化模型)，并进行能耗最优化求解，求解出整体能耗最优的压缩机运行频率、冷剂流量、冷剂组分配比和节流阀开度；

4)将求解得到的整体能耗最优对应的数据与优化操作建议接近的历史相似工况进行比对，根据比对结果输出操作参数至DCS控制系统，最后传递给液化系统设备PLC控制器，使LNG系统达到能耗最优运行状态。

上述步骤1)中，与LNG工厂DCS控制系统建立网络通信，包括：通过OPC或MODBUS协议与LNG工厂DCS控制系统建立网络通信，获取运行数据。

在本实施例中，环境传感器获得的数据包括液化系统周围环境温度和湿度；液化系统关键设备包括但不限于压缩机、换热器、水冷却系统、气液分离器、节流阀；运行状态数据内容包括但不限于温度、压力/压降、流量、冷剂组分配比、转速、频率、阀门开度、电流、电压和功率。

上述步骤2)中，通过机器学习预测方法对压缩机、换热器、节流阀、分离器建立物理过程预测模型，其中，机器学习预测方法采用深度神经网络、深度循环神经网络、多项式回归中的一种或多种；

建立的物理过程预测模型包括压缩机能耗预测模块、换热器出口温度预测模块、节流阀出口温度预测模块，气液分离器出口两相流量预测模块；分别用于预测压缩机能耗、换热器冷剂和天然气出口温度、节流阀出口冷剂温度以及分离器出口气液和液相冷剂流量。

在本实施例中，压缩机能耗预测模块的输入包括但不限于：冷剂流量、冷剂组分配比、冷剂进出口压力、冷却器出水温度，根据前述输入预测压缩机能耗。

换热器出口温度预测模块的输入包括但不限于：气相冷剂流量、温度、压力，液相冷剂流量、温度和压力及节流后温度，换热面积，天然气进口流量、温度、压力，根据前述输入预测换热器冷剂和天然气出口温度。

节流阀出口温度预测模块的输入包括但不限于：节流阀前冷剂压力、温度、组分配比及节流阀后冷剂压力，根据前述输入预测节流阀出口冷剂温度。

气液分离器出口两相流量预测模块的输入包括但不限于：进口冷剂压力、温度、流量及组分配比，根据前述输入预测分离器出口气液和液相冷剂流量。

上述步骤3)中，系统能耗为压缩机能耗、水冷却系统能耗和冷剂泵能耗之和。能耗最优化求解采用能耗最优求解方法建立能耗最优求解模块进行求解；其中：

能耗最优求解模块的输入为天然气入口流量、压力和温度及环境温度；

能耗最优求解模块的输出为压缩机频率、节流阀开度、冷剂组分配比及冷剂流量；

设置能耗最优求解模块中的约束条件：将水冷却器冷却负荷可调范围，压缩机轴功率可调范围、压缩机非喘振区、进口过热度允许范围、液化天然气出口温度允许范围作为约束条件，即所求解的最优运行工况满足约束条件范围。

在本实施例中，能耗最优求解方法包括但不限于：模拟退火算法、遗传算法、蚁群算法的一种或多种。

上述步骤4)中，将求解得到的整体能耗最优对应的数据与优化操作建议接近的历史相似工况进行比对，具体为：

比对数据为系统总能耗、天然气温度、压力和流量参数、压缩机调频参数以及节流阀开度参数；

若比对结果小于设定的阈值，则认为操作安全。

在本发明的一个实施例中，提供一种LNG液化过程智能监测与运行优化系统，该系统用于实现上述各实施例中的LNG液化过程智能监测与运行优化方法。该系统包括：

LNG系统传感器，用于获取液化系统各主要设备运行状态数据及天然气数据，并传输至DCS控制系统；

环境传感器，用于获取天气环境数据，并传输至DCS控制系统；

数据收集单元，与DCS控制系统连接，用于接收DCS控制系统传输至的数据信息；

数据分析单元，与数据收集单元连接接收数据，并对接收数据进行分析处理后得到的操作指令传输至DCS控制系统；其中，操作指令为能耗优化参数；

液化系统PLC控制器单元，用于接收DCS控制系统传输至的操作指令，使LNG系统达到能耗最优运行状态。

上述实施例中，环境传感器包括温度传感器和湿度传感器。

上述实施例中，液化系统传感器包括设置在系统上各主要设备进出口的温度传感器、压力/压差传感器、组分分析仪、流量传感器、阀门开度传感器、电流传感器、频率传感器和转速传感器。

上述实施例中，数据分析单元通过OPC或MODBUS协议与DCS控制系统连接，DCS控制系统设置在LNG工业现场。数据分析单元包括状态监测、机器学习预测、能耗最优求解和安全判断功能。状态监测主要用于实时显示换热器系统运行参数及各设备进出口参数；机器学习用于学习历史数据，进行预测；能耗最优求解用于计算当前系统左右操作参数；安全判断用于判断优化操作建议是否安全。

其中，安全判断为：对比与优化操作建议接近的历史相似工况，对比数据包括但不限于：系统总能耗，天然气温度、压力和流量参数，压缩机调频参数，节流阀开度参数。若对比结果小于设定的阈值，即认为操作安全，其中设定的阈值由操作用户自行定义。

上述实施例中，液化系统PLC控制器单元包括但不限于压缩机PLC控制器、流量调节阀PLC控制器、冷剂充注阀门PLC控制器和节流阀PLC控制器。

综上，本发明在使用时，通过优化系统的监测界面，可实时监测液化系统运行状态，包括系统能耗、LNG产量和系统各设备运行参数，能耗数据包括系统总能耗、单位液化能耗，系统各设备运行参数包括：冷剂循环流量、天然气进出口参数和节流阀开度等。而且优化系统的优化界面，可实时给出优化操作建议，界面上给出的优化操作建议包括冷剂循环流量、压缩机频率、阀门开度，给出的操作建议可以使压缩机能耗减少267kW。

如图3和图4所示，分别为部分实施例中换热器液化段节流阀出口温度和冷剂压缩机能耗预测值与实测值时间曲线。图中，LNG工厂采用三级混合制冷循环工艺，设计产能30万方/天，采用螺旋绕管式换热器，原料气温度31-34℃、压力4.2-4.3bar、流量5800-5900m

本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。