摘要为了降低天然气脱水过程中的能量消耗和操作成本，应用工业流程模拟软件ProMax建立了天然气脱水装置工艺模型，并应用BP(BackPropagation)神经网络对ProMax模拟得出的数据
摘要为了降低天然气脱水过程中的能量消耗和操作成本，应用工业流程模拟软件ProMax建立了天然气脱水装置工艺模型，并应用BP(BackPropagation)神经网络对ProMax模拟得出的数据进行训练和预测，再将上述BP神经网络模型并入遗传算法(GeneticAlgorithms，GA)中，从而建立起了基于BP和GA的天然气脱水装置能耗优化模型。应用该能耗优化模型对川渝地区某净化厂内600×104m3／d天然气脱水装置进行了操作参数优化。结果表明：在保证净化气产品质量的前提下，该脱水装置的能耗降低了l2.23％，经济效益明显提高。该方法通用性强，也可用于其他过程系统的操作参数优化。
关键词天然气脱水装置能耗优化ProMax模拟BP神经网络遗传算法
天然气净化过程会消耗大量能源，这既造成了能源的浪费，又产生了环境污染，并增加了处理成本。因此，如何通过系统模拟与分析方法来确定天然气净化装置的最优操作条件，以降低天然气处理过程的能量消耗和操作成本，提高石油企业的经济效益和市场竞争力，已成为目前石油企业迫切需要解决的问题[1]。
目前，天然气脱水装置主要采用设备节能技术改进和引进先进工艺来降低装置能耗[2]。然而，单一的设备节能技术只是关心了某些特定设备的能耗，没有结合工艺流程和工艺操作两方面对装置能耗进行最合理优化。同时，引进先进工艺的工程量太大，投资过高。因此，利用流程模拟的方法优化操作参数，从而对现有装置进行能耗优化显得十分重要。
ProMax(原TSWEET和PROSIM)是一个强大而灵活的流程模拟软件，在天然气加工处理行业得到了广泛的应用[3]。BP(BackPropagation)神经网络属于前馈型神经网络，是一种神经网络学习算法，一个神经网络包含输入层、中间层和输出层，外界的输入信息传递给中间层学习处理后，输出层向外界输出信息处理结果。BP神经网络算法具有较强的非线性能力、泛化能力和容错能力，因而能广泛应用于各种非线性问题的预测和逼近[4]。遗传算法(GeneticAlgorithms，简称GA)是一种全局搜索算法，是模拟达尔文遗传选择和自然淘汰生物进化过程的计算模型。因其具有简单、通用、稳定性强、易于并行性的特点，也广泛应用于工程设计的优化[5]。
近年来，将BP神经网络和GA应用到化工过程的优化已经有很多实例。但是，绝大多数的应用都需要开发对应过程的严格数学模型，从而模拟实际系统，这样不仅难度大而且非常耗时[6]。笔者以川渝地区某天然气净化厂内的脱水装置为例进行了能耗优化分析，应用ProMax流程模拟软件建立了天然气脱水装置工艺模型，大大简化了这一过程，同时利用基于BP神经网络和GA的能耗分析模型对关键操作参数进行优化，从而降低净化过程的运营成本，提高天然气净化企业的经济效益。
1基于GA与BP神经网络的脱水装置能耗优化模型
首先，以川渝地区某净化厂内600×104m3／d天然气脱水装置为对象，应用ProMax流程模拟软件建立脱水装置模型，结合现场装置实际运行数据和ProMax模拟数据，找出影响脱水装置能耗的关键操作参数(优化用的决策变量)和关键能耗点(优化目标)，为进行大量模拟提供依据。为了减少实验次数，同时不影响分析的准确性，通过均匀设计的实验设计方法列出关键操作参数实验表，利用已建立的脱水装置ProMax工艺模型进行模拟，产生用于BP神经网络训练和预测的数据，然后采用BP神经网络对模拟数据进行训练和预测，找出关键操作参数与能耗的非线性映射关系，接着在已训练好的BP神经网络模型基础上，增加GA进行优化，在水露点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对应的最优操作参数。图1为基于BP神经网络和GA的天然气脱水装置能耗优化框架图。
2天然气脱水装置的ProMax工艺模型
2.1天然气脱水装置工艺流程简述
目前，国内天然气脱水主要采用三甘醇(TEG)脱水法，川渝地区某天然气净化厂600×104m3／d天然气脱水装置也采用典型的TEG脱水法脱除来自脱硫单元净化湿气中的水分，以降低天然气的露点。表l为该天然气脱水装置的主要操作参数及干气标准。图2为该天然气脱水装置的工艺流程图。
2.2天然气脱水装置ProMax模型建立
基于天然气脱水装置的工艺流程，应用ProMax流程模拟软件建立脱水装置工艺模型。图3为基于ProMax建立的TEG脱水单元工艺模型图。
在流程模拟中，针对TEG脱水工艺的特点选择了PR(Peng-Robinson)物性包模型，Peng和Robinson在SPK方程基础上做出了改进，提出PR方程[7]，其具体形式为：
式中p为体系压力，Pa；V为摩尔体积，m3；T为绝对温度，K；R为气体常数，无量纲；a、b可表示为：
式中Tr=T／Tc，Tc为临界温度，K；Tr为绝对温度和临界温度的比值；k可以表示为：
式中ω为偏心因子；是.是物质的特征参数。
采用改进的PR状态方程研究高温高压下的物性，可以精确地模拟TEG水的气液相平衡[8]。
2.3ProMax模型验证
依据该天然气脱水装置的运行数据，将各原料气及TEG的参数输入脱水装置工艺模型，调整模型各个参数，使模拟数据与实际运行数据达到基本吻合，使输出的净化产品气到达净化干气的气质标准。表2为实际运行数据与ProMax模拟数据对比衷，据此来验证所建立ProMax模型的准确性。
由表2可以看出，ProMax模拟数据与实际运行参数十分接近，模拟的准确性较高。这为下一步净化装置的用能优化奠定了可靠的基础。
2.4优化操作参数的选取
对整个脱水装置而言，蒸汽消耗是最主要的能耗。通过ProMax模拟分析，综合考虑装置重点能耗及对产品气质的影响，找出决定蒸汽消耗量的3个关键参数：TEG循环量、再生塔顶温度及汽提气的用量。
2.4.1TEG循环量
当天然气原料气处理量及组成一定时，TEG循环量越大，则露点越低，但当循环量上升到一定程度后，露点降的增加量明显减少。而且循环量过大会导致重沸器超负荷运行，因此，按照实际需要.每脱1kg水所需的TEG循环量一般介于25～60L[9]。
2.4.2再生塔底温度
在常压再生条件下，TEG浓度取决于重沸器的再生温度，温度越高，浓度就会越大，TEG的吸水效果就越好，处理后的产品气质量也越好，但是由于重沸器温度高，能耗也较大[10]。TEG的热分解温度为206.7℃，一般再生温度都控制在204.0℃以下，因而，在满足产品气质量的前提下，尽量降低再生塔顶温度是降低能耗的一个重点。
2.4.3汽提气用量
汽提气的用量及其加注的位置应根据TEG的浓度要求而有所不同，汽提气的用量越大.再生后的TEG浓度就越高。
3脱水装置BP神经网络预测模型
在ProMax模拟准确性较高的基础上，参考实际运行工况下各操作参数值，为使所选数据有代表性，以TEG循环量、再生塔顶温度及汽提气的用量这3个关键操作参数为主要依据，取其对应实际运行数据附近值的l21组数据进行模拟。
建立BP神经网络，以TEG循环量、再生塔顶温度及汽提气的用量为输入量，将TEC再生塔底重沸器蒸汽用量和产品气露点作为输出量，选择“tansig”和“logsig”函数作为传递函数，选择“traingdx”函数作为训练函数。通过已构建的训练函数对ProMax模拟产生的ll5组数据进行学习训练，调试程序到收敛为止。接着，构建预测函数sim(net，P_test)，对另外6组数据进行预测，将作为输出量的蒸汽量和水露点的预测值与ProMax模拟值相比较，通过误差值米评价BP神经网络的预测准确性。图4为构建的BP神经网络训练收敛图。
由图4可知BP神经网络的收敛性良好，说明程序的下一步预测有效。表3为BP神经网络预测值与实际值的对比和误差。
由表3数据可知，BP神经网络预测值准确性较高，蒸汽量和水露点两项指标的预测误差都小于6％，这为下一步遗传算法寻优提供了可靠的基础。
4基于BP神经网络的GA能耗优化模型
通过对天然气脱水装置的模拟分析，笔者以脱水装置的能耗最小化为目标。选择在BP神经网络预测准确性较高的前提下，利用遗传算法进行寻优，目标值为脱水装置的标准能耗达到最低，条件为水的露点控制在-15℃以下。
选择对脱水装置能耗有明显影响的TEG循环量(x1)、TEG再生器塔底重沸器温度(x2)和TEG再生器汽提气用量(x3)作为决策变量。天然气脱水装置的能耗优化模型町以描述为：
式中energ1y为脱水装置的单位能耗值，单位为MJ／104m3；E1(x)、E2(x)、E2(x)分别为TEG溶液循环泵用能、TEG再生器重沸器加热量和汽提气用量按发热值折算的热量；Q(x)为脱水装置输出净化气的流量。
在BP神经网络预测准确性较高的基础上，构建遗传算法程序。图5为基于BP神经网络的GA能耗优化模型框架图。
设定种群规模为50，终止遗传代数为l00，交叉因子为0.6，变异因子为0.3。种群中每个个体的基因(决策变量)通过训练好的BP神经网络与GA程序的连接传递给BP神经网络，当BP神经网络预测后通过接口传递给GA。GA读取BP神经网络模型预测的净化气组分信息判断净化气是否满足水露点低于-15℃的标准，如满足气质标准，则读取BP神经网络模型中各用能设备预测能耗数据，按式(1)计算适应度函数(目标函数)，否则将阈值(极大值)赋予该个体的适应度值，以便在进化过程中淘汰该个体。在这个优化框架中，BP神经网络模型的预测准确性是整个流程顺利运行的关键。如果某个遗传个体的基因(一组决策变量)不能通过BP神经网络预测出较准确的值，则整个优化程序将失去意义。因此，应调试BP神经网络程序的各参数，使其预测值有较高的准确性，并通过大量的ProMax模拟数据进行BP神经网络程序训练。
5问题讨论
以现场运行数据为依据，确定各决策变量的变化范围为：TEG循环量(z。)为2500～4500kg／h；TEG再生器塔底重沸器温度(x1)为180～204℃；TEG再生器汽提气用量(x2)为20～60m3／h。通过均匀设计的实验方法来确定实验表，调试、运行基于BP和GA的能耗优化模型。表4为各决策变量及净化装置单位能耗值优化前后对比情况。
然后，分别在30、50和80个种群规模下运行优化程序。表5所示为不同种群规模下各决策变量及净化装置单位能耗优化值。
由表5可知，GA中的种群个数对优化结果有明显影响，但误差较小，取各点平均值为最终优化结果。其汇总每次运行GA所得到的结果都有差别，这是由于GA的随机性及决策变量操作空间的非凸非线性造成的[11]。
综上可知，在优化后的操作参数下运行，净化装置单位能耗值比优化前平均降低了l2.23％，TEG循环量比优化前有明显的降低，从而降低吸收剂的循环量和再生塔的能耗。汽提气的用量基本保持不变，同时，再生器重沸器的温度明显降低。再生器重沸器的温度降低会减少热量需求。
6结束语
基于BP神经网络和GA建立了天然气脱水装置能耗优化模型，该模型可以优化天然气脱水装置的操作参数，降低装置的运行能耗。首先，应用ProMax流程模拟软件建立脱水装置的工艺模型，然后将ProMax的模拟数据进行BP神经网络训练和预测，并将基于BP神经网络预测的相应适值函数并入GA中。应用此优化模型对川渝地区某天然气净化厂600×104m3／d天然气脱水装置用能进行优化，优化结果表明：通过优化脱水装置操作条件，可以使脱水装置单耗下降l2.23％，大大提高了脱水装置的产品收益。该方法通用性强，可用于其他过程系统的操作参数优化。
参考文献
[1]坎贝尔JM.天然气预处理和加工[M].北京：石油工业出版社，1990：9-11.
[2]王乐，贾立民，付孟贵，等.天然气脱水系统的技术改造[J].天然气工业，2005，25(8)：123-124.
[3]KOHLAL，NIELSENRB.Gaspurification[M].Houston：GulfPublishingCompany，l997.
[4]VILLIERSJD，BARNARDE.Backpropagationneuralnetswithoneandtwohiddenlayers[J].InstituteofElectricalandElectronicEngineersTransactiononNeuralNetworks，1993，4(1)：l36-141.
[5]GOLDBERGDE.Geneticalgorithmsinsearch，optimization，andmachinelearning[M].Iedition，AddisonWesleyProfessional，l989.
[6]贾琴芳，刘洪杰，张莉，等.丘东1#天然气处理装置工艺优化研究[J].石油与天然气化丁，2009，38(5)：386-389.
[7]蒋洪，杨昌平，吴敏，等.天然气三甘醇脱水装置节能分析[J].石油与天然气化工，2010，39(2)：122-127.
[8]HURONM，VIDALJ.Newmixingrulesinsimpleequationsofstateforrepresentingvapor-liquidequilibriaofstronglynonidealmixtures[J].FluidPhaseEquilib，l979，110(3)：255-271.
[9]CRAGGBA，PARKESRJ，FRYJC，etal.Bacterialpopulationsandprocessesinsedimentscontaininggashydrates[J].EarthandPlanetaryScienceLetters.1996.139(3／4)：497-507.
[10]刘丽，陈勇，康元熙，等.天然气膜法脱水工业过程开发[J].石油化工，2001，30(4)：302-304.
[11]YALCINOZT.Powereconomicdispatchusingahybridgeneticalgorithm[J].InstituteofElectricalandElectronicEngineersPowerEngineeringReview，2001，2(3)：59-60.
本文作者：胡世鹏吴小林马利敏方传统李奇张丽红
作者单位：中国石油大学(北京)化学工程学院中国石化中原油田普光分公司天然气净化厂