一种融合温区冷负荷特征的混合冷剂优化方法及系统与流程
本发明属于深冷化工工艺优化,具体涉及一种融合温区冷负荷特征的混合冷剂优化方法及系统。
背景技术:
1、焦炉气中含有丰富的氢气、甲烷、一氧化碳及轻烃资源,通过深冷分离技术可实现氨合成气、液化天然气等高附加值产品的联产。深冷分离过程需要在较低温度范围内运行,通常采用混合冷剂循环来提供不同温度等级的冷量,以满足换热器中不同温区的制冷需求。然而,混合冷剂组成与深冷换热过程中的冷量需求分布之间存在复杂的非线性关系,合理优化混合冷剂组成对于降低压缩机功耗、提高系统运行效率具有重要意义。
2、目前,混合冷剂循环优化方法主要依托流程模拟软件与优化算法相结合的方式,即反复调用严格热力学模型计算系统性能。该方法单次优化耗时较长、资源消耗巨大,导致优化过程计算成本高昂,难以满足多工况快速优化需求。另一方面,现有的数据驱动优化方法通常直接采用原料气组成、流量等物料参数作为模型输入变量,建立物料参数与系统性能之间的映射关系。然而,原料气组成的变化并不能直接反映深冷换热过程中不同温度区域的冷量需求变化,这使得模型输入特征与混合冷剂循环的实际调节需求之间存在一定偏差。因此,若能先建立原料气特征与各温区冷负荷分布之间的关联,再以温区冷负荷特征描述系统冷量需求,将有助于提高混合冷剂循环参数预测准确性。
3、近年来,机器学习方法已被广泛应用于复杂非线性过程建模。但在深冷分离领域,尚缺乏针对能量需求特征构建及混合冷剂循环快速优化的系统方法。因此,开发一种基于温区冷负荷特征和机器学习模型的混合冷剂循环优化方法,对于提高深冷分离过程优化效率、降低计算成本以及实现智能化运行具有重要意义。
技术实现思路
1、本发明的目的在于解决现有技术的不足,并提供一种融合温区冷负荷特征的混合冷剂优化方法及系统。
2、本发明所采用的具体技术方案如下:
3、第一方面,本发明提供一种融合温区冷负荷特征的混合冷剂优化方法,具体步骤如下:
4、s1:确定深冷分离工艺中输入原料气的关键组分及其摩尔分率变化范围;
5、s2:基于最大最小距离准则的约束空间填充采样方法,在原料气关键组分摩尔分率的变化范围内进行设计点选取;
6、s3:将步骤s2中选取的各设计点逐一代入所述深冷分离工艺流程,以系统能耗最低或效率最高为目标,求解得到各设计点工况对应的最优混合冷剂组成;
7、s4:将原料气进入冷箱的入口温度和目标产品的分离温度分别作为温区划分的上限和下限;采用非均匀温区划分策略确定温区数量及每个温区的温度跨度;计算各设计点工况下每个温区中各关键组分对应的冷负荷需求,并将所有温区的冷负荷计算结果按温区顺序排列,得到温区冷负荷特征向量;
8、s5:将步骤s4获得的温区冷负荷特征向量作为输入,步骤s3获得的最优混合冷剂组成作为输出,构建并训练机器学习模型;
9、s6:将待预测原料气工况按照步骤s4计算温区冷负荷特征向量,并将该温区冷负荷特征向量输入训练好的机器学习模型中,输出该工况下最优混合冷剂组成。
10、作为优选,所述原料气为焦炉气;焦炉气的关键组分为氢气、甲烷和氮气,摩尔分率变化范围分别为36%~54%、41%~59%和5%~8%。
11、作为优选,所述混合冷剂为包括氮气、甲烷、乙烯、丙烷和异戊烷的五元混合冷剂。
12、作为优选,步骤s2中具体如下:
13、s21:在步骤s1确定的原料气关键组分的摩尔分率变化范围的可行域内,以0.05%为步长对每个组分变量进行离散化,得到候选点集合;根据预期样本规模或计算资源,确定需要选取的设计点个数;
14、s22:从候选点集合中选取确定的设计点个数,以最大化设计点之间的最小欧氏距离为优化目标,得到能够涵盖原料气关键组分极端变化情况下的训练集;
15、所述欧式距离的计算公式如下:
16、;
17、式中:n代表原料气关键组分的个数;xik和xjk分别代表第i和j个设计点在第k个原料气关键组分上的取值。
18、进一步的,步骤s22中通过迭代交换设计点的方式优化设计点组合,具体如下:从候选点集合中选取候选点替换当前设计点,并根据替换后设计点组合的最小点间距离判断是否保留所述候选点,重复上述过程直至满足预设收敛条件,获得最终设计点组合。
19、作为优选,步骤s4中所述冷负荷需求的计算公式具体如下:
20、;
21、式中:表示第i个温区对应的冷负荷,表示第j个关键组分的摩尔流量,和分别表示温区入口和出口状态下的摩尔焓值。
22、作为优选,步骤s5中所述机器学习预测模型采用高斯过程回归模型、支持向量回归模型、梯度提升回归模型或人工神经网络模型。
23、作为优选,步骤s5中所述机器学习预测模型采用高斯过程回归模型,具体步骤如下:
24、s51:将温区冷负荷特征向量作为输入参数,最优混合冷剂组成作为输出参数,构建训练数据集;
25、s52:构建高斯过程回归模型的复合核函数k:
26、;
27、式中:c为常数核的幅度参数,用于控制信号方差;为基础核函数,用于描述输入样本之间的相关性;为白噪声核,用于表征模型中的噪声项;
28、s53:将径向基核函数、matérn核函数和有理二次核函数分别作为基础核函数,代入所述复合核函数中,基于训练数据集分别建立对应的高斯过程回归模型,求解模型的最优超参数;
29、s54:针对混合冷剂中的每一个输出组分,分别比较不同候选基础核函数对应模型的预测性能,选取预测性能最优的模型作为该组分的最终预测模型。
30、第二方面,本发明提供一种用于实现第一方面所述融合温区冷负荷特征的混合冷剂优化方法的系统,包括:
31、数据采集模块,用于获取深冷分离工艺中输入原料气的关键组分及其摩尔分率变化范围;
32、设计点采样模块,用于在原料气关键组分摩尔分率的变化范围内,采用最大最小距离准则的约束空间填充采样方法进行设计点选取;
33、流程模拟模块,用于将设计点采样模块选取的各设计点逐一代入所述深冷分离工艺流程,以系统能耗最低或效率最高为目标,求解得到各设计点工况对应的最优混合冷剂组成;
34、温区冷负荷特征提取模块,将原料气进入冷箱的入口温度和目标产品的分离温度分别作为温区划分的上限和下限;采用非均匀温区划分策略确定温区数量及每个温区的温度跨度;计算各设计点工况下每个温区中各关键组分对应的冷负荷需求,并将所有温区的冷负荷计算结果按温区顺序排列,得到温区冷负荷特征向量;
35、模型训练模块,用于将获得的温区冷负荷特征向量作为输入,获得的最优混合冷剂组成作为输出,构建并训练机器学习模型;
36、在线预测模块,用于将待预测原料气工况计算温区冷负荷特征向量,并将该温区冷负荷特征向量输入训练好的机器学习模型中,输出该工况下最优混合冷剂组成。
37、本发明相对于现有技术而言,具有以下有益效果:
38、(1)本发明通过构建温区冷负荷特征,将原料气组成变化转化为深冷过程不同温度区域的能量需求分布信息,提高了模型输入特征与输出结果之间的关联性,有效解决了传统方法中原料气组成与冷量需求变化脱节的问题。
39、(2)本发明结合机器学习模型建立温区冷负荷特征与混合冷剂循环参数之间的映射关系,减少了传统优化过程中大量流程模拟计算,提高了混合冷剂优化效率。
40、(3)本发明能够针对不同原料气组成进行快速响应,精准预测对应的最优混合冷剂组分配比。实施例结果表明,模型对各冷剂组分预测的决定系数达0.996以上,预测误差低于1%,且预测配比对应的换热温差与压缩机能耗均满足工业要求,为深冷分离过程的实时优化与智能调控提供了可靠的技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com