LNG富氫尾氣在苯加氫裝置中的應用分析

摘 要：本研究旨在探討將“ARIMA+LSTM”模型應用于苯加氫裝置中的焦爐煤氣制LNG富氫尾氣的負荷預測，即采用“ARIMA+LSTM”模型，并將ARIMA模型和LSTM模型的預測結果進行加權融合，從而得到更準確的負荷預測結果。試驗結果表明，聯(lián)合“ARIMA+LSTM”模型能夠更準確地捕捉負荷數(shù)據(jù)的趨勢和變化，比單獨使用ARIMA或LSTM模型的預測準確性和可靠性更高。證明了“ARIMA+LSTM”模型在焦爐煤氣制LNG富氫尾氣負荷預測中的有效性和實用性，為壓力系統(tǒng)的運行和調度提供了可靠支持，有望在工業(yè)生產(chǎn)實踐中得到廣泛應用。

關鍵詞：富氫尾氣；苯加氫；制氫

中圖分類號：TQ 116 " " 文獻標志碼：A

焦爐煤氣制LNG富氫尾氣在苯加氫裝置中的應用具有重要意義。然而負荷數(shù)據(jù)具有復雜性和不確定性，傳統(tǒng)的預測方法通常難以滿足實際需求[1]。因此，本文引入了“ARIMA+LSTM”模型，使ARIMA模型和LSTM模型的預測結果相結合，提高負荷預測的準確性和可靠性，并為相關領域的研究和實踐提供參考。

1 工藝流程

焦爐煤氣和富氫尾氣組成對比見表1。

2 工藝優(yōu)化

需要在苯加氫裝置中收集歷史原料氣壓縮數(shù)據(jù)。這些數(shù)據(jù)包括原料氣的壓縮量、時間戳和其他相關信息。對這些數(shù)據(jù)進行清洗、處理和轉換，以保證數(shù)據(jù)質量和準確性。清洗數(shù)據(jù)包括處理缺失值、異常值和重復值，而數(shù)據(jù)轉換包括對數(shù)據(jù)進行歸一化或標準化，以便更好地適應模型的訓練和預測。

2.1 預凈化工序流程

焦爐煤氣的壓力通常為4 kPa～10 kPa，溫度為25 ℃～40 ℃，煤氣由3臺并聯(lián)的預凈化塔進行處理。其中2臺是吸附塔，1臺是再生塔。在預凈化塔中，煤氣經(jīng)過變溫吸附后，其中的萘、焦油、苯、氨和硫化氫等雜質被去除。經(jīng)預凈化塔處理后，煤氣進入煤氣壓縮機進行一級壓縮升壓[2]。一部分壓縮后的煤氣用作預凈化塔的再生氣源，應用于再生吸附塔，使其能夠持續(xù)進行吸附并去除雜質[3]；另一部分壓縮后的煤氣則被送到預處理工序，以進一步凈化。

2.2 預處理工序流程

預處理是指進一步處理經(jīng)一級壓縮升壓后的預凈化氣，以脫除其中的萘、焦油、苯、氨和硫化氫等雜質和污染物，提高煤氣的純度和質量[4]。首先，一級壓縮升壓將煤氣壓力提升至0.14 MPa～0.16 MPa，為后續(xù)的預凈化處理創(chuàng)造適當?shù)膲毫l件，有助于提高處理效率，保證雜質更容易被去除。其次，煤氣由預處理塔進行變溫吸附的預凈化處理，去除萘、焦油、苯、氨和硫化氫等雜質，提高煤氣的純度和質量，減少對后續(xù)設備的損害，提高最終產(chǎn)品的安全性和有效性。再次，預處理后的煤氣再次經(jīng)過煤氣壓縮機進行二、三級壓縮升壓，壓力逐漸提升至1.6 MPa～1.65 MPa，以適應后續(xù)處理工序并有效控制設備負荷，保證系統(tǒng)穩(wěn)定運行。最后，將升壓后的煤氣送至變壓吸附工序，進行深度處理和分離，控制壓力變化，選擇性地吸附特定成分，為后續(xù)的產(chǎn)品提純和分離奠定基礎。

通過上述壓縮升壓步驟，煤氣的壓力逐漸升高，最終升至1.6 MPa～1.65 MPa。升壓后的煤氣被送至變壓吸附工序，用于后續(xù)的處理和分離。適當?shù)膲毫τ兄谔岣呶叫?，使雜質更易去除。進而煤氣進入5個并行工作的吸附塔，在此過程中，除氫氣以外的雜質均被有效吸附，氫氣的純度得到提高，這是該工序的核心步驟。處理后得到的半產(chǎn)品氫氣純度約為99.9%，氧氣含量僅為0.1%，表明吸附過程具有有效性，并為后續(xù)應用奠定了良好基礎。最后，半產(chǎn)品氫氣被送至脫氧干燥工序進行進一步處理，以去除殘余的氧氣和水分，保證氫氣在后續(xù)應用中的質量和穩(wěn)定性。

脫氧干燥工序的主要步驟包括半產(chǎn)品氫氣的加熱、進入脫氧器、反應過程、冷卻與水分離、干燥處理、緩沖罐存儲以及最終產(chǎn)品的獲得。首先，半產(chǎn)品氫氣在脫氧加熱器中被加熱至50 ℃～100 ℃，以提高氣體溫度，促進后續(xù)反應并增強催化劑活性。加熱后的氣體進入脫氧器，在鈀催化劑的作用下，氧氣與氫氣發(fā)生反應并生成水，從而有效去除氧氣，提升氫氣的純度。其次，氣體通過冷卻器和預水分離器，使水蒸氣凝結為液態(tài)水，并將其分離，以保證氫氣的干燥程度，減少后續(xù)處理負擔。最后，脫氧后的氫氣進入干燥器，進一步去除微量水分，以保證最終產(chǎn)品的質量。干燥后的氫氣被送入產(chǎn)品氫氣緩沖罐，以平衡氣體的壓力和流量，保障系統(tǒng)的安全性和穩(wěn)定性。經(jīng)過這一系列處理，最終的產(chǎn)品氫氣純度為99.99%，表明脫氧干燥工序具有有效性，能夠滿足各種工業(yè)和科研應用的需求。

3 具體應用

3.1 原始數(shù)據(jù)

選用某地2022年12月共31天的“焦爐煤氣制LNG富氫尾氣在苯加氫裝置中的應用”負荷數(shù)據(jù)，見表2。這些負荷數(shù)據(jù)為每小時檢測一次，因此每天會有24個數(shù)據(jù)點。

3.2 ARIMA模型預測結果

建立ARIMA模型前，需要使用歷史數(shù)據(jù)來構建模型，包括ARIMA模型的階數(shù)和參數(shù)，這些參數(shù)將影響模型的預測能力。確定ARIMA模型的階數(shù)和參數(shù)是關鍵步驟，需要對數(shù)據(jù)的自相關性和偏自相關性進行分析，選擇合適的模型進行建模和預測。在建立ARIMA模型的過程中，需要考慮焦爐煤氣制LNG富氫尾氣的含氫量可能受多種因素的影響，例如生產(chǎn)工藝、原料質量和操作條件等。

首先，對選定的負荷數(shù)據(jù)進行預處理和分析，包括數(shù)據(jù)清洗、處理缺失值/異常值、數(shù)據(jù)轉換和歸一化等操作。其次，構建ARIMA模型，確定模型的階數(shù)和參數(shù)，對負荷數(shù)據(jù)的時間序列進行建模和預測。由負荷數(shù)據(jù)的自相關與偏自相關分析結果可知，當階數(shù)為6時，系數(shù)接近于0，并且后續(xù)階數(shù)基本落在2倍標準差范圍內(nèi)。因此，可建立一個ARIMA（6，1，6）模型，對壓力負荷的趨勢進行預測。但是預測結果的幅值存在明顯偏移，最大預測誤差絕對值為287 MW。出現(xiàn)該偏差的原因是原始負荷數(shù)據(jù)中存在較多非周期成分，導致ARIMA模型適用性下降。非周期成分是指在負荷數(shù)據(jù)中無法被周期性模式或趨勢模式解釋的部分[3]，該部分由天氣、節(jié)假日和特殊事件等因素引起[4]。ARIMA模型主要適用于具有明顯周期性和趨勢性的數(shù)據(jù)，對于含有較多非周期成分的數(shù)據(jù)，其預測效果會受到限制。

3.3 LSTM模型預測結果

設計LSTM模型的網(wǎng)絡結構是關鍵步驟之一，包括確定輸入層、隱藏層、輸出層和每個層的神經(jīng)元數(shù)量，并確定激活函數(shù)。此外，還需要確定神經(jīng)網(wǎng)絡的參數(shù)，以便捕捉原料氣壓縮的時間序列特征。輸入層的數(shù)量應該與時間序列數(shù)據(jù)的維度相匹配；隱藏層的數(shù)量和神經(jīng)元數(shù)量需要根據(jù)數(shù)據(jù)復雜度和模型的訓練效果來進行調整；輸出層的數(shù)量為1，用于預測含氫量的數(shù)值。在捕捉焦爐煤氣制LNG富氫尾氣的含氫量時間序列特征過程中，激活函數(shù)包括ReLU、Sigmoid和Tanh等。

對數(shù)據(jù)進行預處理，包括歸一化、序列化等操作，以便輸入LSTM模型并進行訓練和預測。經(jīng)過試驗和調整，本文發(fā)現(xiàn)LSTM模型能夠對壓力負荷進行一定預測。試驗比較了2種不同類型的LSTM模型，一種是帶有重置網(wǎng)絡的LSTM模型，另一種是沒有重置網(wǎng)絡的LSTM模型。結果顯示，帶有重置網(wǎng)絡的LSTM模型的預測結果比沒有重置網(wǎng)絡的LSTM模型更貼近實際的負荷曲線。重置網(wǎng)絡是LSTM模型中的一種機制，能幫助模型更好地捕捉時間序列數(shù)據(jù)中的長期依賴關系和非線性特征。引入重置網(wǎng)絡后，LSTM模型能夠更準確地預測負荷數(shù)據(jù)的趨勢和變化。單一模型與設定聯(lián)合模型預測結果對比見表3。

3.4 基于“ARIMA+LSTM”的聯(lián)合模型預測結果

使用“ARIMA+LSTM”模型對焦爐煤氣制LNG富氫尾氣的含氫量進行預測，幫助苯加氫裝置操作人員提前了解尾氣中氫氣的含量，從而調整苯加氫反應的參數(shù)和條件。

在模型訓練中，有ARIMA模型得到的負荷序列a、LSTM模型得到的負荷序列b以及相應的實際負荷序列s，均包括n個采樣點[5]。為了綜合利用ARIMA和LSTM模型的預測結果，對它們的負荷序列分別賦予權重ω1和ω2，其中ω1表示對LSTM模型負荷序列的重要性，ω2表示對ARIMA模型負荷序列的重要性。這2個權重需要滿足ω1+ω2=1，以保證權重的總和為1，則訓練過程中聯(lián)合預測模型的誤差ε如公式（1）所示。

ε=s-ω1a-ω2b=s-ω1b-（1-ω1）b " " " " " " "（1）

以聯(lián)合預測模型誤差最小化作為優(yōu)化目標求解權重ω1*，如公式（2）所示。

ω1*=argmin|ε|=argmin[s-ω1b-（1-ω1）b] " " " " " " （2）

為尋求最優(yōu)聯(lián)合模型權重，利用隨機優(yōu)化搜索算法進行尋找。設目標函數(shù)為g（ω1），如公式（3）所示。

（3）

式中：bi為第i個LSTM模型得到的負荷序列；si為第i個實際負荷序列。

變異操作是基于3個隨機個體Ar1、Ar2和Ar3進行的，第q個個體的第k次迭代Vq（k）如公式（4）所示。

Vq（k）=Ar1（k）+F·（Ar2（k）-Ar3（k）） （4）

式中：Ar1（k）、Ar2（k）和Ar3（k）分別為3個隨機個體的第k次迭代；F為縮放因子。

交叉操作是將有N維分量的第q個個體的第u分量進行交叉，其結果Rqu（k）如公式（5）所示。

（5）

式中：Vqu（k）為第q個個體的第k次迭代的第u分量交叉結果；rand（0，1）為一個生成隨機數(shù)的函數(shù)，通常用于生成一個在0～1均勻分布的隨機數(shù)，在許多算法中，尤其是進化算法或遺傳算法中，這個隨機數(shù)用于引入隨機性，以增加搜索空間的多樣性；C為交叉率；j為隨機整數(shù)；rand（1，N）為用于生成一個在1～N的隨機整數(shù)的函數(shù)；N為個體的數(shù)量或某個特定的范圍，用于選擇隨機個體或進行其他操作；Aqu（k）為隨機個體的第u分量交叉結果。

對ARIMA模型和LSTM模型進行訓練，訓練過程需要調整反向傳播算法和優(yōu)化器，以最大程度地減少模型誤差。將ARIMA模型和LSTM模型的預測結果進行集成，以綜合利用其各自優(yōu)勢。采用加權平均等方法，將2個模型的預測結果相結合，得到更準確、穩(wěn)定的預測結果。利用測試集數(shù)據(jù)對集成模型進行評估和驗證，以評估模型的預測精度和穩(wěn)定性。比較模型的預測結果和實際觀測值，可以評估模型的準確性和可靠性，從而為模型的改進和優(yōu)化提供參考依據(jù)。

基于尾氣含氫量的預測結果，對苯加氫反應裝置的操作參數(shù)進行優(yōu)化。例如，根據(jù)尾氣中氫氣的含量調整催化劑的投入量和反應溫度，以提高反應的效率和產(chǎn)物的質量。

聯(lián)合模型預測方法流程如圖1所示。實時監(jiān)測焦爐煤氣制LNG富氫尾氣的含氫量，并與預測結果進行比較，及時發(fā)現(xiàn)苯加氫裝置中的異常情況并調整反應條件，防止能源浪費和產(chǎn)品質量下降。焦爐煤氣制LNG富氫尾氣中的氫氣是一種寶貴的能源。合理利用尾氣中的氫氣，例如將其作為還原劑或能源供應，能夠提高能源利用效率，減少能源消耗和環(huán)境污染。對尾氣含氫量進行預測和調控，以控制苯加氫反應的產(chǎn)物質量，保證產(chǎn)品符合規(guī)定的標準和要求?；诘?1天的ARIMA模型和帶有重置網(wǎng)絡的LSTM模型的預測結果，進行聯(lián)合模型權重系數(shù)尋優(yōu)。采用優(yōu)化算法，將數(shù)據(jù)帶入公式（1）～公式（5），得出計算結果，得到權重系數(shù)ω1=0.9081和ω2=0.0919。進而利用這些優(yōu)化的權重系數(shù)進一步得出第11天、第21天和第31天的聯(lián)合模型預測結果。

單一模型與聯(lián)合模型預測性能對比結果見表4。聯(lián)合“ARIMA+LSTM”模型的預測結果與實際曲線非常接近，預測誤差較小。將ARIMA模型和LSTM模型的預測結果進行加權融合，能夠充分利用2種模型的優(yōu)勢，提高預測的準確性和可靠性。特別是在第11天、第21天和第31天的預測中，聯(lián)合“ARIMA+LSTM”模型能夠更準確地捕捉負荷數(shù)據(jù)的趨勢和變化。將ARIMA模型和帶有重置網(wǎng)絡的LSTM模型進行融合，能夠得到更可靠的負荷預測結果。這種聯(lián)合模型的優(yōu)勢在于綜合了2種不同模型的特點和優(yōu)勢，克服了單一模型的局限性。權衡不同模型的預測結果能夠得到更全面、準確的負荷預測結果，優(yōu)化能源利用并提高生產(chǎn)效率，為壓力系統(tǒng)的運行和調度提供有力支持。

4 結語

本文基于“ARIMA+LSTM”模型，研究了焦爐煤氣制LNG富氫尾氣在苯加氫裝置中的具體應用。將ARIMA模型和LSTM模型的預測結果進行加權融合，提高了負荷預測的準確性和可靠性。試驗結果表明，聯(lián)合模型能夠更準確地捕捉負荷數(shù)據(jù)的趨勢和變化，為壓力系統(tǒng)的運行和調度提供有力支持。本研究對優(yōu)化能源利用和提高生產(chǎn)效率具有重要意義，并為相關領域的研究和實踐提供了有益參考。

參考文獻

[1]翁小平，袁海雷，楊飛.先進控制和優(yōu)化技術在苯加氫裝置中的應用[J].燃料與化工，2023，54（4）：45-48.

[2]張凱，欒義濤，付恩祥，等.優(yōu)化苯加氫裝置萃取劑再生塔運行的工藝研究[J].化工管理，2023（35）：142-144.

[3]趙麗文，劉桂蓮.苯加氫制環(huán)己烯裝置能量系統(tǒng)集成及催化劑再生周期優(yōu)化[J].化工學報，2022，73（12）：5494-5503.

[4]姚良雨、張頌、劉偉.臨渙焦化苯加氫裝置廢氣處理工藝簡介[J].燃料與化工，2020，51（6）：48-49.

[5]關紅燕.苯加氫裝置產(chǎn)能挖潛改造實踐與分析[J].煤化工，2023，51（2）：94-96.