基于粒子群算法的天然气三甘醇脱水工艺参数优化研究

本文选项
	PDF全文阅读

	本文摘要

	本文图片

	参考文献


扩展功能




	电子期刊订阅

	RSS

本文作者相关文章
	颜筱函

	李柏成

颜筱函 ¹, 李柏成 ²

1. 中国石油大学(北京);
2. 中亚天然气管道有限公司

收稿日期：2016-12-06

作者简介：颜筱函(1992-)，女，山东东营人，硕士研究生在读。E-mail:yxiaohan1008@sina.com.

摘要：目前，很多研究学者针对三甘醇(TEG)脱水流程的工艺参数做了大量优化改进。然而通常采用的软件模拟手段或基于现场试验的方法难以高效、准确地达到预想的优化效果，且由于人为因素的干扰易导致能源浪费。基于此，提出了将粒子群优化(PSO)算法与HYSYS模拟软件相结合的优化方法，通过Matlab软件与HYSYS软件的交互，利用PSO算法自动更新优化决策变量，使之不断向最优值靠拢，达到最理想的优化目标。该方法不仅提高了优化效率，同时避免了人为因素的影响，增强了系统的可靠性。最后，将其应用于具体的算例中，以脱水能耗最小为目标函数，以TEG循环量和再生塔温度为决策变量。以HYSYS为运算内核，利用PSO优化得出能耗最小的工艺参数。结果表明，优化后的TEG循环量降低了0.2 m³/h，重沸器温度降低了6 ℃，系统总能耗每天降低了93.8 kW。该优化方法的采用对现场的工艺操作和参数设定提供了指导，对油气田经济效益的提高具有重要意义。

关键词：三甘醇脱水优化改进粒子群算法 HYSYS模拟

Optimization on process parameters of TEG dehydration based on PSO algorithm

Yan Xiaohan¹ , Li Bocheng²

1. China University of Petroleum, Beijing, China;
2. Trans-Asia Gas Pipeline Company Limited, Beijing, China

Abstract: At present, many researchers have developed a lot of optimization improvement on TEG dehydration process. However, it is difficult for common software simulation or experimental method conducted in the field to achieve the expected improvement efficiently and accurately. Moreover, unnecessary energy waste was resulted from human factors. Based on above problems, an optimization method combining Particle Swarm Optimization (PSO) algorithm and HYSYS simulation software was put forward. Through the connection between Matlab and HYSYS, PSO could be applied to automatically updating optimal variables which were getting close to the optimal value, in order to obtain the final optimization objective. The proposed method not only enhanced optimization efficiency but also strengthened the system reliability by avoiding the influence of human factors. In the end, the method was used in a case study which aimed to minimize energy consumption of dehydration, and the TEG circulation volume and regeneration tower temperature were decided as decision variables. Taking the HYSYS as the calculation core, PSO was utilized to work out the process parameters with minimum energy consumption. The results showed that TEG circulation volume and reboiler temperature decreased by 0.2 m³/h and 6 ℃ respectively. And the total energy consumption of the system was reduced by 93.8 kW. The optimization method could offer instructions for process operating and parameters setting, which played a significance role in the economic benefits improvement for the oil and gas fields.

Key Words: TEG dehydration optimization improvement particle swarm optimization HYSYS simulation

三甘醇(TEG)脱水工艺在天然气脱水处理中应用最为广泛^[1-3]。早期的TEG脱水工艺综合利用率低，生产能耗大。其中，TEG脱水装置的再生能耗为主要能耗。很多研究学者通过改进原有的工艺流程及脱水装置，利用先进的节能技术降低设备能耗，节约流程的运行成本^[4-6]。此外，工艺参数的优化能够有效确保脱水装置节能运行^[7-8]。例如，在TEG再生流程中，甘醇贫液循环量及浓度、再生塔回流比、重沸器温度、再生气塔顶温度等工艺参数的不合理匹配，均易导致不必要的能耗浪费，增加工艺系统负荷量。

王念兵等^[9]通过更换加热炉燃烧器、回收再生塔塔顶轻烃、吸收塔填料改用规整填料等措施，提高设备的利用率，并减少TEG损失。谢书圣等^[10]采用Aspen Plus对天然气TEG脱水装置工艺流程进行模拟计算，并优化了吸收塔的主要工艺参数。李奇等^[11]将夹点技术(Pinch Technology)应用于天然气TEG脱水流程的换热网络分析，找到装置用能的问题所在，并以此为基础优化脱水工艺流程，以提高装置的能量利用效率。薛江波等^[12]通过对TEG脱水工艺中的循环量、再生温度、汽提气注入量、贫液进塔温度等工艺参数进行适当调整，降低了单位能耗，提高了生产效益。针对工艺参数的优化，很多研究学者主要通过软件模拟或基于现场实际操作反复改变操作参数以检验最终的适用效果，其缺陷在于模拟或实际操作量大，需要具备丰富的现场操作经验，通过经验根据测试结果不断调整优化参数，系统优化效率较低，且易造成不必要的资源浪费。

本研究针对TEG脱水流程提出一种高效的优化方法，即通过实现HYSYS与Matlab交互对接，利用HYSYS建立脱水工艺流程并进行模拟，再采用粒子群优化(PSO)算法完成工艺参数的优化计算。该算法可根据每次的迭代结果自动对优化变量进行筛选，从而降低了人为因素造成的影响，使优化结果更加准确可靠。

1 方法原理

1.1 TEG脱水工艺流程

天然气TEG脱水工艺流程分为原料气脱水和TEG再生两部分，其具体流程见图 1。

图 1 TEG脱水流程示意图 Figure 1 TEG dehydration process diagram

1.2 PSO算法

PSO优化算法最早起源于鸟群迁徙和觅食的自然现象，由Kennedy和Eberhart博士提出^[13-14]。在PSO优化算法中，假设初始存在一个种群S={X₁，X₂，…，X_n}，在d维空间中随机产生一群粒子，其位置坐标为X_i=(x_i1, x_ix, …, x_id)。每个粒子通过寻找两个极值点来不断迭代更新，第1个就是粒子在目标函数中搜索到的整个种群中的最好解，即为全局极值点，其位置用gbest表示；另一个是由于粒子本身而定的最好解，为个体极值点，其位置用pbest表示。因此，基于上述跟踪特性，每个粒子可通过式(1)和式(2)完成速度和位置更新。

$ v_{id}^{k + 1} = v_{id}^k + {c_1}{r_1}\left( {p{\rm{best}}_{id}^k-x_{id}^k} \right) + {c_2}{r_2}\left( {g{\rm{best}}_{id}^k-x_{id}^k} \right) $

(1)

$ x_{id}^{k + 1} = x_{id}^k + v_{id}^{k + 1} $

(2)

式中：v_id^k为粒子i在第k次迭代中第d维的速度；x_id^k为粒子i在第k次迭代中第d维的当前位置；pbest_id^k为粒子i在第d维的个体极值点的位置；gbest_id^k为整个种群在第d维的全局极值点的位置；r₁、r₂为在[0, 1]区间分布的随机数；c₁、c₂为粒子加速系数。

1.3 软件交互

Matlab软件和HYSYS软件的交互对接可通过在Matlab界面输入调用程序实现，具体以Matlab2014a和HYSYS建立的简单物料流为例。

打开Matlab2014a，新建脚本，如图 2所示。在脚本中输入与HYSYS连接的代码，以及数据读取与写入的指令代码，保存脚本后，点击“运行”即实现与HYSYS对接。交互功能演示见图 3，图 3(a)为Matlab2014a界面，红色方框内为读取数据代码以及在命令窗口内显示的读取结果，黑色方框内为写入数据代码；图 3(b)为交互功能结果展示。其中，左图标记方框内为初始数据，右图中为交互后的变化结果。

图 2 Matlab2014a界面示意图 Figure 2 Schematic diagram of Matlab 2014a interface

图 3 交互功能示意图 Figure 3 Schematic diagram of connecting function

因此，通过交互作用，利用Matlab可以读取HYSYS建立的TEG脱水流程中每一环节的输入参数和运算结果，同时，也能对可输入的已知参数进行更改。优化的目标值来自于HYSYS模拟结果，将其带入PSO算法中，利用适应度函数判断是否达到优化目标；若不满足适应度函数判决条件，PSO算法将更新优化的决策工艺参数，再次进行HYSYS流程计算模拟。因此，在该反复循环的过程中，可将HYSYS视为参数计算平台，将Matlab视为参数优化平台。

通过两种软件的交互，可在短时间内完成大量复杂的计算，且保证了计算结果的精确度。应用PSO算法可根据适应度函数智能地判断决策工艺参数如何向较好的方向改进，从而快速达到目标函数最优值。

2 模型建立与求解

为验证以上优化方法，选取流程中TEG循环量和重沸器温度作为优化决策变量，将总系统能耗作为优化目标函数，采用PSO算法优化求解能耗最低条件下的可操控工艺参数。

2.1 模型描述

2.1.1 目标函数及决策变量

(1) 目标函数如下所示：

$ \min \;{E_{{\rm{total}}}} = {E_{\rm{P}}} + {E_{\rm{C}}} + {E_{\rm{H}}} + {\rm{M}}\delta $

(3)

式中：E_total为TEG脱水工艺系统设备总能耗，kW；E_P为机泵类能耗，kW；E_C为冷却器能耗，kW；E_H为加热器能耗，kW；M为无穷大数值；δ为0~1变量，当脱水后气体满足外输要求，则δ=0；否则δ=1。

(2) 决策变量：TEG循环量和重沸器温度。

2.1.2 约束条件

优化模型的约束条件由TEG工艺流程确定，包括：

(1) 天然气行业规范或油气田生产中规定的天然气脱水后外输标准。

(2) TEG流程中各环节应保证设备的正常运转，流入、流出设备压力均满足正常工艺运行情况。

(3) TEG流程中各环节的温度、压力、TEG含量及浓度等工艺参数均应满足行业标准。

2.2 求解步骤

该方法求解流程如图 4所示，HYSYS作为运算内核，利用PSO算法将HYSYS嵌套在内，即可直接通过Matlab界面对HYSYS流程工艺参数进行更改和读取。

图 4 PSO优化算法计算流程图 Figure 4 Calculation flow chart for PSO optimization algorithm

计算步骤如下：

(1) 首先，根据已知条件利用HYSYS软件建立TEG脱水工艺流程。

(2) 将HYSYS与Matlab对接，实现数据交互。

(3) Matlab读取HYSYS中的模拟参数结果：机泵类能耗E_P^k，冷却器能耗E_C^k，加热器能耗E_H^k；优化决策变量TEG循环量V_TEG^k和再生塔温度T_RE^k。上标k指计算循环次数。

(4) 通过粒子群算法更新选取优化变量V_TEG^k+1和T_RE^k+1，带入HYSYS的脱水工艺流程中进行模拟。

(5) 重复第(3)步，得到E_P^k+1、E_C^k+1和E_H^k+1。

(6) 判断ΔE_total=|ΔE_P+ΔE_C+ΔE_H|≤σ，若否，则重复(4)、(5)步骤；若是，则输出此时优化决策变量V_TEG^*、T_RE^*和E_total^*，即为最优运行参数和系统总能耗。

3 实例分析

3.1 HYSYS流程建立

已知某油田现场基础数据：天然气总处理量为2×10⁶ m³/d，吸收塔进料压力4.95 MPa，原料气温度22 ℃，且要求脱水后水露点低于-30 ℃。基于HYSYS软件，建立TEG天然气脱水工艺流程，如图 5所示，工艺参数如表 1所示。

图 5 HYSYS模拟TEG脱水流程 Figure 5 HYSYS simulation for TEG dehydration process

表 1 TEG脱水工艺参数 Table 1 Parameters of TEG dehydration process

3.2 优化结果及分析

利用PSO算法优化后的模型收敛曲线见图 6。从图 6可以看出，PSO算法的收敛速度较快，能够快速达到理想的目标函数值，说明该算法具有良好的优化效果和较高的稳定性。

图 6 PSO算法收敛图 Figure 6 Convergent graph of PSO

优化前后结果对比见表 2。由表 2可知，优化参数后，TEG循环量降低0.2 m³/h，重沸器温度降低6 ℃，其相应的TEG循环泵耗电量和燃料消耗也降低。相比之下，燃料气损耗的降低是造成系统能耗下降的主要因素。根据现场数据表明，优化运行参数后，每天消耗的燃料气量减少了216.9 m³，则天然气燃料气消耗量减少21.4%，系统总能耗降低25.5%。

表 2 优化前后结果对比 Table 2 Comparison of results before and after optimization

因此，该流程每天可节省93.8 kW的能耗。在满足输气管道对气体露点要求的前提下，TEG脱水工艺参数优化能够达到节能降耗的目的。结果表明，采用PSO算法对TEG脱水工艺参数优化具有良好的改进效果。

4 结论

利用PSO算法和HYSYS模拟软件对天然气TEG脱水工艺流程进行优化，并结合具体案例对选取的相关参数进行优化处理。由优化结果可知，该方法不仅具有很好的收敛性，且能够自动对工艺参数进行调整，以获得最优的目标函数值。因此，该方法可用于指导实际生产中工艺参数的合理设定，为油气田创造更大的经济效益。

参考文献

[1]	陈赓良. 天然气三甘醇脱水工艺的技术进展[J]. 石油与天然气化工, 2015, 44(6): 1-9.
[2]	孙雷, 王峰, 张欢. 海拔高度对三甘醇再生系统的影响研究[J]. 天然气与石油, 2015, 33(1): 32-35.
[3]	李旭成, 郑小林, 肖军, 等. 三甘醇脱水装置运行常见问题分析及处理对策[J]. 石油与天然气化工, 2015, 44(5): 17-20.
[4]	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.
[5]	丁玲, 蒋洪. 煤层气三甘醇脱水优化设计[J]. 石油与天然气化工, 2015, 44(5): 28-33.
[6]	王文武, 李永生, 郭亚红, 等. 三甘醇脱水装置的节能设计[J]. 天然气与石油, 2012, 30(6): 22-25.
[7]	上官艳丽. 三甘醇天然气脱水工艺参数优化应用[J]. 化工管理, 2016(23): 230. DOI:10.3969/j.issn.1008-4800.2016.23.193
[8]	陈成, 王亚军, 薛江波, 等. 三甘醇脱水工艺参数优化经济效益分析[J]. 石油石化节能, 2013(4): 43-45.
[9]	王念兵, 王东芳, 张辉. 天然气三甘醇脱水系统工艺技术[J]. 油气田地面工程, 2003, 22(5): 80.
[10]	谢书圣, 徐心茹, 杨敬一, 等. 天然气三甘醇脱水系统吸收塔模拟计算研究[J]. 计算机与应用化学, 2011, 28(3): 343-346.
[11]	李奇, 姬忠礼, 张德元, 等. 三甘醇脱水装置换热网络夹点技术分析[J]. 天然气工业, 2009, 29(10): 104-106. DOI:10.3787/j.issn.1000-0976.2009.10.032
[12]	薛江波, 卢庆庆, 王亚军, 等. 塔里木油田三甘醇脱水装置参数优化研究[J]. 油气田环境保护, 2011, 21(5): 30-33.
[13]	赵娜, 贾世魁, 王健, 等. PSO优化算法的参数研究[J]. 机械与电子, 2013(11): 3-6. DOI:10.3969/j.issn.1001-2257.2013.11.001
[14]	雷秀娟, 史忠科, 周亦鹏. PSO优化算法演变及其融合策略[J]. 计算机工程与应用, 2007, 43(7): 90-92.
[15]	李明, 温冬云. 新型板式换热器在三甘醇脱水装置中的应用[J]. 石油与天然气化工, 2004, 33(6): 419-423.