基于操作參數大數據分析的電脫鹽系統運行優化技術研究

朱建新 袁文彬 呂寶林 喬松

(1. 合肥通用機械研究院有限公司，安徽 合肥 230031；2. 國家壓力容器與管道安全工程技術研究中心，安徽 合肥 230031)

電脫鹽系統是常減壓裝置的主要前處理單元，主要目的是通過預處理脫除原油中的鹽。電脫鹽系統運行是否穩定，不僅對后續流程中的工藝管道、設備的腐蝕、結垢有嚴重影響，對產品質量也有重要影響。大量運行經驗表明，電脫鹽系統運行不佳往往是影響常減壓裝置長周期安全的重要因素[1-3]。

研究表明，影響電脫鹽的關鍵因素主要包括： 原油溫度、含水量、電場強度、混合壓差等[2-5]。人們采用傳統的機理分析模型，通過忽略次要因素、簡化試驗條件等方法對電脫鹽影響因素開展大量分析，這些研究結果在一定程度上對指導電脫鹽系統運行起到重要的參考作用。然而實際電脫鹽系統是一個多種因素耦合、受工藝操作參數深度影響的系統，傳統的機理分析模型往往在一定限定條件下用于指導實際運行，但受原油種類、處理量、操作工藝等多種因素影響，各種因素對脫鹽效果的影響往往是多樣的，很難得到普遍適用的方法。

運行經驗表明，雖然原油脫鹽前鹽質量濃度對脫除效果具有一定影響，但脫鹽效果的決定性影響因素是操作工藝。如何充分利用電脫鹽系統的運行參數開展分析，提取影響電脫鹽效果的關鍵因素進行建模，并用于電脫鹽系統的運行優化，是當前石化行業大數據技術應用的方向[6]。石化流程行業自動化程度高，監測的數據豐富，為大數據的收集創造了得天獨厚的條件。受相關領域工業大數據技術應用啟發，本文以電脫鹽系統運行大數據為基礎，研究建立基于大數據的電脫鹽系統智能監測與預測模型，并將模型應用于關鍵影響因素的分析，為開展電脫鹽系統的優化運行提供依據[7-11]。

1 基于大數據的電脫鹽系統運行優化技術

1.1 電脫鹽操作參數及其特點

機理模型分析得到電脫鹽的主要影響因素包括： 原油種類及處理量，溫度、壓力、界位等脫鹽罐操作參數，電場強度，破乳劑用量，混合壓差及注水量等輔助操作參數。實際操作過程中，一部分參數雖然對脫鹽效果具有影響，但總體是不可調節或優化的量，如原油中鹽質量濃度、pH值等；另一部分是通常不必調節的參數，如脫鹽罐電流或電壓等。除上述范圍外的參數均是可以調節的，在實際分析中需要進行區分。

電脫鹽過程中一些參數具有很強的相關性，如脫鹽罐界位與電流，脫鹽罐入口與出口溫度等。在實際應用大數據分析中，需要分析這些耦合關聯的影響因素，避免對影響因素重復考慮可能帶來的問題。

1.2 大數據分析模型

大數據分析就是收集與特定研究目標相關的全部數據，在數據融合基礎上，針對被研究對象的特點，采用合適的算法建立數據與研究目標的映射關系模型，并依據所獲取的數據對模型進行必要的檢驗。通過檢驗的模型可以用于特定的研究目標，如依據影響操作參數預測被研究對象的性能、研究對性能影響的因素以及開展基于模型的優化等。

對于電脫鹽系統而言，若其脫鹽效果受N個操作參數的影響，其中對任一次脫鹽工況(簡記為第i次)的N個操作參數向量如式(1)所示：

xi=(xi, 1,xi, 2, …,xi, N)

(1)

若將該次工況下的脫鹽效果記為yi，則大數據分析的目標是建立操作參數向量與脫鹽效果之間的映射關系模型[12]如式(2)所示：

f(xi)=f(xi, 1,xi, 2, …,xi, N)→yi

(2)

通過多次觀察電脫鹽工況，得到W次觀測的數據集合稱為大數據。可以利用全部觀測得到的結果，求解式(2)所表示的模型。需要指出的是，工業大數據的積累是一個長期的過程，開展基于大數據的電脫鹽系統運行優化中，不應局限于數據量的大小，通過不斷補充數據可以使分析結果更加逼近客觀實際。

式(2)的求解有多種模型，常見的如多元回歸、神經網絡、聚類分析、分類模型等[13-14]。不同的模型求解方法不同，適用性也各不相同。本文采用多維高斯貝葉斯方法開展模型分析，通過分析電脫鹽運行大數據，建立了不同脫鹽后鹽質量濃度的先驗概率密度模型，如式(3)所示[15]：

(3)

式中：X——省略編號后的一個操作工況的全部數據；μk——Ck分類中各影響因素的期望值組成的向量，μk=(μ1,μ2, …，μN)T；∑k——Ck分類中各影響參數組成的協方差矩陣。

通過脫鹽后鹽鹽質量濃度的分布特點，將脫鹽后鹽質量濃度分成若干個分類，并利用獲得的數據建立相應的先驗聯合分布概率密度模型。

求式(3)的似然函數，可以得到計算公式如式(4)所示：

(4)

對特定的工況，若使該工況參數的組合使y達到最大，則可以相應調整操作參數向量X中的參數，使調整后的y值達到最大，這樣就為操作優化提供了依據。有關似然函數最大值求解方法，可以使用多種不同方法，此處不再贅述。

2 應用案例

2.1 應用場景

依據第1章提出的方法，以某10 Mt/a常減壓裝置電脫鹽系統為對象，選取了40個被認為具有重要影響的參數，并獲取了該系統自2019年4月至2020年5月的運行數據，用于開展電脫鹽大數據分析。主要影響因素見表1所列。

表1 電脫鹽系統大數據分析主要參數

原油脫鹽前后質量濃度ρ(鹽)隨時間的波動情況如圖1所示。

圖1 原油脫鹽前后的ρ(鹽)隨時間的波動情況示意

圖1為從現場獲取自2019年4月—2020年9月間共1 052個工況的脫鹽前后的ρ(鹽)數據，從圖1中可以看出脫鹽前后的ρ(鹽)并無明顯的對應關系，顯示操作參數對脫鹽效果具有關鍵影響。這也為開展基于運行參數大數據分析的電脫鹽效果預測與優化提供了依據。

2.2 基于模型的電脫鹽關鍵影響因素分析

利用從現場獲取的數據，可以發現部分操作參數與脫鹽效果的相互關系，見表2所列。結果顯示部分操作參數與脫鹽后鹽質量濃度具有正相關關系，如脫鹽前鹽質量濃度(37)、至一級脫鹽罐的混合壓差(5)，而一些操作參數具有負相關關系，如原油溫度(2)和各脫鹽罐操作溫度(4，22)，同時也發現一些影響因素的相關性不大。絕大多數影響因素與脫鹽后鹽質量濃度的相關性系數絕對值小于0.2，說明相互關系為弱相關，難以直接用該相關性系數指導運行。

表2 影響因素與脫后鹽含量的相關性

2.3 模型訓練與檢驗

通過上述相關性分析可以得到操作參數對脫鹽效果影響的一般規律，但該規律很難用于特定工況的分析，也無法用于定量表征脫鹽效果。為更加深入分析操作參數的影響，采用第1.2節的分析方法對各工況的電脫鹽效果進行建模。

采用電脫鹽系統2019年4月至2020年5月獲取的809個樣本中的647個樣本用于建模，得到電脫鹽裝置智能監測與預測模型，在補充部分數據后，用2019年4月至2020年9月獲取的全部1 052個樣本進行驗證，驗證結果如圖2所示。

圖2 模型預測結果與實測結果對比示意

利用全部樣本數據，采用該模型對各工況脫鹽后ρ(鹽)進行預測，預測結果與實際脫鹽后ρ(鹽)進行比對，得到平均誤差為0.42 mg/L?？紤]到LIMS系統中實際檢測到的脫鹽后ρ(鹽)是通過人工檢測得到，現場反饋存在一定的誤差，該誤差總體在可接受的范圍。

3 基于模型的操作優化

3.1 基于模型的優化

采用1.2節的算法，在全部1 052個工況中，對預測得到ρ(鹽)超過1.3 mg/L的共720個工況開展優化分析。通過篩選對優化操作具有影響的關鍵因素，依據優化方向進行相應優化，得到優化后的預測結果?？紤]到優化工作的可操作性，選擇最為關鍵的3個操作參數進行優化，依據操作參數的關鍵性以及當前操作參數與優化參數的偏離情況，得到720個需要進行優化的操作工況，其中優化的項目見表3所列。

表3 電脫鹽部分關鍵影響因素及其偏離情況

3.2 操作參數偏離情況

利用該模型對脫鹽后ρ(鹽)>1.3 mg/L的工況提出相應的優化建議，按照關鍵參數的建議值對此實際值，得到需進行優化的工況中涉及調整的關鍵參數占比及其偏離情況。

由表2中可知，二級脫鹽罐操作溫度對該階段的脫鹽效果影響最大，在720個優化的工況中涉及溫度優化的占比高達61.53%，其中溫度過低的比例為73.14%。其次的影響因素是二級脫鹽罐的界位，86.22%的工況界位過低。此外入口原油溫度過低、一級脫鹽罐操作溫度過低也是影響脫鹽效果的關鍵因素；二級脫鹽罐入口混合壓差過高，一、二級脫鹽罐入口注水量過大也是影響脫鹽效果的重要因素。

3.3 優化結果分析

利用本文提出的方法對電脫鹽系統部分脫鹽后ρ(鹽)較高的工況進行優化后，采用大數據建立的模型對優化結果進行預測，得到優化前后全部1 052個工況的脫鹽后ρ(鹽)分布如圖3所示。

圖3中脫鹽后ρ(鹽)<1.3 mg/L的工況無需優化，而高于該數值的720個工況進行優化后，除3個工況無法通過3個參數優化達到1.3 mg/L的控制目標外，其余工況的脫鹽后ρ(鹽)都可以很好地控制在1.3 mg/L范圍內。

圖3 優化前后系統的脫鹽后ρ(鹽)分布對比示意

一般的常減壓裝置運行過程中，脫鹽后ρ(鹽)通常由人工采樣分析得到，實時性差且存在較大的不確定性，無法用于在線指導裝置的運行。為克服上述問題，利用本文所述的模型和方法開發了基于B/S架構的電脫鹽系統智能監測及優化系統，該系統可以通過網絡讀取電脫鹽系統DCS實時數據庫及LIMS數據庫，實時依據操作參數對脫鹽效果進行在線智能監測，一旦監測到脫鹽效果不佳可以在線提出運行建議，從而為電脫鹽系統的優化運行提供依據。

4 結論

利用本文提出的基于運行參數的電脫鹽系統脫鹽后鹽質量濃度智能預測方法，分析了1 000余個工況，考慮人工采樣存在的偏差的前提下，預測的ρ(鹽)偏差總體小于0.42 mg/L。

基于脫鹽后鹽質量濃度智能預測模型提出了運行參數優化方法，可以依據電脫鹽系統實際運行參數，篩選對優化運行最為關鍵的參量，并明確調整方向?？紤]優化工作的可行性，通過最多3個參數進行調節，全部1 000余個工況中，對脫鹽后ρ(鹽)>1.3 mg/L的工況中的720個提出了優化建議。通過大數據模型驗證，除3個工況無法滿足1.3 mg/L的控制目標外，其余717個都可以使脫鹽后ρ(鹽)降至1.3 mg/L以下。

5 結束語

本文開發的B/S架構基于大數據分析的電脫鹽系統智能監測及優化系統，對電脫鹽系統脫鹽效果的主要影響因素進行了篩選，表明脫鹽罐的操作溫度和界位、原油溫度對脫鹽效果影響最大，脫鹽罐入口混合壓差、注水量也有重要影響，總體二級脫鹽罐的操作參數對脫鹽效果影響顯著?？梢砸罁﨑CS等實時操作參數監測脫鹽效果，對脫鹽效果不佳的工況進行及時預警并提出優化建議，對電脫鹽系統的優化運行具有指導作用。