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，聯合“ARIMA+LSTM”模型能夠更準確地捕捉負荷數據的趨勢和變化，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，為壓力系統的運行和調度提供了可靠支持，有望在工業生產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。然而負荷數據具有復雜性和不確定性，傳統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 工藝優化

需要在苯加氫裝置中收集歷史原料氣壓縮數據。這些數據包括原料氣的壓縮量、時間戳和其他相關信息。對這些數據進行清洗、處理和轉換，以保證數據質量和準確性。清洗數據包括處理缺失值、異常值和重復值，而數據轉換包括對數據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，為后續的預凈化處理創造適當的壓力條件，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，減少對后續設備的損害，提高最終產品的安全性和有效性。再次，預處理后的煤氣再次經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，以適應后續處理工序并有效控制設備負荷，保證系統穩定運行。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，為后續的產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，用于后續的處理和分離。適當的壓力有助于提高吸附效率，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，并為后續應用奠定了良好基礎。最后，半產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，保證氫氣在后續應用中的質量和穩定性。

脫氧干燥工序的主要步驟包括半產品氫氣的加熱、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品的獲得。首先，半產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水，并將其分離，以保證氫氣的干燥程度，減少后續處理負擔。最后，脫氧后的氫氣進入干燥器，進一步去除微量水分，以保證最終產品的質量。干燥后的氫氣被送入產品氫氣緩沖罐，以平衡氣體的壓力和流量，保障系統的安全性和穩定性。經過這一系列處理，最終的產品氫氣純度為99.99%，表明脫氧干燥工序具有有效性，能夠滿足各種工業和科研應用的需求。

3 具體應用

3.1 原始數據

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”負荷數據，見表2。這些負荷數據為每小時檢測一次，因此每天會有24個數據點。

3.2 ARIMA模型預測結果

建立ARIMA模型前，需要使用歷史數據來構建模型，包括ARIMA模型的階數和參數，這些參數將影響模型的預測能力。確定ARIMA模型的階數和參數是關鍵步驟，需要對數據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，例如生產工藝、原料質量和操作條件等。

首先，對選定的負荷數據進行預處理和分析，包括數據清洗、處理缺失值/異常值、數據轉換和歸一化等操作。其次，構建ARIMA模型，確定模型的階數和參數，對負荷數據的時間序列進行建模和預測。由負荷數據的自相關與偏自相關分析結果可知，當階數為6時，系數接近于0，并且后續階數基本落在2倍標準差范圍內。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。出現該偏差的原因是原始負荷數據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據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據，對于含有較多非周期成分的數據，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元數量，并確定激活函數。此外，還需要確定神經網絡的參數，以便捕捉原料氣壓縮的時間序列特征。輸入層的數量應該與時間序列數據的維度相匹配；隱藏層的數量和神經元數量需要根據數據復雜度和模型的訓練效果來進行調整；輸出層的數量為1，用于預測含氫量的數值。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，激活函數包括ReLU、Sigmoid和Tanh等。

對數據進行預處理，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。經過試驗和調整，本文發現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，一種是帶有重置網絡的LSTM模型，另一種是沒有重置網絡的LSTM模型。結果顯示，帶有重置網絡的LSTM模型的預測結果比沒有重置網絡的LSTM模型更貼近實際的負荷曲線。重置網絡是LSTM模型中的一種機制，能幫助模型更好地捕捉時間序列數據中的長期依賴關系和非線性特征。引入重置網絡后，LSTM模型能夠更準確地預測負荷數據的趨勢和變化。單一模型與設定聯合模型預測結果對比見表3。

3.4 基于“ARIMA+LSTM”的聯合模型預測結果

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）

以聯合預測模型誤差最小化作為優化目標求解權重ω1*，如公式（2）所示。

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

為尋求最優聯合模型權重，利用隨機優化搜索算法進行尋找。設目標函數為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）為一個生成隨機數的函數，通常用于生成一個在0～1均勻分布的隨機數，在許多算法中，尤其是進化算法或遺傳算法中，這個隨機數用于引入隨機性，以增加搜索空間的多樣性；C為交叉率；j為隨機整數；rand（1，N）為用于生成一個在1～N的隨機整數的函數；N為個體的數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、穩定的預測結果。利用測試集數據對集成模型進行評估和驗證，以評估模型的預測精度和穩定性。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化提供參考依據。

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進行優化。例如，根據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物的質量。

聯合模型預測方法流程如圖1所示。實時監測焦爐煤氣制LNG富氫尾氣的含氫量，并與預測結果進行比較，及時發現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物質量，保證產品符合規定的標準和要求。基于第11天的ARIMA模型和帶有重置網絡的LSTM模型的預測結果，進行聯合模型權重系數尋優。采用優化算法，將數據帶入公式（1）～公式（5），得出計算結果，得到權重系數ω1=0.9081和ω2=0.0919。進而利用這些優化的權重系數進一步得出第11天、第21天和第31天的聯合模型預測結果。

單一模型與聯合模型預測性能對比結果見表4。聯合“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，聯合“ARIMA+LSTM”模型能夠更準確地捕捉負荷數據的趨勢和變化。將ARIMA模型和帶有重置網絡的LSTM模型進行融合，能夠得到更可靠的負荷預測結果。這種聯合模型的優勢在于綜合了2種不同模型的特點和優勢，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，優化能源利用并提高生產效率，為壓力系統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，聯合模型能夠更準確地捕捉負荷數據的趨勢和變化，為壓力系統的運行和調度提供有力支持。本研究對優化能源利用和提高生產效率具有重要意義，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.苯加氫制環己烯裝置能量系統集成及催化劑再生周期優化[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.苯加氫裝置產能挖潛改造實踐與分析[J].煤化工，2023，51（2）：94-96.