【技术实现步骤摘要】
本专利技术涉及计算机控制和环保，特别涉及一种烟气co2捕集装置工艺参数的优化方法、装置和设备。
技术介绍
1、目前处于大规模示范及应用阶段的烟气co2捕集技术为化学吸收法，以复合有机胺为常用吸收剂。常见基础工艺流程如图1所示，烟气通过烟气管道送至co2捕集装置，进入洗涤塔，与逆流而下的水接触水洗，经过水洗降温除尘的烟气通过引风机送入吸收塔。吸收塔设置段间冷却器提高吸收容量。吸收了co2的富液通过富液泵送入贫富液换热器。经过贫富液换热器预热后的富液在再生塔解吸出co2，co2蒸汽在冷凝器中部分冷凝，在分离器中分离co2气体和液体水，co2气送往后续压缩。解吸出co2的贫液经过贫富液换热器冷却后，进一步通过贫液冷却器降温后循环进入吸收塔。
2、上述流程中多个关键操作参数如烟气中co2浓度、吸收温度、循环贫液中co2的含量、再生塔压力等对整个co2捕集装置的能耗起到决定性作用，洗涤塔出口温度、吸收塔顶水洗段的洗涤液循环量和冷却温度等参数对整个系统的水平衡起到决定性作用，洗涤液中胺的浓度、吸收塔顶尾气的温度、贫液和富液中热稳盐的浓度等对胺的损失率具有较大影响。
3、多方面原因造成烟气的条件通常会出现波动，例如燃料的变化，燃烧条件的变化，上游燃烧炉或工业炉操作条件的变化等，这势必会造成co2捕集装置操作参数的波动。化工装置通常采用集散控制系统(distributed control system，dcs)控制方法对生产操作进行控制。而dcs控制仅能针对在线测量的温度、压力、流量等条件做出阀门动作反馈，而co2捕集装
4、因此，对co2捕集装置设计中和运行中的参数进行智能优化控制，在节能降耗、稳定装置运行等方面具有极其重要的意义。
技术实现思路
1、为了能够对co2捕集装置的关键操作参数进行预测，以调整co2捕集装置使得运行状态接近于最优状态，进而保证co2捕集和产品纯度，进一步降低公用工程用量和能耗，从而降低碳捕集成本，同时丰富工艺路线以及增加选择空间，本专利技术实施例中提供了一种烟气co2捕集装置工艺参数的优化方法、装置和设备。
2、第一方面，本专利技术提供了一种烟气co2捕集装置工艺参数的优化方法，可以包括：
3、基于实时获取的所述co2捕集装置的实时测量数据及预先训练好的门控循环神经网络模型，预测所述co2捕集装置中胺液系统中的离线化验分析的关键操作参数数据；
4、以预测得到的离线化验分析的关键操作参数数据和所述实时测量数据，作为所述co2捕集装置进行自动控制调节和操作人员调整操作参数的依据，以对所述co2捕集装置的工艺进行实时优化控制。
5、可选的，所述门控循环神经网络模型是根据下述步骤预先训练的：
6、基于co2捕集装置工艺原理和工程经验，确定所述co2捕集装置的关键操作参数项和性能指标项；
7、获取预设数量的所述关键操作参数项对应的关键操作参数数据和所述性能指标项对应的性能指标数据；
8、对所述关键操作参数数据进行预处理，以剔除包含的异常数据；
9、对预处理后的所述关键操作参数数据和所述性能指标数据进行相关性分析，以确定不同关键操作参数项之间的相关性系数；并基于所述相关性系数确定影响所述co2捕集装置的性能指标的关键操作参数项；
10、以影响所述co2捕集装置的性能指标项的关键操作参数项对应的关键操作参数数据和所述性能指标项对应的性能指标数据，构建训练样本集；其中，所述训练样本集中的每个样本包括关键操作参数数据和其对应的性能指标数据；
11、用所述训练样本集中的样本对门控循环神经网络进行训练，其中，所述关键操作参数在所述门控循环神经网络的gru网络层中经过正向信息传递和反向损失优化并更新隐藏层权重，以进行所述关键操作参数数据对应的性能指标数据的模型参数估计。
12、可选的，所述获取预设数量的所述关键操作参数项对应的关键操作参数数据和所述性能指标项对应的性能指标数据之前，还可以包括：
13、采集所述co2捕集装置的测量分析数据；其中，所述测量分析数据包括下述至少一项：温度测量数据、压力测量数据、流量测量数据、在线分析仪表测量数据和离线采样分析化验数据；
14、基于所述测量分析数据建立所述co2捕集装置的工艺全流程模拟模型，以基于所述工艺全流程模拟模型获取预设数量的关键操作参数数据和性能指标数据。
15、可选的，所述基于所述测量分析数据建立所述co2捕集装置的工艺全流程模拟模型包括：
16、基于所述co2捕集装置中胺液吸收co2的工艺过程，建立所述co2捕集装置的电解质物性模型；其中，所述电解质物性模型包括：相平衡模型、吸收化学反应模型和热稳盐反应模型；
17、基于所述电解质物性模型选择用于绘制工艺模拟流程图的设备模块；
18、基于所述测量分析数据、物流数据、设备参数和操作条件，运行绘制成的工艺全流程模拟模型，直至模型收敛。
19、可选的，该方法还可以包括：基于采集的测量分析数据与所述工艺全流程模拟模型模拟出的数据进行对比，以对比结果调整所述电解质物性模型中的模型参数，以使得所述测量分析数据与模拟出的数据误差在预设范围内。
20、可选的，该方法还可以包括：使用均方根误差和/或平均绝对误差验证训练的所述门控循环神经网络输出的预测值与真实值之间的差距，以对所述门控循环神经网络的模型参数进行调整。
21、第二方面，本专利技术提供了一种机器学习模型的训练方法，可以包括：
22、基于co2捕集装置工艺原理和工程经验，确定所述co2捕集装置的关键操作参数项和性能指标项；
23、获取预设数量的所述关键操作参数项对应的关键操作参数数据和所述性能指标项对应的性能指标数据；
24、对所述关键操作参数数据进行预处理，以剔除包含的异常数据；
25、对预处理后的所述关键操作参数数据和所述性能指标数据进行相关性分析，以确定不同关键操作参数项之间的相关性系数；并基于所述相关性系数确定影响所述co2捕集装置的性能指标的关键操作参数项；
26、以影响所述co2捕集装置的性能指标项的关键操作参数项对应的关键操作参数数据和所述性能指标项对应的性能指标数据，构建训练样本集；其中，所述训练样本集中的每个样本包括关键操作参数数据和其对应的性能指标数据；
27、用所述训练样本集中的样本对门控循环神经网络进行训练，其中，所述关键操作参数在所述门控循环神经网络的gru网络层中经过正向信息传递和反向损失优化并更新隐藏层权重，以进行所述关键操作参数数据对应的性能指标数据的模型参数估计。
28、可选的，所述获取预设数量的所述本文档来自技高网...
【技术保护点】
1.一种烟气CO2捕集装置工艺参数的优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述门控循环神经网络模型是根据下述步骤预先训练的：
3.根据权利要求2所述的方法，其特征在于，所述获取预设数量的所述关键操作参数项对应的关键操作参数数据和所述性能指标项对应的性能指标数据之前，还包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述测量分析数据建立所述CO2捕集装置的工艺全流程模拟模型包括：
5.根据权利要求4所述的方法，其特征在于，还包括：基于采集的测量分析数据与所述工艺全流程模拟模型模拟出的数据进行对比，以对比结果调整所述电解质物性模型中的模型参数，以使得所述测量分析数据与模拟出的数据误差在预设范围内。
6.根据权利要求2所述的方法，其特征在于，还包括：使用均方根误差和/或平均绝对误差验证训练的所述门控循环神经网络输出的预测值与真实值之前的差距，以对所述门控循环神经网络的模型参数进行调整。
7.一种机器学习模型的训练方法，其特征在于，包括：
8.根据权利要求7所述
9.一种烟气CO2捕集装置工艺参数的优化装置，其特征在于，包括：
10.一种机器学习模型的训练装置，其特征在于，包括：
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～6中任一项所述的烟气CO2捕集装置工艺参数的优化方法，或实现如权利要求7或8所述的机器学习模型的训练方法。
12.一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的烟气CO2捕集装置工艺参数的优化方法，或实现如权利要求7或8所述的机器学习模型的训练方法。
...【技术特征摘要】
1.一种烟气co2捕集装置工艺参数的优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述门控循环神经网络模型是根据下述步骤预先训练的：
3.根据权利要求2所述的方法，其特征在于，所述获取预设数量的所述关键操作参数项对应的关键操作参数数据和所述性能指标项对应的性能指标数据之前，还包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述测量分析数据建立所述co2捕集装置的工艺全流程模拟模型包括：
5.根据权利要求4所述的方法，其特征在于，还包括：基于采集的测量分析数据与所述工艺全流程模拟模型模拟出的数据进行对比，以对比结果调整所述电解质物性模型中的模型参数，以使得所述测量分析数据与模拟出的数据误差在预设范围内。
6.根据权利要求2所述的方法，其特征在于，还包括：使用均方根误差和/或平均绝对误差验证训练的所述门控循环神经网络输出的预测值与真实值之前的差距，以对所述门控循环神经网络...
【专利技术属性】
技术研发人员：黄莺，解政鼎，孙书松，马明燕，孙长庚，徐欢，易坷，林灿，韦刘轲，唐硕，王攀胜，常亮，朱木森，
申请(专利权)人：中国石油天然气集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。