一种天然气脱烃的方法和系统与流程

本技术涉及智能脱烃领域，且更为具体地，涉及一种天然气脱烃的方法和系统。

背景技术：

1、天然气是指天然蕴藏于地层中的烃类和非烃类气体的混合物，通常包括油田气和气田气。其主要成分是烃类气体，同时也含有非烃气体。天然气蕴藏在地下多孔隙岩层中，包括油田气、气田气、煤层气、泥火山气和生物生成气等，还有少量来自煤层。作为优质燃料和化工原料，从井口开采出的天然气中常含有饱和水，湿天然气（油田伴生气）的组分更为复杂，除了甲烷外，还包含大量的c2~c10烃类物质，有时还有芳烃、环烷烃和烯烃等成分。为了长距离输送和后续工段的利用，需要对天然气中的重烃进行脱除，特别是在准备生产液化天然气时，必须去除c5以上的烷烃、芳烃、环烷烃等组分（类凝析油组分），以防止冷箱冻堵。

2、吸附是一种通过固体吸附剂将气态或液态组分从混合物中分离的技术。在天然气脱烃处理中，吸附技术通常用于去除烃类杂质，提高天然气的纯度。变温吸附系统是一种常见的吸附技术，该系统能够利用吸附剂在不同温度下的吸附和解吸特性，通过控制温度变化来实现吸附和脱附过程，提高吸附效率。在变温吸附过程中，再生气的加热和冷却过程是影响吸附效率的关键因素。也就是说，在加热和冷却过程中，温度是一个关键参数，可以影响吸附剂的吸附性能和选择性，再生气温度过高会导致吸附剂失活，而温度过低会导致吸附效率降低。因此，优化再生气的加热和冷却过程对于提高吸附效率至关重要。

3、因此，期望一种优化的天然气脱烃的方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种天然气脱烃的方法和系统，其通过安装温度传感器在关键位置，如再生气加热器和再生气冷却器处，以实时监测采集再生气的温度，并在后端引入数据处理和分析算法来进行再生加热温度值和再生冷却温度值的时序协同分析，以此来进行加热温度值的输出推荐，从而优化再生气的加热过程，有助于提高吸附效率。

2、根据本技术的一个方面，提供了一种天然气脱烃的方法，其包括：将已脱除水分后的富含烃类原料天然气通过天然气冷凝器以得到降温原料天然气；将所述降温原料天然气通过天然气分离器以分离出液相产品和气相天然气，其中，所述液相产品为烃类杂质；以及将所述气相天然气经天然气冷凝器复热至常温后进入变温吸附系统进行剩余所述烃类杂质的脱除。

3、在上述天然气脱烃的方法中，将所述气相天然气经天然气冷凝器复热至常温后进入变温吸附系统进行剩余所述烃类杂质的脱除，包括：利用所述变温吸附系统的第一吸附器对所述气相天然气进行吸附处理以得到再生气；利用所述变温吸附系统的第二吸附器进行冷吹处理以得到冷吹处理后再生气，并将所述冷吹处理后再生气通过再生气加热器进行加热以得到回温再生气；利用所述变温吸附系统的第三吸附器对所述回温再生气进行加热再生以得到加热处理后再生气，并将所述加热处理后再生气通过再生气冷却器冷却降至常温以得到常温再生气；以及将所述常温再生气通过天然气冷凝器进行降温后进入再生气分离器以进行剩余所述烃类杂质的脱除。

4、在上述天然气脱烃的方法中，将所述气相天然气经天然气冷凝器复热至常温后进入变温吸附系统进行剩余所述烃类杂质的脱除，还包括：根据所述再生气加热器内的再生加热温度值和所述再生气冷却器内的再生冷却温度值进行再生加热温度的推荐控制。

5、在上述天然气脱烃的方法中，根据所述再生气加热器内的再生加热温度值和所述再生气冷却器内的再生冷却温度值进行再生加热温度的推荐控制，包括：获取由部署于所述再生气加热器和所述再生气冷却器内的温度传感器采集的再生加热温度值和再生冷却温度值的时间序列；将所述再生加热温度值和再生冷却温度值的时间序列按照时间维度排列为再生加热温度时序输入向量和再生冷却温度时序输入向量；通过基于深度神经网络的温度时序模式特征提取器分别对所述再生加热温度时序输入向量和所述再生冷却温度时序输入向量进行特征提取以得到再生加热温度局部时序模式特征向量的序列和再生冷却温度局部时序模式特征向量的序列；将所述再生加热温度局部时序模式特征向量的序列和所述再生冷却温度局部时序模式特征向量的序列分别通过基于高斯推理的输出温度局部时序特征预测器以得到输出再生加热温度时序模式特征向量和输出再生冷却温度时序模式特征向量；将所述输出再生加热温度时序模式特征向量和所述输出再生冷却温度时序模式特征向量进行响应性融合以得到再生加热-冷却温度响应融合特征；基于所述再生加热-冷却温度响应融合特征，确定加热温度值的输出推荐值。

6、在上述天然气脱烃的方法中，通过基于深度神经网络的温度时序模式特征提取器分别对所述再生加热温度时序输入向量和所述再生冷却温度时序输入向量进行特征提取以得到再生加热温度局部时序模式特征向量的序列和再生冷却温度局部时序模式特征向量的序列，包括：将所述再生加热温度时序输入向量和所述再生冷却温度时序输入向量通过基于一维扩展卷积神经网络的温度时序模式特征提取器以如下特征提取公式进行处理以得到所述再生加热温度局部时序模式特征向量的序列和所述再生冷却温度局部时序模式特征向量的序列；其中，所述特征提取公式为：；其中，分别表示所述再生加热温度时序输入向量和所述再生冷却温度时序输入向量中其中一个温度时序输入向量的各个温度局部时序输入向量，表示所述各个温度局部时序输入向量的级联向量，表示连接操作，表示所述各个温度局部时序输入向量中的的级联向量，分别表示所述各个温度局部时序输入向量中的第个温度局部时序输入向量，和分别表示权重矩阵和偏移向量，表示卷积操作，表示所述再生加热温度局部时序模式特征向量的序列和所述再生冷却温度局部时序模式特征向量的序列中相应的温度局部时序模式特征向量的序列。

7、在上述天然气脱烃的方法中，将所述再生加热温度局部时序模式特征向量的序列和所述再生冷却温度局部时序模式特征向量的序列分别通过基于高斯推理的输出温度局部时序特征预测器以得到输出再生加热温度时序模式特征向量和输出再生冷却温度时序模式特征向量，包括：将所述再生加热温度局部时序模式特征向量的序列通过所述基于高斯推理的输出温度局部时序特征预测器以如下特征预测公式进行处理以得到所述输出再生加热温度时序模式特征向量；其中，所述特征预测公式为：；其中，是所述再生加热温度局部时序模式特征向量的序列中最后一个位置的再生加热温度局部时序模式特征向量， 是所述再生加热温度局部时序模式特征向量的序列中随机位置的再生加热温度局部时序模式特征向量，是所述再生加热温度局部时序模式特征向量的序列的均值特征向量，和为权重超参数，和是以产生均值为0、方差为1的高斯分布随机数函数作为高斯分布函数系数的超参数，和分别为向量减法和向量加法，为所述输出再生加热温度时序模式特征向量。

8、在上述天然气脱烃的方法中，将所述输出再生加热温度时序模式特征向量和所述输出再生冷却温度时序模式特征向量进行响应性融合以得到再生加热-冷却温度响应融合特征，包括：将所述输出再生加热温度时序模式特征向量和所述输出再生冷却温度时序模式特征向量通过响应性融合模块以如下响应性融合公式进行处理以得到再生加热-冷却温度响应融合特征向量作为所述再生加热-冷却温度响应融合特征；其中，所述响应性融合公式为：；其中，为所述输出再生加热温度时序模式特征向量中第个位置的特征值，为所述输出再生冷却温度时序模式特征向量中第个位置的特征值， a、 b、 c和 d为调整超参数，为所述再生加热-冷却温度响应融合特征向量中的第个位置的特征值。

9、在上述天然气脱烃的方法中，基于所述再生加热-冷却温度响应融合特征，确定加热温度值的输出推荐值，包括：将所述再生加热-冷却温度响应融合特征向量通过基于解码器的再生加热温度控制器以得到控制结果，所述控制结果用于表示加热温度值的输出推荐值。

10、在上述天然气脱烃的方法中，还包括训练步骤：用于对所述基于一维扩展卷积神经网络的温度时序模式特征提取器、所述基于高斯推理的输出温度局部时序特征预测器、所述响应性融合模块和所述基于解码器的再生加热温度控制器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括由部署于所述再生气加热器和所述再生气冷却器内的温度传感器采集的训练再生加热温度值和训练再生冷却温度值的时间序列；将所述训练再生加热温度值和训练再生冷却温度值的时间序列按照时间维度排列为训练再生加热温度时序输入向量和训练再生冷却温度时序输入向量；通过基于一维扩展卷积神经网络的温度时序模式特征提取器分别对所述训练再生加热温度时序输入向量和所述训练再生冷却温度时序输入向量进行特征提取以得到训练再生加热温度局部时序模式特征向量的序列和训练再生冷却温度局部时序模式特征向量的序列；将所述训练再生加热温度局部时序模式特征向量的序列和所述训练再生冷却温度局部时序模式特征向量的序列分别通过基于高斯推理的输出温度局部时序特征预测器以得到训练输出再生加热温度时序模式特征向量和训练输出再生冷却温度时序模式特征向量；将所述训练输出再生加热温度时序模式特征向量和所述训练输出再生冷却温度时序模式特征向量进行响应性融合以得到训练再生加热-冷却温度响应融合特征向量；对所述训练再生加热-冷却温度响应融合特征向量的各个特征值进行聚类优化以得到优化训练再生加热-冷却温度响应融合特征向量；将所述优化训练再生加热-冷却温度响应融合特征向量通过基于解码器的再生加热温度控制器以得到解码损失函数值；基于所述解码损失函数值对所述基于一维扩展卷积神经网络的温度时序模式特征提取器、所述基于高斯推理的输出温度局部时序特征预测器、所述响应性融合模块和所述基于解码器的再生加热温度控制器进行训练。

11、根据本技术的另一个方面，提供了一种天然气脱烃的系统，其包括：数据采集模块，用于获取由部署于再生气加热器和再生气冷却器内的温度传感器采集的再生加热温度值和再生冷却温度值的时间序列；排列模块，用于将所述再生加热温度值和再生冷却温度值的时间序列按照时间维度排列为再生加热温度时序输入向量和再生冷却温度时序输入向量；特征提取模块，用于通过基于深度神经网络的温度时序模式特征提取器分别对所述再生加热温度时序输入向量和所述再生冷却温度时序输入向量进行特征提取以得到再生加热温度局部时序模式特征向量的序列和再生冷却温度局部时序模式特征向量的序列；局部时序特征预测模块，用于将所述再生加热温度局部时序模式特征向量的序列和所述再生冷却温度局部时序模式特征向量的序列分别通过基于高斯推理的输出温度局部时序特征预测器以得到输出再生加热温度时序模式特征向量和输出再生冷却温度时序模式特征向量；响应性融合模块，用于将所述输出再生加热温度时序模式特征向量和所述输出再生冷却温度时序模式特征向量进行响应性融合以得到再生加热-冷却温度响应融合特征；推荐值输出模块，用于基于所述再生加热-冷却温度响应融合特征，确定加热温度值的输出推荐值。

12、与现有技术相比，本技术提供的一种天然气脱烃的方法和系统，其通过安装温度传感器在关键位置，如再生气加热器和再生气冷却器处，以实时监测采集再生气的温度，并在后端引入数据处理和分析算法来进行再生加热温度值和再生冷却温度值的时序协同分析，以此来进行加热温度值的输出推荐，从而优化再生气的加热过程，有助于提高吸附效率。