一种空分装置自动变负荷协同优化控制方法与流程

本申请涉及机械控制，具体地，涉及一种空分装置自动变负荷协同优化控制方法。

背景技术：

1、空分装置就是用来把空气中的各组分气体分离，分别生产空气组分的氧气、氮气，氩气等气体的一套工业设备装置。空分装置在运行过程中消耗大量的电能(蒸汽能)，近年来随着空分装置的大型化，工业装置流程日趋复杂，运营要求逐渐提高，特别是空分上下游流程关联度日趋增加。当空分负荷随着下游生产频繁变动时，如果不能及时地对空风装置负荷进行有效的调整以满足要求，气体供需不平衡将可能导致大量气体产品放空浪费、氩塔氮塞、储槽溢出甚至装置非计划停车等一系列后果。这些都会导致单位产品能耗急剧增加，极大的增加空分装置的运营成本，迫切需要通过提升空分装置自动变负荷协同优化控制去改善。

2、目前空分装置主要是针对常规pid回路设定值、阀门或者转速等进行控制，装置运行内部逻辑控制一般都由pid串级或者局部单点控制。然而，现有技术存在以下问题：(1)空分装置中大量使用了热集成与物料再循环技术,使空分装置具有典型的能量与物料高度耦合的特征,很难精确建立系统机理模型或辨识模型。(2)关键组分变量(氧气纯度、氩馏分含氩量、氮气纯度)具有大滞后(约20分钟),无法闭环控制。(3)环境变化、分子筛切换对系统有明显扰动,需抑制其扰动,减少异常工况出现。(4)大范围工况变化时系统呈现较强非线性,如按固定比例调整各物料流量,系统分离效果不同。(5)压缩机的防喘振、氧压机的导叶和回流阀的协调控制、回流阀的滞回特性对自动控制带来了一定困难。

技术实现思路

1、为了克服现有技术中的至少一个不足，本申请提供一种空分装置自动变负荷协同优化控制方法。

2、第一方面，提供一种空分装置自动变负荷协同优化控制方法，包括：

3、步骤s1，构建空气目标神经网络模型；

4、步骤s2，将设定的氧气目标值与前一次迭代对应的影响空气流量的参数的预测值，输入到空气目标神经网络模型中，得到空气流量目标计算值；

5、步骤s3，采用增量式渐进算法对空气流量目标计算值进行优化，确定优化后的空气流量目标计算值；

6、步骤s4，基于优化后的空气流量目标计算值、前一次迭代对应的影响空气流量的参数的预测值，采用双层结构模型预测控制算法，确定操作变量；

7、步骤s5，根据操作变量确定当前迭代对应的影响空气流量的参数的预测值；

8、步骤s6，将设定的氧气目标值与当前迭代对应的影响空气流量的参数中氧气的预测值进行比较，若二者的差值满足设定条件，则当前迭代确定的操作变量即为最优的操作变量，否则，返回步骤s2，进行下一次迭代。

9、在一个实施例中，构建空气目标神经网络模型，包括；

10、获取模型训练数据集，模型训练数据集中的样本为真实的空气流量目标值、影响空气流量的参数的实测值、氧气目标值；

11、基于模型训练数据集对空气目标神经网络模型进行训练，得到训练后的空气目标网络模型。

12、在一个实施例中，采用增量式渐进算法对空气流量目标计算值进行优化，确定优化后的空气流量目标计算值，采用以下公式表示：

13、优化后的空气流量目标计算值＝(空气目标流量计算值-前一次迭代对应的影响空气流量的参数中的空气流量的预测值)*f(氧气目标值-前一次迭代对应的影响空气流量的参数中氧气的预测值)+前一次迭代对应的影响空气流量的参数中的空气流量的预测值；

14、其中，f表示pid算法。

15、在一个实施例中，影响空气流量的参数包括氧气流量、空气流量、氮气流量、氧气纯度、氩馏分含氩量、膨胀空气去上塔流量、去上塔液氮流量调节阀开度。

16、在一个实施例中，操作变量包括氧气流量、v2阀回流比，氧气稠度、膨胀机出口阀开度。

17、第二方面，提供一种空分装置自动变负荷协同优化控制装置，包括：

18、模型构建模块，用于构建空气目标神经网络模型；

19、预测模块，用于将设定的氧气目标值与前一次迭代对应的影响空气流量的参数的预测值，输入到空气目标神经网络模型中，得到空气流量目标计算值；

20、优化模块，用于采用增量式渐进算法对空气流量目标计算值进行优化，确定优化后的空气流量目标计算值；

21、操作变量确定模块，用于基于优化后的空气流量目标计算值、前一次迭代对应的影响空气流量的参数的预测值，采用双层结构模型预测控制算法，确定操作变量；

22、参数确定模块，用于根据操作变量确定当前迭代对应的影响空气流量的参数的预测值；

23、判断模块，用于将设定的氧气目标值与当前迭代对应的影响空气流量的参数中氧气的预测值进行比较，若二者的差值满足设定条件，则当前迭代确定的操作变量即为最优的操作变量，否则，进入预测模块，进行下一次迭代。

24、在一个实施例中，模型构建模块还用于：

25、获取模型训练数据集，模型训练数据集中的样本为真实的空气流量目标值、影响空气流量的参数的实测值、氧气目标值；

26、基于模型训练数据集对空气目标神经网络模型进行训练，得到训练后的空气目标网络模型。

27、在一个实施例中，采用增量式渐进算法对空气流量目标计算值进行优化，确定优化后的空气流量目标计算值，采用以下公式表示：

28、优化后的空气流量目标计算值＝(空气目标流量计算值-前一次迭代对应的影响空气流量的参数中的空气流量的预测值)*f(氧气目标值-前一次迭代对应的影响空气流量的参数中氧气的预测值)+前一次迭代对应的影响空气流量的参数中的空气流量的预测值；

29、其中，f表示pid算法。

30、第三方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的空分装置自动变负荷协同优化控制方法。

31、第四方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时，以实现上述的空分装置自动变负荷协同优化控制方法。

32、相对于现有技术而言，本申请具有以下有益效果：本申请的空分装置自动变负荷协同优化控制方法，融合了自动化与智能化技术，能够灵活地适应空分装置内、外部需求及运营条件的变化，有效的提高生产安全、降低运行成本，很好的改善和解决了现有技术存在的问题，逐步实现精益生产。

技术特征：

1.一种空分装置自动变负荷协同优化控制方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，其中，构建空气目标神经网络模型，包括；

3.如权利要求1所述的方法，其特征在于，其中，采用增量式渐进算法对所述空气流量目标计算值进行优化，确定优化后的空气流量目标计算值，采用以下公式表示：

4.如权利要求1所述的方法，其特征在于，所述影响空气流量的参数包括氧气流量、空气流量、氮气流量、氧气纯度、氩馏分含氩量、膨胀空气去上塔流量、去上塔液氮流量调节阀开度。

5.如权利要求1所述的方法，其特征在于，所述操作变量包括氧气流量、v2阀回流比，氧气稠度、膨胀机出口阀开度。

6.一种空分装置自动变负荷协同优化控制装置，其特征在于，包括：

7.如权利要求6所述的装置，其特征在于，所述模型构建模块还用于：

8.如权利要求6所述的装置，其特征在于，采用增量式渐进算法对所述空气流量目标计算值进行优化，确定优化后的空气流量目标计算值，采用以下公式表示：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，以实现权利要求1-5任意一项所述的空分装置自动变负荷协同优化控制方法。

10.一种计算机程序产品，其特征在于，包括计算机程序/指令，所述计算机程序/指令被处理器执行时，以实现权利要求1-5任意一项所述的空分装置自动变负荷协同优化控制方法。

技术总结本申请涉及一种空分装置自动变负荷协同优化控制方法，融合了自动化与智能化技术，能够灵活地适应空分装置内、外部需求及运营条件的变化，有效的提高生产安全、降低运行成本，很好的改善和解决了现有技术存在的问题，逐步实现精益生产。基于本申请的方法，空分装置可以实现85％‑105％装置负荷范围内自动控制优化，空分装置的自动变负荷速率可以达到1‑1.5％/min，可以快速平稳实现空分装置下游需求变化的响应。技术研发人员：刘金,郑望,李峰,王婷婷,张一琛,汶奕佳,王航受保护的技术使用者：西安陕鼓动力股份有限公司技术研发日：技术公布日：2024/7/23