摘 要：本研究旨在探討將“ARIMA+LSTM”模型應(yīng)用于苯加氫裝置中的焦?fàn)t煤氣制LNG富氫尾氣的負(fù)荷預(yù)測(cè)，即采用“ARIMA+LSTM”模型，并將ARIMA模型和LSTM模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，從而得到更準(zhǔn)確的負(fù)荷預(yù)測(cè)結(jié)果。試驗(yàn)結(jié)果表明，聯(lián)合“ARIMA+LSTM”模型能夠更準(zhǔn)確地捕捉負(fù)荷數(shù)據(jù)的趨勢(shì)和變化，比單獨(dú)使用ARIMA或LSTM模型的預(yù)測(cè)準(zhǔn)確性和可靠性更高。證明了“ARIMA+LSTM”模型在焦?fàn)t煤氣制LNG富氫尾氣負(fù)荷預(yù)測(cè)中的有效性和實(shí)用性，為壓力系統(tǒng)的運(yùn)行和調(diào)度提供了可靠支持，有望在工業(yè)生產(chǎn)實(shí)踐中得到廣泛應(yīng)用。

關(guān)鍵詞：富氫尾氣；苯加氫；制氫

中圖分類(lèi)號(hào)：TQ 116 " " 文獻(xiàn)標(biāo)志碼：A

焦?fàn)t煤氣制LNG富氫尾氣在苯加氫裝置中的應(yīng)用具有重要意義。然而負(fù)荷數(shù)據(jù)具有復(fù)雜性和不確定性，傳統(tǒng)的預(yù)測(cè)方法通常難以滿(mǎn)足實(shí)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(yù)測(cè)結(jié)果相結(jié)合，提高負(fù)荷預(yù)測(cè)的準(zhǔn)確性和可靠性，并為相關(guān)領(lǐng)域的研究和實(shí)踐提供參考。

1 工藝流程

焦?fàn)t煤氣和富氫尾氣組成對(duì)比見(jiàn)表1。

2 工藝優(yōu)化

需要在苯加氫裝置中收集歷史原料氣壓縮數(shù)據(jù)。這些數(shù)據(jù)包括原料氣的壓縮量、時(shí)間戳和其他相關(guān)信息。對(duì)這些數(shù)據(jù)進(jìn)行清洗、處理和轉(zhuǎn)換，以保證數(shù)據(jù)質(zhì)量和準(zhǔn)確性。清洗數(shù)據(jù)包括處理缺失值、異常值和重復(fù)值，而數(shù)據(jù)轉(zhuǎn)換包括對(duì)數(shù)據(jù)進(jìn)行歸一化或標(biāo)準(zhǔn)化，以便更好地適應(yīng)模型的訓(xùn)練和預(yù)測(cè)。

2.1 預(yù)凈化工序流程

焦?fàn)t煤氣的壓力通常為4 kPa～10 kPa，溫度為25 ℃～40 ℃，煤氣由3臺(tái)并聯(lián)的預(yù)凈化塔進(jìn)行處理。其中2臺(tái)是吸附塔，1臺(tái)是再生塔。在預(yù)凈化塔中，煤氣經(jīng)過(guò)變溫吸附后，其中的萘、焦油、苯、氨和硫化氫等雜質(zhì)被去除。經(jīng)預(yù)凈化塔處理后，煤氣進(jìn)入煤氣壓縮機(jī)進(jìn)行一級(jí)壓縮升壓[2]。一部分壓縮后的煤氣用作預(yù)凈化塔的再生氣源，應(yīng)用于再生吸附塔，使其能夠持續(xù)進(jìn)行吸附并去除雜質(zhì)[3]；另一部分壓縮后的煤氣則被送到預(yù)處理工序，以進(jìn)一步凈化。

2.2 預(yù)處理工序流程

預(yù)處理是指進(jìn)一步處理經(jīng)一級(jí)壓縮升壓后的預(yù)凈化氣，以脫除其中的萘、焦油、苯、氨和硫化氫等雜質(zhì)和污染物，提高煤氣的純度和質(zhì)量[4]。首先，一級(jí)壓縮升壓將煤氣壓力提升至0.14 MPa～0.16 MPa，為后續(xù)的預(yù)凈化處理創(chuàng)造適當(dāng)?shù)膲毫l件，有助于提高處理效率，保證雜質(zhì)更容易被去除。其次，煤氣由預(yù)處理塔進(jìn)行變溫吸附的預(yù)凈化處理，去除萘、焦油、苯、氨和硫化氫等雜質(zhì)，提高煤氣的純度和質(zhì)量，減少對(duì)后續(xù)設(shè)備的損害，提高最終產(chǎn)品的安全性和有效性。再次，預(yù)處理后的煤氣再次經(jīng)過(guò)煤氣壓縮機(jī)進(jìn)行二、三級(jí)壓縮升壓，壓力逐漸提升至1.6 MPa～1.65 MPa，以適應(yīng)后續(xù)處理工序并有效控制設(shè)備負(fù)荷，保證系統(tǒng)穩(wěn)定運(yùn)行。最后，將升壓后的煤氣送至變壓吸附工序，進(jìn)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(xù)的產(chǎn)品提純和分離奠定基礎(chǔ)。

通過(guò)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(xù)的處理和分離。適當(dāng)?shù)膲毫τ兄谔岣呶叫?，使雜質(zhì)更易去除。進(jìn)而煤氣進(jìn)入5個(gè)并行工作的吸附塔，在此過(guò)程中，除氫氣以外的雜質(zhì)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(chǎn)品氫氣純度約為99.9%，氧氣含量?jī)H為0.1%，表明吸附過(guò)程具有有效性，并為后續(xù)應(yīng)用奠定了良好基礎(chǔ)。最后，半產(chǎn)品氫氣被送至脫氧干燥工序進(jìn)行進(jìn)一步處理，以去除殘余的氧氣和水分，保證氫氣在后續(xù)應(yīng)用中的質(zhì)量和穩(wěn)定性。

脫氧干燥工序的主要步驟包括半產(chǎn)品氫氣的加熱、進(jìn)入脫氧器、反應(yīng)過(guò)程、冷卻與水分離、干燥處理、緩沖罐存儲(chǔ)以及最終產(chǎn)品的獲得。首先，半產(chǎn)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(jìn)后續(xù)反應(yīng)并增強(qiáng)催化劑活性。加熱后的氣體進(jìn)入脫氧器，在鈀催化劑的作用下，氧氣與氫氣發(fā)生反應(yīng)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(guò)冷卻器和預(yù)水分離器，使水蒸氣凝結(jié)為液態(tài)水，并將其分離，以保證氫氣的干燥程度，減少后續(xù)處理負(fù)擔(dān)。最后，脫氧后的氫氣進(jìn)入干燥器，進(jìn)一步去除微量水分，以保證最終產(chǎn)品的質(zhì)量。干燥后的氫氣被送入產(chǎn)品氫氣緩沖罐，以平衡氣體的壓力和流量，保障系統(tǒng)的安全性和穩(wěn)定性。經(jīng)過(guò)這一系列處理，最終的產(chǎn)品氫氣純度為99.99%，表明脫氧干燥工序具有有效性，能夠滿(mǎn)足各種工業(yè)和科研應(yīng)用的需求。

3 具體應(yīng)用

3.1 原始數(shù)據(jù)

選用某地2022年12月共31天的“焦?fàn)t煤氣制LNG富氫尾氣在苯加氫裝置中的應(yīng)用”負(fù)荷數(shù)據(jù)，見(jiàn)表2。這些負(fù)荷數(shù)據(jù)為每小時(shí)檢測(cè)一次，因此每天會(huì)有24個(gè)數(shù)據(jù)點(diǎn)。

3.2 ARIMA模型預(yù)測(cè)結(jié)果

建立ARIMA模型前，需要使用歷史數(shù)據(jù)來(lái)構(gòu)建模型，包括ARIMA模型的階數(shù)和參數(shù)，這些參數(shù)將影響模型的預(yù)測(cè)能力。確定ARIMA模型的階數(shù)和參數(shù)是關(guān)鍵步驟，需要對(duì)數(shù)據(jù)的自相關(guān)性和偏自相關(guān)性進(jìn)行分析，選擇合適的模型進(jìn)行建模和預(yù)測(cè)。在建立ARIMA模型的過(guò)程中，需要考慮焦?fàn)t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(chǎn)工藝、原料質(zhì)量和操作條件等。

首先，對(duì)選定的負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理和分析，包括數(shù)據(jù)清洗、處理缺失值/異常值、數(shù)據(jù)轉(zhuǎn)換和歸一化等操作。其次，構(gòu)建ARIMA模型，確定模型的階數(shù)和參數(shù)，對(duì)負(fù)荷數(shù)據(jù)的時(shí)間序列進(jìn)行建模和預(yù)測(cè)。由負(fù)荷數(shù)據(jù)的自相關(guān)與偏自相關(guān)分析結(jié)果可知，當(dāng)階數(shù)為6時(shí)，系數(shù)接近于0，并且后續(xù)階數(shù)基本落在2倍標(biāo)準(zhǔn)差范圍內(nèi)。因此，可建立一個(gè)ARIMA（6，1，6）模型，對(duì)壓力負(fù)荷的趨勢(shì)進(jìn)行預(yù)測(cè)。但是預(yù)測(cè)結(jié)果的幅值存在明顯偏移，最大預(yù)測(cè)誤差絕對(duì)值為287 MW。出現(xiàn)該偏差的原因是原始負(fù)荷數(shù)據(jù)中存在較多非周期成分，導(dǎo)致ARIMA模型適用性下降。非周期成分是指在負(fù)荷數(shù)據(jù)中無(wú)法被周期性模式或趨勢(shì)模式解釋的部分[3]，該部分由天氣、節(jié)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(shì)性的數(shù)據(jù)，對(duì)于含有較多非周期成分的數(shù)據(jù)，其預(yù)測(cè)效果會(huì)受到限制。

3.3 LSTM模型預(yù)測(cè)結(jié)果

設(shè)計(jì)LSTM模型的網(wǎng)絡(luò)結(jié)構(gòu)是關(guān)鍵步驟之一，包括確定輸入層、隱藏層、輸出層和每個(gè)層的神經(jīng)元數(shù)量，并確定激活函數(shù)。此外，還需要確定神經(jīng)網(wǎng)絡(luò)的參數(shù)，以便捕捉原料氣壓縮的時(shí)間序列特征。輸入層的數(shù)量應(yīng)該與時(shí)間序列數(shù)據(jù)的維度相匹配；隱藏層的數(shù)量和神經(jīng)元數(shù)量需要根據(jù)數(shù)據(jù)復(fù)雜度和模型的訓(xùn)練效果來(lái)進(jìn)行調(diào)整；輸出層的數(shù)量為1，用于預(yù)測(cè)含氫量的數(shù)值。在捕捉焦?fàn)t煤氣制LNG富氫尾氣的含氫量時(shí)間序列特征過(guò)程中，激活函數(shù)包括ReLU、Sigmoid和Tanh等。

對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括歸一化、序列化等操作，以便輸入LSTM模型并進(jìn)行訓(xùn)練和預(yù)測(cè)。經(jīng)過(guò)試驗(yàn)和調(diào)整，本文發(fā)現(xiàn)LSTM模型能夠?qū)毫ω?fù)荷進(jìn)行一定預(yù)測(cè)。試驗(yàn)比較了2種不同類(lèi)型的LSTM模型，一種是帶有重置網(wǎng)絡(luò)的LSTM模型，另一種是沒(méi)有重置網(wǎng)絡(luò)的LSTM模型。結(jié)果顯示，帶有重置網(wǎng)絡(luò)的LSTM模型的預(yù)測(cè)結(jié)果比沒(méi)有重置網(wǎng)絡(luò)的LSTM模型更貼近實(shí)際的負(fù)荷曲線(xiàn)。重置網(wǎng)絡(luò)是LSTM模型中的一種機(jī)制，能幫助模型更好地捕捉時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴(lài)關(guān)系和非線(xiàn)性特征。引入重置網(wǎng)絡(luò)后，LSTM模型能夠更準(zhǔn)確地預(yù)測(cè)負(fù)荷數(shù)據(jù)的趨勢(shì)和變化。單一模型與設(shè)定聯(lián)合模型預(yù)測(cè)結(jié)果對(duì)比見(jiàn)表3。

3.4 基于“ARIMA+LSTM”的聯(lián)合模型預(yù)測(cè)結(jié)果

使用“ARIMA+LSTM”模型對(duì)焦?fàn)t煤氣制LNG富氫尾氣的含氫量進(jìn)行預(yù)測(cè)，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(diào)整苯加氫反應(yīng)的參數(shù)和條件。

在模型訓(xùn)練中，有ARIMA模型得到的負(fù)荷序列a、LSTM模型得到的負(fù)荷序列b以及相應(yīng)的實(shí)際負(fù)荷序列s，均包括n個(gè)采樣點(diǎn)[5]。為了綜合利用ARIMA和LSTM模型的預(yù)測(cè)結(jié)果，對(duì)它們的負(fù)荷序列分別賦予權(quán)重ω1和ω2，其中ω1表示對(duì)LSTM模型負(fù)荷序列的重要性，ω2表示對(duì)ARIMA模型負(fù)荷序列的重要性。這2個(gè)權(quán)重需要滿(mǎn)足ω1+ω2=1，以保證權(quán)重的總和為1，則訓(xùn)練過(guò)程中聯(lián)合預(yù)測(cè)模型的誤差ε如公式（1）所示。

ε=s-ω1a-ω2b=s-ω1b-（1-ω1）b " " " " " " "（1）

以聯(lián)合預(yù)測(cè)模型誤差最小化作為優(yōu)化目標(biāo)求解權(quán)重ω1*，如公式（2）所示。

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

為尋求最優(yōu)聯(lián)合模型權(quán)重，利用隨機(jī)優(yōu)化搜索算法進(jìn)行尋找。設(shè)目標(biāo)函數(shù)為g（ω1），如公式（3）所示。

（3）

式中：bi為第i個(gè)LSTM模型得到的負(fù)荷序列；si為第i個(gè)實(shí)際負(fù)荷序列。

變異操作是基于3個(gè)隨機(jī)個(gè)體Ar1、Ar2和Ar3進(jìn)行的，第q個(gè)個(gè)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(gè)隨機(jī)個(gè)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(gè)個(gè)體的第u分量進(jìn)行交叉，其結(jié)果Rqu（k）如公式（5）所示。

（5）

式中：Vqu（k）為第q個(gè)個(gè)體的第k次迭代的第u分量交叉結(jié)果；rand（0，1）為一個(gè)生成隨機(jī)數(shù)的函數(shù)，通常用于生成一個(gè)在0～1均勻分布的隨機(jī)數(shù)，在許多算法中，尤其是進(jìn)化算法或遺傳算法中，這個(gè)隨機(jī)數(shù)用于引入隨機(jī)性，以增加搜索空間的多樣性；C為交叉率；j為隨機(jī)整數(shù)；rand（1，N）為用于生成一個(gè)在1～N的隨機(jī)整數(shù)的函數(shù)；N為個(gè)體的數(shù)量或某個(gè)特定的范圍，用于選擇隨機(jī)個(gè)體或進(jìn)行其他操作；Aqu（k）為隨機(jī)個(gè)體的第u分量交叉結(jié)果。

對(duì)ARIMA模型和LSTM模型進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程需要調(diào)整反向傳播算法和優(yōu)化器，以最大程度地減少模型誤差。將ARIMA模型和LSTM模型的預(yù)測(cè)結(jié)果進(jìn)行集成，以綜合利用其各自?xún)?yōu)勢(shì)。采用加權(quán)平均等方法，將2個(gè)模型的預(yù)測(cè)結(jié)果相結(jié)合，得到更準(zhǔn)確、穩(wěn)定的預(yù)測(cè)結(jié)果。利用測(cè)試集數(shù)據(jù)對(duì)集成模型進(jìn)行評(píng)估和驗(yàn)證，以評(píng)估模型的預(yù)測(cè)精度和穩(wěn)定性。比較模型的預(yù)測(cè)結(jié)果和實(shí)際觀測(cè)值，可以評(píng)估模型的準(zhǔn)確性和可靠性，從而為模型的改進(jìn)和優(yōu)化提供參考依據(jù)。

基于尾氣含氫量的預(yù)測(cè)結(jié)果，對(duì)苯加氫反應(yīng)裝置的操作參數(shù)進(jìn)行優(yōu)化。例如，根據(jù)尾氣中氫氣的含量調(diào)整催化劑的投入量和反應(yīng)溫度，以提高反應(yīng)的效率和產(chǎn)物的質(zhì)量。

聯(lián)合模型預(yù)測(cè)方法流程如圖1所示。實(shí)時(shí)監(jiān)測(cè)焦?fàn)t煤氣制LNG富氫尾氣的含氫量，并與預(yù)測(cè)結(jié)果進(jìn)行比較，及時(shí)發(fā)現(xiàn)苯加氫裝置中的異常情況并調(diào)整反應(yīng)條件，防止能源浪費(fèi)和產(chǎn)品質(zhì)量下降。焦?fàn)t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(yīng)，能夠提高能源利用效率，減少能源消耗和環(huán)境污染。對(duì)尾氣含氫量進(jìn)行預(yù)測(cè)和調(diào)控，以控制苯加氫反應(yīng)的產(chǎn)物質(zhì)量，保證產(chǎn)品符合規(guī)定的標(biāo)準(zhǔn)和要求?；诘?1天的ARIMA模型和帶有重置網(wǎng)絡(luò)的LSTM模型的預(yù)測(cè)結(jié)果，進(jìn)行聯(lián)合模型權(quán)重系數(shù)尋優(yōu)。采用優(yōu)化算法，將數(shù)據(jù)帶入公式（1）～公式（5），得出計(jì)算結(jié)果，得到權(quán)重系數(shù)ω1=0.9081和ω2=0.0919。進(jìn)而利用這些優(yōu)化的權(quán)重系數(shù)進(jìn)一步得出第11天、第21天和第31天的聯(lián)合模型預(yù)測(cè)結(jié)果。

單一模型與聯(lián)合模型預(yù)測(cè)性能對(duì)比結(jié)果見(jiàn)表4。聯(lián)合“ARIMA+LSTM”模型的預(yù)測(cè)結(jié)果與實(shí)際曲線(xiàn)非常接近，預(yù)測(cè)誤差較小。將ARIMA模型和LSTM模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，能夠充分利用2種模型的優(yōu)勢(shì)，提高預(yù)測(cè)的準(zhǔn)確性和可靠性。特別是在第11天、第21天和第31天的預(yù)測(cè)中，聯(lián)合“ARIMA+LSTM”模型能夠更準(zhǔn)確地捕捉負(fù)荷數(shù)據(jù)的趨勢(shì)和變化。將ARIMA模型和帶有重置網(wǎng)絡(luò)的LSTM模型進(jìn)行融合，能夠得到更可靠的負(fù)荷預(yù)測(cè)結(jié)果。這種聯(lián)合模型的優(yōu)勢(shì)在于綜合了2種不同模型的特點(diǎn)和優(yōu)勢(shì)，克服了單一模型的局限性。權(quán)衡不同模型的預(yù)測(cè)結(jié)果能夠得到更全面、準(zhǔn)確的負(fù)荷預(yù)測(cè)結(jié)果，優(yōu)化能源利用并提高生產(chǎn)效率，為壓力系統(tǒng)的運(yùn)行和調(diào)度提供有力支持。

4 結(jié)語(yǔ)

本文基于“ARIMA+LSTM”模型，研究了焦?fàn)t煤氣制LNG富氫尾氣在苯加氫裝置中的具體應(yīng)用。將ARIMA模型和LSTM模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，提高了負(fù)荷預(yù)測(cè)的準(zhǔn)確性和可靠性。試驗(yàn)結(jié)果表明，聯(lián)合模型能夠更準(zhǔn)確地捕捉負(fù)荷數(shù)據(jù)的趨勢(shì)和變化，為壓力系統(tǒng)的運(yùn)行和調(diào)度提供有力支持。本研究對(duì)優(yōu)化能源利用和提高生產(chǎn)效率具有重要意義，并為相關(guān)領(lǐng)域的研究和實(shí)踐提供了有益參考。

參考文獻(xiàn)

[1]翁小平，袁海雷，楊飛.先進(jìn)控制和優(yōu)化技術(shù)在苯加氫裝置中的應(yīng)用[J].燃料與化工，2023，54（4）：45-48.

[2]張凱，欒義濤，付恩祥，等.優(yōu)化苯加氫裝置萃取劑再生塔運(yùn)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(huán)己烯裝置能量系統(tǒng)集成及催化劑再生周期優(yōu)化[J].化工學(xué)報(bào)，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(jiǎn)介[J].燃料與化工，2020，51（6）：48-49.

[5]關(guān)紅燕.苯加氫裝置產(chǎn)能挖潛改造實(shí)踐與分析[J].煤化工，2023，51（2）：94-96.