基于大数据的LNG接收站再冷凝器喷淋量计算方法研究

彭延建 张超 姜夏雪 高歌

（中海石油气电集团有限责任公司 北京 100028）

近十年来，中国进入了液化天然气（LNG）接收站的建设高潮，截至2021年底，国内已建成22座LNG接收站，接收能力9 910万t／a，另有25座拟建或待建［1］。中国LNG接收站在设计上需要满足频繁启停、外输的稳定性和灵活性的要求，其设计及操作是世界同类型接收站中最为复杂的［2］，而在LNG接收站的日常运营过程中，-160℃的LNG容易受热气化而产生蒸发气（Boil Off Gas，BOG），因此BOG处理是接收站的重要工作［3］。BOG处理主要包括再冷凝和直接压缩2种方式。与直接压缩工艺相比，再冷凝工艺可节约30%～60%的成本［4-5］，因此成为大多数LNG接收站的BOG处理工艺。

再冷凝器是再冷凝工艺的核心设备，在接收站工艺流程中承担着承上启下的作用［6］。再冷凝器通过喷淋量控制回路计算喷淋量而自动调节喷淋阀的开度，保证进入再冷凝器的LNG流速稳定且满足冷凝要求［7］。然而在LNG接收站投产后，一方面发现喷淋回路投自动计算的喷淋量无法满足BOG的再冷凝需求，只能通过手动方式进行调整；另一方面，采用大数据方法解决油气储运问题已越发普遍［8］，例如于涛等［9］基于数据挖掘算法和BP神经网络建立热油管道油温预测模型；谢鹏等［10］基于深度学习算法搭建数据驱动代理模型，探讨管道失效内压的影响因素与管道等效应力之间的映射关系。LNG接收站在运行期间所积累的数据资料非常庞大，但目前鲜有将大数据技术应用于LNG接收站问题的研究。

针对现场喷淋控制回路无法投用、手动频繁操作、现场数据量大却无应用的现状，本文通过采集现场数据和再冷凝器工程设计资料，对喷淋控制回路的设计计算过程进行复核，对比手动喷淋值、控制回路复核值和工艺模拟值，来查找喷淋回路无法投自动的原因；基于大数据分析技术构建再冷凝器喷淋量数据驱动计算模型，为再冷凝器喷淋操作提供量化建议。本文研究结果可提高再冷凝器操作精度，有效降低人力负荷，为LNG接收站大数据的运营和分析提供指导。

1 再冷凝器喷淋量分析

再冷凝器喷淋控制回路原理如图1所示，通过再冷凝器BOG入口管线压力PPT-01和温度TTT-01对BOG流量QFY-02进行补偿，根据补偿后的流量计算LNG的理论喷淋量QFY-03，然后输出为FY-04的开度1；同时，控制器（PIC-02）根据再冷凝器上部压力PPT-02计算FY-04的开度2；开度1和开度2取其中的高值，由流量控制器FIC-01驱动阀门FV-01进行喷淋。

图1 再冷凝器喷淋控制回路原理示意图Fig.1 Schematic diagram of the recondenser spray control circuit

1.1 喷淋量现场实验对比

为了查找喷淋回路无法自动喷淋的原因，需将喷淋回路设置为手动模式，通过现场测点FT-01获得的手动喷淋量为96.89 m3／h。在再冷凝器其他参数不变的情况下，将喷淋回路切换至自动模式，记录喷淋回路的相关参数（表1），DCS页面显示喷淋回路计算值仅为26.32 m3／h，与手动模式下喷淋结果偏差较大。

表1 再冷凝器实测数据Table 1 Measured data by different measuring points of the recondenser

1.2 喷淋回路的喷淋量计算

1）气体的温度、压力补偿计算。

气体的可压缩性使其流量计算存在温压补偿问题［11］，BOG气体流量可通过再冷凝器入口管线当前压力和温度进行补偿，表示为

式（1）中：QFT-02和Q′FT-02分别为温度、压力补偿前后标况下的BOG气体流量，m3／h；Tref为标况温度，K，取值273.15 K；pref为标况压力，MPaG，取值0.101 325 MPaG；TTT-01为再冷凝器BOG入口管线温度，℃；PPT-01为再冷凝器BOG入口管线压力，MPaG。

2）理论喷淋量计算。

LNG理论喷淋量表示为

式（2）、（3）中：QLNG为LNG体积流量，m3／h；R为比例参数，通常取值7～9，系统默认为8；F为从质量流量转换为体积流量所需的倍增因子，根据贫富组分的不同通常取值0.001 51～0.001 87，平均值为0.001 6；ρLNG为LNG的密度，kg／m3；MW为蒸发气的分子量。

3）回路喷淋值量计算。

根据式（1）～（3），结合表1再冷凝器实测数据进行计算，得到喷淋回路计算值为101.56 m3／h。可以发现，喷淋回路计算得到的喷淋值与人工实际值96.89 m3／h较为接近，同样也与DCS页面显示的喷淋值26.32 m3／h相差较大。

1.3 喷淋量模拟计算

为了进一步验证现场操作和喷淋回路计算的正确性，利用Aspen HYSYS软件搭建再冷凝器喷淋量计算模型，如图2所示。选用Peng-Robinson状态方程，输入储罐内LNG和BOG实际组分及数据（表1），模拟进入再冷凝器的带压高温BOG气体与低温LNG液体，两者混合后的饱和液体再进行迭代，得出LNG的模拟喷淋量为105.1 m3／h。

图2 喷淋量模拟计算示意图Fig.2 Simulation and calculation of spray volume

1.4 再冷凝器喷淋量验证

手动喷淋量、喷淋回路计算量、模拟喷淋量与DCS显示喷淋量的数据对比结果见表2。可以看出，如果以手动喷淋量为标准，则喷淋回路计算量、模拟喷淋量的误差较小，这意味着工程设计的自控逻辑是正确的，而DCS显示与喷淋量误差较大的主要原因是DCS组态程序存在未知错误。

表2 不同方法测算喷淋量对比表Table 2 Comparison table of spray volume with different measurement methods

2 基于再冷凝器喷淋量大数据的线性回归研究

2.1 数据相关性分析

经测算，国内某LNG接收站5 000个测点1年内产生的主工艺数据总量约为6T，利用这些数据可开展基于大数据分析的喷淋量线性回归研究。

根据图1的再冷凝器工艺流程原理可知，再冷凝器喷淋相关数据点主要包括流量、压力、温度、位置的关键测点12个（表3）。流量、压力、温度数据可通过DCS系统获取；测点位置数据可通过工程设计工艺流程图获取。

抽取该接收站再冷凝器2020年1月1日至2021年3月31日共15个月的数据，根据现场实际生产工况与表3，剔除未喷淋时间段及异常时间段数据。利用Python语言编写代码，分析12个测点间的相关性，结果见表4。

表3 再冷凝器喷淋相关工艺数据测点划分Table 3 Division of recondenser spraying related process data

按照强相关性（相关系数≥0.8）、中等相关性（0.2≤相关系数＜0.8）、弱相关性（相关系数＜0.2）的划分方法，强相关性为测点FT-02，中等相关性为测点TT-01、PT-03和TT-02，弱相关性为其他测点。这一结果与人为手动操作调节时主要关注的测点也较为匹配。

2.2 线性回归模型及其精度验证

2.2.1 线性回归模型的建立

依据表4不同测点与LNG喷淋量相关性的排序情况，按照强和中等相关性的相应测点，分别建立一元和四元线性回归模型，并将结果与手动喷淋量、喷淋回路计算量和模拟喷淋量进行对比。

表4 喷淋量测点相关性分析矩阵Table 4 Correlation analysis results of spray measurement points

1）一元线性回归模型。

一元线性回归拟合选择强相关性测点作为变量，其回归模型为

利用15个月的所有数据对模型进行验证，以天为单位计算模型精度，将结果与实际喷淋量进行对比。经Pyhton计算，该一元模型的精度为0.682。

2）四元线性回归模型。

四元线性回归拟合选择强和中等相关的4个测点作为变量，其回归模型为式（5）。同理进行验证，四元线性模型的精度为0.761。

2.2.2 线性回归模型结果分析

以表1的再冷凝器实测数据为基础，分别计算一元和四元线性回归模型的喷淋量，利用2020年的整年历史数据分别对2个线性回归模型进行验算，其结果见表5。

表5 不同线性回归模型喷淋量结果对比表Table 5 Spray volume comparison by different linear regression models

根据表5可知，与实际喷淋量相比，四元线性回归模型的准确度较高，单独只考虑相关性最大变量的一元线性回归模型，并不能使大数据模型的计算精度更高。另外基于大数据的线性回归模型得到的再冷凝器喷淋结果，与手动实际喷淋量的误差均在10%以内。这意味着虽然基于设计原理的理论计算与基于数据的计算方法不同，但却可以得到近似的结果。

3 结论与展望

LNG接收站频繁启停要求其外输的稳定性和灵活性较高，因此再冷凝器喷淋量的准确计量和测算势在必行。目前，喷淋回路无法自动投用的原因在于DCS组态程序存在未知错误。鉴于DCS组态程序修改难度较大且LNG接收站获取大量数据的现状，采用简单易行的线性回归方法建立喷淋量线性回归模型，可以较低的误差计算出再冷凝器喷淋量。未来随着中国LNG接收站数量的增加，这种基于获取大数据的线性回归研究方法及喷淋量四元线性回归模型，均可在LNG接收站加以部署和推广，根据模型应用效果进一步修正模型，提高模型精度，为再冷凝器喷淋量提供更加精准的量化建议。