基于大数据的高含硫天然气脱硫工艺优化

为了解决高含硫天然气脱硫工艺中脱硫选择性差、能耗高等问题,提出了基于大数据的高含硫天然气脱硫工艺优化方法。首先,通过工艺流程分析,发现对性能指标有显著影响的决策参数,建立无迹卡尔曼滤波神经网络动态模型,获知了脱硫工艺的潜在规律;然后,针对原脱硫工艺中H_2S、CO_2过分脱除问题,采用偏好多目标优化的方法,分别以H2S浓度逼近2.5 mg/m~3、CO_2浓度逼近2%为目标函数,采用非支配性排序遗传算法对模型进行多目标优化,获得了最佳工艺参数。采集某高含硫天然气净化厂脱硫单元2014年1—12月的生产数据,取前80%数据作为训练集,后20%数据作为测试集,进行了仿真实验。结果表明:1所建立的动态模型能够较好地反映脱硫工艺生产规律;2优化结果建议适当降低一级吸收塔温度,提高二级吸收塔温度,提高闪蒸罐压力,并减少胺液循环量;3优化后净化气中H_2S浓度将由0.62 mg/m~3提高至3.22 mg/m~3,CO_2浓度由1.19%提高至1.99%,脱硫选择性显著提高;4相对胺液循环量下降16.67%,蒸汽消耗量减少,净化气产率提高0.8%,总体实现了增产节能降耗的目的。