CN107066770A

CN107066770A - 基于gpu加速的工业装置蒸汽系统在线优化方法

Info

Publication number: CN107066770A
Application number: CN201710439585.0A
Authority: CN
Inventors: 钱锋; 赵亮; 杜文莉; 叶贞成; 张建宇
Original assignee: East China University of Science and Technology
Current assignee: East China University of Science and Technology
Priority date: 2017-06-12
Filing date: 2017-06-12
Publication date: 2017-08-18

Abstract

基于GPU加速的工业装置蒸汽系统在线优化方法，此方法是以蒸汽系统运行成本的数学模型为基础，考虑实际工业过程中质量守恒、能量守恒、透平做功能力和满足各等级蒸汽需求等约束条件，以抽汽凝汽式透平抽汽量和电泵\泵透平的开备等为操作变量，实时采集工业装置运行数据，利用GPU加速的并行协同粒子优化算法进行优化求解，实现蒸汽系统的在线优化，降低蒸汽系统运行成本。这种在线优化方法可以为装置离线优化提供指导，也可以结合APC技术实现工业装置蒸汽系统的闭环实时优化，降低装置的运行成本，且适用于各类工业装置蒸汽系统的在线优化，有着广泛的适应性。

Description

基于GPU加速的工业装置蒸汽系统在线优化方法

技术领域

本发明涉及一种工业过程在线优化方法，尤其是一种大型工业装置蒸汽系统在线优化方法。

背景技术

目前，节能减排是我国经济社会发展的一项紧迫任务，国务院提出了“十二五”期间将单位国内生产总值能耗降低21％。石油和化学工业能源消耗量占全国总能源量的9％，占全国工业用量的13％，一直是节能降耗的重点领域。国务院《节能减排“十二五”规划》明确将电力、钢铁、有色金属、合成氨、炼油、乙烯等行业企业的能量系统优化列为节能减排的重点工程，通过能量梯级利用和能源系统整体优化改造等，优化蒸汽、热水等载能介质的管网配置，大幅度提升系统能源效率。

作为大型化工生产装置公用工程重要部分之一的蒸汽系统，主要存在以下问题：仪表系统不健全、计量欠准确；管网庞大复杂，难以调度管理；蒸汽损失率过高，能源浪费大等。据统计，国内绝大部分蒸汽系统的输送热效率在70％～95％之间，其中30％的输送热效率低于92％，全部蒸汽系统热损失折合标准煤1400万吨/年，由于疏水阀泄漏造成的蒸汽浪费高达2000万吨/年。因此，蒸汽系统在节能环保、降低能耗、降低工业用水、减少环境污染方面有着巨大的潜力。

以模型化为基础、系统优化为核心的在线优化方法是化工生产过程实现节能降耗的重要手段。在过程的在线优化中，模型的准确程度对系统的性能有着重要影响，构造在线优化系统时必须使模型的响应和实际过程相一致，否则在线优化系统在实际运行中可能无法收敛到正确的最优解。

乙烯是最大的石化产品之一，其生产水平成为衡量一个国家或地区石油化工发展的主要标志。乙烯装置的蒸汽系统非常复杂(如图1所示)，以某企业为例，其蒸汽系统由4个主要等级的蒸汽管网组成：超高压蒸汽管网(16台产汽和9台用汽设备)、高压蒸汽管网(5台产汽和24台用汽设备)、中压蒸汽管网(16台产汽和36台用汽设备)和低压蒸汽管网(34台产汽和37台用汽设备)。蒸汽系统(包括与之相关的电和水)能量消耗占到综合能耗的27％，所以，优化蒸汽系统对于乙烯生产企业实现国家节能减排的目标具有重要的意义。

发明内容

本发明提供了一种基于GPU加速的工业装置蒸汽系统在线优化方法，目的在于通过在线优化蒸汽系统的能量使用过程，降低工业装置运行成本，提高运行效率。此方法基于化工热力学原理、透平做功非线性过程RPLS软测量模型和蒸汽系统的超结构数学模型，实时采集工业过程数据，应用协同粒子群优化算法和GPU并行加速技术，以蒸汽系统运行成本最小化为目标，对蒸汽系统中抽汽凝汽式透平的运行参数、电泵/透平泵的开备等操作条件进行在线优化，降低工业装置蒸汽系统的运行成本。

基于RPLS的抽汽凝汽式透平非线性做功过程在线软测量建模

偏最小二乘(PLS)算法将多元线性回归分析、典型相关分析和主成分分析有机结合，并且在软测量领域有着广泛的应用。PLS的原理介绍如下。

令数据矩阵{X,Y}具有m个输入变量，p个输出变量，n个样本。假设X的秩为r，采用如下形式表达对应{X,Y}的PLS模型结果{T,W,P,B,Q}；

式中，T＝[t₁,t₂…t_r]，W＝[w₁,w₂…w_r]，P＝[p₁,p₂…p_r]，Q＝[q₁,q₂…q_r]，B＝diag{b₁,b₂…b_r}。这是提取的特征向量的数目等于X的秩r。为推导方便，将特征向量t_a(a＝1,2,…,r)归一化。于是，向量t_a标准正交。

于是X和Y可以写成：

X＝TP^T (2)

Y＝TBQ^T+F_r (3)

由于T是标准正交且输出残差F_r也与T正交，由(2)，(3)式可以得到：

X^TX＝PT^TTP^T＝PP^T (4)

X^TY＝PT^TTBQ^T+PT^TF_r＝PBQ^T (5)

当新数据{X₁,Y₁}到来时，整个数据矩阵可以写成：于是有：

类似的，可以得到：

由PLS的算法可以看出，所有PLS模型参数矩阵都可以通过协方差矩阵X^TX和X^TY计算得到。因此由式(5)和式(6)可得：

给定PLS模型和新数据对，在数据对上进行PLS回归与在上进行得到的模型参数是相同的。

RPLS算法的具体步骤如下：

(1)构造初始数据矩阵{X,Y}，对他们进行数据的预处理(标准化处理)，即对每个变量减去其均值，并除以其方差，使各变量均值为0，方差为1。

(2)由矩阵{X,Y}采用算法计算得到PLS模型：

(3)当新数据{X₁,Y₁}得到之后，采用第一步中得到均值与方差，用相同的方法进行数据的预处理。构造出的新数据矩阵为：然后再返回第二步。

抽凝式透平进汽蒸汽流量主要与透平抽汽量、透平抽汽和进汽的温度压力有关。其中透平的抽汽量与进汽量有着最为直接的关系。另外蒸汽的温度压力是影响蒸汽流量的重要因素。因此，选用透平入口蒸汽的温度、压力和透平抽汽的温度、压力和进汽量这5个变量作为输入变量来计算透平的进汽量。

模型更新的步骤如图2所示：

(1)计算模型在线测量偏差

当有新的数据块输入时，按照以下方式判断是否需要更新模型：

y_i(i＝1,2,…,N)为现场测得的N个粒度数值。计算数据的均值与偏差限σ_y：

则时刻N的估计值与均值偏差若偏差Δ_N＞2σ_y连续出现多次，则需要修正模型。

(2)进行模型更新。

收集连续多次出现偏差Δ_N＞2σ_y对应的信息以及其对应过程中的变量作为新数据{X₁,Y₁}，按照前文所述的RPLS算法步骤更新模型。

基于GPU加速协同粒子优化算法的工业装置蒸汽系统在线优化方法

协同粒子群优化算法(CPSO)算法是协同进化算法(CEA)的一种，分别使用不同的PSO算法来求解优化问题中二进制变量和实值变量。CEA不是一种新的算法，而是一种进化算法的框架，CEA在传统的进化算法基础上引入生态系统的概念。利用生态系统中多个物种相互影响，共同进化。在CEA中，种群划分为若干个子种群，整个种群模拟生态系统的方式进化，CEA和其它进化相比，其显著的特征就是多个种群同时进化，这些子种群用一个全局适应度来衡量，多种群进化有利于维持种群多样性，以对搜索空间进行更有效的搜索。

CPSO算法虽然能解决蒸汽系统的在线优化问题，但由于问题的复杂性以及求解时计算的高度密集性，原有的算法结构与实现方法使得此类问题的求解效率较低，无法满足在线优化对算法求解速度的要求。为此，引入基于GPU加速的并行解决方法，加速算法的执行效率，快速获得最优解，满足工业现场在线优化的实时性要求。

基于GPU加速的蒸汽系统在线优化方法，其特征在于所述方法包括以下步骤：

①利用OPC接口实时采集工业装置蒸汽系统运行数据；

②建立不同蒸汽等级产汽和用汽的平衡模型；

③利用RPLS方法，建立抽汽凝汽式透平蒸汽流量在线软测量模型，得到进汽量和抽汽量间的关系，满足透平提供轴功率的约束；

④以抽凝式透平抽汽量、电透备用透平泵的开备等为优化变量，建立蒸汽系统能量优化问题的目标函数，给出质量平衡、能量平衡、设备能力和工艺条件等约束条件；

⑤利用GPU加速的协同粒子群优化算法(GPU-CPSO)，以蒸汽系统运行成本最小化为优化目标，实现蒸汽系统的在线优化。

所述步骤①中的实时数据为抽汽凝汽式透平进汽、抽汽和排汽的温度、压力和流量，透平泵和电泵的开备情况(开关量)和不同等级产汽和用汽设备的蒸汽流量。

所述步骤②中各等级蒸汽管网是指SS(515℃、11.5MPa)、HS(390℃、4.2MPa)、MS(290℃、1.6MPa)和LS(210℃、0.35MPa)等四个蒸汽等级，建立它们的蒸汽平衡是为了获得每个等级的蒸汽需求情况。

所述步骤③中抽汽凝汽式透平蒸汽流量在线软测量模型是实时采集工业过程数据，并进行一定数量累积，利用RPLS算法，获得进汽量和抽汽量的函数关系，并根据预测误差的大小判断模型是否在线更新。

所述步骤④中的目标函数为蒸汽管网的操作费用，即：

c＝p_ss×f_ss+p_E×f_E (10)

其中，p_SS为SS价格，f_SS为蒸汽管网SS消耗；p_E为电价，f_E为蒸汽管网的电消耗。

所述步骤⑤中CPU-CPSO采用GPU并行计算加速CPSO算法求解，实时采集装置运行数据，并实现分钟级的优化，优化过程模型和参数根据实际情况可在线更新。

本发明提供了一种基于GPU加速的工业装置蒸汽系统在线优化方法，此方法利用GPU加速的协同粒子群优化算法对蒸汽系统的操作参数进行在线优化，降低了蒸汽系统的运行成本，为生产装置调优提供了指导，也可以结合APC技术实现闭环实时优化，且此方法适用于各类工业装置的蒸汽系统的在线优化，有着广泛的适应性。

附图说明

图1是工业装置蒸汽管网的结构示意图。

图2是在线校正模型更新流程，其中N为采集的样本个数，Δ_N为估计值与均值偏差，σ_y为偏差限。

图3是CPU-CUDA计算模型。

图4是基于GPU-CPSO蒸汽系统能量优化框图。

具体实施方式

以下结合附图并通过实施例对本发明进一步说明。

如图1所示，为本发明在线优化的工业装置蒸汽系统，其中，SS等级的产汽设备包括辅助锅炉和废热锅炉，用汽设备包括3台压缩机透平和其他设备(用汽量固定)，其中2台压缩机透平(1和2)的抽汽为HS，1台压缩机透平的抽汽为MS，且抽汽量可以调整；HS的产汽设备为1台压缩机透平，抽汽为MS，抽汽量可以调整，用汽设备为固定流量的用户和多台背压式泵透平，且这些泵透平和电泵是相互备用的；MS的产汽用户为两台压缩机透平，用汽设备为固定流量的设备和多台背压式泵透平，且这些泵透平和电泵是相互备用的。

以蒸汽系统的运行成本最小为优化目标，图1所示蒸汽系统优化变量见表1：其中压缩机透平的进汽量为X1～X3以及X7，这4个变量为中间变量，分别由抽汽量X4～X6以及X8确定。因此在实时优化过程中，调整4台压缩机透平的抽汽量(X4～X6、X8)和透平泵的开关量X9～X29这29个独立变量。表2为透平泵参数。

表1优化变量

表2透平泵参数

建立蒸汽系统优化模型如下：

s·t.

上式中RPLS_GT201、RPLS_GT1201、RPLS_GT501、RPLS_GT1501分别表示四个透平的进出口流量关系模型，其中模型的输入变量中进出口压力温度从DCS中读取时间最近的一次记录。P_i(i＝9,…29)和f_i(i＝9,…29)分别表示自变量x_i(i＝9,…29)对应的透平泵的功率和每小时耗汽量。DE_HS、DE_MS和DE_LS代表各等级蒸汽需求量，分别为：122.5t/h，130t/h和80.55t/h。将等式约束转化为不等式约束，误差设置1。

蒸汽系统优化运行的数学模型建立完成后，采用GPU-CPSO算法来实现在线优化。在CPSO中，种群划分为若干个子种群，整个种群模拟生态系统的方式进化，其显著的特征就是多个种群同时进化，这些子种群用一个全局适应度来衡量，多种群进化有利于维持种群多样性，以对搜索空间进行更有效的搜索。为了提高CPSO算法的求解速度以满足在线优化的需求，引入GPU并行计算技术来实现CPSO算法的并行求解。

GPU并行计算

GPU通用计算已经进入高性能计算的主流行列，被用于物理仿真、流体模拟、信号和图像处理，数值计算等诸多领域，并取得了良好的加速效果。CPSO算法具备并行特性，因此特别适合利用GPU平台进行高效的并行化处理。目前主流的GPU厂商有NIVDIA、AMD和Intel，而且NIVDIA还专门推出了统一的并行计算平台架构CUDA。GPU是基于一种多线程多处理核心的可伸缩阵列，当CUDA程序唤醒GPU内核网络时，网络内的线程块将会被枚举生成，然后分配到空闲的多处理器(SM)上去执行。线程块内中的线程只能在同一个SM上执行，而且多个线程块也可以在同一个SM上同时执行。当一个线程块运行结束时，一个新的线程块就会分配到该空闲处理器上执行。

如图3所示的CUDA计算模型。在CUDA架构下，一个程序分为2部分：host端和device端。Host端是指在CPU上执行的程序，而device端则是在GPU上执行的程序。Device端的程序又称为kernel。通常host端程序会将数据准备好后，然后再复制到显卡的内存中进行运算处理。在CUDA架构下，GPU执行时的最小单位是线程(thread)。数个thread可以组成一个块(block)。执行相同的block可以组成网络(grid)。

GPU-CPSO算法介绍如下：

并行CPSO算法在并行PSO算法基础之上将每一个子问题与GPU线程一一对应，基于GPU的并行CPSO算法流程设计如图4所示。基于GPU的并行协同PSO算法相对于并行PSO而言复杂很多，首先假设将维度为D的问题划分为维度为d的m个子问题，并且粒子设定粒子数目为n，则基本步骤如下：

(1)把每个d维的子问题的求解为一个普通PSO算法得到简化版，可分为3步骤，依次为：求解该子问题下各个粒子的适应度；更新该子问题下各个粒子的最有适应度以及最优位置；最后求出该子问题的全局最优值及其最优位置。其中前两个步骤可以合并在一个kernel下求解，首先启动m个线程块，并设定块内线程数为n，使得每一个线程块内的每一个线程与每一个子问题内的一个粒子一一对应，达到并行求解的目的。而对于子问题全局最优值的求解，可以首先启动m个线程，每个线程对应一个子问题，然后循环求解每个子问题的最优适应度，并更新相应的子问题的最优位置。

(2)在各个子问题求解完毕后，将各个子问题所求得的最优解组合成整个问题的解。该步骤总共启动m个线程，每个线程对应着一个子问题，并将子问题的最优解拷贝组合。

(3)更新整个问题的全局最优值时，总共启动n个线程，根据整个问题的全局位置，计算出其适应度值。

(4)更新每个子问题粒子的位置和速度时，由于经历了上述步骤(3)每个子问题的最优解共同构成整个问题的全局最优解，因此其更新方式与普通PSO算法类似。

PSO算法介绍如下：

PSO算法首先将每个优化问题的解编码成粒子，同时赋予每个粒子初始速度。每个粒子存在一个判断其搜索方向好坏的依据(即有一个确定的适应值)，然后所有的粒子就跟随当前的最优粒子在可行解空间中搜索，即通过迭代找到最优解。在N维目标搜索空间中，n个粒子组成一个群落，每个粒子i包含一个位置向量Xⁱ＝(x_i,1 x_i,2 ... x_i,N)和速度向量Vⁱ＝(v_i,1 v_i,2 ... v_i,N)，每个粒子i在搜索N维空间时，记住其搜索到的最优位置即个体极值pⁱ＝(p_i,1 p_i,2 ... p_i,N)；以及群体最优经验gbest，p_g。在每次迭代中，每个粒子i根据自身惯性、自身经验和群体最优经验调整自身的速度向量，进而调整自身的位置。

PSO算法根据如下的公式来更新自己的速度和新的位置：

ν_i,j(t+1)＝ων_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)] (12)

x_i,j(t+1)＝x_i,j(t)+ν_i,j(t+1),j＝1,2,....,N (13)

其中ω为惯性因子，c₁，c₂为学习因子，r₁，r₂为[0,1]之间均匀分布的随机数。

设定CPSO算法参数：粒子数为512，迭代次数为1000，学习因子c1为1.5，学习因子c2为1.5。选取3种不同工况，分别用基于CPU和GPU的CPSO算法进行求解，其优化结果如表3～5所示。

表3工况1优化结果

从表3可以看出，GPU-CPSO和CPU-CPSO算法都可以解决该模型的优化问题。在满足生产工艺的前提下，调整电透备用的电泵和透平泵的运行状态和SS等级透平抽汽量来减低运行成。以GPU-CPSO优化结果为例：GT201的SS进汽量由246.42t/h减少到239.60t/h，GT1201进汽量由186.75t/h减少到171.55t/h，GT501进汽量由89.6796t/h增加到96.8965t/h，SS用汽量减少了14.8021t/h；电费使用量增加了141.876元/h。CPU-CPSO算法的运行时间为303.43s,GPU-CPSO算法的运行时间为29.82s，加速比高达10倍。按优化后结果设置各抽凝式透平的抽汽量和电泵开关，总费用可以减少约4000元/小时，优化后运行成本可降低2.6％。

表4工况2优化结果

从表4可以看出，以GPU-CPSO优化结果为例：可以看出GT201的SS进汽量由247.83t/h减少到232.66t/h，GT1201进汽量由182.12t/h减少到167.53t/h，GT501进汽量由92.51t/h增加到96.60t/h，SS用汽量减少了25.67t/h，其电费消耗与工况1相似，增加了345.316元/h。两种算法分别将蒸汽系统运行成本从148279元降到了优化后的141918元和141482元，GPU-CPSO算法加速比高达10倍，总费用可以减少约6500元/h，优化后运行成成降低4％。

表5工况3优化结果

工况3情况下也有类似的结果，再横向比较表3-4：不同工况下可以看出压缩机透平的进出口流量关系有明显区别，其优化后结果也各不相同，证明了模型的可靠性。

综上所述仅为发明的较佳实施例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应为本发明的技术范畴。

Claims

1.基于GPU加速的工业装置蒸汽系统在线优化方法，其特征在于所述方法包括以下步骤：

①利用OPC接口实时采集工业装置蒸汽系统运行数据：抽汽凝汽式透平进汽、抽汽和排汽的温度、压力和流量，透平泵和电泵的开备，各等级产汽和用汽设备的蒸汽流量；

②建立各等级蒸汽管网产汽和用汽的质量平衡，其蒸汽平衡关系如下：

<mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>f</mi> <mrow> <mi>c</mi> <mi>q</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>f</mi> <mrow> <mi>y</mi> <mi>q</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> </mrow>

其中，i＝1,…,n，为产汽设备的个数，f_cqi为第i个产汽设备的蒸汽流量；j＝1,…,m，为用汽设备的个数，f_yqj为第j个产汽设备的蒸汽流量；

④以抽汽凝汽透平抽汽量、电透备用透平泵的开备等为优化变量，建立蒸汽系统能量优化问题的目标函数，给出质量平衡、能量平衡、设备能力和工艺条件等约束；

⑤利用GPU加速的协同粒子群优化算法(GPU-CPSO)，以蒸汽系统运行成本最小化为目标，实现蒸汽系统的在线优化。

2.根据权利要求1所述的基于GPU加速的工业装置蒸汽系统在线优化方法，其特征是：所述各等级蒸汽是指超高压(SS)、高压(HS)、中压(MS)和低压(LS)四个蒸汽等级。

3.根据权利要求1所述的基于GPU加速的工业装置蒸汽系统在线优化方法，其特征是：所述步骤③中函数关系式如下：

f_ss＝RPLS(f_hs,t_i,p_i,t_e,p_e)，

其中，f_hs为透平抽汽流量，t_i和p_i分别为透平进汽的温度和压力，t_e和p_e分别为透平抽汽的温度和压力。

4.根据权利要求1所述的基于GPU加速的工业装置蒸汽系统在线优化方法，其特征是：所述步骤④中的目标函数为蒸汽系统的运行成本，即：c＝p_ss×f_ss+p_E×f_E，其中，p_ss和f_ss分别为蒸汽系统超高压蒸汽SS的价格和消耗量；p_E为电价，f_E为蒸汽系统的电消耗。

5.根据权利要求1所述的基于GPU加速的工业装置蒸汽系统在线优化方法，其特征是：所述步骤⑤中使用分别使用不同的PSO算法优化连续变量(即抽汽凝汽式压缩机透平的抽汽量)和离散变量(即泵透平的开备)。

6.根据权利要求5所述的基于GPU加速的工业装置蒸汽系统在线优化方法，其特征是：所述步骤⑤中的CPU-CPSO采用GPU并行计算加速CPSO算法求解，实时采集装置运行数据，并实现分钟级的优化，蒸汽系统模型和参数根据实际情况可在线更新。