CN118377231B - 一种面向甲醇制备过程子系统状态安全控制方法 - Google Patents
一种面向甲醇制备过程子系统状态安全控制方法 Download PDFInfo
- Publication number
- CN118377231B CN118377231B CN202410834888.2A CN202410834888A CN118377231B CN 118377231 B CN118377231 B CN 118377231B CN 202410834888 A CN202410834888 A CN 202410834888A CN 118377231 B CN118377231 B CN 118377231B
- Authority
- CN
- China
- Prior art keywords
- safety
- subsystem
- preparation process
- function
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002360 preparation method Methods 0.000 title claims abstract description 43
- 230000004888 barrier function Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 61
- 229910052739 hydrogen Inorganic materials 0.000 claims description 61
- 239000001257 hydrogen Substances 0.000 claims description 61
- 238000003786 synthesis reaction Methods 0.000 claims description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 19
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 18
- 239000003792 electrolyte Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 229910002092 carbon dioxide Inorganic materials 0.000 description 9
- 239000001569 carbon dioxide Substances 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 239000002028 Biomass Substances 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 239000003054 catalyst Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005868 electrolysis reaction Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000023556 desulfurization Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000002309 gasification Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种面向甲醇制备过程子系统状态安全控制方法，解决现有绿色甲醇制备过程中缺少对系统参数安全范围运行控制的问题。方法包括对甲醇制备过程系统进行建模；提取甲醇制备过程子系统关键安全变量，建立安全状态集；根据安全状态集建立障碍函数，确定子系统的系统动力学模型，结合系统动力学模型构建系统障碍控制函数并求解最优控制律；联立障碍控制函数，求解获取最优控制率。本发明通过对甲醇制备过程子系统的关键安全变量进行安全性分析，建立系统障碍控制函数，通过求解获取最优控制率，以保证系统的参数在安全范围内，实现了对甲醇制备过程子系统的安全控制。
Description
技术领域
本发明涉及甲醇制备安全控制技术领域，尤其是涉及一种面向甲醇制备过程子系统状态安全控制方法。
背景技术
随着可再生新能源的大规模开发，可再生电力的发展主要受到了两方面因素的限制：其一，可再生电力生产的波动性和不平衡性，将导致电网平衡和消纳难度持续增加，尽管通过电化学储能可以提供系统平衡容量，但系统成本持续升高；其二，可再生电力的开发高度依赖用电负荷，可再生资源和电力需求逆向分布矛盾突出，解决可再生能源丰富的边远地区的绿电送出难题。但大规模特高压输电成本较高，且可再生能源波动对送和受端电网均构成压力。
将新能源发电与电化学结合，将绿色电力转化为化学产品，将储电、输电变成化学品储运，可以在扩展绿电消纳空间的同时，极大降低储电输电成本，为偏远地区优质可再生能源开发创造有利条件。相比于抽水蓄能、电化学储能等传统储能方式，氢能是一种优质清洁的大规模储能载体，而甲醇被视为是一种理想的氢气载体。
利用可再生绿电制绿色甲醇(以下简称为绿醇)，省去煤气化和净化等复杂工艺环节，降低固定资产投资，将水直接电解成高纯度氢气和氧气，氢气与从生物质燃烧形成的二氧化碳和一氧化碳气发生加氢反应可一步制成绿色甲醇，简化了生产工艺，提高了化工系统可靠性。电解形成的高纯度氧气可供炼钢、煤化工工艺用氧，极大的降低传统的空分制氧能耗。绿色甲醇产品除可制成零碳远洋海运外，还可制成零碳烯烃、零碳芳烃等下游化学品，推动化工产业实现零碳化转型升级。
现有技术中已存在对于绿色甲醇的制备方法，如公开号为CN116496141B，名称为一种绿色甲醇制备工艺及系统的中国发明申请，其公开了通过耦合生物质气化和生物质燃料发电，提高了绿醇原料气中CO的含量，提高了原料转化率，同时减少了能耗和设备投资；通过可再生能源发电与生物质燃料发电组合以保障整体工艺和系统的用电稳定性和可靠性。现有的设备能够实现对绿色甲醇的制备，但缺少对系统的安全控制，尤其是没有保证系统参数在安全范围内的控制方法，不能保证绿色甲醇制造过程的安全性和可靠性。
发明内容
本发明主要是解决现有绿色甲醇制备过程中缺少对系统参数安全范围运行控制，不能保证安全性和可靠性的问题，提供了一种面向甲醇制备过程子系统状态安全控制方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种面向甲醇制备过程子系统状态安全控制方法，包括以下步骤：
对甲醇制备过程系统进行建模；
提取甲醇制备过程子系统关键安全变量，根据关键安全变量的值域范围建立面向子系统的安全状态集；
根据安全状态集建立障碍函数，基于向量处于安全状态形成安全性判据，确定子系统的系统动力学模型，结合系统动力学模型构建系统障碍控制函数并求解最优控制律；
联立障碍控制函数，求解获取最优控制率。
本发明通过对甲醇制备过程子系统的关键安全变量进行安全性分析，建立系统障碍控制函数，通过求解获取最优控制率，以保证系统的参数在安全范围内，实现了对甲醇制备过程子系统的安全控制。
作为一种优选方案，所述的提取甲醇制备过程子系统关键安全变量，具体包括：
子系统包括电解氢气系统和甲醇合成系统，获取影响子系统安全的关键安全变量，关键安全变量为状态参数的范围值。
根据工艺中参数的重要性，提取关键安全变量，该关键安全变量如电解氢气系统的负荷波动范围、氢气泄漏浓度、可承受压强上下限，甲醇合成系统的安全温度范围等。关键安全变量为状态参数的范围值，通过获取这些重要的状态参数范围值来进行安全状态的分析。
作为一种优选方案，所述安全状态集包括关键安全变量构成向量和向量函数，向量函数根据关键安全变量单边范围限值计算获得。
安全状态集包括第一安全状态集合和第二安全状态集合，第一安全状态集合和第二安全状态集合均包括安全变量构成向量和向量函数，其中向量函数由关键安全变量的上限或下限限定范围转换获得， 分别根据表示上限或下限的向量函数构建第一安全状态集合和第二安全状态集合。
作为一种优选方案，所述的根据安全状态集建立障碍函数，基于向量处于安全状态形成安全性判据，具体包括：由向量函数建立障碍函数，分析向量处于安全状态时，障碍函数取值满足关键安全变量范围，形成安全性判据。
本方案中根据安全状态集中的向量函数h(x)，建立障碍函数B(x)=h(x)，分析在x处于安全状态时，具有h(x)≥0，得到安全性判据。
作为一种优选方案，所述的确定子系统的系统动力学模型，具体包括：
a.设定系统动力学方程的一般形式：
x'=fi(x)+g(x)u
b.收集子系统数据，获取相关变量；
c.批量化数据预处理，实现时间对齐；
d.获取子系统工况数据；
e.确定时间窗口，使用面向复杂网络的神经动力学建模方法，建立系统动力学模型，求解f(x)，根据输入信号得到的系统改变量，获得g(x)，得到子系统的系统动力学方程。
具体的，对于电解氢气系统，其确定系统动力学模型过程包括：
1）设定系统动力学方程的一般形式：
x'=fi(x)+g(x)u
该方程为示意描述函数，其中fi(x)表示第i种工况下氢气的生成速率，建模时主要包括电解水、纯化、压缩等单元。g(x)表示氢气缓冲罐与出口阀对氢气出口的影响函数。
2）收集子系统数据，获取相关变量，包括生产时光照条件、电解槽电流、电解液流量、电解槽电压、电解液浓度、操作温度、电解槽内压力、氢气产量、氢气纯度、能耗、电解液温度、系统压力、电解液pH值。
3）批量化数据预处理，实现时间对齐，即根据氢气生产过程的氢气产量的采样频率为基础，整理数据。
4）利用氢气产量与氢气纯度，建立离散下的氢气生成速率，记k时刻的氢气产量为
Q(k)，此时的氢气纯度表示为c(k)，则氢气生成速率用Q(k)=c[Q(k)- Q(k-1)]。
5）将氢气生产速率作为新变量，存入数据库，构建向量y=(y1,y2,…,yn)T，其中向量中的元素yi表示生成时光照条件、电解槽电流、电解液流量、电解槽电压、电解液浓度、操作温度、电解槽内压力、能耗、电解液温度、系统压力、电解液pH值。
6）基于历史数据，针对向量y与氢气生产速率Q，建立y中元素对Q影响的热
力图，筛选出影响Q最大的前5个变量。
7）根据所筛选的5个关键变量，利用k-means聚类方法，形成不同工况的数据，标记数据。
8）确定时间窗口，根据获得的不同工况模式数据，使用面向复杂网络的神经动力学建模方法（NDCN），建立系统动力学模型，具体如下：
（1）
s.t.Xh(t)=tanh(X(t)We+be)W0+b0,X0
dXh(t)/dt=ReLU(ФXh(t)W+b)
X(t)= Xh(t)Wd+bd
其中，t∈[0,T]，X(t)表示负荷状态x的时间序列数组，为在时间t有效的有监督动态信息，||表示l1-范数，We和W0为线性层矩阵用于编码，Wd为线性层矩阵用于解码，W为连接层权重，b为连接层的偏置，Ф为扩散算子，用于归一化图拉普拉斯算子，Ф=D-1/2(D-A) D-1/2，A为NDCN神经网络的连接矩阵，D为网络节点的度。
9）确定系统动力学模型后，根据公式（1）最优解得到f(x)，找到u的控制变量及控制单元，给控制单元一个确定的输入信号，得到系统的改变量，由系统的改变量得到g(x)，获得系统动力学方程。
对于甲醇合成系统，其确定系统动力学模型过程包括：
1）设定系统动力学方程的一般形式：
y'=l(y)+m(y)u
该方程为示意描述函数，
2）收集数据参数：氢气缓冲罐温度、二氧化碳缓冲罐温度、循环气缓冲罐温度、合成反应器催化剂床层中上温度、合成反应器催化剂床层出口温度数据；二氧化碳低压进口压力、二氧化碳脱硫出口压力、氢气进口压力、氢气缓冲罐压力、二氧化碳高压进口压力数据以及精馏塔进料管道流量、精馏塔液位数据。
3）批量化数据预处理，实现时间对齐，即根据氢气生产过程的氢气产量的采样频率为基础，整理数据。
后续步骤如确定系统动力学模型过程步骤8）、9），得到系统动力学方程。
作为一种优选方案，所述的结合系统动力学方程构建系统障碍控制函数，具体包括：
采用h'(x)≥-hw(x)形式来设计安全控制，其中h(x)为向量函数，w∈N+；
在系统动力学模型满足x'=fi(x)+g(x)u，则具有：
h'(x)≥-hw(x)
由此，建立控制障碍函数：
CBF：。
作为一种优选方案，所述的求解最优控制律，包括：
根据控制障碍函数，获得最优控制律，具体包括：
min||u||2 2
。
作为一种优选方案，所述的联立障碍控制函数，求解获取最优控制率，包括：
根据关键安全变量建立两个控制障碍函数；
联立控制障碍函数，令ui=(u1 i, u2 i)T；
使用二次规划，以(u1 i)2+(u2 i)2最小原则，计算求得最优控制率u* i。
本方案中正对非线性系统x'=fi(x)+g(x)u，构建控制障碍函数，设计安全控制率，在此基础上，考虑以安全且稳定同步控制为目标，以求得足最优控制率。
作为一种优选方案，根据制备工艺工序，划分典型工况阶段与模式，通过机理模型和历史数据的融合获取各工序工况阶段下设备、部件等运行状态参量的连续变化数据，建立系统分布式模型框架：
x1'(t)=f1(x0(t),x1(t),…xn(t))
x2'(t)=f2(x0(t),x1(t),…xn(t))
……
xn'(t)=fn(x0(t),x1(t),…xn(t))
其中，xi=(Qi,Ti,Pi,ci…)T，Qi表示第i个设备的流量，x0为系统输入流量，Ti，Pi，ci分别为温度、压力、浓度状态参数。
因此，本发明的优点是：通过对甲醇制备过程子系统的关键安全变量进行安全性分析，建立系统障碍控制函数，通过求解获取最优控制率，以保证系统的参数在安全范围内，实现了对甲醇制备过程子系统的安全控制，保证了绿色甲醇制造过程的安全性和可靠性。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例
本实施例一种面向甲醇制备过程子系统状态安全控制方法，如图1所示，包括以下步骤：
对甲醇制备过程系统进行建模；
提取甲醇制备过程子系统关键安全变量，根据关键安全变量的值域范围建立面向子系统的安全状态集；
根据安全状态集建立障碍函数，基于向量处于安全状态形成安全性判据，确定子系统的系统动力学模型，结合系统动力学模型构建系统障碍控制函数并求解最优控制律；
联立障碍控制函数，求解获取最优控制率。
作为本实施例的一种优选方案，对甲醇制备过程系统进行建模过程包括：
根据制备工艺工序，划分典型工况阶段与模式，通过机理模型和历史数据的融合获取各工序工况阶段下设备、部件等运行状态参量（压力、温度、流量、浓度等）的连续变化数据，建立系统分布式模型框架：
x1'(t)=f1(x0(t),x1(t),…xn(t))
x2'(t)=f2(x0(t),x1(t),…xn(t))
……
xn'(t)=fn(x0(t),x1(t),…xn(t))
其中，xi=(Qi,Ti,Pi,ci…)T，Qi表示第i个设备（由关联度较高的设备/部件组成）的流量，x0为系统输入流量，Ti，Pi，ci…分别为温度、压力、浓度等其他状态参数。
并且在此基础上使用深度学习方法，利用甲醇制备过程中的运行数据对模型的参数进行在线修正和优化，以提高模型的准确性、实时性。
作为本实施例的一种优选方案，甲醇制备包括电解氢气系统和甲醇合成系统两个子系统，根据制备工艺中参数的重要性，提取子系统中关键安全变量，该关键安全变量如电解氢气系统的负荷波动范围、氢气泄漏浓度、可承受压强上下限，甲醇合成系统的安全温度范围等，该关键安全变量为状态参数的范围值。
根据关键安全变量的值域范围建立面向子系统的安全状态集：
安全状态集包括关键安全变量构成向量和向量函数，向量函数根据关键安全变量单边范围限值计算获得。
子系统的安全状态集，表示如下：
其中，x为关键安全变量构成的向量，h(x)为向量函数，向量函数连续可导，当子系统只考虑单一安全问题时，x为标量。
根据关键安全变量建立的安全状态集包括第一安全状态集合和第二安全状态集合，两个安全状态集合均包括安全变量构成向量和向量函数，其中向量函数由关键安全变量的上限或下限限定范围转换获得。
作为本实施例的一种优选方案，在建立子系统的安全状态集后由向量函数建立障碍函数，分析向量处于安全状态时，障碍函数取值满足关键安全变量范围，形成安全性判据。
具体的，根据子系统的安全状态集中的向量函数h(x)，建立障碍函数：B(x)= h(x)。分析在x处于安全状态时，具有h(x)≥0，得到安全性判据。
作为本实施例的一种优选方案，确定子系统的系统动力学模型，结合系统动力学模型构建系统障碍控制函数并求解最优控制律。
其中确定子系统的系统动力学模型过程包括：
a.设定系统动力学方程的一般形式：
x'=fi(x)+g(x)u
b.收集子系统数据，获取相关变量；
c.批量化数据预处理，实现时间对齐；
d.获取子系统工况数据；
e.确定时间窗口，使用面向复杂网络的神经动力学建模方法，建立系统动力学模型，求解f(x)，根据输入信号得到的系统改变量，获得g(x)，得到子系统的系统动力学方程。
子系统包括电解氢气系统和甲醇合成系统，以下根据电解氢气系统来进一步说明确定子系统的系统动力学模型的过程，包括：
设定系统动力学方程的一般形式：
x'=fi(x)+g(x)u
该方程为示意描述函数，其中fi(x)表示第i种工况下氢气的生成速率，建模时主要包括电解水、纯化、压缩等单元。g(x)表示氢气缓冲罐与出口阀对氢气出口的影响函数。
收集子系统数据，获取相关变量，包括生产时光照条件、电解槽电流、电解液流量、电解槽电压、电解液浓度、操作温度、电解槽内压力、氢气产量、氢气纯度、能耗、电解液温度、系统压力、电解液pH值。
批量化数据预处理，实现时间对齐，即根据氢气生产过程的氢气产量的采样频率为基础，整理数据。
利用氢气产量与氢气纯度，建立离散下的氢气生成速率，记k时刻的氢气产量为Q
(k)，此时的氢气纯度表示为c(k)，则氢气生成速率用Q(k)=c[Q(k)- Q(k-1)]。
将氢气生产速率作为新变量，存入数据库，构建向量y=(y1,y2,…,yn)T，其中向量中的元素yi表示生成时光照条件、电解槽电流、电解液流量、电解槽电压、电解液浓度、操作温度、电解槽内压力、能耗、电解液温度、系统压力、电解液pH值。
基于历史数据，针对向量y与氢气生产速率Q，建立y中元素对Q影响的热力
图，筛选出影响Q最大的前5个变量。
根据所筛选的5个关键变量，利用k-means聚类方法，形成不同工况的数据，标记数据。
确定时间窗口，根据获得的不同工况模式数据，使用面向复杂网络的神经动力学建模方法（NDCN），建立系统动力学模型，具体如下：
（1）
s.t.Xh(t)=tanh(X(t)We+be)W0+b0,X0
dXh(t)/dt=ReLU(ФXh(t)W+b)
X(t)= Xh(t)Wd+bd
其中，t∈[0,T]，X(t)表示负荷状态x的时间序列数组，为在时间t有效的有监督动态信息，||表示l1-范数，We和W0为线性层矩阵用于编码，Wd为线性层矩阵用于解码，W为连接层权重，b为连接层的偏置，Ф为扩散算子，用于归一化图拉普拉斯算子，Ф=D-1/2(D-A) D-1/2，A为NDCN神经网络的连接矩阵，D为网络节点的度。
确定系统动力学模型后，根据公式（1）最优解得到f(x)，找到u的控制变量及控制单元，给控制单元一个确定的输入信号，得到系统的改变量，由系统的改变量得到g(x)，获得系统动力学方程。
另外对于甲醇合成系统，在只考虑单工况过程情况，其确定子系统的系统动力学模型的过程，包括：
设定系统动力学方程的一般形式：
y'=l(y)+m(y)u
该方程为示意描述函数，l(y)为无控制作用下的系统模型，m(y)为控制作用对系统状态的影响。
收集数据参数：氢气缓冲罐温度、二氧化碳缓冲罐温度、循环气缓冲罐温度、合成反应器催化剂床层中上温度、合成反应器催化剂床层出口温度数据；二氧化碳低压进口压力、二氧化碳脱硫出口压力、氢气进口压力、氢气缓冲罐压力、二氧化碳高压进口压力数据以及精馏塔进料管道流量、精馏塔液位数据。
批量化数据预处理，实现时间对齐，即根据氢气生产过程的氢气产量的采样频率为基础，整理数据。
确定时间窗口，使用面向复杂网络的神经动力学建模方法（NDCN），建立系统动力学模型，具体如下：
（2）
s.t.Yh(t)=tanh(Y(t)We+be)W0+b0,Y0
dYh(t)/dt=ReLU(ФYh(t)W+b)
Y(t)= Yh(t)Wd+bd
其中，t∈[0,T]，Y(t)表示负荷状态y的时间序列数组，为在时间t有效的有监督动态信息，||表示l1-范数，We和W0为线性层矩阵用于编码，Wd为线性层矩阵用于解码，W为连接层权重，b为连接层的偏置，Ф为扩散算子，用于归一化图拉普拉斯算子，Ф=D-1/2(D-A) D-1/2，A为NDCN神经网络的连接矩阵，D为网络节点的度。
确定系统动力学模型后，根据公式（2）最优解得到l(y)，找到u的控制变量及控制单元，给控制单元一个确定的输入信号，得到系统的改变量，由系统的改变量得到m(y)，获得系统动力学方程。
结合系统动力学方程构建系统障碍控制函数，求解最优控制律，具体的包括：
采用h'(x)≥-hw(x)形式来设计安全控制，其中h(x)为向量函数，w∈N+，通常在实际使用过程中，w选取5以内的正整数。
在系统动力学模型满足x'=fi(x)+g(x)u，则具有：
h'(x)≥-hw(x)
由此，建立控制障碍函数：
CBF：。
根据控制障碍函数，获得最优控制律，具体包括：
min||u||2 2
。
作为本实施例的一种优选方案，在确定障碍控制函数后，通过联立障碍控制函数，求解获取最优控制率，具体包括：
联立控制障碍函数，令ui=(u1 i, u2 i)T；
使用二次规划（Quadratic Programming），以(u1 i)2+(u2 i)2最小原则，计算求得最优控制率u* i。
以下通过具体例子对本发明面向甲醇制备过程子系统状态安全控制方法进行具体说明。
本发明对于绿色甲醇制备过程安全控制，主要针对电解氢气和甲醇合成两个高安全要求的子系统，根据现有设计的安全参数范围，解决其安全控制问题。
电解氢气系统的状态安全控制
主要考虑氢气生产负荷问题，氢气的生产负荷不宜过高也不宜过低，过低时容易出现安全事故。因此，首先确立氢气负荷的安全范围，当前工艺参数如，额定制氢容量20Nm3/h，负荷波动范围20%~110%。
设当前进入氢气缓冲罐前的氢气流量为Q，则负荷状态x=(Q/50)*100%，根据负荷波动范围，建立子系统的安全状态集，具体为：C=C1∩C2，其中C1={x|x-20≥0}，C2={x|x-110≤0}。建立障碍函数，设h1(x)= x-20，h2(x)= 110-x，因此，当状态x处于安全状态时，有h1(x)≥0且h2(x)≥0。
获得系统动力学方程x'=fi(x)+g(x)u后，构建两个系统控制障碍函数：
CBF1: h1'(x)= x'= fi(x)+g(x)u1 i≥-x+20
CBF2: h2'(x)= -x'=- fi(x)-g(x)u2 i≥x-110
联立控制障碍函数，令ui=(u1 i, u2 i)T，采用状态安全控制最优控制率求解方法，使用二次规划，以(u1 i)2+(u2 i)2最小原则，计算求得最优控制率u* i。
以甲醇合成系统的状态安全控制为例，现有工艺参数甲醇合成反应温度250~350℃。根据反应温度范围建立子系统的安全状态集，具体为：C=C3∩C4，其中C3={T|T-250≥0}，C4={T|T-350≤0}。建立障碍函数，设h3(T)=T-250，h4(T)= 350-T，因此，当状态T处于安全状态时，有h3(T)≥0且h4(T)≥0。
甲醇合成系统只考虑单工况过程，获得系统动力学方程y'=l(y)+m(y)u，其中y=(T,P,c)T，T为反应温度，P为反应器压力，c为甲醇浓度。
通过代入T=(1,0,0)y，构建两个系统控制障碍函数：
CBF3: h3'(T)= T'=(1,0,0) [l(y)+m(y)u3]≥-T+250
CBF4: h4'(T)= -T'=-(1,0,0) [l(y)+m(y)u4]≥T-350
联立控制障碍函数，令ui=(u3 i, u4 i)T，采用状态安全控制最优控制率求解方法，使用二次规划，以(u3 i)2+(u4 i)2最小原则，计算求得最优控制率u*。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种面向甲醇制备过程子系统状态安全控制方法，其特征在于：包括以下步骤：
对甲醇制备过程系统进行建模；
提取甲醇制备过程子系统关键安全变量，关键安全变量为状态参数的范围值，根据关键安全变量的值域范围建立面向子系统的安全状态集，安全状态集包括关键安全变量构成向量x和向量函数h(x)；
根据安全状态集建立障碍函数：B(x)=h(x)，基于向量处于安全状态形成安全性判据，确定子系统的系统动力学模型，结合系统动力学模型构建系统障碍控制函数并求解最优控制律；
确定子系统的系统动力学模型，包括：
a.设定系统动力学方程的一般形式：
x'=fi(x) +g(x) u
其中fi(x)和g(x)为系统动力学方程的非线性函数，u为输入控制变量；
b.收集子系统数据，获取相关变量；
c.批量化数据预处理，实现时间对齐；
d.获取子系统工况数据；
e.确定时间窗口，使用面向复杂网络的神经动力学建模方法，建立系统动力学模型，求解f(x)，根据输入信号得到的系统改变量，获得g(x)，得到子系统的系统动力学方程；
构建系统障碍控制函数，包括：
采用h'(x)≥-hw(x)形式来设计安全控制，其中h(x)为向量函数，w∈N+；
在系统动力学模型满足x'=fi(x)+g(x)u，则具有：
h'(x)≥-hw(x)
(h/x)x'≥-hw(x)
h/x为向量函数h对x的偏导；
由此，建立控制障碍函数：
CBF：(h/x) (f(x)+g(x)u)≥-hw(x)；
最优控制律包括：
min||u||2 2
s.t. (h/x)g(x)u≥-hw(x)- (h/x)f(x)；
根据关键安全变量建立两个控制障碍函数，联立控制障碍函数，令ui=(u1 i, u2 i)T，使用二次规划，以(u1 i)2+(u2 i)2最小原则，计算求得最优控制率u* i。
2.根据权利要求1所述的一种面向甲醇制备过程子系统状态安全控制方法，其特征是所述的提取甲醇制备过程子系统关键安全变量，具体包括：
子系统包括电解氢气系统和甲醇合成系统，获取影响子系统安全的关键安全变量。
3.根据权利要求2所述的一种面向甲醇制备过程子系统状态安全控制方法，其特征是所述向量函数根据关键安全变量单边范围限值计算获得。
4.根据权利要求3所述的一种面向甲醇制备过程子系统状态安全控制方法，其特征是所述的根据安全状态集建立障碍函数，基于向量处于安全状态形成安全性判据，具体包括：由向量函数建立障碍函数，分析向量处于安全状态时，障碍函数取值满足关键安全变量范围，形成安全性判据。
5. 根据权利要求1-4任一项中所述的一种面向甲醇制备过程子系统状态安全控制方法，其特征是根据制备工艺工序，划分典型工况阶段与模式，通过机理模型和历史数据的融合获取各工序工况阶段下设备、部件运行状态参量的连续变化数据，建立系统分布式模型框架：
x1'(t)=f1(x0(t),x1(t),…xn(t))
x2'(t)=f2(x0(t),x1(t),…xn(t))
……
xn'(t)=fn(x0(t),x1(t),…xn(t))
其中，xi=(Qi,Ti,Pi,ci…)T，Qi表示第i个设备的流量，x0为系统输入流量，Ti，Pi，ci分别为温度、压力、浓度状态参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410834888.2A CN118377231B (zh) | 2024-06-26 | 2024-06-26 | 一种面向甲醇制备过程子系统状态安全控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410834888.2A CN118377231B (zh) | 2024-06-26 | 2024-06-26 | 一种面向甲醇制备过程子系统状态安全控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118377231A CN118377231A (zh) | 2024-07-23 |
| CN118377231B true CN118377231B (zh) | 2024-09-06 |
Family
ID=91912704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410834888.2A Active CN118377231B (zh) | 2024-06-26 | 2024-06-26 | 一种面向甲醇制备过程子系统状态安全控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118377231B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554356A (zh) * | 2020-05-08 | 2020-08-18 | 中国石油化工股份有限公司 | 一种轻烃与甲醇耦合反应的动力学建模方法 |
| CN111562797A (zh) * | 2020-07-06 | 2020-08-21 | 北京理工大学 | 确保收敛的无人机飞行时间最优实时轨迹优化方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983213B (zh) * | 2018-09-07 | 2021-01-01 | 百度在线网络技术（北京）有限公司 | 障碍物静止状态的确定方法、装置、设备及存储介质 |
| CN110377039B (zh) * | 2019-07-26 | 2021-07-30 | 吉林大学 | 一种车辆避障轨迹规划与跟踪控制方法 |
| CN111880412B (zh) * | 2020-08-12 | 2021-07-16 | 长春工业大学 | 基于单评判网络的可重构机器人零和神经最优控制方法 |
| CN113093538A (zh) * | 2021-03-18 | 2021-07-09 | 长春工业大学 | 一种模块化机器人系统的非零和博弈神经-最优控制方法 |
| CN117657415A (zh) * | 2023-10-31 | 2024-03-08 | 广西玉柴机器股份有限公司 | 一种基于甲醇柴油和甲醇燃料的多元动力无人船系统 |
-
2024
- 2024-06-26 CN CN202410834888.2A patent/CN118377231B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554356A (zh) * | 2020-05-08 | 2020-08-18 | 中国石油化工股份有限公司 | 一种轻烃与甲醇耦合反应的动力学建模方法 |
| CN111562797A (zh) * | 2020-07-06 | 2020-08-21 | 北京理工大学 | 确保收敛的无人机飞行时间最优实时轨迹优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118377231A (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Life cycle energy use and greenhouse gas emissions of ammonia production from renewable resources and industrial by-products | |
| Krishnan et al. | Power to gas (H2): alkaline electrolysis | |
| Jeanmonod et al. | Trade-off designs of power-to-methane systems via solid-oxide electrolyzer and the application to biogas upgrading | |
| Ikuerowo et al. | The integration of wind and solar power to water electrolyzer for green hydrogen production | |
| EP3452438B1 (en) | Integrated techniques for producing bio-methanol | |
| CN115640665A (zh) | 一种用于管理工业气体生产的方法和设备 | |
| Nnabuife et al. | Integration of renewable energy sources in tandem with electrolysis: A technology review for green hydrogen production | |
| CN118377231B (zh) | 一种面向甲醇制备过程子系统状态安全控制方法 | |
| Devaraj et al. | Synthetic natural gas production: production cost, key cost factors and optimal configuration | |
| CN106147900A (zh) | 一种储存电能的系统和工艺 | |
| Ferguson et al. | Production of Carbon Neutral Methanol Using Co-Electrolysis of CO2 and Steam in Solid Oxide Electrolysis Cell in Tandem with Direct Air Capture | |
| Iulianelli et al. | Current Trends and Future Developments on (Bio-) Membranes: New Perspectives on Hydrogen Production, Separation, and Utilization | |
| Tai et al. | Dynamic optimisation of CO2 electrochemical reduction processes driven by intermittent renewable energy: Hybrid deep learning approach | |
| CN105623762B (zh) | 一种二氧化碳分段甲烷化制取天然气的方法 | |
| CN217266051U (zh) | 一种动态调节电解制氢与煤制甲醇耦合的系统 | |
| Song et al. | Digital twins based on machine learning for optimal control of chemical looping hydrogen generation processes | |
| CN118276537B (zh) | 一种面向绿色甲醇制备的系统协同优化调控方法 | |
| Hera Barquín et al. | Flexible green ammonia production plants: small-scale simulations based on energy aspects | |
| CN115117936B (zh) | 电制氢合成氨方法及系统 | |
| US20240359996A1 (en) | Low Carbon Emission Optimization for a Combined Ammonia, UAN, and Urea Production Process | |
| Nguyen | Dynamic modelling of methanol synthesis from electrolytic hydrogen and captured carbon dioxide | |
| CN118336785B (zh) | 一种考虑氢负荷响应的电-氢耦合虚拟电厂能量调度方法 | |
| Syed | Integration of Green Ammonia into Smart Grids: Neural Network-Based Modeling and Control for Direct Ammonia Synthesis and Fuel Cells | |
| Fogel et al. | P2M systems based on proton-conducting solid oxide cells: Future prospects and costs of renewable methanol production | |
| CN106160241A (zh) | 一种储存电能的系统和工艺 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |