天然氣液化流程不確定性及敏感性分析

朱傳琪 溫潤娟 馬芳

國家能源集團寧夏煤業有限責任公司煤炭化學工業技術研究院 寧夏 銀川 754011

天然氣作為一種相對清潔的能源，在交通、化工等領域中承擔了越來越重要的角色。其氣態時體積為液化后體積的600倍[1]，因此液化天然氣被認為是天然氣最有前景和最經濟的運輸方式之一。常用的天然氣液化工藝是混合冷劑液化工藝，其利用多種制冷劑組成混合冷劑，通過對制冷劑進行壓縮、冷凝、氣液分離、節流膨脹及蒸發吸熱而制造不同的溫區，以提供天然氣液化過程所需冷量，實現天然氣液化[2]。混合冷劑制冷工藝分為單循環、丙烷預冷、雙循環混合冷劑液化工藝等[3]。天然氣液化過程所產生的能耗中，混合冷劑工藝能耗占比為40%～50%。因此研究混合冷劑制冷過程，對降低天然氣液化過程能耗具有重要意義。

楊鑫磊[1]分析混合冷劑的溫度、壓力等參數對制冷流程的影響，并對冷劑配比進行優化。張進盛[4]等利用順序二次規劃對混合冷劑制冷過程各參數進行優化。現有研究多是在參數固定的情況下對制冷過程進行分析，其結果未體現相關參數同時變化對制冷過程的復雜影響。針對混合冷劑制冷流程開展不確定性及敏感性分析已成為當前的研究熱點[5]，但Muhammad A[5]、Ali W等未將冷劑出口壓力與溫度等參數同時作為研究變量。且其采用一級冷卻的方式對制冷流程進行簡化，這與實際工況存在差異。因此，搭建三級冷卻液化流程開展不確定性及敏感性分析。將冷劑組分摩爾含量、出口壓力及溫度作為研究對象。量化相關參數變化對于制冷流程及能耗的影響，并借助最優化算法開展制冷流程參數優化，降低系統能耗。

1 研究方法

1.1 液化工藝流程模擬

所選案例中天然氣處理量為1769 kmol/h，各組分摩爾分數為CH497.95%，C2H60.44%，N21.6%，CO20.01%。天然氣壓力為4.27MPa（G），溫度為28.2℃，壓縮機等熵效率為0.75，天然氣液化溫度為-161℃。利用化工過程模擬軟件搭建混合冷劑制冷液化流程如圖1，物性方法設為Peng-Robinson。混合冷劑經一級壓縮后進入級間冷卻器，冷卻后進行氣液分離，氣相經二級壓縮至高壓，液相提壓后與氣相混合進入二級冷卻器，冷卻后進入壓縮機出口分液罐進行氣液分離，氣、液相分別進入換熱器為天然氣及自身提供冷量。制冷循環流程中混合冷劑總摩爾流量保持不變。

圖1 單循環混合冷劑制冷流程

1.2 不確定性及敏感性分析

在混合冷劑制冷過程中，由于冷劑配比、出口溫度等參數的變化，導致制冷過程能耗隨之變化。不確定性分析的目的是量化相關參數變化對制冷能耗的影響。敏感性分析則是用于量化各輸入參數對于能耗影響的大小。本文選用基于方差的敏感性分析方法進行計算，其通過主效應和全效應兩個指標分析輸入參數對能耗的影響。主效應為單一參數對能耗的影響，全效應為考慮各輸入參數的交互作用后對能耗的影響。效應值越大代表影響越大。

本文將混合冷劑各組分摩爾占比、出口壓力及溫度作為輸入參數，各參數設為均勻分布，將液化流程中總功耗作為輸出參數。混合冷劑各組分摩爾分數的取值范圍，按照空氣化工公司給出一般原則進行設定，出口壓力和預冷溫度按照相關文獻設定[1，3]，各參數變化范圍見表1。選用拉丁超立方抽樣在其分布范圍內抽樣2000次，得到輸入參數組合。

表1 不確定性分析各參數變化范圍

由于不確定性及敏感性分析所需數據較多，采用手動方式完成2000組參數的模擬計算需要大量時間。因此本文通過Python軟件自動實現參數輸入及結果的保存，提高分析計算的效率及準確性。不確定性分析過程中換熱器最小傳熱溫差不作為限制條件，以充分反映各參數變化對混合冷劑制冷過程的影響。

2 結果分析與討論

2.1 不確定性分析結果

該工藝流程不確定性分析結果如圖2所示，從左至右依次為制冷流程總功耗、壓縮機功耗及級間冷卻器功耗的不確定性分析結果。在所設定的參數變化范圍內，流程總能耗的變化范圍為28010.44～31880.24 kW，其最大值與最小值的差值為3869.8 kW，這說明在上述參數變化時，所選案例具有較大的工藝優化空間。壓縮機功耗的變化范圍為11641.59～12446.48 kW，級間冷卻器功耗的變化范圍為15978.93～19952.46 kW。根據不確定性分析結果可以發現，該流程內級間冷卻器的功耗波動較大，是該工藝總能耗波動的主要原因，導致該現象的原因將結合敏感性分析結果進行討論。

圖2 不確定性分析結果

2.2 敏感性分析結果

表2為該工藝流程敏感性分析結果，從表中可以發現，混合冷劑各組分在考慮交互作用后對能耗的影響顯著提升，這說明混合冷劑中各組分的占比對功耗影響較為復雜。

表2 敏感性分析結果

基于敏感性分析結果，可以發現混合冷劑出口溫度、壓力對總功耗的影響較大，這與不確定性分析結果相互驗證。冷劑的出口溫度是其進入冷箱的溫度，由于冷箱內天然氣液化所需冷量不變，當出口溫度越高時，混合冷劑提供給天然氣液化的冷量相對減少。因此降低冷劑出口溫度有利于天然氣液化，但這會導致冷卻器能耗增加，從而使冷劑出口溫度對流程總功耗影響較大。而混合冷劑出口壓力對能耗的影響，是由于冷劑出口壓力增加導致焓值降低，造成冷劑進出冷箱的焓差增大，而天然氣液化所需總冷量不變，所以適當增加冷劑壓力有利于降低液化過程能耗。但增加冷劑出口壓力會導致壓縮機壓比增加，這會增加液化過程能耗，因此需要根據冷劑的配比情況進行判斷，選擇合適的出口壓力，使得其對冷劑液化過程的能耗影響達到平衡。

此外，混合冷劑中C3H8及i-C5H12組分的含量相較于其他組分對能耗的影響較大。這是由于在總摩爾流量不變的情況下，C3H8及i-C5H12組分含量增加會導致混合冷劑的相對分子量增加，造成壓縮機功耗增加。其次，由于C3H8及i-C5H12組分的沸點相對于其他組分較高，在級間冷卻時更易發生冷凝相變，所以其對流程總能耗的影響大于其他輕組分。

2.3 單循環混合冷劑制冷工藝流程參數優化

工藝參數優化借助逐步回歸及最優化算法開展。首先將2000組數據導入Python軟件，利用逐步回歸擬合輸入參數與能耗的回歸模型。回歸模型中參數入選及刪除的alpha設為0.15。根據逐步回歸計算結果，所得模型的R2為0.99說明所得模型精度較高，可用于參數優化計算。

利用Python中非線性優化算法進行制冷流程參數優化。回歸模型作為目標函數，約束條件為表1中參數取值范圍及各換熱器的最小傳熱溫差，最小傳熱溫差設為大于3℃。參數優化結果如表3所示。此時流程總功耗為28497.74 kW，該結果接近不確定性分析結果的最小值。所產生的差異是由于不確定性分析未將最小傳熱溫差作為限制條件。而不考慮最小傳熱溫差限制會使換熱器傳熱效果不佳，因此在進行參數優化時需將其作為約束條件，這使得最優化算法所得總能耗略大于不確定性分析所得最小值。

表3 各參數優化結果

3 結束語

借助不確定性分析與敏感性分析手段對單循環混合冷劑制冷流程進行分析，并利用最優化算法對相應工藝流程進行參數優化。所得主要結論如下：

1）不確定性分析方法可量化出輸入參數變化的情況下制冷流程能耗的變化范圍，可充分掌握工藝參數變化導致的系統能耗變動情況。本文所搭建的系統能耗波動范圍為28010.44～31880.24 kW。

2）敏感性分析方法明確了各參數變化對制冷流程能耗的影響，本文所選擇的參數中，冷劑出口溫度對流程能耗的影響最大，其次為出口壓力，混合冷劑各組分之間存在較強的交互作用。

3）本文借助最優化算法對制冷流程相關參數進行優化，各參數的最優值為CH423.74%，C2H431.56%，C3H817.25%，i-C5H1218%，N29.45%，冷劑出口壓力為3011.105kPa，冷劑進入冷箱的溫度為44.87℃，最低能耗值為28497.74 kW。