[发明专利]一种基于遗传算法的天然气液化流程工艺参数优化方法

说明书

技术领域

本发明涉及天然气液化领域，具体而言，涉及一种基于遗传算法的天然气液化流程工艺参数优化方法。

背景技术

天然气液化通过制冷方式将天然气温度降到-160℃以下，将气体冷凝为液体，液化后的天然气体积为原来气态时的1/600，易于运输及使用。但天然气液化过程中需要消耗大量的能量，如何优化液化流程的工艺参数，降低天然气液化过程中的能量消耗是天然气液化技术研究的重点。

天然气液化流程工艺参数优化是在原有的液化流程工艺基础上，根据原料气条件及液化设备的性能特性，调整和优化液化系统的运行参数（如物料温度压力、压缩机压比，节流阀压降等），使整个液化流程能耗降低。

天然气液化流程的工艺参数众多，相互联系紧密，所以对液化流程的优化是一个非常复杂的优化问题。优化变量往往多达一二十个，相互关联性强，还具有非常繁多的限制条件，且目标函数非线性。

现阶段对天然气液化流程的优化方法包括单纯形法、梯度法、动态规划法、分枝定界法等。这些优化方法多为基于函数的梯度信息，应用往往受所求解问题的限制。首先在最优解可能存在的地方选择一个初始点，利用函数及其梯度的趋势，产生一系列的点收敛到最优解。由于选择的初始点只有一个，对于多峰分布的搜索空间常常会陷于局部的某个单峰的极值点，所以很可能最终找到的只是局部最优解。而遗传算法求解的初始点非常多，求解过程也不依赖于函数的梯度信息，且不要求目标函数的连续性。与传统算法单点搜索的方式不同，遗传算法在搜索空间中同时处理多个个体，并同时对搜索空间的多个解进行评估，这使得遗传算法具有较好的全局搜索能力，也使遗传算法本身易于并行化。此外，通过分析目标函数的特性可知，传统梯度法主要由上一个点来产生新的点；而遗传算法则通过遗传操作，在当前的种群中经过交叉、变异和选择产生下一代种群。因此遗传算法可以解决传统算法所不能解决的复杂的优化问题。

天然气液化流程工艺参数确定后，得到的流程能耗作为目标函数，具有高度非线性高度离散的特点，而且不太容易得到目标函数解的梯度信息，所以使用通常的优化方法会非常麻烦。天然气液化流程还具有非常多的工艺限制条件，单一设备的工艺参数通常会影响到下一个设备的操作工况，传统的优化方法无法对这些设计规定做出响应，从而不能满足所有的约束条件。

遗传算法提供了一种求解系统优化问题的通用框架，通过种群的更新与迭代来搜索全局最优解，与其它优化算法相比，对于复杂的工程问题求解具有较强的鲁棒性；仅利用目标函数取值信息，无需诸如梯度及其它辅助信息，适合于大规模、高度非线性及无解析表达式的目标函数优化问题；搜索能力强，从理论上证明可以完全收敛于全局最优解；采用群体搜索，具有良好的并行性；采用随机化算子而不是严格的确定性运算，可以直接逼近非线性、多约束、多目标优化问题的求解目标；在搜索过程中，可以时刻观察工艺参数的取值及相互影响，能检测到所有不符合设计规定的个体基因，从而通过赋予罚值的办法尽快淘汰不符合设计规定的个体。这些特点使得遗传算法应用于天然气流程优化这类复杂工程问题时，能够表现出非凡的计算能力。

发明内容

本发明提供一种基于遗传算法的天然气液化流程工艺参数优化方法，用以在保证满足系统中所有设备的固有特性以及其他设计规定的条件下，降低了天然气液化过程中的能量消耗。

为达到上述目的，本发明提供了一种基于遗传算法的天然气液化流程工艺参数优化方法，包括以下步骤：

步骤a：根据天然气液化过程中与能耗相关的参数确定优化对象，将优化对象作为遗传算法的目标函数，并根据优化对象确定所要优化的参数；

步骤b：根据天然气液化的技术标准以及每个参数代表的设备特性，设定遗传算法的初始化因子以及每个所要优化的参数的上、下限，其中初始化因子包括群体大小，进化代数，个体适应度评价函数，交叉操作算子，变异操作算子，交叉概率和变异概率；

步骤c：根据天然气液化工艺所使用设备的特性以及流程工艺要求，为所要优化的参数中的特定参数或多个关联参数设置约束条件；

步骤d：根据群体大小，在每个所要优化的参数的上、下限范围内均匀选择取值形成基因，并将所有所要优化的参数对应的基因组合在一起形成个体，得到初始种群；

步骤e：逐一判别形成的个体的相应参数是否满足约束条件，如果不满足则为该个体赋予罚值，如果满足则通过个体适应度评价函数计算该个体的适应度函数值，罚值应远高于种群的平均适应度函数值，以便于不满足约束条件的个体尽快被淘汰；