[发明专利]一种工艺参数驱动的天然气水露点在线预测方法

说明书

本发明涉及天然气集输领域，针对常规天然气水露点检测仪易损坏，检测成本高及传统数据驱动方法不能有效反应实际脱水系统天然气水露点与各监测参数间的影响关系的缺点，公开了一种工艺参数驱动的天然气水露点在线预测方法，一种三甘醇脱水装置生产运行状态下的工艺监测数据，制作了一个多维样本序列原始训练数据集；通过选择对天然气水露点预测的关键参数，实现了无关冗余特征的剔除，建立了天然气水露点预测训练数据集；通过训练数据集对NP模型进行训练以学习三甘醇脱水装置各工艺监测参数的多元回归函数关系；将脱水装置实时工艺监测数据作为NP预测模型的目标集数据，实现天然气水露点在线预测。本发明与现有技术相比，具有准确度高的有益效果。

技术领域

本发明涉及天然气集输领域，具体涉及一种工艺参数驱动的天然气水露点在线预测方法。

背景技术

天然气水露点是天然气气质的一项重要技术指标。游离水的积聚会导致管线容量降低和腐蚀加剧，以及因水露点偏高而形成的水合物会导致管线、阀门堵塞。因此脱去天然气中的游离水是实际生产的重要任务之一。在实际生产中，通常使用天然气水露点仪监测天然气水露点。由于在实际监测中检测仪存在堵塞、传感器损坏等局限性，常规的使用天然气露点仪监测天然气水露点的方法无法准确有效的监测脱水性能。使用数据驱动方法预测天然气水露点避免了检测仪的缺陷，传统方法使用天然气接触器温度、三甘醇浓度和天然气压力等参数预测天然气水露点。在实际的脱水系统中，不仅是接触器温度和三甘醇浓度对天然气水露点有影响，各监测参数与天然气水露点也存在相互间的影响关系。针对现有检测技术和传统数据驱动方法的局限性，本发明通过梯度提升决策树(Gradient BoostingDecision Tree，GBDT)算法评估天然气原始特征集参数对天然气水露点敏感性，减少冗余或无关参数对露点预测的影响，实现关键参数的选择。通过参数选择后的训练样本对神经过程(Nerual Process，NP)模型进行训练优化。优化后的NP预测模型可以通过脱水装置的工艺监测参数实时的在线预测天然气水露点，实现脱水装置脱水性能的评估。

发明内容

针对常规天然气水露点检测仪易损坏，检测成本高及传统数据驱动方法不能有效反应实际脱水系统天然气水露点与各监测参数间的影响关系的缺点，本发明公开了一种工艺参数驱动的天然气水露点在线预测方法，通过评估和选择对天然气水露点的关键参数，结合具有灵活执行非线性预测的NP模型，实现一种脱水装置工艺参数的天然气水露点在线预测。

本发明通过下述技术方案实现：

一种工艺参数驱动的天然气水露点在线预测方法，包括以下步骤：

步骤S1：对于具有N个工艺监测参数的脱水系统，将各参数依次编号为参数1至参数N，N个工艺参数和天然气水露点的历史监测数据组成预测模型原始训练数据集，数据集共有P个样本，将各样本依次编号为样本1至样本P，该数据集以N个工艺参数为变量，天然气水露点为标签或目标值；