CN115034398B 用于监控工业气体设备综合体的操作特性的方法和设备 （气体产品与化学公司）

用于监控工业气体设备综合体的操作特性提供了一种监控包括多个工业气体设备的学习模型分配给形成所述工业气体设备综合体预测每个相应的工业气体设备在预定的未来时设备在预定的未来时间段内的预测的操作特性数据与在相应的时间段内的测量的操作特性数2将机器学习模型分配给形成所述工业气体设备综合体的所述工业气体设备中的每个，所述工业气体设备包括用于生产氢气的氢气生产设备、用于生产氮气的空气分离单元基于接收到的关于相应的工业气体设备的历史时间相关的操作特对每个工业气体设备执行训练的机器学习模型，以预测关于每个相基于通过执行所述训练的机器学习模型预测的操作特性，为所所述工业气体设备利用生成的设定点在所述预定的未来时间段期间生使关于每个相应的工业气体设备在所述预定的未来时间段内的预测的操作特性数据及基于识别的未来问题安排至少一项补救措施，以避免所述2.根据权利要求1所述的方法，其中比较的步骤在所述预测的操作特性数据的预定的3.根据权利要求1所述的方法，其中比较的步骤包括使所预测在预定的时间窗口内的预测的操作特性数据与在相同时间窗口内的实际测量的操作特性4.根据权利要求1所述的方法，其中接收到的关于所述相应的工业气体设备的历史时间相关的操作特性数据包括从所述相应的工业气体设备的过程或参数的直接测量获得的5.根据权利要求1所述的方法，其中接收到的关于所述相应的工业气体设备的历史时间相关的操作特性数据包括从表示所述相应的工业气体设备的操作特性的基于物理的模6.根据权利要求5所述的方法，其中将与所述相应的工业气体设备的过程或参数相关7.根据权利要求1所述的方法，其中利用关于每个工业气体设备的预测的操作特性来311.根据权利要求10所述的方法，其中所述操作性能度量包括所述工业气体设备综合12.根据权利要求11所述的方法，其中所确定的效率值能够实现对所述氨生产设备针13.一种用于监控包括多个工业气体设备的工业气体设备综合体的操作特性的系统，将机器学习模型分配给形成所述工业气体设备综合体的所述工业气体设备中的每个，所述工业气体设备包括用于生产氢气的氢气生产设备、用于生产氮气的空气分离单元基于接收到的关于相应的工业气体设备的历史时间相关的操作特对每个工业气体设备执行训练的机器学习模型，以预测关于每个相基于通过执行所述训练的机器学习模型预测的操作特性，为所将生成的设定点提供给所述工业气体设备的控制系统，以在所述预使关于每个相应的工业气体设备在所述预定的未来时间段内的预测的操作特性数据及基于识别的未来问题安排至少一项补救措施，以避免所述14.根据权利要求13所述的系统，其中比较的步骤在所述预测的操作特性数据的预定15.根据权利要求13所述的系统，其中比较的步骤包括使所预测在预定的时间窗口内16.根据权利要求13所述的系统，其中接收到的关于所述相应的工业气体设备的历史时间相关的操作特性数据包括从所述相应的工业气体设备的过程或参数的直接测量获得17.根据权利要求13所述的系统，其中接收到的关于所述相应的工业气体设备的历史时间相关的操作特性数据包括从表示所述相应的工业气体设备的操作特性的基于物理的418.根据权利要求13所述的系统，其中利用关于每个工业气体设备的所述预测的操作19.根据权利要求13所述的系统，其中在另外的模型中利用关于每个相应的工业气体设备的所述预测的操作特性来生成所述工业气体设备综合体的操20.一种存储指令的程序的计算机可读存储介质，所述指令的程序可由机器执行以执将机器学习模型分配给形成所述工业气体设备综合体的所述工业气体设备中的每个，所述工业气体设备包括用于生产氢气的氢气生产设备、用于生产氮气的空气分离单元基于接收到的关于相应的工业气体设备的历史时间相关的操作特对每个工业气体设备执行训练的机器学习模型，以预测关于每个相基于通过执行所述训练的机器学习模型预测的操作特性，为所将生成的设定点提供给所述工业气体设备的控制系统，以在所述预使关于每个相应的工业气体设备在所述预定的未来时间段内的预测的操作特性数据及基于识别的未来问题安排至少一项补救措施，以避免所述5[0001]本发明涉及用于监控包括多个工业气体设备的工业气体设备综合体的操作特性[0002]工业气体设备综合体可以包括一个或多个生产气体或参与气体的生产的工艺设[0005]以下以简化的形式介绍了一些概念，以便提供对本公开的一些方面的基本理[0008]在实施例中，存储资源包括一个或多个工业气体存储容器和/或一个或多个能量资源来控制工业气体存储容器和/或一个或6[0021]在实施例中，一个或多个工业气体设备包括具有至少一个电解槽的氢气生产设备确定和利用来自一个或多个可再生功率源的预测的可用功率资源的系统，所述系统包程序可由机器执行以执行一种为包括一个或多个存储资源的一个或多个工业气体设备确7表示相应工业气体设备的操作特性的基于物理的模型[0033]在实施例中，一个或多个工业气体设备包括具有多个电解槽模块的氢气处理设8表示相应工业气体设备的操作特性的基于物理的模型个工业气体设备在预定的未来时间段内的可用9间段的时间相关的预测功率数据；接收每个工业气体设备的时间相关的预测操作特性数从所述一个或多个可再生功率源接收针对预定的未来时间段的时间相关的预测功率数据；通过调整工业气体设备的一个或多个控制设定点来控制工业气体关的预测操作特性数据从每个工业气体设备的训练的机器学习模[0069]图3是示出了使用根据本发明的实施例的模型的测量的和预测的风力功率值的[0070]图4是示出了使用根据本发明的实施例的模型的测量的和预测的太阳能功率值的一些熟知的结构或功能可能不会在下面详细地示出或描述，以避免不必要地模糊相关描[0079]工业气体设备综合体10包括氢气生产设备12、氢气存储单元14、空气分离单元[0080]用于为工业气体设备综合体10提供动力的电力至少部分地由可再生能源(例如风作为用于生产氨的氢源可以在低可再生功率供应期间显著地降低工业气体设备综合体10缺预计是暂时的或持续时间较短的情况下使[0084]CAES28b压缩空气，并将空气存储在约70巴的高压下。它通常被存储在地下洞穴[0085]LAES28b包括空气液化器以从环境中抽取空气并压缩和冷却空气以实现液化。液储装置更适合于长期存储并且更适合于在可再生能源长期短[0087]PHSS28c通过将水从较低海拔蓄水池泵送到较高海拔蓄水池，以重力势能的形式[0092]氢气生产设备12是可操作的以电解水来形成氢和氧。可以使用任何合适的水[0097]碱性电解槽通过电解质将氢氧离子(OH-)从阴极输送到阳极，其中在阴极侧生成[0098]PEM电解槽利用固体塑料材料作为电解质，并且水在阳极处反应以形成氧气和带[0106]在非限制性的实施例中，通过在空气分离单元(ASU)16中低温蒸馏空气来生产氨[0108]典型的用于氮气的存储系统可以包括连接至公共入口/出口集管的多个压力容器续地运行以提供氮气。氢气由来自氢气生产设备12的一个或多个管道(如果它在给定情况[0115]工业气体设备综合体10作为整体的电力可以由任何合适的能源(包含可再生或不产生场)和/或太阳能26(经由包括多个太阳能电池的太阳能功率产生场)中的至少一个可ASU控制系统116和氨合成设备控制系统1[0124]作为实例，氢气生产设备控制系统112可以被配置为通过测量来监控从电解生成[0127]所述实施例中的可再生能量控制系统120包括风控制系统124和太阳能控制系统[0129]功率预测模块(PPM)152从可再生能量控制系统120以及天气和预报数据库160接收使用和功率生成数据，所述数据库包括与过去(已知和历史)环境和天气数据以及未来(预测和预报)环境和天气数据相关的信息。功率预测模块152包括如下将描述的在计算系[0130]设备操作模块(POM)154是可操作的以从设备综合体控制系统110接收设备操作数据并生成设备操作的模型。设备操作模块154包括如下将描述的在计算系统上实现的机器[0131]实时优化模块(RTOM)156被布置成接收来自功率预测模块152和设备操作模块154[0134]功率预测模块152包括在计算系统上实现的机器学习算法，并且是可操作的以生可变和/或间歇源(诸如可再生功率源)的未来功率生成，使得可以控制一个或多个工业气[0135]在实施例中，功率预测模块152的另外的方面是使用预测的功率生成数据来控制[0136]用于预测未来功率的模型基于机器学习框架。可以使用任何合适的机器学习算且输出作为单独的树的类(分类)或中等/平均预测(回归)的[0148]其中索引i表示从周期n到n+k的时间(以固定的持续时间的间隔计)。在非限制性[0162]这些模型是在训练过程期间生成的，所述训练过程在预定的训练时间定期进[0179]PPM152可以利用预测的数据以响应于预定的未来时间段的预测的可用功率资源[0180]在实施例中，预报功率数据可以附加地或可替代地控制能量存储资源28的使用。CAES/LAES28b和PHSS28[0182]PPM152系统使用预测的功率WPi和SPi作为实时优化问题中的输入，并[0185]在非限制性的实例中，PPM152可以确定在接下来的24小时内有足够的功率可用PPM152的一部分的算法使用以确定最佳存储要求，从而解决作为时间的函数的预测的未[0187]在实施例中，PPM152还可以确定在预测的时间窗口内有足够的功率可获得超过工业气体设备综合体10需求的功率可用性。鉴于BESS28a解决方案的短的斜坡速量存储解决方案的较慢的斜坡速率和较高的存储容量，于是可以确定CAES/LAES28b和[0191]PPM152还可以包括跟踪系统，以计算作为可再生功率资源的互补统的实例可以利用混合整数非线性程序(MINLP)，因为一些决策需要一些设备以导致整数[0196]在步骤220，基于在步骤200和210中捕获的历史时间相关的环境数据和历史时间[0197]在步骤230，执行所训练的机器学习模型以预测一个或多个工业气体设备在预定[0198]在步骤240，预测的数据可以任选地用于响应于针对预定的未来时间段的预测的的未来时间段结束时可用于工业气体设备的实际功率资源进行比较而对机器学习模型的可用性信息以及资源可用性和即将发生的维护问题方面对不同的过程单元进行准确的定根据对于给定的能量消耗水平产生的氨来预测整个[0209]用于这种预测的高保真模型基于实时机器学习框架，其使用由分布式控制系统(DCS)以时间序列的形式为各种过程标签提供的时间相关的历史数据。任何合适的机器学[0212]氢气生产设备12中的每个电解槽模块12[k]基于其历史性能数据被独立地建模。[0221]预测器变量和响应变量的历史时间序列数据在几个月内以适当的频率[s]采样，[0223]将定期或按需对模型进行训练(以在固定持续时间的间隔(诸如15分钟或1小时)可操作以将氢气输送到氨处理设备并管理氢气库存以避免由于缺乏可于自适应多变量(主组分分析(PCA)和偏最小二乘(PLS)模型建立在关键过程标签的历史数这些值可以被预测性机器学习模型用来建立ASU16的性能的预测[0249]训练过程可以采取历史时间相关的操作特性数据作为输入来训练机器学习模据。基于物理的模型可以采用所测量的特定工业气体设备特性(特定于每个工业气体设机器学习模型在如上所述从与相关设备相关的测量的历史时间相关的数据和/或从由相应[0263]在POM154中执行的所有建模都作为计算机程序在设备中的一台或多台计算机上[0270]在步骤300，将机器学习模型分配给形成工业气体设备综合体的每个工业气体设[0271]在步骤310，基于接收到的相应工业气体设备的历史时间相关的操作特性数据来何合适的时间窗口中收集，并且可以包含延伸直到但不包含当前时间的移动窗口内的数[0272]历史时间相关的操作特性数据可以包括与相应的工业气体设备相关的物理测量据。基于物理的模型可以采用所测量的特定工业气体设备特性(特定于每个工业气体设[0278]在步骤340，将预定的未来时间段的预测的数据与该时间段结束时的实际测量数束时的时间窗口或时间段(例如，从预测数据生成或从预测的数据中的时间戳开始的2周/维修需要设备服务的任何关键故障或未计划的停机之前来时间段结束时工业气体设备的实际操作特性进行比较而对机器学习模型的准确度的评[0290]RTOM156还可以利用与能量存储资源28的资源存储装置或能量存储装置相关的氨设备(APi)和ASU(NPi))的功率消耗与这些单元相关的过程变量相关联的[0292]RTOM156系统解决了