液化天然气接收站蒸发气系统压力的前馈-多模型预测控制

陈锐莹; 吕梦芸; 陈峰; 刘智举; 黄猛; 牟天昊

doi:10.12404/j.issn.1671-1815.2503813

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :5072-5081 DOI: 10.12404/j.issn.1671-1815.2503813

石油、天然气工业

液化天然气接收站蒸发气系统压力的前馈-多模型预测控制

陈锐莹 ¹^,² ,
吕梦芸 ¹^,²^,^* ,
陈峰 ¹^,² ,
刘智举 ³ ,
黄猛 ⁴ ,
牟天昊 ³

作者信息 +

Feedforward-multi-model Predictive Control for BOG System Pressure in LNG Terminals

CHEN Rui-ying ¹^,² ,
LÜ Meng-yun ¹^,²^,^* ,
CHEN Feng ¹^,² ,
LIU Zhi-ju ³ ,
HUANG Meng ⁴ ,
MOU Tian-hao ³

Author information +

文章历史 +

摘要

液化天然气(liquefied natural gas,LNG)接收站蒸发气(boil-off gas,BOG)系统的压力稳定性是保障接收站安全、经济运行的关键,然而目前接收站普遍采用的比例-积分-微分(proportional integral derivative, PID)控制策略无法适应接收站大时滞、强耦合、强干扰及大范围工况特性,引发了BOG系统压力波动显著、人工干预频繁的问题。为此,提出了一种带前馈补偿的多模型预测方法本方法。首先基于工艺过程及变量相关性分析确定了将卸料产生的BOG量作为前馈变量引入控制器,形成前馈-反馈复合控制结构,应对系统强扰动;进一步识别出储罐液位的影响,分液位区间建立多个动态矩阵模型,并制定了滞环模型切换策略,解决大范围工况控制模型失配问题。此外,采用高效的整形优化算法克服了压缩机负荷调节量为离散数值带来的解算难题,实现储罐控制目标下的压缩机负荷分配与启停控制策略的解算。以中国某LNG接收站为例,通过实验仿真与非前馈、单模型控制方案进行了比对,确定了所提方法的超调量、稳定时间及压力方差等关键控制指标均有显著优势。所建立的前馈-多模型预测控制模型在LNG储罐-BOG压缩机系统中具有优异的控制性能,解决了系统的强耦合、大范围工况切换及多干扰因素等问题,有效提高了BOG系统的压力稳定性并降低了BOG压缩机运行能耗,为实际工程应用提供了有力的技术支撑。

Abstract

The pressure stability of the boil-off gas (BOG) system in liquefied natural gas (LNG) terminal is crucial for ensuring the safe and economical operation. However, the proportional integral derivative (PID) control strategy commonly used in LNG terminal cannot adapt to the characteristics of large time delays, strong variable coupling, strong disturbances, and large-scale operating conditions, which has led to significant pressure fluctuations and frequent manual interventions in the BOG system. Therefore, a multi model prediction method with feedforward compensation was proposed. Firstly, based on analysis of the process and variable correlation, the BOG generated by unloading was determined to be introduced as a feedforward variable into the controller, forming a feedforward feedback composite control structure to cope with strong system disturbances. Furtherly, the impact of tank liquid level was identified, thus multiple dynamic matrix models were established for different liquid level intervals, and a hysteresis model switching strategy was developed to solve the problem of model mismatch in large-scale operating conditions. In addition, an efficient shaping optimization algorithm was adopted to overcome the calculation problem caused by the discrete numerical value of the compressor load, and to achieve the calculation of the compressor load distribution and start stop control strategy under the storage tank control objective. Taking a LNG receiving station in China as an example, through experimental simulation and comparison with non feedforward and single model control schemes, it is determined that the proposed method has significant advantages in key control indicators such as overshoot, stabilization time, and pressure variance. The proposed feedforward multi-model predictive control model has excellent control performance in the LNG storage tank BOG compressor system, solving problems such as strong coupling, large-scale operating condition switching, and multiple interference factors. It effectively improves the pressure stability of the BOG system and reduces the operating energy consumption of the BOG compressor, providing strong technical support for practical engineering applications.

Graphical abstract

关键词

液化天然气(LNG)接收站 / 蒸发气(BOG)系统 / 模型预测控制 / 前馈控制

Key words

liquefied natural gas (LNG) terminal / boil-off gas (BOG) system / model predictive control / feedforward control

引用本文

引用格式 ▾

陈锐莹, 吕梦芸, 陈峰, 刘智举, 黄猛, 牟天昊. 液化天然气接收站蒸发气系统压力的前馈-多模型预测控制[J]. 科学技术与工程, 2026, 26(12): 5072-5081 DOI:10.12404/j.issn.1671-1815.2503813

CHEN Rui-ying, LÜ Meng-yun, CHEN Feng, LIU Zhi-ju, HUANG Meng, MOU Tian-hao. Feedforward-multi-model Predictive Control for BOG System Pressure in LNG Terminals[J]. Science Technology and Engineering, 2026, 26(12): 5072-5081 DOI:10.12404/j.issn.1671-1815.2503813

登录浏览全文

4963

注册一个新账户忘记密码

近年来,随着全球能源结构低碳化转型加速,液化天然气(liquefied natural gas,LNG)作为清洁能源的重要组成部分,凭借其显著的清洁能源属性,成为航运、电力、工业等领域替代传统化石燃料的关键选择^[1],在保障能源安全与实现“双碳”目标中发挥着关键作用。中国作为全球最大的LNG进口国,2023年接收站年总接收能力超1.1亿t^[2],其规模化运营对能源供应链的稳定性提出了更高要求。LNG接收站作为连接远洋运输与终端供应的核心枢纽,需通过卸船、储存、再气化等复杂工艺实现天然气的高效转化与输送。在此过程中,受储罐内外巨大温差影响,LNG持续蒸发并生成大量蒸发气(boil-off gas,BOG)。BOG系统的稳定性直接决定接收站运行的安全性与经济性^[3]:BOG产生量与储罐压力若失衡,轻则导致压缩机频繁启停、能耗陡增,重则引发超压放空,造成资源浪费与环境污染^[4-5]。因此,BOG系统的压力控制对保证生产安全和提高经济性具有重要意义。

目前,LNG储罐-BOG压缩机系统的压力调控主要集中于工艺优化,控制策略上普遍采用基于阈值设定的启停控制、基于经验的运行策略和比例-积分-微分(proportional integral derivative, PID)控制。文献[6]在传统的BOG再液化工艺中引入BOG缓冲罐装置,并设计了基于规则的控制策略,通过调整BOG缓冲罐的接入、断开或放空,成功降低了系统能耗。文献[7]通过理论计算,提出了在卸船作业开始前提前启动备用压缩机的操作建议,以预先降低储罐压力。文献[8]探讨了调节压缩机负荷,配合提高压力设定点和协调进料阀门开度来实现储罐压力控制。文献[9]针对BOG制氢过程,采用三个PID控制器分别进行流量和温度控制,提高了原料组分变化条件下的运行稳定性和经济效益。文献[10]采用比例-微分-比例-积分(proportional derivative proportional integral, PDPI)、二自由度控制(two degree of freedom, 2DOF)等改进型PID结构,其控制储罐压力性能优于传统PID。文献[11]则应用混合整数非线性规划模型,从运行调度层面优化压缩机的启停组合。然而,LNG储罐-BOG系统面临变量时滞大、变量间强耦合、大范围工况切换和多干扰因素等复杂特性,传统控制策略往往依赖复杂的解耦方法和经验规则设定来应对这些问题,不仅实施难度大、控制效率低,而且难以满足实际生产的控制需求^[12]。阈值设定控制和基于经验的运行策略容易导致压缩机频繁启停,从而引起能耗陡增和系统冲击,还存在储罐压力失控的风险;而PID和改进PID控制在面对液位变化、卸料等扰动时,响应速度和调节精度无法满足安全稳定运行的要求,通常需要依赖人工干预,导致控制稳定性和经济性较差。因此,亟需引入先进控制算法以实现LNG储罐-BOG压缩机系统控制的综合性能要求。

模型预测控制(model predictive control,MPC)作为一种先进的优化控制方法,能够有效处理非线性、强耦合、大时滞特性,并可直接考虑过程约束条件,且在炼油、化工、电力等行业中已经成功应用^[13-17],并取得了显著的经济效益,被公认为最有成效和应用潜力的过程先进控制方法。文献[18]提出带观测扰动的模型预测控制器。虽然这种反馈补偿机制能够对模型误差进行补偿,但对压缩机负荷的调节存在滞后性。文献[19]尝试将模型预测控制方法引入BOG生成过程的温度和压力控制,在提高能效、降低超调风险方面取得了良好效果,但忽略了储罐液位变化的耦合关系。针对LNG储罐-BOG压缩机系统中普遍存在的大范围工况变化和多干扰因素等复杂生产特性,现有研究鲜有涉及,相关应用成果仍较为有限。

鉴于此,面向中国某LNG接收站的生产控制需求,提出一种前馈-多预测模型的预测控制算法,以解决LNG储罐-压缩机系统在强耦合、大范围工况切换和多干扰因素下的控制问题。基于生产需求和运行数据,完成了控制策略的选择和控制器变量结构的设计;所设计的MPC控制器包含多个液位工况点的动态矩阵模型,具备自适应模型选择和切换能力,并将卸料引起的压力扰动作为前馈补偿纳入预测模型,从而有效应对大范围工况和扰动的变化。最后,通过仿真实验验证了该方法在稳定储罐压力和降低压缩机能耗方面的显著优势,为提升LNG接收站运行的安全性和经济型提供了新的技术路径和可借鉴的实践方案。

1 LNG储罐-BOG压缩机系统描述

研究对象为中国某LNG接收站的LNG储罐-BOG压缩机系统,其工艺流程如图1所示,该接收站主要功能包括接收LNG运输船卸载的LNG、储存LNG并将其输送至终端用户,涉及LNG储罐系统、BOG处理系统等多个关键环节。在LNG储罐-BOG压缩机系统中,LNG储罐接收来自LNG船的卸料LNG,并通过罐内低压泵将其输送至外部。由于环境与LNG泵设备的热输入,以及带压LNG回罐闪蒸等因素会产生BOG。此外当接收站进行卸船操作时,LNG进入LNG储罐会置换出罐内的BOG,同样会增加接收站带来BOG处理负荷。该系统具有多变量、强耦合、大时滞等非线性特性,给压力控制带来了较大挑战。

在该系统中,LNG储罐的压力主要通过调节进入压缩机的BOG流量来实现控制。具体而言,通过调节压缩机的负荷,将储罐内的BOG气体排出,确保储罐内的压力保持稳定。然而,储罐内的LNG液位高度与储罐内BOG气体的总体积密切相关,不同工况下液位高度的变化将直接影响压缩机调节压力的能力。再者,储罐卸料、槽车外运及保冷设备的运行均会引入不确定性扰动。例如,保冷设备运行时产生的热量会导致LNG部分气化,使储罐内压力升高,从而影响系统的压力稳定性。此外,BOG压缩机为往复式压缩,负荷不可做连续调节,为0、25%、50%、75%、100%五档工作负荷。因此,为了确保储罐压力的稳定,需要合理调节BOG压缩机的工作负荷,并综合考虑上述因素,建立预测模型和控制策略,以实现储罐压力的有效调节与稳定控制。

2 MPC算法基础

MPC算法基于被控系统的预测模型,采用滚动优化与反馈校正相结合的方式,使系统能够在最短时间内达到稳定运行。MPC算法具备显式处理约束的能力,在应对非线性、强耦合等复杂控制问题时表现出显著优势^[20]。

动态矩阵控制(dynamic matrix control,DMC)算法是一种被工业现场广泛采用的MPC算法,包含预测模型、滚动优化和反馈矫正三部分^[21]。DMC采用基于阶跃响应矩阵的预测模型。假设系统在时刻施加单位阶跃输入,其输出响应序列为,其中为截断长度。对于输入为维,输出为维的多输入多输出(multi-input multi-output,MIMO)系统,动态矩阵A由各通道阶跃响应系数分块构成。

(1)A=${\left[\begin{array}{llll}{a}_{1}& 0& \dots & 0\\ {a}_{2}& {a}_{1}& & ︙\\ ︙& ︙& {a}_{1}& 0\\ {a}_{M}& {a}_{M-1}& \dots & {a}_{1}\\ {a}_{M+1}& {a}_{M}& \dots & {a}_{2}\\ ︙& ︙& & ︙\\ {a}_{P}& {a}_{P-1}& \dots & {a}_{P-M+1}\end{array}\right]}_{nP\times mM}$

式(1)中:n为输出变量的维度;m为输入变量的维度;M为控制时域;P为预测时域。

未来P步输出预测可表示为

(2)${\hat{y}}_{PM}$(k)=${\hat{y}}_{P0}$(k)+AΔu_M(k)

式(2)中:Δu_M(k)为未来M步控制增量;

${\hat{y}}_{P0}$

(k)为初始状态预测。

进一步考虑可测干扰,假设可测干扰的增量为Δd(k),那么预测时域P内的输出响应预测值可表示为

(3)${\hat{y}}_{PM}$(k)=${\hat{y}}_{P0}$(k)+AΔu_M(k)+DΔd(k)

式(3)中:D由干扰对输出的各步阶跃响应系数构成。

DMC在每个采样周期求解有限时域内的最优控制序列,并执行首步控制量。DMC通过最小化输出跟踪误差与控制增量惩罚项的加权和,实现优化控制。

(4)

$\left\{\begin{array}{l}\underset{\mathrm{\Delta }{u}_{M}\left(k\right)}{\mathrm{m}\mathrm{i}\mathrm{n}}J\left(k\right)={\left(\stackrel{-}{\omega }\left(k\right)-{\hat{y}}_{PM}\left(k\right)\right)}_{Q}^{2}+{\left(\mathrm{\Delta }{u}_{M}\left(k\right)\right)}_{R}^{2}\\ \mathrm{s}.\mathrm{t}.\mathrm{\Delta }{u}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le \mathrm{\Delta }{u}_{M}\le \mathrm{\Delta }{u}_{\mathrm{m}\mathrm{a}\mathrm{x}}\\ {u}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {u}_{M}\le {u}_{\mathrm{m}\mathrm{a}\mathrm{x}}\\ {y}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {y}_{P}\le {y}_{\mathrm{m}\mathrm{a}\mathrm{x}}\end{array}\right.$

式(4)中:Δu_min和Δu_max分别为压缩机负荷变化量Δu_M的下限和上限;u_min和u_max分别为压缩机负荷u_M的最小和最大值;y_min和y_max分别为储罐压力y_P的允许下线和上限;J(k)为目标函数;Q和R分别为输出误差与控制增量的权重矩阵,用于权衡动态响应性能与控制能耗;代表优化性能的指标

$\stackrel{-}{\omega }$

(k)为参考轨迹,常作一阶滤波以平滑设定值跳变,可表示为

(5)$\stackrel{-}{\omega }$(k)=[ω^T(k+1|k) ω^T(k+2|k) … ω^T(k+P|k)]^T

该优化问题可采用内点法等多种数值方法求解。求出控制增量Δu_M(k)后,即可计算并施加控制量u(k)。

DMC利用实际输出与预测偏差修正未来预测,增强抗干扰能力。用k+1时刻的实际测量值y(k+1)减去未来时刻模型预测输出向量

${\hat{y}}_{N1}$

(k)计算预测误差e(k+1),计算公式为

(6)e(k+1)=y(k+1)-${\hat{y}}_{N1}$(k)

利用预测误差修正未来预测输出,即

(7)${\hat{y}}_{\mathrm{c}\mathrm{o}\mathrm{r}}$(k+1)=${\hat{y}}_{N1}$(k)+he(k+1)

式(7)中:h=[h₁,h₂,…,h_P]^T为权系数向量,常取h_i=1或指数衰减权重。

最终,矫正后的预测输出可通过时间位移操作更新初始预测值,即作为k+1时刻滚动优化的预测轨迹

${\hat{y}}_{N0}$

,可表示为

(8)${\hat{y}}_{N0}$(k+1)=S${\hat{y}}_{\mathrm{c}\mathrm{o}\mathrm{r}}$(k+1)

式(8)中:S=

$\left[\begin{array}{llllll}0& I& 0& 0& \dots & 0\\ 0& 0& I& 0& \dots & 0\\ ︙& ︙& \ddots & \ddots & \ddots & ︙\\ 0& 0& \dots & 0& I& 0\\ 0& 0& \dots & 0& 0& I\\ 0& 0& \dots & 0& 0& I\end{array}\right]$

为位移矩阵;I为单位矩阵。

3 MPC控制系统设计

针对LNG储罐-BOG压缩机系统的压力控制需求,设计一种基于MPC的控制器。该控制器通过调节BOG压缩机负荷实现稳定LNG储罐压力,降低压缩机能耗。

3.1 控制器变量选择

首先,通过相关性分析筛选控制器变量。基于现场实际的运行数据,计算压缩机排出的BOG流量、槽车外输量、储罐内LNG液位、储罐卸料流量与被控变量LNG储罐内压力之间的互相关系数,如图2所示。分析结果表明,卸料流量、压缩机BOG流量和储罐液位与LNG储罐压力相关性较强,而槽车外输量与压力的相关性较弱,因此未将其纳入控制器设计范围。

基于上述分析,控制器的主要变量选择如下。

(1)操纵变量(manipulated variable,MV)。LNG储罐压力通过调节压缩机的负荷进行控制,以排出储罐内的BOG气体并维持压力稳定。因此,选取压缩机负荷作为操纵变量,记为MV1。

(2)被控变量(controlled variable,CV)。选取A、B、C三个储罐的压力值作为被控变量,分别记为CV1、CV2和CV3。

(3)前馈变量(feed forward variable,FFV)。由于卸料流量对储罐压力影响较大,为更有效地抑制卸料过程中BOG气化带来的扰动,选取卸料流量作为前馈变量,记为FFV1。

此外,LNG储罐液位的变化范围较大,并与压力控制效果密切相关。当储罐液位较低时,BOG气体体积较大,在相同BOG流量下的压降效果减弱。因此,采用多模型预测控制方案^[22],根据储罐液位所在区间选择不同的预测模型,以提升系统在大范围工况下的优化调节能力。

3.2 优化问题建立

BOG压缩机负荷u为离散量,其取值范围为U={75%,100%,150%,175%,200%},形式化表示为u∈U={i_j|i∈I,j∈N,j<n_u},其中u为BOG压缩机负荷,离散域U为负荷的允许集合,i_j为负荷集合I的第j个离散负荷值,j为不超过离散档位总数量n_u的自然数。由于LNG储罐液位的变化影响压力控制效果,而单一线性模型难以保证控制精度,分别在15%、45%和80%液位工况点建立动态矩阵模型,可表示为

(9)${\hat{y}}_{PM}$(k)=$\left\{\begin{array}{l}{\hat{y}}_{P0}\left(k\right)+{A}_{1}\mathrm{\Delta }{u}_{M}\left(k\right)+{D}_{1}\mathrm{\Delta }d\left(k\right),\\ 　　{x}_{\mathrm{e}}\in {X}_{1}\\ {\hat{y}}_{P0}\left(k\right)+{A}_{2}\mathrm{\Delta }{u}_{M}\left(k\right)+{D}_{2}\mathrm{\Delta }d\left(k\right),\\ 　　{x}_{\mathrm{e}}\in {X}_{2}\\ {\hat{y}}_{P0}\left(k\right)+{A}_{3}\mathrm{\Delta }{u}_{M}\left(k\right)+{D}_{3}\mathrm{\Delta }d\left(k\right),\\ 　　{x}_{\mathrm{e}}\in {X}_{3}\end{array}\right.$

式(9)中:

${\hat{y}}_{P0}$

为k时刻的初始预测输出向量;

${\hat{y}}_{PM}$

为k时刻的多模型预测输出向量,是考虑了当前控制增量和扰动影响后的系统最终预测输出; A₁、D₁、A₂、D₂、A₃、D₃分别为在15%、45%和80%工况点的动态矩阵;Δd(k)为卸料流量造成的扰动;x_e为LNG储罐液位高度;X₁、X₂和X₃为不同模型的液位区间。

通过液位自适应选择不同预测模型,实现对强非线性LNG储罐-BOG压缩机系统的优化控制。

优化问题可表示为

(10)

$\left\{\begin{array}{l}u\in U=\left\{{i}_{j}\right|i\in I,j\in N,j<{n}_{u}\}\\ \underset{\mathrm{\Delta }{u}_{M}\left(k\right)\in U\times U\times \dots \times U}{\mathrm{m}\mathrm{i}\mathrm{n}}J\left(k\right)=\\ 　　\underset{\mathrm{\Delta }{u}_{M}\left(k\right)\in U\times U\times \dots \times U}{\mathrm{m}\mathrm{i}\mathrm{n}}{\left(\stackrel{-}{\omega }\left(k\right)-{\hat{y}}_{PM}\left(k\right)\right)}_{Q}^{2}+{\left(\mathrm{\Delta }{u}_{M}\left(k\right)\right)}_{R}^{2}\\ \mathrm{s}.\mathrm{t}.{\hat{y}}_{PM}\left(k\right)=\left\{\begin{array}{l}{\hat{y}}_{P0}\left(k\right)+{A}_{1}\mathrm{\Delta }{u}_{M}\left(k\right)+{D}_{1}\mathrm{\Delta }d\left(k\right),\\ 　　{x}_{\mathrm{e}}\in {X}_{1}\\ {\hat{y}}_{P0}\left(k\right)+{A}_{2}\mathrm{\Delta }{u}_{M}\left(k\right)+{D}_{2}\mathrm{\Delta }d\left(k\right),\\ 　　{x}_{\mathrm{e}}\in {X}_{2}\\ {\hat{y}}_{P0}\left(k\right)+{A}_{3}\mathrm{\Delta }{u}_{M}\left(k\right)+{D}_{3}\mathrm{\Delta }d\left(k\right),\\ 　　{x}_{\mathrm{e}}\in {X}_{3}\end{array}\right.\end{array}\right.$

(11)

$\left\{\begin{array}{l}{\hat{y}}_{N0}\left(k\right)=S{\hat{y}}_{N1}(k-1)+Sh\left[e\right(k\left)\right]\\ \mathrm{\Delta }{u}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le \mathrm{\Delta }{u}_{M}\le \mathrm{\Delta }{u}_{\mathrm{m}\mathrm{a}\mathrm{x}}\\ {u}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {u}_{M}\le {u}_{\mathrm{m}\mathrm{a}\mathrm{x}}\\ {y}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {y}_{P}\le {y}_{\mathrm{m}\mathrm{a}\mathrm{x}}\\ \omega (k+i|k)={\alpha }^{i}{y}_{\mathrm{r}}(k-1)+(1-{\alpha }^{i}\left){y}_{\mathrm{r}}\right(k)\\ \alpha ={\mathrm{e}}^{-(\mathrm{\Delta }t/\mathrm{T})}\end{array}\right.$

式中:Δu_M为k时刻的未来M步的控制增量序列向量;u_M为控制序列向量,由k个压缩机负荷u组成;y_P为未来P步的储罐压力;Δu_min和Δu_max分别为压缩机负荷变化量的下限和上限;u_min和u_max分别为压缩机负荷的最小和最大值;y_min和y_max分别为储罐压力的允许下限和上限;y_r为k时刻输出设定值向量;ω为平滑后的参考轨迹向量;α为平滑阻尼系数;Δt为控制系统的采样周期;T为参考轨迹的时间常数;αⁱ<1且随着i增大而减少直至趋于0。

通过采用遍历法、树搜索法和混合整形线性规划等方法求解上述优化问题,解得最优控制增量Δ

${u}_{M}^{\mathrm{*}}$

(k)。

3.3 预测模型选择和切换

为提高MPC控制器对储罐液位大范围变化的适应性,设计了模型选择与切换策略。

(1)模型选择。根据液位的初始范围,选择合适的预测模型。若液位初值处于4.8%~30%时,使用低液位模型;在30%~60%时,使用中液位模型;在60%~98.5%时,使用高液位模型。

(2)模型切换。当液位发生变化时,根据预设规则切换预测模型。当采用低液位模型时,液位达到35%时切换至中液位模型;当采用中液位模型时,液位下降至25%切换为低液位模型,液位上升至65%切换为高液位模型;当采用高液位模型时,液位下降至55%时切换为中液位模型。图3为模型切换策略。

3.4 控制系统结构

在上述讨论的基础上,所提出的LNG储罐-BOC压缩机系统的MPC控制系统结构包括:选择器、动态矩阵存储器、整形优化器和分配器,如图4所示。选择器用于负责判断当前工况,并选择或切换预测模型。动态矩阵存储器存储不同液位工况下BOG压缩机负荷与卸料扰动对储罐压力的动态矩阵模型。整型优化器采用树搜索法和混合整形线性规划等方法求解优化问题,并根据压缩机负荷表换算压缩机总负荷;分配器将计算得到的压缩机总负荷合理分配给两台压缩机,实现精准调控。控制流程如下:根据储罐液位高度选择对应的动态矩阵模型,结合输入变量与扰动信息进行计算,得到最优控制方案。随后,该优化方案由整形优化器计算出最优压缩机负荷,并通过分配器将指令下达至各压缩机,最终实现LNG储罐压力的精准控制和系统能耗的优化。

4 实验与结果分析

首先利用MATLAB2023a软件进行了仿真实验,以验证所提出控制策略的有效性。仿真中,预测控制算法采用了单位阶跃响应测试,基于现场测试数据进行辨识。为全面评估控制策略的性能,设计了两组对比实验:第一组实验比较了是否将卸料产生的BOG流量设为可测扰动并用于前馈输入对控制效果的影响;第二组实验探讨了单模型 DMC 与多模型 DMC 控制策略在不同液位工况下的性能差异。

此外,还在中国某LNG接收站的LNG储罐-BOG压缩机系统进行了实际验证,以证明所提控制策略的实用性。

4.1 非前馈与前馈控制对比

为评估前馈控制策略的有效性,以是否将卸料影响设为可测扰动并引入前馈控制为标准,设计两种控制器进行仿真实验。若设为可测扰动,则控制系统采用前馈+反馈控制以补偿扰动;若不设为可测扰动,控制系统则仅依赖反馈控制抑制扰动影响。实验分别在储罐液位15%、45%和70%的工况下进行,控制器均采用单模型 DMC 算法,所用模型基于液位45%工况点建立。卸料产生的BOG为5 000 m³/h。图5~图7展示了不同液位下两种控制策略的性能对比。

仿真结果表明,在不同液位工况下,前馈+反馈控制均显著优于单纯的反馈控制。当储罐液位为15%时,单独反馈控制导致储罐压力出现 0.9 kPa超调,而前馈+反馈控制仅出现0.1 kPa的微小波动。此外,前馈控制的引入使压力设定值与实际值偏差指标从8.484 3降至0.067 1,控制精度大幅提升。

图6比较了当储罐液位为45%时仅反馈控制和前馈+反馈控制下的压力控制效果,前馈控制的引入使储罐压力的超调从0.6 kPa降低至 0.09 kPa,SE从2.087 7降至0.081 4,储罐压力的控制得到有效改善。

当储罐液位为70%时,如图7所示,两种策略均难以完全稳定压力,但前馈+反馈控制的效果仍优于单独反馈控制。反馈控制下,压力波动幅度约0.5 kPa,SE为1.833 2,而前馈+反馈控制下,初期压力波动0.4 kPa,在卸料开始3 000 s后波动幅度降至0.2 kPa以内,SE降低至1.687 9。

4.2 单模型与多模型预测控制对比

单模型DMC采用LNG储罐液位45%工况点建立的模型,而多模型DMC则基于储罐液位15%、45%和80% 三个工况点分别建立低液位、中液位和高液位模型。多模型DMC的具体细节参见第3节。两种控制器均采用前馈控制,以考虑卸料扰动的影响。单模型与多模型预测控制的对比实验分别在储罐液位15%、70%和85%的工况下进行,卸料产生的BOG为5 000 m³/h。图8~图10展示了不同液位下两种控制策略的性能对比。

仿真结果表明,多模型预测控制在不同液位工况下均较单模型控制表现出优势。图8展示了储罐液位为15%时的控制结果,两种控制策略的超调量相近,分别为0.08 kPa和0.1 kPa,均在工业误差允许范围内。但通过引入多预测模型,使用更贴合低液位工况的模型,控制器的SE指标由0.067 1降至0.044 9,控制精度有所提升。

当储罐液位为70%时,如图9所示,多模型预测控制展现出更优的性能。单模型控制下,储罐压力在卸料初期波动0.4 kPa,3 000 s后控制在0.2 kPa以内,SE为0.361 7;而多模型控制策略通过利用更合适的模型,能够控制储罐压力围绕设定值0.22 kPa上下波动,标准误差(standard error, SE)为0.648 3。

图10比较了储罐液位升至85%时的控制效果,多模型预测控制优势尤为明显。单模型控制策略下,储罐压力在设定值附近震荡,波动范围高达1.9 kPa,SE达32.155 4,难以满足工业生产的平稳控制要求。而采用多模型预测控制后,储罐压力的波动幅度降低至0.22 kPa,SE降至0.685 8,显著提升了控制稳定性。

4.3 某LNG接收站工业验证

在中国某LNG接收站的LNG储罐-压缩机系统上测试本文算法的有效性,该系统的工艺流程图如图1所示。目标系统中共包含三个储罐,卸料流量分别通过FT-0201A、FT-0201B、FT-0201C测量,罐内压力分别通过PT-0208A、PT-0208B、PT-0208C测量,三个罐的压力均通过压缩机HIC033B的功率调节。在实际生产中,三个储罐液位大部分时间维持在约45%。

比较了所提前馈-多模型DMC和非前馈-单模型DMC在45%液位典型工况下的控制效果。单模型DMC采用LNG储罐液位15%工况点建立的模型,多模型DMC则基于储罐液位15%、45%和80%工况点分别建立低液位、中液位和高液位模型。卸料扰动发生在1.5 h,卸料流量稳定在2 100 m³/h左右,3.5 h后停止卸料。两种方法的控制效果分别如图11和图12所示。

实验结果表明,前馈多模型预测在三个储罐的SE指标分别为3.44、1.27、1.63,均低于非前馈单模型预测控制的4.12、1.95、2.35。前馈多模型预测控制较单模型控制超调量更低,控制效果更优。

5 结论

针对 LNG 接收站 BOG 系统的压力控制问题,提出了一种融合前馈补偿与多模型预测控制的 DMC 算法。该算法通过将卸料产生的 BOG 流量作为前馈量引入控制器,提高了系统对扰动的响应能力;同时,针对 LNG 储罐液位大范围变化的特性,建立了多个液位工况下的动态矩阵模型,并设计了模型切换策略,从而增强了控制器在不同工况下的适应性。仿真实验结果表明,所提出的前馈-多模型预测控制算法在 LNG 储罐-BOG 压缩机系统中表现出优异的控制性能,有效解决了系统的强耦合、大范围工况切换及多干扰因素等问题。与传统未考虑前馈补偿或仅采用单一预测模型的控制方法相比,所提算法在超调量、稳定时间及压力方差等关键控制指标上均展现出显著优势。结果表明,该方法可有效提高 LNG 接收站 BOG 系统的压力稳定性,并降低压缩机能耗,为实际工程应用提供了有力的技术支撑。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Mokhatab S, Mak J Y, Valappil J V, et al. Handbook of liquefied natural gas[M]. Waltham, MA: Gulf Professional Publishing, 2013.

[2]	国家能源局. 中国天然气发展报告(2024)[M]. 北京: 石油工业出版社, 2024.

[3]	National Energy Administration. China natural gas development report (2024)[M]. Beijing: Petroleum Industry Press, 2024.

[4]	王小尚, 刘景俊, 李玉星, 等. LNG 接收站BOG处理工艺优化——以青岛 LNG 接收站为例[J]. 天然气工业, 2014, 34(4): 125-130.

[5]	Wang Xiaoshang, Liu Jingjun, Li Yuxing, et al. A case study of processing and optimization of BOG gas treatment in an LNG terminal in Qingdao[J]. Natural Gas Industry, 2014, 34(4): 125-130.

[6]	Kalikatzarakis M, Theotokatos G, Coraddu A, et al. Model based analysis of the boil-off gas management and control for LNG fuelled vessels[J]. Energy, 2022, 251: 123872.

[7]	刘晨光, 叶睿浩, 杨光辉, 等. 基于联立方程法的LNG接收站稳态建模和参数估计[C]// 2024中国自动化大会论文集. 北京: 中国自动化学会, 2024: 28-33.

[8]	Liu Chenguang, Ye Ruihao, Yang Guanghui, et al. Steady-state modeling and parameter estimation of LNG receiving terminal based on the method of simultaneous equations[C]// Proceedings of 2024 Chinese Automation Congress. Beijing: Chinese Society of Automation, 2024: 28-33.

[9]	Guo T, Liu L, Shen J, et al. Optimization and control strategy of BOG re-liquefaction process for LNG vessels[J]. International Journal of Refrigeration, 2023, 153: 253-265.

[10]	龙德才. LNG接收站BOG产生及储罐压力控制研究[J]. 广州化工, 2024, 52(3): 157-160.

[11]	Long Decai. Study on BOG generation and tank pressure control in LNG terminal[J]. Guangzhou Chemical Industry, 2024, 52(3): 157-160.

[12]	张震, 张兵兵, 朱虹, 等. 接收站LNG储罐压力控制技术优化[J]. 煤气与热力, 2019, 39(5): 8-12, 45.

[13]	Zhang Zhen, Zhang Bingbing, Zhu Hong, et al. Optimization of pressure control technology for LNG storage tanks at receiving stations[J]. Gas & Heat, 2019, 39(5): 8-12, 45.

[14]	Yusuf N, Almomani F, Qiblawey H. Dynamic modeling of hydrogen production from boil-off gas (BOG) at onshore LNG facilities: technical and socio-economic analysis[J]. International Journal of Hydrogen Energy, 2024, 67: 949-958.

[15]	Hassaan G A. Liquefied natural gas tank pressure control using PID, PD-PI, PI-PD and 2DOF controllers[J]. World Journal of Engineering Science and Technology, 2024, 10(2): 18-33.

[16]	Ye Z C, Mo X Y, Zhao L. MINLP model for operational optimization of LNG terminals[J]. Processes, 2021, 9(4): 599.

[17]	Zhang H X, Qian J H, Liu Y T, et al. Machine learning-driven optimization for thermal management of LNG storage tanks[J]. Applied Sciences, 2025, 15(20): 11125.

[18]	Qin S J, Badgwell T A. A survey of industrial model predictive control technology[J]. Control Engineering Practice, 2003, 11(7): 733-764.

[19]	沈伟, 石霖, 陈春光, 等. 多堆燃料电池系统温度模型预测控制[J]. 同济大学学报(自然科学版), 2022, 50(9): 1368-1376.

[20]	Shen Wei, Shi Lin, Chen Chunguang, et al. Analysis of temperature model predictive control of a multi-stack fuel cell system[J]. Journal of Tongji University (Natural Science), 2022, 50(9): 1368-1376.

[21]	Ramos J, Mário J, Diego L M, et al. Wind turbine blade decommissioning in Brazil: the economic performance of energy recovery in a cement kiln compared to industrial landfill site[J]. Sustainability, 2025, 17(1): 1-22.

[22]	钟鸣, 韩如磊, 王宇强. 考虑优化调度的微电网频率恢复分布式预测控制策略[J]. 科学技术与工程, 2024, 24(8): 3308-3319.

[23]	Zhong Ming, Han Rulei, Wang Yuqiang, et al. Distributed predictive control strategy for frequency recovery of microgrid considering optimal scheduling[J]. Science Technology and Engineering, 2024, 24(8): 3308-3319.

[24]	舒立三, 杨浩, 赵鹤璇, 等. 大功率牵引整流机组用多端口直流变换器模型预测控制[J]. 科学技术与工程, 2025, 25(25): 10719-10725.

[25]	Shu Sanli, Yang Hao, Zhao Hexuan, et al. Model predictive control of multiport DC-DC converters for high power traction rectifier units[J]. Science Technology and Engineering, 2025, 25(25): 10719-10725.

[26]	Li Y J, Li Y. Dynamic optimization of the boil-off gas (BOG) fluctuations at an LNG receiving terminal[J]. Journal of Natural Gas Science and Engineering, 2016, 30: 322-330.

[27]	Shin K, Son S, Moon J, et al. Dynamic modeling and predictive control of boil-off gas generation during LNG loading[J]. Computers & Chemical Engineering, 2022, 160: 107698.

[28]	席裕庚, 李德伟, 林姝. 模型预测控制——现状与挑战[J]. 自动化学报, 2013, 39(3): 222-236.

[29]	Xi Yugeng, Li Dewei, Lin Shu. Model predictive control—status and challenges[J]. Acta Automatica Sinica, 2013, 39(3): 222-236.

[30]	席裕庚. 预测控制[M]. 2版. 北京: 国防工业出版社, 2013.

[31]	Xi Yugeng. Predictive control[M]. 2nd ed. Beijing: National Defense Industry Press, 2013.

[32]	Di P F, Magni L. A multi-model structure for model predictive control[J]. Annual Reviews in Control, 2004, 28(1): 47-52.

基金资助

中国海洋石油集团有限公司项目(KJGG-2023-11012)

PDF (10260KB)

访问

被引

详细

导航

Received	Published	Revised
2025-05-22	2026-04-28	2025-11-19
Online Date
2026-05-29

摘要