《Separation and Purification Technology》：An industrial multi-effect desalination: Model validation and plantwide control
编辑推荐：
多效蒸馏热蒸汽压缩（MED-TVC）系统动态模型开发与多回路PI控制策略优化研究。基于利比亚工业MED-TVCplant数据验证的模型，采用图形拟合、内部模型控制（IMC）与全局优化算法协同调参，实现9组CV-MV对的精准控制，积分平方误差降低25.78%-98.29%，有效提升系统稳定性与能效。
Rajdeep Mukherjee|Amiya K. Jana
能源与过程工程实验室，化学工程系，印度理工学院Kharagpur分校，721302，印度
摘要
本研究为一种结合了热蒸汽压缩（MED-TVC）的多效海水淡化系统提出了一个全厂范围的控制策略。通过使用位于利比亚的Tripoli的工厂的数据集，开发并验证了MED-TVC的动态模型。模型输出与实际工厂数据之间有很好的一致性，所有计算输出中的相对误差范围在0.001%到1.38%之间。为了对该工厂场景进行闭环研究，确定了一组九个可控变量和操作变量对。随后，设计了多环比例积分（PI）控制方案来调节工业MED-TVC的关键可控变量。为了选择控制参数，结合了图形拟合方法、内模控制调整关系和全局优化算法来制定最优调整算法。闭环仿真显示了有效的设定点跟踪和干扰抑制能力，所有效果下的积分平方误差改进幅度在25.78%到98.29%之间。这些结果证实了所提出的全厂控制框架能够确保工业MED-TVC过程的稳定和高效运行。
引言
随着全球人口持续增长，淡水短缺问题变得越来越紧迫[1]。幸运的是，海水非常丰富，占地球总水资源的约97.5%[2]。这种大量的海水资源可以帮助满足我们的淡水需求[2]。因此，海水淡化已成为一种可靠的淡水生产替代方案[3]。海水淡化过程大致分为基于热能和基于膜的方法。在这两类方法中，有三种海水淡化技术在工业上得到了广泛应用。基于热能的海水淡化方法包括多级闪蒸（MSF）和多效海水淡化（MED），而基于膜的方法包括反渗透（RO）。它们共同构成了约94%的工业海水淡化能力，其中RO的比例最大，为69%，其次是MSF的18%和MED的7%[4]，[5]。在这三种过程中，MED在效率、可靠性和产品质量方面提供了平衡的优势。虽然MSF存在资本成本高和能源需求大的问题。另一方面，RO虽然能源效率高且成本效益好，但面临膜污染、对进水质量依赖性强以及膜寿命短等限制。由于MED具有适中的能源消耗和低盐度的优质淡水生产能力[6]，[7]，因此引起了进一步研究的关注。
然而，MED仍然被认为是一个能源密集型过程。对于5000–15,000立方米/天的生产能力，MED消耗的能量大约为14.45–21.35千瓦时/立方米[8]。此外，MED过程最广泛采用的工业配置结合了热蒸汽压缩，而这一过程依赖于高压蒸汽来运行。为了提高海水淡化技术的能源效率，已经提出了各种过程强化技术。将MED与蒸汽增强器[9]、热蒸汽压缩（TVC）循环[10]、机械蒸汽压缩（MVC）循环[11]或带有可变进水预热的末端冷凝器[12]相结合，从而实现了节能。在最小化能源消耗的同时，监测被排放盐水的盐度和淡水产量是至关重要的。为此，实现MED的最佳性能和有效控制是必不可少的。据我们所知，公开文献中尚未报道MED-TVC的全厂控制方法。
有许多关于优化MED的研究，以使其海水淡化过程更具可持续性和经济可行性[13]，[14]，[15]，[16]。另一方面，闭环控制研究主要集中在RO和MSF上。例如，Sobana和Panda[17]开发并模拟了基于模型的控制策略，用于解决RO过程中的伺服控制和调节控制问题。Rivas-Perez等人[18]实施了一种实时专家模型预测控制（MPC），用于调节RO海水淡化厂的渗透流速和渗透 conductivity。Karimanzira和Rauschenbach[19]提出了一种利用长短期记忆神经网络作为预测模型的非线性MPC。这种深度学习方法成功捕捉了膜污染的复杂非线性行为，从而在调节进水压力的同时保持渗透流速。Mahadeva等人[20]使用自主群体粒子群优化（AGPSO）算法实现了比例积分微分（PID）控制器，用于调节RO过程的渗透通量和pH值。Ali[21]研究了直接接触膜蒸馏的最优控制，证明在太阳能波动的情况下，交替冷流速可以将产水量提高40%。Nurjanah等人[8]开发了一种自适应控制算法，用于检查两个RO工厂的能源消耗并优化运行效率。Ansong等人[22]为太阳能驱动的RO海水淡化系统开发了一种预测控制方案，以监测变化的功率输出。Alsehli[23]开发了预测控制方案，根据实时预测主动调整进水流量。Chowdhury等人[24]为闭合回路反渗透实施了一种自适应MPC，通过优化系统循环过滤和排水阶段的进水流量和回流流量来最大化能源效率。同样，对于MSF，Maniar和Deshpande[25]实施了受限MPC，以最大化蒸馏产量、性能比并最小化能源消耗。Ismail和Abu-Khousa[26]结合了模糊控制和PID控制器的概念来调节MSF的盐水加热器。随后，Alsadaie和Mujtaba[27]实施了通用模型控制（GMC），以调节MSF最后阶段的盐水温度和盐水水平。上述文献的总结见表1。
MED是一个多单元过程，它由多个相互连接的单元组成，如蒸发器效应、冷凝器、喷射器、预热器和压缩机。操作条件的变化带来了重大挑战。在所需的水平上生产淡水、保持安全和整体效率，高度依赖于这些单元的协调性能。在这种情况下，全厂控制变得至关重要，因为它整合并管理了多个单元的控制策略，而不仅仅是关注单个单元的运行[28]。如前所述，文献中已经报道了针对MSF和RO的几种控制框架。然而，可能还没有关于MED过程控制的研究。正是基于这一目的，本文进行了这项工作。
在这方面，本文通过为工业MED-TVC海水淡化系统制定一个全厂控制框架做出了贡献。为此，首先使用来自利比亚Tripoli的运行中的MED-TVC工厂的数据开发并验证了MED-TVC的动态模型。在与工厂数据高度一致的基础上，使用这个经过验证的模型来识别可能的可控变量-操作变量（CV-MV）对和相互连接的MED-TVC过程的负载变量。随后，为这一大规模过程设计了多环比例积分控制方案。开发了一个最优控制器调整算法来确定控制参数，通过使用图形拟合方法估计控制器参数，通过内模控制（IMC）关系获得初始调整值，并通过全局优化器优化这些参数以最小化误差信号。然后，在伺服和调节两种情况下评估了所提出的全厂控制方案的性能。此外，分析了MED-TVC过程在孤立干扰下的闭环动态行为，以评估系统的鲁棒性和交互效应。
文章的其余部分分为五个部分。第2节详细描述了MED-TVC过程。第3节概述了数学公式，包括动态模型的开发、全厂控制策略和最优控制调整算法。第4节报告并讨论了结果，涵盖了选定的案例研究、模型验证、开环仿真以及在伺服测试、调节测试和孤立干扰下的过程交互效应动态下的闭环性能。最后，第5节提供了从这项工作中得出的结论。
部分摘录
过程描述
多效海水淡化（MED）是一种热过程，通过部分蒸发和随后的冷凝循环过程将淡水从原始海水中分离出来。该过程通常包括多个串联排列的蒸发器（效应）和一个位于末端的冷凝器。每个蒸发器由带有水平管道的蒸汽箱组成，而冷凝器通常是一个壳管式换热器。
最初，原始海水在冷凝器中预热，其中一部分进水
MED-TVC模型公式
MED-TVC的动态模型是基于三块（盐水块、蒸汽块和管块）方法开发的，如其他地方所详述[32]，[33]。这些方程是基于每个块上的质量和能量守恒概念开发的。所得方程随后简化为三个状态变量：盐水持量、盐水盐度和蒸汽温度。为了估计蒸汽的流量和夹带的蒸汽的压缩
案例研究
本文重点研究了一个在PCF配置下运行并与TVC循环集成的工业MED工厂的特定案例。该工厂位于利比亚的Tripoli[40]。它使用2300千帕的压力和8.89千克/秒的流量供应动力蒸汽。在蒸汽喷射器中，这部分动力蒸汽压缩了MED最后一个效应中的部分蒸汽，产生65摄氏度的饱和蒸汽混合物。这种蒸汽混合物被送到第一个效应的蒸汽箱中
结论
本文提出了一个与热蒸汽压缩机（MED-TVC）集成的工业规模多效海水淡化系统的全厂控制方法。开发并验证了在平行交叉流进料模式下运行的MED-TVC过程的动态模型，并与报告的工厂数据进行了对比。仿真结果与报告的数据吻合良好。在控制这一过程之前，确定了总共九个控制回路的可控变量和操作变量对。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
AKJ感谢印度科学技术部（DST）技术任务司在WTI Call 2021海水淡化技术项目（项目ID：DST/TMD/EWO/WTI/DM/2021/214）下的资金支持。
