LNG气化站泄漏动态风险概率评估方法及应用*

郝武民,郑建国,张志鹏

(1.中核四〇四有限公司,甘肃嘉峪关 735100 2.中国辐射防护研究院,山西太原 030006)

0 前言

液化天然气(Liquefied Natural Gas,LNG)气化站将槽车运输的LNG气化后供用户使用,与管道天然气相比,其建站快捷、供气便利,可快速满足用户的需求,是对管道天然气的重要补充[1]。然而,LNG气化站生产过程存在低温、高压、易燃、易爆等危险,站内工艺流程复杂,设备和管道密集,一旦发生事故,将严重影响正常生产工作,甚至造成人员伤亡和财产损失[2]。因此,对气化站生产过程中的天然气泄漏进行风险评估具有实践意义。

目前国内外学者使用不同的方法对LNG站场进行了风险评估,这些方法可以分为静态风险分析和动态风险评估两种。在静态风险评估中,JEON E G,等[3]使用SAFETI软件计算了移动式LNG充装站主要设备失效的影响范围;孟梦[4]利用故障树及FLACS软件对LNG加气站储罐泄漏的风险进行了定量评估;高冉[5]基于AHP-模糊综合评价法,构建了LNG接收站码头的安全评价模型,以某接收站为研究对象进行专家意见的收集和统计计算,得到安全评价的结果,并针对此接收站的卸料臂泄漏,利用有限元软件FLACS对泄漏扩散后果进行模拟,得到不同时间泄漏源附近的浓度场和温度场,确定出危险范围。

在天然气站场的生产过程中,发生事故的风险概率是随时间推移而变化的,单一的静态风险评估无法准确反映风险的动态特征,建立动态模型评估风险随时间的演化过程更加接近实际,为此,WU J,等[6]提出了基于贝叶斯网络、能量转移理论、初步危险分析、事件树的动态风险评估模型,并使用贝叶斯网络(Bayes Network,BN)进行初始事件概率的更新,实现了LNG站场的动态风险概率评估。

目前国内有关LNG气化站的动态风险概率研究较少,且通常只考虑一个作业阶段内的动态风险概率,不能实现气化站全作业周期内的天然气泄漏动态风险概率评估,本文基于动态贝叶斯网络(Dynamic Bayesian Networks,DBN)及模糊集理论,构建了LNG气化站全作业周期内的天然气泄漏动态风险概率评估方法,以期使用该方法实现LNG气化站全运行过程中的天然气泄漏动态风险概率预测及分析,为天然气站场的风险控制及安全管理提供参考。

1 气化站LNG泄漏动态风险概率评估方法

气化站LNG泄漏动态风险概率评估方法的流程,如图1所示。

图1 气化站LNG泄漏动态风险概率评估方法流程

1.1 作业阶段识别

在LNG气化站的运行过程中,LNG卸车、储存、气化、调压计量等操作的控制及监控是保证气化站安全运行的重要组成部分。根据气化站的工艺流程、操作规程及日常运行情况对气化站的作业阶段进行划分,是实现LNG气化站全运行过程中天然气泄漏动态风险概率评估的基础。

1.2 故障树模型的建立

故障树是表示故障因果关系的分析图[7],以气化站内天然气泄漏为顶事件,根据气化站的工艺、设备、平面布置图等信息,以站内设备质量不合格、作业人员水平低等原因为基本事件,对研究的事故进行逐次分析,并用规定的逻辑符号按层次画出故障原因的分析图。

1.3 动态贝叶斯网络模型的建立

贝叶斯网络(BN)可将变量间的概率关系进行图形化描述,由节点、有向边及条件概率表构成,节点代表随机变量,节点间的有向边代表了节点间的相互关系,用条件概率表达关系强度。BN中一组变量X=(x1,x2,x3,…,xn)的联合概率分布P(X),见公式(1):

(1)

式中:Pa(xi)——xi的父集合。

动态贝叶斯网络是一种将静态贝叶斯网络与马尔科夫模型结合的概率分布模型,将静态BN增加时间维度进行扩展,由不同时间片上的静态BN组成,其转移概率的概率分布P(Xt|Xt-1),见公式(2):

(2)

采用将故障树映射为BN,并在此基础上利用GeNle4.0软件构建BN图形结构的方法建立BN模型[8]。首先将故障树的基本事件、中间事件和顶事件映射为BN的节点,按照故障树中逻辑门所表示的事件关系将BN中相应节点的弧连接,并保持弧的方向与逻辑门的输入输出关系一致。

根据节点的实际情况设置节点的状态,在此基础上选取动态指标如环境条件、作业人员水平等考虑节点的时变特性将其设为动态节点,利用GeNle4.0软件,合理设置时间片的数量,将BN转化为DBN。

在LNG气化站实际运行过程中,除了基本节点自身的概率随着时间变化外,不同阶段内设备的运行情况不同,即DBN中节点的使用情况不同,按节点的使用情况对建立的DBN进行修正,删除相关时间片DBN上无关节点与根节点之间的弧,修改中间节点的条件概率,建立完整的LNG气化站DBN图形结构。

1.4 先验概率、条件概率、状态转移概率的确定

在贝叶斯统计推断中,先验概率是指在考虑一些因素之前节点的致信程度分布;条件概率是指某一条件下事件发生的概率;状态转移概率是指节点的当前状态转移到新状态的概率。节点的先验概率、条件概率、状态转移概率是DBN的必要包含因素,然而,由于液化天然气行业还处于起步阶段,现有的数据库中无法找到完整的数据,故采用专家判断及模糊数学的方法,将专家评估的语言术语转化为模糊数,进一步转化为模糊概率。

由于所建立的DBN每一时刻的状态取决于前一时刻的状态,且对于不同的时刻,转移概率不变,因此可以采用马尔可夫转移矩阵表示节点的状态转移概率[9],见公式(3):

(3)

式中:P——转移矩阵;

ij——两个相邻的状态;

pij——转移概率。

1.4.1专家定性判断

专家判断的能力通常在5～9个区间之内[10],选用7级语言量表作为专家评判的标准,要求专家根据相关信息对节点状态、条件概率及状态转移概率做出判断。

1.4.2将专家判断转化为模糊数

采用梯形模糊数来转化专家的评判结果,梯形模糊数表示为A=(a,b,c,d),隶属函数,见公式(4):

(4)

式中:a,b,c,d——模糊数区间。

语量值及其对应的模糊区间,如表1所示[11]。

表1 语量值对应的模糊区间

1.4.3将多个模糊数聚合为一个模糊数

基于线性意见池法[12],由多位专家判断转化来的模糊数聚合成一个模糊数Pj,见公式(5):

(5)

式中:Wi——专家的权重;

Pij——专家i关于j事件做出判断转化成的模糊数;

n——专家的总数;

m——事件的总数。

专家的权重由评分法得出,每位专家的得分与所有专家的得分和之比为该专家的权重值,专家分类标准及评分,如表2所示。

表2 专家分类标准及评分

1.4.4将模糊数转化为模糊可能性分数

采用区域中心法去模糊化方法[13],将模糊数转化为模糊可能性分数,并作为节点的先验概率、条件概率、状态转移概率输入DBN。梯形模糊数去模糊化,见公式(6):

(6)

1.5 LNG气化站泄漏风险动态风险概率评估

在BN中,可以根据给定证据E的概率对变量X的概率进行更新,更新后的概率即后验概率,见公式(7):

(7)

式中:P(X|E)——给定证据E的X的后验概率;

P(X,E)——X和E同时发生的概率;

P(E)——证据E发生的概率。

将先验概率、条件概率、转移概率及证据输入DBN中,利用模型进行正向推理,可预测气化站运行过程中LNG泄漏风险概率的动态变化;其次,利用DBN模型进行反向推理,可计算各子节点的变化率(Ratio of Variation,ROV),根据ROV值可对子节点的重要程度进行排序,识别导致LNG泄漏的关键因素,为管理者的决策提供依据[9]。

ROV值计算,见公式(8):

(8)

式中:π(Xi)——Xi的后验概率;

θ(Xi)——Xi的先验概率。

2 案例应用

2.1 气化站概况

某天然气气源站内的LNG为备用气源,在管道检修或事故工况下,将站外LNG气化、加热、调压、计量、加臭后供下游用户使用。该气源站主要分为生产辅助区、高中压调压站及LNG气化站,LNG气化站主要分为储罐区、气化区、卸车区及放散区,其中储罐区设4台150 m3储罐及2台储罐增压器,气化区设EAG加热器、闪蒸气(Boil-Off Gas,BOG)加热器、水浴辅热器及4台空温气化器,卸车区设2台卸车增压器,放散区内的主要设施为放散塔。

2.2 LNG气化站作业阶段识别

根据气化站的工艺流程、操作规程及日常运行情况,气化站的运行过程可分为卸车阶段、储存阶段及应急阶段3个阶段。

卸车阶段进行站外LNG的卸车与储存工作,在该阶段将槽车运送来的站外LNG通过卸车增压器、输送管线输送至储罐进行储存,期间产生的BOG经BOG加热器及调压计量加臭撬后进入高中压调压站出口总管出站。

储存阶段进行LNG的低温储存工作并使储罐压力维持在一定的范围内,当罐内压力低于或高于特定值时,通过储罐增压器及调节阀对罐内LNG进行增压减压。期间产生的BOG经BOG加热器及调压计量加臭撬后进入高中压调压站出口总管出站。

应急阶段指在管道检修或事故工况下,罐内的LNG经气化器加热气化及调压计量加臭撬调压、计量、加臭后出站应急,以满足正常的生产需要。

2.3 DBN模型的建立

根据气化站的运行情况及平面布置图,以天然气泄漏为顶事件,气化站各分区天然气泄漏为中间事件,气化站内的设备质量不合格、环境条件差、作业人员水平低等为基本事件建立气化站的故障树。利用GeNle4.0软件将故障树映射为BN,建立的BN模型,如图2所示。

图2 LNG气化站BN模型

其中设备质量、管线质量设合格、不合格2个状态,环境条件节点、作业人员水平节点设3个状态,同一时刻节点的不同状态概率和为1。

邀请3位专家对节点的先验概率、条件概率、状态转移概率给出评价意见并按1.4节给出的方法进行处理,将评价意见进行处理后的先验概率,如表3所示。

表3 各节点的专家评价意见及先验概率

调压区泄漏节点的条件概率如表4所示。

表4 调压区泄漏节点的条件概率

将处理好的先验概率、条件概率输入BN,根据气化站的实际运行情况,每个阶段设置5个时间片,将BN模型转化为DBN。第1～5个时间片表示卸车阶段,第6～10个时间片表示储存阶段,第11～15个时间片表示应急阶段,第16～20个时间片表示储存阶段。卸车增压器质量、卸车区管线质量、环境条件、作业人员水平、储罐质量、储罐增压器质量、储罐区管线质量、BOG加热器质量、其他气化设备质量、BOG输送管线质量、气化区其他管线的质量、调压计量器质量为动态指标,将其节点设为动态节点,从第一个时间片开始进行状态转移。

考虑到不同作业阶段运行的设备不同,如储存阶段只涉及储罐、储罐区管线及储罐增压器,不涉及槽车、卸车增压器等设备,修改第6～10个时间片内的BN,删除不涉及节点与根节点之间的弧,调整节点的条件概率,同理修改其他时间片内的BN,得到气化站全作业周期内的DBN模型。修改后的第10到第11个时间片上的DBN模型,如图3所示。

图3 第10到第11个时间片上的BN模型

2.4 风险概率评估

2.4.1正向推理分析

将先验概率、条件概率、状态转移概率输入DBN中,通过自动更新得到各节点随时间变化的风险概率,实现无证据输入时对LNG站场泄漏风险概率的初步推理分析,如图4所示。

图4 无证据输入时各节点的泄漏风险概率

图4为无证据输入时作业人员水平高、卸车增压器质量不合格、调压计量器质量不合格、储罐区管线质量不合格、BOG输送管线质量不合格的概率变化,其它动态节点的概率变化趋势与其相同,可以发现,在没有人为干预的情况下,随着时间的推移,风险因素发生的概率在LNG运行过程中有增加的趋势,与LNG气化站的实际情况相符。

气化站LNG泄漏风险概率的动态变化,如图5所示。

图5 气化站LNG泄漏动态风险概率

分析发现,在无人为干预的情况下,气化站在运行过程中LNG泄漏的整体风险概率处于中等(M)和偏低(ML)之间,应急阶段LNG泄漏的风险概率较大,储存阶段LNG泄漏的风险概率较小,这是因为储存阶段运行的设备少,且在气化站运行的初始阶段作业人员的水平还未提高。

将节点状态的变化情况作为证据输入DBN后进行更新,可得到有证据输入的DBN模型,实现DBN的实时更新。假设进行到第11个时间片,气化区所有设备进行了维护和更换,设备全部合格。将上述情景作为证据输入DBN中,气化区内设备状态全部设为100%合格,对DBN进行更新,得到气化站有证据输入时的LNG泄漏风险概率的动态变化,可以发现,应急阶段的LNG泄漏概率明显减少。

2.4.2逆向诊断

假设进行到第11个时间片时,站场发生了LNG泄漏,泄漏位置不明。将上述情景作为证据输入到DBN模型中,第11个时间片LNG泄漏的概率为100%,计算得到各设备节点第11个时间片的后验概率和ROV值,如表5所示。

表5 各节点的先验概率、后验概率及ROV值

根据节点ROV值大小,BOG加热器质量、储罐质量、其他气化设备质量是导致应急阶段LNG泄漏风险的关键因素。储罐区管线质量、BOG输送管线质量的ROV值排在第6和第7位,但与排序在2～4位的风险因素相比,其后验概率更大,因此储罐区管线质量、BOG输送管线质量也是导致应急阶段LNG泄漏风险的关键因素。表明在应急阶段应重点针对上述关键因素制定相应的预防措施和应急响应方案来降低风险事件的发生。

3 结论

a) 本文通过分析LNG气化站的运行过程及天然气泄漏主要风险源,基于动态贝叶斯网络及模糊数学理论,提出了LNG气化站全作业周期内天然气泄漏的动态风险评估方法,为LNG气化站天然气泄漏的动态风险概率评估提供了新的方案,有助于减少LNG气化站天然气泄漏事故、降低事故后果和制定安全管理策略。

b) 利用该方法,预测分析某气化站全作业周期内天然气泄漏的风险概率,得到了该气化站天然气泄漏概率的动态变化情况,在无人为干预的情况下,气化站在运行过程中LNG泄漏的概率处于中等(M)和偏低(ML)之间,应急阶段LNG泄漏的概率较大,储存阶段LNG泄漏的概率较小。

c) 通过DBN的逆向推理功能,BOG加热器质量、储罐质量、其他气化设备质量、储罐区管线质量、BOG输送管线质量是导致应急阶段天然气泄漏的主要因素。

d) 该方法可以克服传统静态评估方法的不足,预测气化站LNG泄漏风险概率的动态演化过程及对风险概率进行实时更新,并且可以借助DBN模型的反向诊断能力,识别项目的关键风险因素,为天然气站场的风险控制提供参考。

e) 在DBN模型的输入方面,由于缺乏相关数据,使用了专家判断的方法,但专家判断受主观意识的影响,具有不确定性,在未来可将该模型与实时监测系统结合,利用实时更新的数据,对贝叶斯网络同步更新,增加结果的可靠性。