多年來，節能減碳一直是煉油廠和石化廠的重要任務目標。數據顯示，2021年化工生產和煉油約占能源相關二氧化碳（CO2）排放量的11%，約占所有工業能源相關二氧化碳排放總量的38%，這些碳排放可能會帶來重大的健康和環境風險。
加強排放監測，及時獲取識別、處理和減少排放所需的必要數據，對減輕危害影響，並最終創造更清潔、更安全的環境至關重要。然而，通過傳統的監測方法，無法獲取深入的數據洞察，以進行主動環境改善。
值zhi得de欣xin喜xi的de是shi，借jie助zhu最zui新xin技ji術shu，我wo們men能neng夠gou幫bang助zhu運yun營ying人ren員yuan優you化hua流liu程cheng並bing最zui大da限xian度du地di減jian少shao碳tan排pai放fang。在zai近jin期qi的de某mou項xiang應ying用yong案an例li中zhong，施shi耐nai德de電dian氣qi便bian為wei監jian控kong某mou真zhen空kong蒸zheng餾liu裝zhuang置zhi的de六liu個ge碳tan排pai放fang源yuan，部bu署shu了le定ding製zhi化hua的de、近乎實時的機器學習模型，實現了減少碳排放的目標。
真空蒸餾裝置廣泛應用於化學和藥物生產、原油精煉、精油和香料製造、食品加工、超純水或脫鹽水所需的熱基水生產等不同行業。施耐德電氣建立的機器學習模型利用AVEVA PI連接器實現每5分fen鍾zhong分fen析xi一yi次ci數shu據ju流liu，從cong而er對dui二er氧yang化hua碳tan排pai放fang潛qian在zai偏pian差cha的de產chan生sheng及ji時shi反fan饋kui。這zhe使shi操cao作zuo人ren員yuan能neng夠gou迅xun速su做zuo出chu反fan應ying，調tiao查zha根gen本ben原yuan因yin，並bing進jin行xing有you針zhen對dui性xing的de調tiao整zheng，以yi優you化hua流liu程cheng並bing最zui大da程cheng度du減jian少shao二er氧yang化hua碳tan排pai放fang。
shangshumoxingbujinshiyongyuzhenkongzhengliuzhuangzhi，haikeyiqianyidaobutonggongyeliucheng，congerjianqingduihuanjingdeyingxiang，tongshitigaoyunyingxiaolv，zhuligongyemaixianggengjiakechixudeweilai。
利用機器學習預測碳排放
要實現近乎實時的二氧化碳跟蹤，基本步驟包括：驗證運行數據、確定排放基準、利用機器學習（ML）算法來預測排放、標記不同運行狀態下的事件、進jin行xing根gen本ben原yuan因yin分fen析xi。在zai項xiang目mu執zhi行xing階jie段duan，項xiang目mu組zu專zhuan家jia將jiang協xie助zhu處chu理li運yun行xing數shu據ju的de驗yan證zheng和he糾jiu正zheng，同tong時shi提ti供gong過guo程cheng解jie讀du。隨sui後hou，數shu據ju科ke學xue家jia專zhuan注zhu於yu特te征zheng工gong程cheng（Feature Engineering）、選擇機器學習算法，並確定度量方法。
最終，機器學習算法可以根據具體的工廠運行條件來預測關鍵運行參數。
圖1：基於真空進料和燃燒器內燃氣的異常值進行在線檢測
在圖1（上圖）中，初步識別了基於真空進料和燃燒器內燃氣的異常值。異常值指與數據集中其他值存在異常距離的觀測值，顯示為紫色線，數值為1。正常值指數據集中的典型觀測值，用數值0來表示。
然後，在剔除曆史數據中的異常值後，基於清理後的數據訓練ML模型，並通過ML模型每五分鍾預測一次關鍵操作參數。在圖2（下圖）中，一些預測的KPI關鍵績效指標與測量結果密切吻合，表明運行正常，而另一些指標則顯示出明顯偏差。這些操作有助於我們預見潛在問題。
圖2中還監測了數據漂移，反映出統計屬性隨著時間的變化，並使用曲線下麵積（AUC）指標進行評估。其中，AUC接近0.5表明漂移最小，接近1則表示漂移更顯著，而JS散度（Jensen Shannon Divergence）用於衡量漂移對模型性能的影響。這些評估有助於確保模型在運行條件隨時間變化時，保持準確可靠。
圖2：關鍵運行參數的一日預測
使用機器學習查找偏差
在圖3中，ML模(mo)型(xing)確(que)定(ding)了(le)影(ying)響(xiang)目(mu)標(biao)結(jie)果(guo)的(de)關(guan)鍵(jian)因(yin)素(su)，以(yi)便(bian)對(dui)偏(pian)差(cha)進(jin)行(xing)根(gen)本(ben)原(yuan)因(yin)分(fen)析(xi)。通(tong)過(guo)不(bu)斷(duan)實(shi)時(shi)更(geng)新(xin)和(he)排(pai)序(xu)重(zhong)要(yao)特(te)征(zheng)，為(wei)排(pai)放(fang)的(de)控(kong)製(zhi)決(jue)策(ce)提(ti)供(gong)洞(dong)察(cha)。該(gai)數(shu)值(zhi)表(biao)示(shi)某(mou)個(ge)特(te)征(zheng)的(de)重(zhong)要(yao)性(xing)，值(zhi)越(yue)大(da)，影(ying)響(xiang)越(yue)大(da)。
圖中還展示了特征重要性隨時間變化的平均值、最小值、最大值以及趨勢。有了這些數據，我們就能及時幹預，並抓住改善過程控製、性能和減排的機會。
圖3：關鍵運行參數的預測模型與實測結果之間的偏差分析
將先進的機器學習模型與AVEVA PI System運營大數據管理平台相集成，可使企業最大限度地發揮運營數據的潛力。如圖4所(suo)示(shi)，該(gai)集(ji)成(cheng)提(ti)供(gong)了(le)可(ke)操(cao)作(zuo)的(de)洞(dong)察(cha)，以(yi)優(you)化(hua)裝(zhuang)置(zhi)性(xing)能(neng)，並(bing)實(shi)現(xian)數(shu)據(ju)驅(qu)動(dong)的(de)決(jue)策(ce)。通(tong)過(guo)使(shi)用(yong)曆(li)史(shi)數(shu)據(ju)分(fen)析(xi)後(hou)的(de)模(mo)型(xing)，企(qi)業(ye)可(ke)以(yi)進(jin)行(xing)實(shi)時(shi)預(yu)測(ce)，檢(jian)測(ce)偏(pian)差(cha)和(he)潛(qian)在(zai)的(de)根(gen)本(ben)原(yuan)因(yin)，從(cong)而(er)提(ti)高(gao)性(xing)能(neng)，降(jiang)低(di)成(cheng)本(ben)並(bing)獲(huo)得(de)競(jing)爭(zheng)優(you)勢(shi)。
集成過程簡便、易操作，僅需以下幾步即可完成：
1. 設置虛擬機或雲端環境；
2. 配置PI係統，以實現實時的數據存儲和通知管理；
3. 配置Python環境，並創建必要的文件；
4. 設置通用文件和流加載器的PI連接器，以便將外部源數據直接導入AVEVA PI System運營大數據管理平台。
所有這一切都確保了無縫、高效的集成。
圖4：AVEVA PI System運營大數據管理平台
優化排放監測
本用例展示了一種創新的ML方法，可降低能源和化學工業對環境的影響。通過將複雜模型與AVEVA PI System運營大數據管理平台集成，該項目能夠：
• 開發強大的ML預測模型，準確預測排放量，從而及時做出決策，避免溫室氣體排放超標。
• 為不同化學工藝裝置生成與工藝相關的預測指標，全麵了解特定工藝裝置的性能，以便做出及時調整。
• 該解決方案與AVEVA PI Vision無縫集成，提高了關鍵數據的可視性和可訪問性。PI Vision上的報告還有助於製定維護計劃等事項，並使管理層能夠輕鬆了解溫室氣體排放問題。
排放監測工具與AVEVA PI System運yun營ying大da數shu據ju管guan理li平ping台tai的de集ji成cheng，彰zhang顯xian了le先xian進jin技ji術shu在zai應ying對dui複fu雜za挑tiao戰zhan和he推tui動dong持chi續xu改gai善shan方fang麵mian的de巨ju大da潛qian力li，同tong時shi標biao誌zhi著zhe我wo們men向xiang數shu據ju驅qu動dong型xing運yun營ying邁mai出chu堅jian實shi一yi步bu。
在6月6日即將舉辦的施耐德電氣2024年創新峰會上，施耐德電氣將以“雙擎並進，數智新生”為主題，展示麵向工業和能源領域的更多的創新技術與成功實踐，助力工業加速邁向高效與可持續的未來！敬請期待。