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，MLmoxingquedingleyingxiangmubiaojieguodeguanjianyinsu，yibianduipianchajinxinggenbenyuanyinfenxi。tongguobuduanshishigengxinhepaixuzhongyaotezheng
，weipaifangdekongzhijuecetigongdongcha。gaishuzhibiaoshimougetezhengdezhongyaoxing，zhiyueda，yingxiangyueda。

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4suoshi，gaijichengtigonglekecaozuodedongcha，yiyouhuazhuangzhixingneng，bingshixianshujuqudongdejuece。tongguoshiyonglishishujufenxihoudemoxing，qiyekeyijinxingshishiyuce
，jiancepianchaheqianzaidegenbenyuanyin，congertigaoxingneng，jiangdichengbenbinghuodejingzhengyoushi。

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 Systemyunyingdashujuguanlipingtaidejicheng
，zhangxianlexianjinjishuzaiyingduifuzatiaozhanhetuidongchixugaishanfangmiandejudaqianli，tongshibiaozhizhewomenxiangshujuqudongxingyunyingmaichujianshiyibu。

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。