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、jinxinggenbenyuanyinfenxi。zaixiangmuzhixingjieduan，xiangmuzuzhuanjiajiangxiezhuchuliyunxingshujudeyanzhenghejiuzheng，tongshitigongguochengjiedu。suihou，shujukexuejiazhuanzhuyutezhenggongcheng（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 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。