多年來，節(jié)能減碳一直是煉油廠和石化廠的重要任務目標。數(shù)據(jù)顯示，2021年化工生產(chǎn)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(yè)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(huán)境風險。

加強排放監(jiān)測，及時獲取識別、處理和減少排放所需的必要數(shù)據(jù)，對減輕危害影響，并最終創(chuàng)造更清潔、更安全的環(huán)境至關重要。然而，通過傳統(tǒng)的監(jiān)測方法，無法獲取深入的數(shù)據(jù)洞察，以進行主動環(huán)境改善。

值得欣喜的是，借助最新技術，我們能夠幫助運營人員優(yōu)化流程并最大限度地減少碳排放。在近期的某項應用案例中，施耐德電氣便為監(jiān)控某真空蒸餾裝置的六個碳排放源，部署了定制化的、近乎實時的機器學習模型，實現(xiàn)了減少碳排放的目標。

真空蒸餾裝置廣泛應用于化學和藥物生產(chǎn)、原油精煉、精油和香料制造、食品加工、超純水或脫鹽水所需的熱基水生產(chǎn)等不同行業(yè)。施耐德電氣建立的機器學習模型利用AVEVA PI連接器實現(xiàn)每5分鐘分析一次數(shù)據(jù)流，從而對二氧化碳排放潛在偏差的產(chǎn)生及時反饋。這使操作人員能夠迅速做出反應，調查根本原因，并進行有針對性的調整，以優(yōu)化流程并最大程度減少二氧化碳排放。

上述模型不僅適用于真空蒸餾裝置，還可以遷移到不同工業(yè)流程，從而減輕對環(huán)境的影響，同時提高運營效率，助力工業(yè)邁向更加可持續(xù)的未來。

利用機器學習預測碳排放

要實現(xiàn)近乎實時的二氧化碳跟蹤，基本步驟包括：驗證運行數(shù)據(jù)、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(tài)下的事件、進行根本原因分析。在項目執(zhí)行階段，項目組專家將協(xié)助處理運行數(shù)據(jù)的驗證和糾正，同時提供過程解讀。隨后，數(shù)據(jù)科學家專注于特征工程（Feature Engineering）、選擇機器學習算法，并確定度量方法。

最終，機器學習算法可以根據(jù)具體的工廠運行條件來預測關鍵運行參數(shù)。

圖1：基于真空進料和燃燒器內(nèi)燃氣的異常值進行在線檢測

在圖1（上圖）中，初步識別了基于真空進料和燃燒器內(nèi)燃氣的異常值。異常值指與數(shù)據(jù)集中其他值存在異常距離的觀測值，顯示為紫色線，數(shù)值為1。正常值指數(shù)據(jù)集中的典型觀測值，用數(shù)值0來表示。

然后，在剔除歷史數(shù)據(jù)中的異常值后，基于清理后的數(shù)據(jù)訓練ML模型，并通過ML模型每五分鐘預測一次關鍵操作參數(shù)。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。這些操作有助于我們預見潛在問題。

圖2中還監(jiān)測了數(shù)據(jù)漂移，反映出統(tǒng)計屬性隨著時間的變化，并使用曲線下面積（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）用于衡量漂移對模型性能的影響。這些評估有助于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(shù)的一日預測

使用機器學習查找偏差

在圖3中，ML模型確定了影響目標結果的關鍵因素，以便對偏差進行根本原因分析。通過不斷實時更新和排序重要特征，為排放的控制決策提供洞察。該數(shù)值表示某個特征的重要性，值越大，影響越大。

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(shù)據(jù)，我們就能及時干預，并抓住改善過程控制、性能和減排的機會。

圖3：關鍵運行參數(shù)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(shù)據(jù)管理平臺相集成，可使企業(yè)最大限度地發(fā)揮運營數(shù)據(jù)的潛力。如圖4所示，該集成提供了可操作的洞察，以優(yōu)化裝置性能，并實現(xiàn)數(shù)據(jù)驅動的決策。通過使用歷史數(shù)據(jù)分析后的模型，企業(yè)可以進行實時預測，檢測偏差和潛在的根本原因，從而提高性能，降低成本并獲得競爭優(yōu)勢。

集成過程簡便、易操作，僅需以下幾步即可完成：

1.    設置虛擬機或云端環(huán)境；

2.    配置PI系統(tǒng)，以實現(xiàn)實時的數(shù)據(jù)存儲和通知管理；

3.    配置Python環(huán)境，并創(chuàng)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(shù)據(jù)直接導入AVEVA PI System運營大數(shù)據(jù)管理平臺。

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(shù)據(jù)管理平臺

優(yōu)化排放監(jiān)測

本用例展示了一種創(chuàng)新的ML方法，可降低能源和化學工業(yè)對環(huán)境的影響。通過將復雜模型與AVEVA PI System運營大數(shù)據(jù)管理平臺集成，該項目能夠：

•    開發(fā)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，全面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(shù)據(jù)的可視性和可訪問性。PI Vision上的報告還有助于制定維護計劃等事項，并使管理層能夠輕松了解溫室氣體排放問題。

排放監(jiān)測工具與AVEVA PI System運營大數(shù)據(jù)管理平臺的集成，彰顯了先進技術在應對復雜挑戰(zhàn)和推動持續(xù)改善方面的巨大潛力，同時標志著我們向數(shù)據(jù)驅動型運營邁出堅實一步。

在6月6日即將舉辦的施耐德電氣2024年創(chuàng)新峰會上，施耐德電氣將以“雙擎并進，數(shù)智新生”為主題，展示面向工業(yè)和能源領域的更多的創(chuàng)新技術與成功實踐，助力工業(yè)加速邁向高效與可持續(xù)的未來！敬請期待。