多年來(lái)，節(jié)能減碳一直是煉油廠和石化廠的重要任務(wù)目標(biāo)。數(shù)據(jù)顯示，2021年化工生產(chǎn)和煉油約占能源相關(guān)二氧化碳（CO2）排放量的11%，約占所有工業(yè)能源相關(guān)二氧化碳排放總量的38%，這些碳排放可能會(huì)帶來(lái)重大的健康和環(huán)境風(fēng)險(xiǎn)。

加強(qiáng)排放監(jiān)測(cè)，及時(shí)獲取識(shí)別、處理和減少排放所需的必要數(shù)據(jù)，對(duì)減輕危害影響，并最終創(chuàng)造更清潔、更安全的環(huán)境至關(guān)重要。然而，通過(guò)傳統(tǒng)的監(jiān)測(cè)方法，無(wú)法獲取深入的數(shù)據(jù)洞察，以進(jìn)行主動(dòng)環(huán)境改善。

值得欣喜的是，借助最新技術(shù)，我們能夠幫助運(yùn)營(yíng)人員優(yōu)化流程并最大限度地減少碳排放。在近期的某項(xiàng)應(yīng)用案例中，施耐德電氣便為監(jiān)控某真空蒸餾裝置的六個(gè)碳排放源，部署了定制化的、近乎實(shí)時(shí)的機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)了減少碳排放的目標(biāo)。

真空蒸餾裝置廣泛應(yīng)用于化學(xué)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(jī)器學(xué)習(xí)模型利用AVEVA PI連接器實(shí)現(xiàn)每5分鐘分析一次數(shù)據(jù)流，從而對(duì)二氧化碳排放潛在偏差的產(chǎn)生及時(shí)反饋。這使操作人員能夠迅速做出反應(yīng)，調(diào)查根本原因，并進(jìn)行有針對(duì)性的調(diào)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(duì)環(huán)境的影響，同時(shí)提高運(yùn)營(yíng)效率，助力工業(yè)邁向更加可持續(xù)的未來(lái)。

利用機(jī)器學(xué)習(xí)預(yù)測(cè)碳排放

要實(shí)現(xiàn)近乎實(shí)時(shí)的二氧化碳跟蹤，基本步驟包括：驗(yàn)證運(yùn)行數(shù)據(jù)、確定排放基準(zhǔn)、利用機(jī)器學(xué)習(xí)（ML）算法來(lái)預(yù)測(cè)排放、標(biāo)記不同運(yùn)行狀態(tài)下的事件、進(jìn)行根本原因分析。在項(xiàng)目執(zhí)行階段，項(xiàng)目組專家將協(xié)助處理運(yùn)行數(shù)據(jù)的驗(yàn)證和糾正，同時(shí)提供過(guò)程解讀。隨后，數(shù)據(jù)科學(xué)家專注于特征工程（Feature Engineering）、選擇機(jī)器學(xué)習(xí)算法，并確定度量方法。

最終，機(jī)器學(xué)習(xí)算法可以根據(jù)具體的工廠運(yùn)行條件來(lái)預(yù)測(cè)關(guān)鍵運(yùn)行參數(shù)。

圖1：基于真空進(jìn)料和燃燒器內(nèi)燃?xì)獾漠惓Ｖ颠M(jìn)行在線檢測(cè)

在圖1（上圖）中，初步識(shí)別了基于真空進(jìn)料和燃燒器內(nèi)燃?xì)獾漠惓Ｖ?。異常值指與數(shù)據(jù)集中其他值存在異常距離的觀測(cè)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(cè)值，用數(shù)值0來(lái)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(xùn)練ML模型，并通過(guò)ML模型每五分鐘預(yù)測(cè)一次關(guān)鍵操作參數(shù)。在圖2（下圖）中，一些預(yù)測(cè)的KPI關(guān)鍵績(jī)效指標(biāo)與測(cè)量結(jié)果密切吻合，表明運(yùn)行正常，而另一些指標(biāo)則顯示出明顯偏差。這些操作有助于我們預(yù)見(jiàn)潛在問(wèn)題。

圖2中還監(jiān)測(cè)了數(shù)據(jù)漂移，反映出統(tǒng)計(jì)屬性隨著時(shí)間的變化，并使用曲線下面積（AUC）指標(biāo)進(jìn)行評(píng)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(duì)模型性能的影響。這些評(píng)估有助于確保模型在運(yùn)行條件隨時(shí)間變化時(shí)，保持準(zhǔn)確可靠。

圖2：關(guān)鍵運(yùn)行參數(shù)的一日預(yù)測(cè)

使用機(jī)器學(xué)習(xí)查找偏差

在圖3中，ML模型確定了影響目標(biāo)結(jié)果的關(guān)鍵因素，以便對(duì)偏差進(jìn)行根本原因分析。通過(guò)不斷實(shí)時(shí)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(gè)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(shí)間變化的平均值、最小值、最大值以及趨勢(shì)。有了這些數(shù)據(jù)，我們就能及時(shí)干預(yù)，并抓住改善過(guò)程控制、性能和減排的機(jī)會(huì)。

圖3：關(guān)鍵運(yùn)行參數(shù)的預(yù)測(cè)模型與實(shí)測(cè)結(jié)果之間的偏差分析

將先進(jìn)的機(jī)器學(xué)習(xí)模型與AVEVA PI System運(yùn)營(yíng)大數(shù)據(jù)管理平臺(tái)相集成，可使企業(yè)最大限度地發(fā)揮運(yùn)營(yíng)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(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的決策。通過(guò)使用歷史數(shù)據(jù)分析后的模型，企業(yè)可以進(jìn)行實(shí)時(shí)預(yù)測(cè)，檢測(cè)偏差和潛在的根本原因，從而提高性能，降低成本并獲得競(jìng)爭(zhēng)優(yōu)勢(shì)。

集成過(guò)程簡(jiǎn)便、易操作，僅需以下幾步即可完成：

1.    設(shè)置虛擬機(jī)或云端環(huán)境；

2.    配置PI系統(tǒng)，以實(shí)現(xiàn)實(shí)時(shí)的數(shù)據(jù)存儲(chǔ)和通知管理；

3.    配置Python環(huán)境，并創(chuàng)建必要的文件；

4.    設(shè)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(dǎo)入AVEVA PI System運(yùn)營(yíng)大數(shù)據(jù)管理平臺(tái)。

所有這一切都確保了無(wú)縫、高效的集成。

圖4：AVEVA PI System運(yùn)營(yíng)大數(shù)據(jù)管理平臺(tái)

優(yōu)化排放監(jiān)測(cè)

本用例展示了一種創(chuàng)新的ML方法，可降低能源和化學(xué)工業(yè)對(duì)環(huán)境的影響。通過(guò)將復(fù)雜模型與AVEVA PI System運(yùn)營(yíng)大數(shù)據(jù)管理平臺(tái)集成，該項(xiàng)目能夠：

•    開發(fā)強(qiáng)大的ML預(yù)測(cè)模型，準(zhǔn)確預(yù)測(cè)排放量，從而及時(shí)做出決策，避免溫室氣體排放超標(biāo)。

•    為不同化學(xué)工藝裝置生成與工藝相關(guān)的預(yù)測(cè)指標(biāo)，全面了解特定工藝裝置的性能，以便做出及時(shí)調(diào)整。

•    該解決方案與AVEVA PI Vision無(wú)縫集成，提高了關(guān)鍵數(shù)據(jù)的可視性和可訪問(wèn)性。PI Vision上的報(bào)告還有助于制定維護(hù)計(jì)劃等事項(xiàng)，并使管理層能夠輕松了解溫室氣體排放問(wèn)題。

排放監(jiān)測(cè)工具與AVEVA PI System運(yùn)營(yíng)大數(shù)據(jù)管理平臺(tái)的集成，彰顯了先進(jìn)技術(shù)在應(yīng)對(duì)復(fù)雜挑戰(zhàn)和推動(dòng)持續(xù)改善方面的巨大潛力，同時(shí)標(biāo)志著我們向數(shù)據(jù)驅(qū)動(dòng)型運(yùn)營(yíng)邁出堅(jiān)實(shí)一步。

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