Page 87 - Vol.35

Tech
Notes
技術專文

圖6、冰機模型預測結果：（上列）5C/12C耗電預測；（下列）5C/12C負載預測 圖8、冰水泵模型預測結果：（上列）5C/12C耗電預測；（下列）5C/12C負載預測

4500 9000 4500 9000
True Data True Data True Data True Data
4000 Predicted 8000 Predicted 4000 Predicted 8000 Predicted
3500 7000 3500 7000

Target 3000 Target 6000 Target 3000 Target 6000
5000
5000
2500
2500
2000 4000 2000 4000
1500 3000 1500 3000
1000 2000 1000 2000
0 1000 2000 3000 4000 5000 6000 7000 0 1000 2000 3000 4000 5000 6000 7000 0 1000 2000 3000 4000 5000 6000 7000 0 1000 2000 3000 4000 5000 6000 7000
Data Index Data Index Data Index Data Index
80 100 80 100
True Data True Data True Data True Data
75 75
Predicted 90 Predicted Predicted 90 Predicted
70 70
80 80
65 65
Target 60 Target 70 Target 60 Target 70

55 55
60 60
50 50
50 50
45 45
40 40 40 40
0 1000 2000 3000 4000 5000 6000 7000 0 1000 2000 3000 4000 5000 6000 7000 0 1000 2000 3000 4000 5000 6000 7000 0 1000 2000 3000 4000 5000 6000 7000
Data Index Data Index Data Index Data Index

圖7、冰水泵模型學習曲線：（上列）5C/12C耗電預測；（下列）5C/12C負載預測 表 4、機器學習模型平均絕對誤差列表

1600 2500 耗電量誤差 負載誤差
1400 Training Training 耗電預測模型(Power) 平均絕對誤差 單位 誤差百分比 負載預測模型(Loading) 平均絕對誤差 單位 誤差百分比
Cross-validation 2000 Cross-validation
1200
Mean Squared Error 800 Mean Squared Error 1500 5度冰機耗電量預測 37.93 kW 1.29% 5度冰機耗電量預測 0.87 % 1.43%
1000
0.72
12度冰機耗電量預測
1.13%
%
0.85%
12度冰機耗電量預測
48.88
kW
1000
600
400 5度冰水泵耗電量預測 5.67 kW 3.50% 5度冰水泵耗電量預測 0.53 Hz 1.33%
500 12度冰水泵耗電量預測 13.00 kW 3.47% 12度冰水泵耗電量預測 0.52 Hz 1.39%
200
0 0
1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
Training examples Training examples
4.5 12 兩者差異小於0.5% 圖9 。 策：改善溫水熱交換器投切模式。 預熱開啟我們定義為「寒流」狀
4.0 Training Training 台灣冬季寒流原因除了日照減弱， 態。分析全年度「寒流」占比發現
Cross-validation 10 Cross-validation
3.5 8 運用資料數位決策：溫水負載 主要原因為大陸冷氣團南下，極地 僅占全年2.5%時間。隨著全球暖
Mean Squared Error 2.5 Mean Squared Error 6 裕度與冰機理論備援量測 段、非常態現象。寒流為廠內溫 縮短現象 [11] ，精準評估溫水需求才
化，台灣經歷寒流時間較20年前有
3.0
高壓增強所致，因此寒流屬於波
能兼顧系統穩定與高效率 圖11 。
2.0
溫水熱回收負載裕度細緻化管理計畫
水使用量高峰期，主因為外氣乾冷
1.5
1.0 4 利用運轉資料對系統需求精準評 空氣外氣空調箱(Makeup Air Unit, 由阿法拉伐公司(alfalaval)提供熱
[12]
交換交換能力極限為8200kW
估，做最適量系統投入。以下為未
，
MAU)需要使用溫水對乾冷空氣預
2
0.5
使用機器學習案例；僅使用運轉資 熱(Pre-Heating)避免加濕不足導致 知道及時用量與熱交換器極限即可
0.0 0 料(Operational Data)與領域知識 無塵室濕度失控。以F14P7為例， 運算出系統N+1能力。但為求保守
1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
Training examples Training examples (Domain Knowledge)發展的即時需 監控2016~2017年運轉資料 圖 評估：調查2016~2017年運轉資
求評估介面，進行溫水系統數位決 10，外氣焓值小於30kj/kg，MAU 料，得知熱交換器歷史熱交換極值
86 FACILITY JOURNAL SEPTEMBER 2019 87