Page 90 - Vol.35

Tech
Notes
技術專文

圖 13、溫水系統（上）負載預測（下左）系統 N+1 能力驗證（下右）溫水用量移動平均 圖16、冰機系統隨需求變化及時量測備援台數

能量守恆：F14BP7 熱交換負載 n+1 評估
5C-loop冰機系統備援及時運算 運轉台數 備援台數(sets) 5CUSRT
焓值 需求kW 單台Hx能力 投入台數 台數-1 台數+1 台數+2
10 8000
7000
30 7143.17 7274.01 2 1 3 4 8 6000
單機台台數(sets) 4000 冷凍噸(USRT)
系統佔比 49.10% 98.20% 32.73% 24.55% 6 5000

100% 14000 4 3000
ENTH 30kj/kg, P7Hx 待機模式熱交換器投入時機 P7移動平均 2000
80% 負載百分比 12000 2 1000
負載百分比 60% 目前運轉點 早期運轉點 熱回收能量(kW) 10000 0 0
8000
40%
具系統n+1能力
20% 6000 單台能力 2016/01/01 2016/02/01 2016/03/01 2016/04/01 2016/05/01 2016/06/01 2016/07/01 2016/08/01 2016/09/01 2016/10/01 2016/11/01 2016/12/01 2017/01/01 2017/02/01 2017/03/01 2017/04/01 2017/05/01 2017/06/01 2017/07/01 2017/08/01 2017/09/01 2017/10/01 2017/11/01 2017/12/01 2018/01/01
0% 4000
0 1 2 3 4 5 10 20 30 40 50 60 70
熱交換器運轉台數 外氣焓值(ENTH) 12C-loop冰機系統備援及時運算 運轉台數 備援台數(sets) 12CUSRT
16 18000
14 16000
12 14000
圖14、2017 廠區溫水用量；實際需要3sets時間僅占實際投入時間10.9% 圖15、監控系統溫水數位決策介面 10 12000

12000 10 單機台台數(sets) 8 10000 冷凍噸(USRT)
8000
11000 9 WWS kW 4933.7 kW 6
10000 實際需要3組熱交換器時間 8 Hx 能力 7274 kW 6000
9000 運轉台數 2 set 4 4000
8000 熱交換器投入控制邊界 7 負載裕度 32.17% % 2 2000
7000 6 0 0
6000 5 負載裕度定義：
5000 4 在滿足n+1條件下，剩餘負載百分比
4000 3 2016/01/01 2016/02/01 2016/03/01 2016/04/01 2016/05/01 2016/06/01 2016/07/01 2016/08/01 2016/09/01 2016/10/01 2016/11/01 2016/12/01 2017/01/01 2017/02/01 2017/03/01 2017/04/01 2017/05/01 2017/06/01 2017/07/01 2017/08/01 2017/09/01 2017/10/01 2017/11/01 2017/12/01 2018/01/01
3000
2000 2
1000 投入台數 kW 1
0 0 圖17、廠區冰機監控系統預測介面
得到。機器學習進行多變因預測耗
電；高相關性、高精度模型及可當
冰機最低運轉數 N 最低耗電運轉具N+4能力
作冰機能耗基值：藉此與實際耗電
最低運轉台數n=10多開四顆單機 型訓練過程使得曲線偏向資料點多 比較作為能源管理指標。 Machine Learning model, Polynomial regression
頭，故現況系統能力為N+4 (最低 者(穩態運轉數據)，故切換機暫態 n=6 n=7 n=8 n=9 n=10 n=11 n=12 n=13 n=14 n=15
傳統卡上限的警報模式稱為門檻式 206.57 139.24 121.05 101.46 84.36 78.17 70.86 67.40 61.72 60.28 %
運轉台數+4顆單機頭)；並且可得 現象在介面無法描述，切換機需考
預警(Threshold alert)；利用ML預 11097.27 8582.56 8473.05 7891.65 7146.24 7211.98 7046.20 7183.07 7003.78 7296.42 kW
知減機或加機過程系統穩態應有的 慮暫態耗電、系統穩定度與需求與
測運轉模式(Operational Pattern)，
冰機平均電流百分比值，運轉工程 外氣條件周期變化，增加切換頻率
再與實際差值卡關作為預警模
師對於風險與決策將變得更加精 不一定能達到節能效果 圖18 。
式：稱作模式辨別預警(Pattern
準。
Recognition Alert)。相較於門檻式 溫顯示正常，人眼無法確認)，造 學習進行模式鑑別(Pattern Recog- 的專注力有限，利用模式辨別預警
應用預測耗電值可以判斷加減機穩 模式辨別預警(Pattern 預警(Threshold alert)：需求低時距 成單機異常加載、系統耗能增加。 nition)建立預警，以往利用工程師 機制預知保養的數位決策，可解省
態冰機耗電，選擇最低耗電值運 Recognition Alert)用於預知維 離警戒值遠、需求高時又太靠近， 因實際耗電比較ML預測的Baseline 智慧看時序圖(chart)的運轉模式將 人腦運算負擔、專注於重要運轉決
轉。(如例：n=14有此時系統最低 護(PdM)決策 警戒值門檻不易決定(定太寬？ 增加147.5kW(占5度冰水迴路 改變成儲存成機器學習模型模式預 策與系統價值能力提升。
耗電值與N+4能力)。若系統負責 利用機器學習建立虛擬量測還有另 抓不到異常；定太緊？假警報太 4.96%)，在感知器完全失效之前提 警(ML model Pattern alert)，即使
人能在切換機之前得知系統切換負 外一個意義：對於動態運轉基值預 多)；相對的利用機器學習辨別模 前完成停機維修；防止異常耗電持 資深的工程師離開，建立數位經驗 溫水熱交換器細緻化管理效益
載變化與耗能變化，即可優化系統 測預測。以往冰水主機監控系統 式與運轉基值，若系統耗電或負載 續時間、避免緊急停機應變給予人 傳承的ML防禦機制將代替前人，
操作與控管操作風險。過去切換機 的耗能需要對於單一變因(主機耗 表現模式改變時警報，提供運轉人 員充足思考判斷時間、提升系統穩 運用模式辨別預警機制防禦廠務系 溫水細緻化管理效益受12度C冷凍
觀念則有重要改變：從負載不足切 電、水泵、水溫、外氣條件等)製 員更多系統變化時訊息，及早調查 定運轉與能源管理品質 圖20。 統，世代運轉的的工程師智慧(EI, 頓、溫水用量與氣候寒流時間影
換概念或門檻(threshold)切換觀念 成圖表經運轉人員長期觀測來發現 與記錄 圖19 。 這個機制未來在廠務非常具有發展 Engineer Intellignece)將轉換成人工 響：若我們對2016與2017年運轉
轉變成考量系統效能與風險操作。 異常；因為耗電的Baseline因多重 廠區利用模式辨別預警經驗，成功 潛力。對於各式各樣的廠務運轉模 智慧(AI, Artificial Intelligence)累積 模式進行優化，可以得到全年效
其中需要注意的：因為機器學習模 變因；維度過高不容易由人眼觀測 卡關冰機出口控溫感知器異常(水 式(Operational Pattern)，利用機器 而成長茁壯。在大量的資料面前人 益可再節約788,195NTD與新台幣

90 FACILITY JOURNAL SEPTEMBER 2019 91