Page 92 - Vol.35

Tech
Notes
技術專文

這樣的變異性其實不足夠我們做精
圖18、將預測資料視覺化（左）瞬時耗電預測（中）瞬時負載預測（右）全域負載預測 圖22、2018年溫水細緻化管理實際操作
確判斷，舉例；當系統需求冷凍噸
是11.2 kRT的條件下，結果顯示組
16000 4
單機頭成本高 14000 節能空間 態7能耗(至6115kW)比組態8能耗

應避免運轉

耗 預測 電 7296.43 預測負載 當前運轉點 預測負載 12000 3 (至6445kW)減少約5%，列表進一

7211.98 當前運轉點 N+4 10000
7183.07 最低耗電 8000 2 步發現兩組態的差別在於5號和6號

7146.24 6000
最低運轉 4000 1 機台的開關差異，但因為組態數量
台數N
7046.2 7003.78 (%) (%) 不多，無法確定5號和6號機台在其
(kW)
2000 35C用量(kW) 實際運轉台數

0 0 他組合亦呈現5號比6號機台運轉效

01/01/2018 01/09/2018 01/17/2018 01/25/2018 02/03/2018 02/11/2018 02/19/2018 02/28/2018 03/08/2018 03/16/2018 03/24/2018 04/02/2018 04/10/2018 04/18/2018 04/27/2018 05/05/2018 05/13/2018 05/21/2018 05/30/2018 06/07/2018 06/15/2018 06/24/2018 07/02/2018 07/10/2018 07/19/2018 07/27/2018 08/11/2018 08/19/2018
12 C冰機運轉台數 12 C冰機運轉台數 冷凍噸(RT) 條件下開啟組合8的組態之外，更
需要積極增加組合變異性後透過交
叉分析比對出機台效率的優劣性，
圖23、能源管理系統(PWR)溫水減量盒鬚圖
這樣的優劣比較除了可以offline建
830,820元。值得注意的是2016
圖19、門檻式預警VS 模式辨別預警 [14] 議機台需要清洗保養時程，亦可以
年溫水額外投入時間為1/1至4/19
F14P5用電量(kWh) F14P5用量(RT) 找出省電組合。
日、11/2至12/31日，共計168 F14P6用電量(kWh) F14P6用量(RT)
天；2017年溫水額外投入時間為 60 Traditional Alarm F14P7用電量(kWh) F14P7用量(RT) 但這還不足令我們滿意，在人為因
傳統門檻警報
1/1至3/1日與10/21至12/31日 50 電量 耗 溫水泵 1250 溫水使用量 80000 素介入越來越少的自動化時代，此
共計130天。實際分析需要額外投 40 Actual 1200 水泵節能1.3% 70000 分析方法最終目的是期望在整個智
實際值
入熱回收時間2016年僅需84天(節 30 1150 60000 溫水減量16.4% 能系統動態決策(n+1或n-1)的同
Predicted 1100 時，亦根據大量的歷史運轉資訊－
省50%)；2017年僅需33天(節省 20 預測值 1050 (RT) 50000
75%) 圖21 。2016年因遭逢霸王寒 10 (kWh) 40000 『自動分配最佳的組態和建議應
1000
流影響寒流時間較長故效益較低； 0 First Pattern Recognition 950 30000 該保養的機台』。目前，我們也正
Alarm 2017 2018 year 2017 2018 year
而2017年遭逢暖冬額外投入熱回 -10 運轉模式改變預警 持續累積變異性與資料完整度朝全
收造成系統能源額外耗損，這原因 -20 面性自動化智能決策系統的目標前
來自資訊化不足與管理人員預期寒 進。
流心理影響。 圖24、運轉機台總數=10，機台組態耗能分析比較
2018年實際實施溫水細緻化管 圖20、利用模式辨別預警機制卡關5度冰機異常耗電時序圖
理，溫水額外投入天數共計：38 排列組合能耗差異
KW 結論
天，若相較於2017年運轉模式可 組合 9 7767.9
案例：防堵5CH05異常耗電，耗電增加佔整體4.96%
節省冰機運轉耗電新台幣750,902 07/17/2018 07/17/2018 07/17/2018 07/17/2018 07/17/2018 07/17/2018 07/18/2018 組合 8 7437.35
08:00:00 10:40:01 13:19:50 16:00:00 18:40:01 21:19:50 00:00:00
元 圖22。2018年第三季溫水細緻 組合 7 7106.81
3,660.00 工業3.5冰機系統動態數位決
化管理推廣至三個Phase，廠務能 3,407.07 5CH05開啟 維修完畢 組合 6 6776.26 策、運轉操作達到系統優化
3,375.25 偏離耗電預測值 5CH05開啟 6445.72
源管理系統(PWR)即反應出效益： 3,283.43 組合 5 藉由資料探勘(Data Mining)與機器
相較2017年溫水單月用量減少 3,101.01 組合 4 6115.17
3,099.78 5784.62 學習讓我們對系統理解更深入。對
16.4%、水泵耗能減少1.3%、節約 2,910.14 組合 3 5454.08 於不同運轉狀態(台數)，藉由歷史
冰機電能96萬度 圖 23 。 2,024.32 增加147.6kW 符合耗電預測值
2,732.49 組合 2 5123.53 資料訓練的ML模型，也可以及時
2,640.67 組合 1 4792.99 提供給運轉人員在操作決策前參
單機排列組合能耗差異性分析 組合 0 4462.44 考，進一步提升決策品質；溫水負
7 8 9 10 11 12 13 14 KRT
為從系統健檢進一步到單機健檢， 載裕度與冰機備援量及時運算，讓
對於單機開啟不同排列組合作耗電 圖21、溫水細緻化管理模擬（左）2016最佳操作（右）2017最佳操作 運轉人員及時了解系統可靠度降低
預測。方法著重於討論在系統需求 決策風險；運轉需求與耗能分析，
冷凍噸以及運轉台數都相同的條件 2016 溫水細緻化模擬 2017 溫水細緻化模擬 析， 圖24是這14個月中運轉機台 9B)開2顆獨立單機頭在機器學習 使得操作決策時同時考慮系統能源
下，根據歷史資訊判斷組態(機群) 4 4 總數等於10台時的8種組態能耗呈 內證明為耗電作法視為不正常的組 管理，避開系統耗能區與避免因資
與個別機台的效率優劣性。資料收 3 3 現，我們也列了 表5每種組合裡單 合，故總組態數只剩6種。由排列 訊化不足導致決策型能源浪費。以
集源自南科廠區十二吋晶圓廠的 一機頭開關狀態。 組合計算轉總數是10台全開雙機頭 F14B從能源管理系統(PWR)即可
2 2
12度冰機，區間從2017年10月至 且必開3台熱回收(2台投入與1台熱 看到溫水在動態供應之後單月降低
實際運轉台數 最佳運轉台數 實際運轉台數 最佳運轉台數
2018年11月共14個月，分析參數 1 1 首先有幾個問題：第一為這14個 交換器待機模式)共有45種組合， 16%熱交換量、單台冰機耗能成本
包含耗電量(kW)、系統需求冷凍噸 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 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 月內，轉總數是10台時未曾開過8 運轉資料組合僅有全部組合13.3% 由0.503kW/RT降至0.449kW/RT
(RT_real)、每台冰機機頭開關狀態 號機台。第二在組態2(單台開啟單 (6/45sets)。以上兩點可證明資料 減少10.7%運轉成本、並減少高耗
(On/Off)、運轉台數(n)。舉例分 機2A和7B)和5(單台開啟單機5B和 變異性完整度不足。 能時間75%(相較2017年)。

92 FACILITY JOURNAL SEPTEMBER 2019 93