技術服務

能資循環調控

A. 既有設備與研發能量

本團隊為國內最完整的燃燒/氣化技術團隊,在燃燒節能技術已有多年的豐富經驗,也具有執行 多項政府大型整合型計畫的能力(如:NEP I 淨煤主軸三年期計畫[23]、NEP II 減碳主軸三年期計畫 [24]、多元燃料純氧燃煤兩年期計畫[25]等),同時也曾多年協助台電公司、中鋼公司進行生質燃料與 粉煤混燒研究,協助中油公司進行油品燃燒試驗與分析,以及許多中小型企業、法人單位進行相關燃 燒減排技術開發。主要核心技術包括:純氧/富氧燃燒技術、生物質/化石燃料混燒技術、氣化爐開發、 生物質廢棄物氣化技術等。109 年建置完成的低碳能資循環科技園區主要設備包含:600 kWth 雙流化 床氣化爐、280 kWth 垂直燃燒爐、200 kWth 鼓泡式流化床,其相關說明如下:

  • 600 kWth 雙流化床氣化爐系統(如圖 17a)以雙爐體內循環方式,將生質物/廢棄物在氣化爐內 進行氣化,氣化所產生合成氣(Syngas)可導出作為後端輔助燃料使用。本系統可推廣至國內使用 燃料油或固態燃料燃燒爐的廠商進行共燒應用,以降低排放污染與減少碳排,並可結合前端料 源提供與後端產蒸氣/熱/發電等應用。
  • 280 kWth 垂直燃燒爐系統(如圖 17b)可針對重油、柴油、生質油、乳化燃油以及固態燃料(粉 煤或生質粉料)等多元燃料、或各式混合燃料進行燃燒試驗,屬準工業級多元燃料燃燒示範爐, 多年來已協助研究單位與產業界進行多項燃燒試驗與技術交流。此系統執行三期八年的 NEP 能 源國家型計畫,已發展出多元燃料混燒、純/富氧燃燒、爐渣固碳等核心技術,其中純氧燃燒其 煙道氣的二氧化碳濃度最高可達 94%,與國際間最頂尖研究機構實驗爐相當。
  • 200 kWth 鼓泡式流化床反應爐(如圖 17c)利用微負壓進行各式固態燃料或都市廢棄物的空氣、 富氧與純氧燃燒/氣化實驗,並搭配氣體分析儀進行氣體成分分析。此系統與 280 kWth 多元燃料 燃燒示範平台共用後處理設備,同時整合機電設備,利用 PLC 可程式控制器,建立圖控式人機 操作介面,具備系統切換操作控制、數據即時監測與紀錄功能。
圖 17 (a) 600 kWth 雙流化床氣化爐系統、(b) 280 kWth 垂直燃燒爐系統、(c) 200 kWth 鼓泡式流化床反應爐

 

B. 新近研發數位技術

 

B.1 生質料於流化床氣化產氣的 AI 預測分析

工智慧應用於氣化產氣預測的開發流程主要依循資料前處理、模型選擇及模型評估等三大面向。針對流化床氣化實驗,以 5 個不同位置量測溫度值作為輸入參數,並以 CO2 , CO , CH4 , H2 為預 測目標進行模型建立。當輸入與輸出變數確立後,我們透過關聯性分析(Correlation Analysis)來判斷輸入特徵與預測目標間的線性關係強度,值域為[-1, 1],得出大約落於 0.3 至 0.8 間;由此結果選擇線性回歸(Linear Regression)為基準模型,並於後續針對該結果進行非線性化修正,以得到最佳表現模型。在進行模型訓練前,將資料以 80%、20%的比例切分成訓練集與測試集。為了避免過度擬和(Overfitting) 或欠擬和(Underfitting)等情況發生,訓練過程將採用 3 折交叉驗證(3-Fold Cross-validation)以改善此類問題,其將訓練集資料再次切分成三等分,並進行三次交叉訓練,每一等分皆會擔任一次驗證資料, 再與訓練過程同步驗證模型表現,進而獲得更具預測能力的模型。目前嘗試增加多項式階數,並得出 4 階多項式修正可以得到最佳預測結果,其 R2 提升至[0.99, 0.98, 0.98, 0.99],且 MAE 與 RMSE 分別 為[0.116, 0.075, 0.013, 0.061]與[0.148, 0.095, 0.016, 0.081],代表四階多項式已具備預測流化床氣化產氣的能力,並可使用於合成氣即時預測系統,回歸分布結果呈現於圖 18 。

 

B.2 火焰影像辨識技術開發

火焰影像辨識技術發展是以深度學習為核心,可達到傳統演算法難以達成的預測精度,且開發時間也將略幅縮短。在資料前處理部分,我們以觀察顏色通道(Color Channel)的分布情況來判斷不同火 焰種類。以預混火焰與擴散火焰的案例來看,兩者 RGB 顏色分布有明顯差別,故其當作學習目標來 進行預測。目前影像辨識模型發展逐漸成熟,有許多預訓練模型(Pre-trained Model)可以使用,例如具 備高精確度的 EfficientNet 系列與輕量化的 MobileNet 系列模型等。我們以 MobileNet v2 輕量化模型 進行後續訓練及預測,其改良傳統 CNN 模型的卷積形式,透過將輸入特徵,先進行深度軸向的卷積 (Depth-wise Convolution),再執行逐點卷積運算(Point-wise Convolution),以達到低複雜度且較為快速 運算能力。考量到訓練時間因素,針對火焰種類辨識亦嘗試採用 t-SNE 降維演算法,使用條件機率和 高斯分布來定義高維度與低維度中樣本間的相似度。由於從上述分析得到預混火焰與擴散火焰於顏色 通道上具有一定的區別,故將其特徵壓縮至二維並套用羅吉斯回歸(Logistic Regression)進行二元分 類,其與 MobileNet v2 模型皆得到相當高的預測準確度。