台灣供電拉緊報 AIoT協助優化電力管理

2022年3月3日全台無預警大停電，造成各行業產線停擺，經濟部清查工業區與科技產業園區受損情況，統計廠商損失金額達新台幣60億元，凸顯目前電力吃緊狀況下，電力生態系統包括供應與需求兩端的優化管理，成為電網營運的重要課題。DIGITIME Research觀察，近年企業更陸續導入人工智慧輔助電力優化方案，以提升用電效率。

從電力供應端層面觀察，以太陽發電廠為例，為了預測即時發電量，電廠建立衛星雲圖大數據庫，進行CNN(Convolutional Neural Networks)演算法辨識，經過卷積程序進行特徵擷取，依據特徵，辨識雲層種類。辨識雲層類別後，依據特性建立雲層高度、雲層密度、雲層範圍等參數，以建立輻照度預測運算模型，而AI辨識技術可迅速針對大量即時衛星雲圖數據，協助蒐集輻照度預測運算模型的相關參數。

另外，對於區段時間輻照度預測，可使用卷積長短期記憶(Convolutional Long Short Term Memory；ConvLSTM) AI演算法，預測未來雲層移動走向，ConvLSTM適合處理預測有關時間序列的圖像事件，特色為將過去預測的結果回收重新利用，用來預測未來發展的因子之一，反覆循環訓練修正以提升預測的準確度。

由於太陽能發電廠佔地廣大，且發電時段有時效性限制，因此針對設備故障檢查與修復，較其他產業相對困難許多，AI可依據輻照射量與輸出值資料，辨識區分異常狀態，包含接線劣化、模組老化、遮蔭現象、絕緣問題、過熱降載、跳電等。以遮蔭現象為例，因夏季與冬季太陽光入射角度的差異，若太陽能板周圍有較高的遮蔭物，會造成實際輻照射量與輸出值曲線平行下移，可能造成遮蔭區域發電量降低約20%~40%，即便有經驗的維運人員都很難察覺此問題，藉由AI預測判定可有效發現遮蔭問題，AI技術可提升太陽能發電廠維護工作效率，並避免人力判斷錯誤，可減少查修時間，迅速解決異常事件，迅速恢復發電。

從電力需求端層面觀察，企業導入電力監控AI方案，能有效降低製造成本的目標，方案架構包含核心層，使用電表感測器計算用電量，並使用有線modbus RS485、乙太網路或無線網路如NB-loT、Wi-Fi、LoRa等通訊技術將數據傳送至上層(包含網路層、平台層、軟體服務層)，以下針對各層功能說明：

網路層(Infrastructure as a Service；IaaS)，接收核心層數據資料，使用有線網路交換器(switch)或無線閘道器(gateway)傳輸至平台層(Platform as a Service；PaaS)。

平台層，接收有線網路交換器或無線閘道器傳輸的資料，進行用量資訊彙整與分析、用量預測、警報管理、節能模擬運算等。

軟體層(Software as a Service；SaaS)有兩項服務，一為資訊中心看板監控，二為手機端通報系統軟體，兩者皆是接收PaaS端本地伺服器(on-premise server)或雲端伺服器(cloud server)資訊。

另外，緊急異常事件通報系統，可透過訊息佇列遙測傳輸伺服器(MQTT server)接收laaS網路層訊息，將訊息在第一時間傳送至手機端(例如短路或跳電)。

以台積電為例，為達成節能減碳目標已著手建構碳管理平台。平台涵蓋三個面向，一為法規研究面，研究當地法規政策，規劃對應方案與策略，以實踐國際減碳共同承諾；二為排碳量改善面，如建立溫室氣體排放統計資料庫、執行減少溫室氣體排放方案、開發新技術達減量目標、導入能源管理(ISO 50001)、開發節能機台、建立綠色建築等；三為碳資產管理面，包括投資/購置再生能源、碳交易市場共需與價格研究、參與當地節能減碳獎勵政策等。

此外，碳管理平台延伸二項改善目標，一為生產設備節能，汰換為高效節能幫浦(二、三、五、六、八廠)、機台元件最佳化修改，採購新設備且設定節能規格(以12吋廠既有設備基準，省電10%以上)；二為廠務節能措施，廠務照明節能(更換LED照明、區域規範定時開關)、空調節能(冰水機系統設定自動化調節、規範空調設定溫度)、效能提升(空調系統加濕改裝，可節省3%~5%用電量)。

台積電於2016年啟動節能專案計畫，召集美商應用材料(Applied Materials)、荷商ASML、先藝科技(ASM)、日商迪恩士半導體(Screen Spe)、東京威力科創(TEL)等五大設備商，啟動開發節能設備設計，至今20222年進入導入期，台灣廠區完成139項節能措施驗證，68種生產設備機型節能效益平均達14%，預計於2030年台灣廠區機台平均節能效益達20%的目標。