台湾供电拉紧报 AIoT协助优化电力管理

2022年3月3日全台无预警大停电，造成各行业产线停摆，经济部清查工业区与科技产业园区受损情况，统计厂商损失金额达新台币60亿元，凸显目前电力吃紧状况下，电力生态系统包括供应与需求两端的优化管理，成为电网营运的重要课题。DIGITIME Research观察，近年企业更陆续导入人工智能辅助电力优化方案，以提升用电效率。

从电力供应端层面观察，以太阳发电厂为例，为了预测实时发电量，电厂建立卫星云图大数据库，进行CNN(Convolutional Neural Networks)演算法识别，经过卷积程序进行特徵撷取，依据特徵，识别云层种类。识别云层类别后，依据特性建立云层高度、云层密度、云层范围等参数，以建立辐照度预测运算模型，而AI识别技术可迅速针对大量实时卫星云图数据，协助蒐集辐照度预测运算模型的相关参数。

另外，对于区段时间辐照度预测，可使用卷积长短期记忆(Convolutional Long Short Term Memory；ConvLSTM) AI演算法，预测未来云层移动走向，ConvLSTM适合处理预测有关时间序列的图像事件，特色为将过去预测的结果回收重新利用，用来预测未来发展的因子之一，反覆循环训练修正以提升预测的准确度。

由于太阳能发电厂占地广大，且发电时段有时效性限制，因此针对设备故障检查与修复，较其他产业相对困难许多，AI可依据辐照射量与输出值数据，识别区分异常状态，包含接线劣化、模块老化、遮荫现象、绝缘问题、过热降载、跳电等。以遮荫现象为例，因夏季与冬季太阳光入射角度的差异，若太阳能板周围有较高的遮荫物，会造成实际辐照射量与输出值曲线平行下移，可能造成遮荫区域发电量降低约20%~40%，即便有经验的维运人员都很难察觉此问题，藉由AI预测判定可有效发现遮荫问题，AI技术可提升太阳能发电厂维护工作效率，并避免人力判断错误，可减少查修时间，迅速解决异常事件，迅速恢复发电。

从电力需求端层面观察，企业导入电力监控AI方案，能有效降低制造成本的目标，方案架构包含核心层，使用电表传感器计算用电量，并使用有线modbus RS485、以太网络或无线网络如NB-loT、Wi-Fi、LoRa等通讯技术将数据传送至上层(包含网络层、平台层、软件服务层)，以下针对各层功能说明：

网络层(Infrastructure as a Service；IaaS)，接收核心层数据数据，使用有线网络交换器(switch)或无线闸道器(gateway)传输至平台层(Platform as a Service；PaaS)。

平台层，接收有线网络交换器或无线闸道器传输的数据，进行用量信息汇整与分析、用量预测、警报管理、节能模拟运算等。

软件层(Software as a Service；SaaS)有两项服务，一为信息中心看板监控，二为手机端通报系统软件，两者皆是接收PaaS端本地服务器(on-premise server)或云端服务器(cloud server)信息。

另外，紧急异常事件通报系统，可透过信息伫列遥测传输服务器(MQTT server)接收laaS网络层信息，将信息在第一时间传送至手机端(例如短路或跳电)。

以台积电为例，为达成节能减碳目标已着手建构碳管理平台。平台涵盖三个面向，一为法规研究面，研究当地法规政策，规划对应方案与策略，以实践国际减碳共同承诺；二为排碳量改善面，如建立温室气体排放统计数据库、执行减少温室气体排放方案、开发新技术达减量目标、导入能源管理(ISO 50001)、开发节能机台、建立绿色建筑等；三为碳资产管理面，包括投资/购置再生能源、碳交易市场共需与价格研究、参与当地节能减碳奖励政策等。

此外，碳管理平台延伸二项改善目标，一为生产设备节能，汰换为高效节能帮浦(二、三、五、六、八厂)、机台元件最佳化修改，采购新设备且设定节能规格(以12寸厂既有设备基准，省电10%以上)；二为厂务节能措施，厂务照明节能(更换LED照明、区域规范定时开关)、空调节能(冰水机系统设定自动化调节、规范空调设定温度)、效能提升(空调系统加湿改装，可节省3%~5%用电量)。

台积电于2016年启动节能专案计划，召集美商应用材料(Applied Materials)、荷商ASML、先艺科技(ASM)、日商迪恩士半导体(Screen Spe)、东京威力科创(TEL)等五大设备商，启动开发节能设备设计，至今20222年进入导入期，台湾厂区完成139项节能措施验证，68种生产设备机型节能效益平均达14%，预计于2030年台湾厂区机台平均节能效益达20%的目标。