台灣身處在太平洋戰略中心位置，石油、煤炭等各種能源卻有 98％ 仰賴進口，為了掌握更多能源自主以及與跟上世界綠能減碳的腳步，政府計畫在 2025 年再生能源發電量占比達 20%，截至 2020 年 11 月底為止，全台再生能源發電量占比已達 5% 以上。
那為什麼我們仍然被限電、甚至停電困擾呢?
2021 年數次嚴峻的限電措施與意外的停電，對工業、民生都造成重大影響，確保電力供應穩定性成了全民關注話題。然而，能源產業一直是高度專業且嚴肅的領域，比如：災害限電/停電預測、再生能源需量預測與調配、電力電網設備故障預警、電網電力靈活調度…等議題其實都有許多國際成功導入 AI 作為優化決策管理的成功案例，本文試圖分享四個 AI 應用在智慧能源/智慧電力/智慧電網的案例，幫助大家更了解國際能源產業智慧化的知識。
一、災害停電預測 (颱風停電預測)
台灣是個堅韌的島嶼，每年必須承受大小颱風來臨，而電力首當其衝影響著災情的嚴重程度，甚至是當年的經濟指標。如果可以事先預測可能停電的時機、地點及因素，就能做好緊急人員與電網調配，最小化災情損失。近年國外有很多能源公司利用演算法來進行停電預測，以備在停電發生時立即做出相應策略應對，其中應用例子包含：
- 預測天氣狀況對電網的影響
- 針對特定區域進行停電預測
- 智慧電錶偵測可能停電情形
- 災情資料監測停電原因
台電曾在過去數年舉辦電力分析數據競賽中，運用颱風消息資訊、天氣、災情、電線杆數、區域地理等資料，預測颱風各區域停電戶數，預先掌握停電的影響因子，讓應變小組可以事先做出相應策略、搶修調度，盡可能降低損失，改善工業、民生的用電體驗。MoBagel 在過去也運用相關資料集與 AutoML 之技術，找到國外及台灣等地區停電關鍵影響因子及高準確率的預測模型，實證災害防治在 AI 分析下的確是「有跡可循」。
二、再生能源需量預測 (綠能動態調度)
2021 年是個辛苦的一年，台灣中南部的雨水遲遲未來，連帶導致綠能中的水力發電未能提供足夠的基載電力，若持續依賴更多化石燃料為動力的火力發電，造成溫室效益的碳排放及空氣汙染勢必要受到更多挑戰。再生能源一直以來都是台灣想發展的重點，也是許多歐美國家大力推動的能源，台灣曾表示期望 2025 年再生能源的發電占比要提升至 20%。不過根據台電統計，在 2020 年台電總發購電量中，再生能源發電量只占台電系統的 5.8%，我們離目標仍有段努力的空間[1]。
在這個綠能不足的過渡期，可以透過 AI 技術與能源系統整合，強化用戶需求端預測、供應端因應需量供給，達到優化再生能源發電率的目標。舉例來說，如果是太陽能發電，會影響發電的因素就包含發電機組設備、日照、溫度、降雨、特殊氣候條件等條件，背後蘊含大量的資料支撐預測結果。如果能讓這些巨量資料有更積極的效益，運用機器學習進行資料分析與模型建立，預測未來太陽能發電量，能更有效提升供給掌握度，作為規劃智慧電網的基礎。在 MoBagel 過去實證的智慧建築案例中，曾運用自動化機器學習 (AutoML) 與時間序預測 (time series forecasting) 建立兩年以上穩定近 90%的能源供給及消耗的綠能預測模型，並且能精確的分析出影響的氣候、時段、節假日、淡旺季等影響因子，透過預測綠能發電與電力消耗負載做電網的調度，可有效避開尖峰時段帶來可能的電力負載不足與錯誤調度發電的浪費。
三、設備預測性維護 (故障預測與歸因分析)
2021 年 513 全台大停電的原因竟然是電力設備的瞬間故障導致一連串的跳電與停電？電網的組成非常複雜，一旦發生故障容易牽連其他設備也要一起「重開機」，同時備援、加入調度的機組啟動是需要時間的，例如燃氣從熱機到通電的需要 2 小時、水力發電需要十幾分鐘、燃媒是 6-8 小時、核電則是 2-3 天，期間停電的代價是難以衡量的巨大，因此，預知設備故障進而提前檢修，可有效降低臨時停機停電的風險。
台電曾指出，設備維護及預防保養是電業營運關鍵課題之一，包括風力發電機、輸電線路絕緣設備、隔離故障電流的斷路器及馬路隨處可見變電箱中的變壓器等。過去大多採取定期維護的方式，但這種做法可能會因為一次維護時間不佳造成維護零件成本浪費，且非維護其若產生異常，會導致停電風險。因此台電也建議利用過往運轉資料分析，進一步嘗試預測未來可能異常的設備，預測性維護基本可以分成四種應用場景，分別為：
- 實時偵測當下設備是否異常
- 預測當下設備是否異常
- 預測未來特定時間點設備是否異常
- 預測設備多久後會異常
為什麼預測性維護重要？因為可以在設備壞掉之前提早安排檢修或購置更新，這將有助於最大化設備正常運轉時間及最小化維護人力配置。幾乎所有的能源產業中，業者都面臨如何將資產價值最大化的挑戰，如果能將設備提前維護，這不僅提升能源供應效率提升，進階也能帶來良好的用電體驗。在過去的案例中，MoBagel 除了能預測設備壽命供提前檢修外，提出第五種應用場景 – 「設備是甚麼因素異常」，分析提出過去故障影響因子，作為檢修重點項目，加速檢修、替換零件設備叫料的處理時間，減少故障發生當下才開始檢修叫料等待零件等處理的時間成本與風險。
四、電力靈活調度
下一刻全國負載是多少？要調度哪些機組因應？是電力調度員每天要面臨的大難題。因為發電必須即發即用，電力調度員每天都得預做隔天的負載預測，規劃出全臺灣 2,300 萬人用電習慣，再根據負載預測結果及經濟成本的考量下排程發電機組。台電內部的調度人員曾表示：「要排得剛剛好，負載預測要準，發電才會準。[2] 」但電力調度要參考因素很多，負載預測涉及氣象資訊、是否為特殊節日（如投開票日、農曆春節）等。過去除了參考氣象預報與即時氣象資訊外，電力業者的調度員會從資料庫中搜尋歷史情境最相似的一天，作為當天負載預測參考。但天總有不測風雲，例如，午後雷陣雨雖然前一天有預測到，但沒想到降雨量太大、溫度陡降，負載意外下降。調度員面臨負載預測失準時得自己想辦法，迅速預測下一刻負載，這項工作往往耗掉資深調度員大把的時間。但是，現在有 AI 來幫忙。
成功進行能源管理的關鍵在於供需之間的平衡，透過人工智慧進行需量預測，以負載型態辨識、運轉資訊分析及歷史回測等即時演算，產生可參考的日期負載型態，及提供該日期的相關運轉資訊，藉此能提供電力靈活調度的依據。以 AI 輔助電力調度能時時審視能源使用量，並將能量調整符合當前需求率。如此一來，就能進階應用至鼓勵民眾在特定時間使用能源，而電業也能在能源供應方面實現理想的平衡。
以上提供四個 AI 應用在能源產業的例子，可以發現其實 AI 能幫助我們做很多不同類型的能源管理，例如學習人的用電習慣，幫助減少生活中的電力浪費，或是依靠 AI 預測的功能協助處理傳輸及調度問題。未來，能源產業不再只「賣電」，從數據、服務的思維出發，才能達成台灣能源產業長久以來的藍圖。
參考資料
[1]https://www.taipower.com.tw/tc/page.aspx?mid=204[2]https://tpcjournal.taipower.com.tw/article/3819
[3]https://www.taipower.com.tw/tc/news_info.aspx?mid=17&id=4014&chk=4989759e-b08e-45f4-a38e-f586f9c6c178
[4]https://medium.com/activewizards-machine-learning-company/top-10-data-science-use-cases-in-energy-and-utilities-72a53542face