台電實踐能源轉型,以 AI 確保再生能源的穩定供電,結合雲端機器學習平台和視覺化工具,以預防性維護為先導應用
發展再生能源已是大勢所趨,根據國際能源署(IEA)的數據,全球可再生能源發電量在 2020 年創下歷史新高,2025 年將供應全球 1/3 的電力,成為占比最高的發電來源,取代煤炭過去 50 年來的霸主地位。
而在台灣,也設下 2025 年再生能源發電占比達 20% 的目標。以風力發電為例,台電預計在 2025 年達到陸域風力 370MW、離岸風力 409MW 的開發容量目標,截至今年(2021) 1 月底為止,系統內已建置 384 部風力發電機組,其中台電佔 177 部,民營則為 207 部。
再生能源的最大挑戰就是穩定供電,台電則以科技應戰,率先在風力發電的監控維運導入 AI 應用。台灣電力公司再生能源處處長蔡英聖表示:「不同於傳統電廠的集中化模式,再生能源的分散式特性最適合與科技結合。我們希望透過 AI 的協助,將不穩定的再生能源轉變為穩定、可預期的供電生力軍。」
最佳維修時點的評估與排程
台灣有高達 98% 的能源仰賴進口,再加上本身是獨立島嶼,無法與他國大型電網連結以獲得調控彈性,能源轉型這條路走的比別人辛苦。但相較於必須進口才能取得的煤及天然氣,再生能源反而是台灣最能自給自足的燃料。
傳統電廠機組一年到頭都有例行性排修,以及充足的零件備品和 24 小時輪值的值班團隊,但再生能源如風電、光電幾乎都是大面積、分散式的建置,而且現場無人管理,再加上台電在工安面臨比民營電廠更高標準的要求,所以必須尋求更具成本效益的維運模式。
以風力發電為例,單一風機故障所影響的發電量有限,不分日夜立刻派遣人員搶修反而墊高營運成本,通常都採取遠端監控,累積到一定的故障數量再統一排程維修。此外,再生能源必須因應環境狀況來安排最佳維修時機,例如:光電的維修要在夜間進行,陸域風電如果故障則先降載,等到風力轉弱再來維修。
蔡英聖處長說:「正因為如此,預防性維護特別重要,AI 則是落實的關鍵。有了 AI 的輔助及預測,我們就能提早在最佳時機更換即將故障的零件,降低備料成本和維護成本。」
從當下放眼未來的預測能力
風場在營運期間發揮的效能是衡量風場開發成果的關鍵,保持風機運行的兩大要件就是監測和維修,這兩者都可結合科技來確保管理最佳化。
再生能源處以往在遠端監控只有記錄操作過程等基本功能,這只能留存現況,進行事後的統計分析,必須透過大數據的收集,找出變化趨勢及可預測性的因子,再結合實際故障狀況,以建立更為精準的預防性維護機制。
蔡英聖處長表示:「如果沒有 AI,我們看到的只是現象,而且必須花費大量時間和心力,才能找到資料之間的關聯性。即使是遠端監控,看到的也只是當下的狀況,看不到長期趨勢。」
導入 AI 則可帶來多重效益。首先是讓運維工作數位化,不僅管理彈性大,管控也更為方便;其次是以創新的方式擴大應用範疇,例如:用數據節能。尤其以往看到數據是以人為經驗來判斷問題,但現在加入 AI 的輔助,對於問題的判斷和預測會更為精確。
值得一提的是,以儀表板呈現的視覺化資訊也很重要,不僅能呈現更多資訊,也有助於增進溝通,讓更多人理解數據所蘊含的意義,進而帶動更多想法及回饋,促成更多應用。這也能改變原本個人自行製作的圖表只有當事人能解讀,導致經驗難以傳承的問題。
持續滾動及進化的 AI 機制
此外,參與本案的工研院風力技術研發團隊,以過去協助台電公司進行風力機性能改良及維護經驗,除了在風力機前端技術領域協助進行風力機故障訊息辨別與分類,更依據風力機維護經驗找出十大系統維護重點,整合現場維修紀錄並透過擷取的 SCADA 資料前處理,以收集溫度、發電量等數據;同時,搭配 CMS(Condition Monitoring Systems)可收集振動數據,而有利後續大數據預測維護分析。
對於 AI 工具的選擇,在符合政府採購法規的前提下,再生能源處最重視的是合作夥伴的技術能力和解決方案的擴充性。透過微軟的協助,先從風電著手,將風機分解為 10 個次系統,個別建立健康指數模型,透過每天或每週定期更新的指數來進行監控。
至於系統架構,則在地端部署 Azure Stack Edge,並統合來自 SCADA 及實際維運的數據,經過資料脫敏及預處理後上傳雲端,運用 Azure 機器學習平台來建模,並以 Power BI 來呈現視覺化資料。
蔡英聖處長表示:「數據愈多,AI 預測愈精準,這是滾動式進步的過程。我們目前在 AI 的應用以預防性維護為重,希望未來可進階應用為預測發電量,甚或是拓展新業務方向。」