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。」

查看更多產業客戶案例