發展能源多元化前，先用 AI 搞定供電、發電、電網智慧化！

傳統的電業公司，就在這波升級轉型的浪潮中，即將搖身一變成為「智慧電業」。透過 AI、大數據、物聯網技術提升本來產業的附加價值，已經成為各國能源業者在思考的新產業常態。

產業習以為常的電力管理模式，在現階段已經不一定夠用了。2021 年 2 月發生的德洲大停電事件，就是因為氣候驟降導致電力需求爆表而引起。台灣過去也曾發生過因為歲修排程，無法接替供電；或因缺水問題，導致水力發電出現缺口，影響備轉容量支援能力，造成民生停電事件等挑戰。

穩定供電不能再憑感覺！用AI實現設備預先診斷

面對這些難以預測的變數，能源業者很難再用過往經驗去制定相關策略，唯有結合AI 人工智慧分析，進行設備預診斷、能源預測及用戶行為分析，才有機會確保從發電、輸電、配電到售電等完整流程的穩定性，同時降低竊電風險，在快速變動的時代下繼續維持供電穩定性。

Fortune 500 中，90% 電力及能源廠指定採用的分析大廠 SAS，台灣區業務顧問部副總經理陳新銓指出，以 AI 進行電廠設備的預診斷，包括火力/風力發電機、太陽能板、高壓電塔、電線電纜等設備，可以幫助能源業者提前掌握設備健康狀態，並優先更換零組件，減少非預期的停機時間。像土耳其電力公司 ENERJISA，透過 AI 分析即時掌握發電機組與輸配電網路的運作狀況，成功降低 35%-45% 設備停機的時間，確保發電量可以維持在一定標準上，維持電網的穩定性。

風力發電機一般都架設在海邊，在高鹽度海風的日日吹襲下，設備老化及損耗的速度比一般發電機都要快，ENERJISA 便是如此，面對風力發電機組故障數量越來越多、每一台機組老化的速度都不一樣的情況，不只要耗掉許多人力和時間去維修，更大的問題是，難以精準設定零件庫存的水位，倘若風機故障時，需要替換的零件恰好庫存量不夠，即便立刻叫貨，也得等上至少半年的時間，形同風機虛設半年都無法發電。

為了解決問題，ENERJISA 在風力發電機內裝入各種 IoT 感測器，再以 AI 分析感測器所蒐集來的訊息。陳新銓認為，AI 分析有兩個目的，其一是即時監控，在故障發生之前或當下，例如：發電機組的馬達或零件突然出現問題，即時告警相關人員。其二是提前找出潛在問題，透過儀表板彙整各地區發電機組的資訊，包含：目前運轉狀況、設備健康度、產出能源量等，就能高效找出平時不易發覺的問題，舉例來說，可以透過風速和發電量建立非監督式異常偵測模型後，描繪出正常區間帶，如果發電機組沒有落在正常區間，可能就需要及早安排檢修、確認是否有潛藏問題。

在發電外，輸配電網也可以應用AI去診斷變壓器的健康度診斷，利用不同時間頻率的AI模型，及早掌握有哪些零件可能會故障，並做好維修排程規劃，ENERJISA 透過精準的維修排程規劃，大幅降低每年 100 萬美元的變壓器故障損失。

再生能源發電量極為不穩？AI 能做到精準預測！

AI分析在能源產業的第二種應用模式，就是預測能源的發電量和需求量。過往使用燃煤、天然氣、核能等一次性能源的發電方式，發電量比較容易被估算，但再生能源並非如此，由於影響的變數太多，導致再生能源發電量、尤其是光電和風電很難被預期。而在預測用電需求時亦是如此，受到氣候異常和生活型態改變的影響，造成能源產業在預測用電需求時，若只參考過去的用電資料，很可能有精準度不足的問題。

澳洲再生能源業者 Red Energy，過往因為用電需求預測模型精準度較低，以致於經常出現臨時備轉容量不足的情況，必須臨時向其他電力公司購買電力，想當然臨時購電的電價一定很高，公司營運成本也因此大幅增加。不過在改變AI預測模型之後，Red Energy預測準確率達到98%，並藉由完善的事前規劃，以較低價格購入電力，省下超過百萬美金的購電費用。

陳新銓進一步說明，Red Energy 提高 AI 模型預測精準度的關鍵有兩個，第一、彈性加入外部因子，並量化因子的影響程度。比較常見的外部因子分成兩種，其一是與社經環境有關，例如：失業率、經濟指數、氣候、人口數、用電戶數等，其二則是特定事件，如：天災、人禍、連假、企業新建大型廠房等。第二、針對地區、產業、客戶進行階層式分析，因為不同產業或天候的用電差異很大，甚至相同產業但規模不同或位在供應鏈不同階段（上、中、下游）的企業，在用電上也有很大差異，所以必須階層式拆解才能做好預測。

對能源產業來說，提高能源預測精準度，除了降低營運成本外，還有兩個效益，第一是透過調整電價控制用電需求。有別於台灣只分成尖峰/非尖峰兩種時段，國外採波動電價制，是依據實際用電需求量來制定電價，當AI模型預測需求量會上升時，系統就會根據計價原則，自動調高電價，透過較高的電價抑低用電需求。第二是進行更完善的歲修排程規劃。歲修排程必須考量到機組調度、供電需求及人力、備料等因素，當 AI 用電需求的預測越精準，越能避免機組大修期間，恰好遇到用電高峰的窘況，確保電力的穩定供應。

找出竊電、竄改電錶的異常數據，電網穩定沒問題

AI 在能源產業的第三個應用即是用戶分析，找出不同類型客戶的用電型態，不只能提供更貼近用電需求的服務，還能主動揪出竊電用戶，減少損失並確保電網穩定度。

目前全球各電力公司在偵測竊電時，主要問題有二，首先是被動式偵測不易察覺問題。台灣通常是專家/老師傅去變電所檢查用電量或設備損耗狀況，或是換電錶時才發現異常，而國外常見以隨機挑案的方式去抽查，這兩種方式都屬於被動式偵測，且投入成本高。其次是資料整合不容易，包括自動讀錶系統（AMR/AMI）、帳單系統、每一個配電所的資料等皆獨立存在，增加竊電偵測的難度。

陳新銓建議，電力能源公司若能在既有業務規則、監控用戶有無竄改電錶的行為兩個基礎上，再結合可能的竊電行為模式、用電量與電費的關聯性等 AI 分析模型，就能精準地判斷出各個電號的竊電風險，再交由相關人員做進一步的調查，提高偵測率再省下偵測成本。「結合 AI 分析，不只是主動找出竊電用戶，還要避免誤判，影響客戶對電力公司的觀感，」陳新銓說。

此外，電力公司也可以藉由整合相關系統的做法，例如：將電號與帳單資訊整合，主動發現集團竊電的行為。像巴西第二大電力公司 Cemig，不只找出集團竊電的風險，更避免每個月 42 萬美元的竊電損失。

面對能源產業對穩定供電的要求，全球電力及能源業務服務業者都在尋求更適切的預測方案，追求從發電、輸電、配電到售電流程的最大供電穩定度，SAS 透過全資料 AI 分析平台，打造涵蓋能源預測、智慧電錶分析、設備預診斷及未來分析四大領域的完整分析生命週期，協助業者確保供電的穩定性，也讓人們能夠持續享有便利舒適、更高品質的生活和工作環境。