影響全球電力及能源業務服務業者供電穩定性的因素不計其數,加上更大幅度的氣候變遷,都正加深業者穩定供電的挑戰,能怎麼化解?(首圖來源:Shutterstock)

限電、停電、竊電等能源危機事件在全球不斷浮現,確保能源供應的穩定性,攸關國家基礎與產業建設發展,也是電力及能源產業最重要的共同目標,然而,影響供電穩定性的因素不計其數,加上更大幅度的氣候變遷,穩定供電與更彈性調度能源成為迫切要解決的挑戰。

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。

(本文提供合作夥伴轉載)