發展能源多元化前,先用 AI 搞定供電、發電、電網智慧化!
作者:SAS Taiwan
原文刊登自:TechOrange 科技報橘
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。
推薦閱讀
- 6 ways big data analytics can improve insurance claims data processingWhy make analytics a part of your insurance claims data processing? Because adding analytics to the claims life cycle can deliver a measurable ROI.
- How AI and advanced analytics are impacting the financial services industryTop SAS experts weigh in on the topics that are keeping institutions up at night and fraudsters in a job.
- Stop contract and procurement fraudFraud affects an estimated 30 percent of organizations' procurement processes. Beyond business rules and anomaly detection, analytics can detect and prevent fraud and preserve the integrity of the procurement process.
準備好訂閱意見領袖觀點了嗎?