A. 既有設備與研發能量
RCETS「離岸風場觀測運維」團隊於 103 年即開始開發風場量測技術[9],協助國內離岸觀測塔 建置前(上緯、永傳)的風場資料蒐集;106 年開始,著重於協助台電公司建置離岸海氣象觀測塔, 負責安裝海氣象塔上及水下各式觀測儀器和維運設備、以及佈放浮球式波浪海流監測儀,並進行多次 海氣象觀測塔的設備保養及維運作業,以及新設備儀器更新作業;同時配合即時資料管理平台,持續收集海氣象資訊,建立風場資料庫,進行風場資料比對分析[10-11]。此外,團隊本身擁有浮動式光達、 固定式光達、及移動式氣象觀測塔各式風場量測設備,已累積多年離岸海氣象觀測量測的執行經驗及成果,具備多場域多元風場量測與分析技術。近幾年團隊深化離岸風場海氣象資料運用,與國家實驗研究院高速網路與計算中心合作,開發離岸風場海氣象大數據預測技術[12],建立先進 AI 雲端計算平台整合、資料管理及分析能力(如圖 8);團隊合作成果獲得三項國內外專利:離岸測風塔雙重觀 測系統(台灣新型專利 M592081)、離岸測風塔風向定向系統(台灣新型專利 M592081、德國專利 202020103454),以及完成兩項技術移轉:波浪海流監測儀警示陣列浮標佈放技術(授權期間 109 年10 月 1 日至 113 年 9月 30日,權利金 20萬元)、時序感測資料智能分析技術(授權期間 109 年 4 月1 日至 113 年 3 月 31日,權利金 120萬元整,第二年起每年繳交衍生利益金 100萬元整)。
B. 新近研發數位技術
B.1 離岸風電短期風速預測技術
類神經網路模型為目前實現預測模型的主流方式之一,其根據過往歷史資料對深度類神經模型的擬合,進而得到預測未來的能力,也是目前以資料為基底的模型主流。本團隊應用類神經網路模型於彰濱離岸風場的預測,以 106年風資料作為訓練資料,再以 107 年、108 年分別作為測試、驗證資料。
開發的模型於東北季風的短期預測結果準確率很高,預測第一個 10 分鐘可達 99%,預測第二個十分 鐘可達 98%,預測第三個十分鐘可達 97% [13, 14](如圖 9),而在西南季風以及風向不一致時準確率 較低,對風速變化大的數據不敏感。
B.2 數位孿生平台系統開發
虛擬與真實間的整合是資訊技術創造價值的關鍵與前提,而數位孿生(Digital Twin)則是連結物理系統和虛擬系統所建構的模型[15, 16]。目前再生能源監控系統(RES)的應用已相當成熟,台灣已有許 多太陽光電能源管理公司具有相對應的能源監控系統,然而僅止於監控功能,無法針對氣候變化及設 備狀況進行電力需求的調控,我們導入數位孿生技術(Digital Twin)就是建立太陽光電及風力發電裝置 相同的數位複製品,透過數位孿生技術及氣象數據資料進行再生能源電力產出的模擬,可以有效預測 及掌握再生能源發電裝置的產出,透過實際發電量的狀態比對,及時進行電力的調控。本團隊現階段完成風力發電機組的數位孿生架構,選用物件導向的開放式語言 Modelica 作為虛擬端的建模工具,以台電彰濱氣象觀測塔於 106-108 年間的風資源觀測資料,透過機器學習方式對未來風速進行預測,再以預測風速作為輸入值,並與對應的風機性能曲線加以擬合,計算目標時間區間的累積發電量。
B.3 開發前端使用與後端資料庫整合的網頁介面系統
為了使 AI 模型產出的預測資料能即時動態地呈現給終端使用者,並且讓使用者友善地操作 AI 模型系統[17],我們利用 PHP Laravel 框架與 Bootstrap 前端網頁套件,實作 AI 預測資料網頁介面系 統。Laravel 透過 MVC 三層式架構(如圖 10a)將使用者介面(View)、系統業務邏輯(Model)、跟資料庫區隔開,以提升系統可維護性與開發效能。MVC 架構的主要概念是將資料模型與視圖(View)分離,將系統化分為 Model、View、Controller 三種層次架構。其中 Model 用來與資料庫進行溝通,主管對 資料邏輯有關事項,並具有對資料的存取修改權。View 是指與使用者溝通的界面,負責接收用戶操 作,並且展示 Model 提供的資料。Controller 負責接收與請求使用者要求,根據請求呼叫 Model 並決 定使用哪個 View 進行請求返回。依據 Laravel MVC 架構,為了提高外界使用者存取 AI 模型資料庫 預測結果,我們利用 RESTful API 架構(如圖 10b)進行實作。REST (Representation State Transer)是 一種網路架構風格,為 web 領域常用架構。在 Web Service 中使用 REST 概念實作的 API 就稱為 RESTful API。我們將利用 RESTful API 實作外部使用者存取 AI 模型資料庫的界接界面,以提高系統可用率與 系統呼叫一致性。
B.4 利用無人機結合影像辨識技術健診風機葉片
台灣預計於 115-124 年釋放出 15GW 的離岸風電裝置容量,離岸風場的廣建將衍生風力渦輪機後 續維運的迫切需求,其中包含了各種任務調整、維修與備件等,因此風場營運和維護如何能有效降低成本將會是重要考量,本團隊基於先前於離岸風場的人工智慧預測風場技術,目前正在開發藉由無人機以人工智能深度學習方式進行風場渦輪葉片檢測技術,此技術可在人為干擾最小的情況下實現更有 效的操作、精確檢查、採集和維護,可大幅降低檢修風機葉片所需人力與時間。我們首先利用無人機拍攝風機葉片影像,判別葉片是否完整、缺陷、裂痕,同時將不同種類影像以人工智慧深度學習方式進行資料歸納與分類(如圖 11),評估檢修急迫性的優先順序;這些資訊也可作為風場環境特性的相關資料數據庫,長時間監測發現有頻繁出現缺損葉片的場域,將可進一步評估如何進行環境管理,以減少葉片毀損率。最終所發展的人工智能判別技術,將直接於照片上呈現其毀損位置與其完整度數據(如:VA 0.931),以利判定是否要停機、派人前往維修,減少不必要的停機及減少人力的負荷。